- 大模型基础知识-LoRA与QLoRA
破壁者-燕
深度学习
介绍LoRA与QLoRA1.LoRA(Low-RankAdaptation)LoRA是一种用于大规模语言模型(LLM)的参数高效微调技术,旨在减少微调大模型所需的计算资源和存储空间。LoRA的核心思想是将全量参数更新分解为低秩矩阵的形式,从而显著减少参数数量和计算开销。核心思想:低秩分解:将大模型的权重矩阵表示为两个低秩矩阵的乘积。这种分解方法不仅保留了原始模型的表示能力,还显著减少了微调过程中需
- 深度学习速通系列:LoRA微调是什么
Ven%
深度学习速通系列人工智能深度学习python机器学习nlp
LoRA微调(Low-RankAdaptation)是一种用于大型预训练语言模型(LLM)的高效微调技术。它的核心思想是在不改变预训练模型权重的前提下,通过在模型的Transformer层中引入可训练的低秩矩阵来实现模型的微调。这种方法可以显著减少训练参数的数量,从而降低对计算资源的需求。LoRA微调的原理:LoRA微调方法建议冻结预训练模型的权重,并在每个Transformer块中注入可训练的低
- SwiftSiriWaveformView 使用教程
马安柯Lorelei
SwiftSiriWaveformView使用教程SwiftSiriWaveformViewAUIViewsubclassthatreproducesthewaveformeffectseeninSirioniOS7+.ItisaSwiftadaptationoftheamazingSCSiriWaveformViewbyStefanCeriu.项目地址:https://gitcode.com/g
- 旋转目标检测:mmrotate仓库中 “主要模型” 及其 “配置文件” 的列表
沉浸式AI
AI与SLAM论文解析旋转目标检测深度学习mmrotate
mmrotate目录:mmrotate仓库中的主要模型和配置BackgroundandMotivation背景与动机MethodsOverview方法概述1.CFACFA:Convex-hullFeatureAdaptationforOrientedandDenselyPackedObjectDetectionCFA:用于定向和密集对象检测的凸包特征适应2.ConvNeXtConvNeXt:ACo
- TPAMI 2024 | 无需多源证据的无监督领域自适应
小白学视觉
论文解读IEEETPAMI深度学习TPAMIIEEE顶刊论文论文解读
EvidentialMulti-Source-FreeUnsupervisedDomainAdaptation题目:无需多源证据的无监督领域自适应作者:JiangboPei;AidongMen;YangLiu;XiahaiZhuang;QingchaoChen源码:https://github.com/SPIresearch/EAAF摘要多源自由无监督领域自适应(MSFUDA)需要从多个源模型中聚
- 开源模型应用落地-qwen2-7b-instruct-LoRA微调-ms-swift-单机单卡-V100(十二)
开源技术探险家
开源模型-实际应用落地#深度学习语言模型自然语言处理
一、前言本篇文章将在v100单卡服务器上,使用ms-swift去高效微调QWen2系列模型,通过阅读本文,您将能够更好地掌握这些关键技术,理解其中的关键技术要点,并应用于自己的项目中。二、术语介绍2.1.LoRA微调LoRA(Low-RankAdaptation)用于微调大型语言模型(LLM)。是一种有效的自适应策略,它不会引入额外的推理延迟,并在保持模型质量的同时显着减少下游任务的可训练参数数量
- 大模型18:微调大模型方法PEFT(LoRA等) — 训练 “ChatGLM2“ 项目
bluewelkin
大模型
微调大模型的方法之一是PEFT(Parameter-EfficientFine-Tuning),其中包括LoRA(Low-RankAdaptation)等技术。PEFT方法能够在不显著增加计算资源消耗的情况下,微调大模型,从而适应特定任务。这种方法特别适用于像“ChatGLM2”这样的预训练大模型。什么是PEFT(Parameter-EfficientFine-Tuning)?PEFT是一种优化微
- CVPR2024部分研究方向文章梳理(持续更新中)
路漫漫独求索
计算机视觉人工智能深度学习分类AI作画stablediffusion
CVPR2024部分研究方向文章梳理(持续更新中)长尾分布(Long-Tailed)DeiT-LT:DistillationStrikesBackforVisionTransformerTrainingonLong-TailedDatasets.全文地址:DeiT-LT\(rangwani-harsh.github.io\)领域自适应(DomainAdaptation)LearningCNNonV
- Simple and Scalable Strategies to Continually Pre-train Large Language Models
liferecords
LLM语言模型深度学习神经网络
SimpleandScalableStrategiestoContinuallyPre-trainLargeLanguageModels相关链接:arxiv关键字:LargeLanguageModels、Pre-training、ContinualLearning、DistributionShift、Adaptation摘要大型语言模型(LLMs)通常会在数十亿个tokens上进行预训练,然后新数
- 大模型训练——PEFT与LORA介绍
MarkHD
人工智能深度学习机器学习
大模型训练中的PEFT(Parameter-EfficientFine-Tuning)与LoRA(Low-RankAdaptation)是两种重要的技术,它们在大型预训练模型的应用中发挥着重要作用。首先,让我们来了解一下PEFT。PEFT是一种参数高效的微调技术,由Huggingface发布。这种方法的核心思想是仅微调少量(额外)模型参数,同时冻结预训练LLM的大部分参数。这样做的好处是大大降低了
- (2024,自级联扩散,关键点引导的噪声重新调度,时间感知特征上采样器)进行廉价的扩展:用于更高分辨率适应的自级联扩散模型
EDPJ
论文笔记人工智能深度学习计算机视觉
MakeaCheapScaling:ASelf-CascadeDiffusionModelforHigher-ResolutionAdaptation公和众和号:EDPJ(进Q交流群:922230617或加VX:CV_EDPJ进V交流群)目录0.摘要2.相关工作4.自级联扩散模型4.1.问题阐述4.2.关键点引导的噪声重新调度4.3.时间感知特征上采样器4.4.分析与讨论5.实验0.摘要扩散模型已
- A day in the life
月夜电波
TodayismainlyaboutDeixis.Firsttheteachergiveusareviewofwhatwehavelearntbefore.顺应论adaptationthebasicideaaboutadaptationisthatlanguageuseisaprocessofmakingchoices.theprocesshappensbetweenthelinguiticspe
- iOS9网络适配_ATS:改用更安全的HTTPS
donghu9874
移动开发xcodewwdc
iOS9AdaptationTipsiOS9适配系列教程【中文在页面下方】(截至2015年9月3日共有6篇,后续还将持续更新。更多iOS开发干货,欢迎关注微博@iOS程序犭袁)Formoreinfomation,welcometofollowmytwitterEnglish1.Demo1_You'dbetterConvertHTTPtoHTTPSHowtodealwiththeSSLiniOS9,
- 论文解读:Class-Aware Patch Embedding Adaptation for Few-Shot Image Classification(2023 CVPR)
十有久诚
人工智能深度学习机器学习小样本图像分类transformer
摘要“一张图片胜过千言万语”,远远超出了单纯的分类。与此同时,如果独立观察,图像的许多斑块可能与分类完全无关。这可能会大大降低大量的few-shot学习算法的效率,这些算法的数据有限,并且高度依赖于图像patch的比较。为了解决这个问题,我们提出了一种类感知补丁嵌入自适应(CPEA)方法来学习图像补丁的“类感知嵌入”。CPEA的关键思想是将补丁嵌入与类感知嵌入相结合,使它们与类相关。此外,我们定义
- 【AI数字人-论文】Geneface论文
马鹤宁
数字人人工智能AIGC数字人
文章目录前言pipelineaudio-to-motionMotiondomainadaptation可视化Motion-to-imageHead-NeRFTorso-NeRF结果对比前言语音驱动的说话人视频合成旨在根据一段输入的语音,合成对应的目标人脸说话视频。高质量的说话人视频需要满足两个目标:(1)合成的视频画面应具有较高的保真度;(2)合成的人脸面部表情应与输入的驱动语音保证高度对齐。基于
- 神经调节的Hebbian学习用于完全测试时自适应
Scabbards_
1500深度学习笔记学习
摘要完全测试时自适应(Fullytest-timeadaptation)是指在推理阶段对输入样本进行序列分析,从而对网络模型进行自适应,以解决深度神经网络的跨域性能退化问题。我们从生物学合理性学习中获得灵感,其中神经元反应是基于局部突触变化过程进行调整的,并由竞争性侧抑制规则激活。基于这些前馈学习规则,我们设计了一个软Hebbian学习过程,为Test-Timeadaption提供了一种无监督的有
- 用于医学分割的实时Test-time adaption
Scabbards_
1500深度学习笔记深度学习迁移学习
机构:约翰霍普金斯论文:https://arxiv.org/abs/2203.05574代码:https://github.com/jeya-maria-jose/On-The-Fly-Adaptation摘要基于深度学习的医学成像解决方案的一个主要问题是,当模型在不同于其训练的数据分布上进行测试时,性能会下降。在测试时调整源模型以适应目标数据分布是解决数据迁移问题的有效方法。以前的方法通过使用熵
- 【webrtc】m98 : vs2019 直接构建webrtc及unitest工程 1
等风来不如迎风去
WebRTC入门与实战webrtcandroid
还是换用了vs2019构建官方的m98代码打开gn生成的sln工程随便点击一个工程turnserver构建,结果会触发全部构建turnserver构建日志:构建了整个webrtcts(1665,8):note:'result_of<webrtc::TimeDelta((lambdaat../../video/adaptation/overuse_frame_detector.cc:551:7</
- 大模型微调LoRA训练与原理
谦虚且进步
人工智能学习Python数据分析机器学习算法人工智能
1.什么是LoRA?LoRA的全称是LOW-RANK-ADAPTATION。是一种实现迁移学习的技术手段。2.矩阵的秩?秩是一个向量空间的基向量的个数。例如:二维平面坐标系存在两个基向量,平面上任意的一个向量都可以使用这两个基向量进行线性表示,则秩为2。三维空间中则有3个基向量。3维空间存在很多对的基向量,而正交的基向量才是最简单的。秩是矩阵特有的属性。3.Transforerm中的矩阵有哪些?很
- datawhale 大模型学习 第六章-大模型之Adaptation
fan_fan_feng
人工智能深度学习大模型自然语言处理算法
一、为什么需要Adaptation1.1简介从语言模型的训练方式来说,例如GPT-3,训练语料通常是海量的,各种领域的,不针对任何特定任务的文本信息。这种方法的优点在于模型具有广泛的适用性,但也带来了一些挑战。比如下游任务的多样性,不同的下游任务与语言模型的预训练方式可以非常不同:格式不同:BERT训练过程中使用了MASK标记,而许多下游任务可能并不使用这些标记。自然语言推理任务(NLI)涉及两个
- 大模型理论基础初步学习笔记——第七章 大模型之Adaptation
panda_dbdx
学习笔记自然语言处理语言模型人工智能
大模型理论基础初步学习笔记——第七章大模型之Adaptation第7章大模型之Adaptation7.1引言7.1.1为什么需要Adaptation?7.1.2通用的adaptation配置交叉熵损失:7.2当前主流的几种Adaptation方法7.2.1Probing7.2.1.0探针概念7.2.1.1Probing方法的引入7.2.1.2Probing的适用性和适配7.2.1.3固定长度表示的
- 微信小程序 图片自适应高度 宽度 完美适配原生或者uniapp
执波仔丶
微信小程序uni-app小程序
-----查了一下百度看到网上图片高度自适应的解决方案基本是靠JS获取图片的宽度进行按比例计算得出图片高度。不是很符合我的需求/于是我脑瓜子一转想到一种新的解决方案不用JS计算也能完美解决。我写了一个组件,直接导入可以使用。---1.新建一个组件bl-adaptation-img.vue2.在main.js中导入//自适应图片图片高度宽度100%importblAdaptationImgfrom'
- ICCV 2021 广义源无关领域自适应
OverlordDuke
深度学习神经网络机器学习人工智能广义源自适应
《ICCV2021论文解读:广义源无关领域自适应》引言摘要项目概述数据集准备训练过程检查点领域分类器致谢论文其他引言近年来,计算机视觉领域的研究一直在不断推进,为了更好地解决领域自适应的问题,ICCV2021发表了一篇名为《GeneralizedSource-freeDomainAdaptation》的论文。该论文采用了基于PyTorch1.3和CUDA10.0的代码,通过阅读’requireme
- Datawhale 大模型基础 Task6 模型之Adaptation篇 笔记
AIzealot无
跟着无神学机器学习笔记人工智能深度学习AIGCprompt
通用大模型不能适用于全部领域,并且有着时效性等问题,因此需要进行适应来改善其性能。适应主要分为:预训练模型(主干部分的训练,最消耗算力);获取特定领域的数据集;找一些参数用于适配;定义损失函数来作为适配的标准;进行问题的优化表示。适应的方法主要有:探测、微调(可以提升零样本性能、改善泛化能力、获取新任务的能力)。轻量微调和微调的思路大题相似,分为轻量级微调的变体、提示词微调、前缀微调、适配器微调。
- 解释LoRA参数
samoyan
LLM面试NLP机器学习大模型
目录LoRA参数含义LoRA在深度学习中的作用示例代码中的LoRA应用结论LoRA参数含义LoRA(lora_r):LoRA代表"Low-RankAdaptation",是一种模型参数化技术,用于在不显著增加参数数量的情况下调整预训练模型。lora_r参数指的是LoRA中的秩(rank),它决定了低秩矩阵的大小。在这种情况下,lora_r设置为128,意味着将使用秩为128的矩阵来适应预训练模型。
- 大模型理论基础初步学习笔记——第二章 大模型的能力
panda_dbdx
学习笔记语言模型人工智能自然语言处理
大模型理论基础初步学习笔记——第二章大模型的能力大模型理论基础初步学习笔记——第二章大模型的能力2.1概述我们的研究对象:2.1.1基准测试:2.1.2结果:2.1.3结论:2.1.4总结(太长不看版):2.2语言模型的适应性:从语言模型到任务模型的转化2.2.1任务:2.2.2适应(Adaptation):2.2.2.1输入(2个):2.2.2.2适应方法(2个):2.2.2.2.1训练(标准的
- 第十一章:大模型之Adaptation
LucyFang2020
大数据
参考链接:https://github.com/datawhalechina/so-large-lm/tree/main1引言为什么需要Adaptation?在⾃动化和⼈⼯智能的时代,语⾔模型已成为⼀个迅速发展的领域。从语⾔模型的训练⽅式来说,语⾔模型,例如GPT-3,通常是任务不可知(task-agnostic),task-agnostic这个词组⽤于描述⼀种不针对任何特定任务进⾏优化的⽅法或模
- 大模型学习笔记07——大模型之Adaptation
等风来随风飘
大模型读书笔记学习笔记人工智能
大模型学习笔记07——大模型之Adaptation使用语言模型在学习了上下文后,仅通过给出的提示就能够执行一些任务并不是所有的下游任务都可以通过提示方法完成,如:自然语言推理(NLI)问答(QA)网络表格转文本解析电子健康记录(EHR)等下游任务与语言模型的训练数据之间存在的问题可能在格式和主题上有所不同需要实时数据或信息语言模型需要使用特定任务的数据或领域知识来针对下游任务进行适配1、为什么需要
- SAP C4C的URL Mashup无法添加到embedded component里去
JerryWang_汪子熙
HTML帮助文档里写到:URLMashup只能添加到headers上,无法添加到sections和tab区域里。测试:在adaptation模式下,headers区域下的Mashup列表里选择urlMashup:在properties的Apperance里只有Link一个选项,且无法更改:如果试图将urlMashup添加到embeddedcomponent里,会遇到下图的提示消息:thedragg
- TS封装格式
方竞
TS流封装ffmpeg
介绍TS是一种封装格式(容器),每个pack大小固定为188(或固定为204)字节,整体可分为三层。es层:音视频数据pes层:在es层上添加时间戳、音视频流标识等信息ts层:在pes层的基础上添加数据流的识别和传输必须的信息TS层TS层由TSHeader、adaptation组成,内容是通过PID值来标识的,主要内容包括:PAT表、PMT表、⾳频流、视频流。1、TSHeader固定为4字节,如下
- 关于旗正规则引擎下载页面需要弹窗保存到本地目录的问题
何必如此
jsp超链接文件下载窗口
生成下载页面是需要选择“录入提交页面”,生成之后默认的下载页面<a>标签超链接为:<a href="<%=root_stimage%>stimage/image.jsp?filename=<%=strfile234%>&attachname=<%=java.net.URLEncoder.encode(file234filesourc
- 【Spark九十八】Standalone Cluster Mode下的资源调度源代码分析
bit1129
cluster
在分析源代码之前,首先对Standalone Cluster Mode的资源调度有一个基本的认识:
首先,运行一个Application需要Driver进程和一组Executor进程。在Standalone Cluster Mode下,Driver和Executor都是在Master的监护下给Worker发消息创建(Driver进程和Executor进程都需要分配内存和CPU,这就需要Maste
- linux上独立安装部署spark
daizj
linux安装spark1.4部署
下面讲一下linux上安装spark,以 Standalone Mode 安装
1)首先安装JDK
下载JDK:jdk-7u79-linux-x64.tar.gz ,版本是1.7以上都行,解压 tar -zxvf jdk-7u79-linux-x64.tar.gz
然后配置 ~/.bashrc&nb
- Java 字节码之解析一
周凡杨
java字节码javap
一: Java 字节代码的组织形式
类文件 {
OxCAFEBABE ,小版本号,大版本号,常量池大小,常量池数组,访问控制标记,当前类信息,父类信息,实现的接口个数,实现的接口信息数组,域个数,域信息数组,方法个数,方法信息数组,属性个数,属性信息数组
}
&nbs
- java各种小工具代码
g21121
java
1.数组转换成List
import java.util.Arrays;
Arrays.asList(Object[] obj); 2.判断一个String型是否有值
import org.springframework.util.StringUtils;
if (StringUtils.hasText(str)) 3.判断一个List是否有值
import org.spring
- 加快FineReport报表设计的几个心得体会
老A不折腾
finereport
一、从远程服务器大批量取数进行表样设计时,最好按“列顺序”取一个“空的SQL语句”,这样可提高设计速度。否则每次设计时模板均要从远程读取数据,速度相当慢!!
二、找一个富文本编辑软件(如NOTEPAD+)编辑SQL语句,这样会很好地检查语法。有时候带参数较多检查语法复杂时,结合FineReport中生成的日志,再找一个第三方数据库访问软件(如PL/SQL)进行数据检索,可以很快定位语法错误。
- mysql linux启动与停止
墙头上一根草
如何启动/停止/重启MySQL一、启动方式1、使用 service 启动:service mysqld start2、使用 mysqld 脚本启动:/etc/inint.d/mysqld start3、使用 safe_mysqld 启动:safe_mysqld&二、停止1、使用 service 启动:service mysqld stop2、使用 mysqld 脚本启动:/etc/inin
- Spring中事务管理浅谈
aijuans
spring事务管理
Spring中事务管理浅谈
By Tony Jiang@2012-1-20 Spring中对事务的声明式管理
拿一个XML举例
[html]
view plain
copy
print
?
<?xml version="1.0" encoding="UTF-8"?>&nb
- php中隐形字符65279(utf-8的BOM头)问题
alxw4616
php中隐形字符65279(utf-8的BOM头)问题
今天遇到一个问题. php输出JSON 前端在解析时发生问题:parsererror.
调试:
1.仔细对比字符串发现字符串拼写正确.怀疑是 非打印字符的问题.
2.逐一将字符串还原为unicode编码. 发现在字符串头的位置出现了一个 65279的非打印字符.
 
- 调用对象是否需要传递对象(初学者一定要注意这个问题)
百合不是茶
对象的传递与调用技巧
类和对象的简单的复习,在做项目的过程中有时候不知道怎样来调用类创建的对象,简单的几个类可以看清楚,一般在项目中创建十几个类往往就不知道怎么来看
为了以后能够看清楚,现在来回顾一下类和对象的创建,对象的调用和传递(前面写过一篇)
类和对象的基础概念:
JAVA中万事万物都是类 类有字段(属性),方法,嵌套类和嵌套接
- JDK1.5 AtomicLong实例
bijian1013
javathreadjava多线程AtomicLong
JDK1.5 AtomicLong实例
类 AtomicLong
可以用原子方式更新的 long 值。有关原子变量属性的描述,请参阅 java.util.concurrent.atomic 包规范。AtomicLong 可用在应用程序中(如以原子方式增加的序列号),并且不能用于替换 Long。但是,此类确实扩展了 Number,允许那些处理基于数字类的工具和实用工具进行统一访问。
 
- 自定义的RPC的Java实现
bijian1013
javarpc
网上看到纯java实现的RPC,很不错。
RPC的全名Remote Process Call,即远程过程调用。使用RPC,可以像使用本地的程序一样使用远程服务器上的程序。下面是一个简单的RPC 调用实例,从中可以看到RPC如何
- 【RPC框架Hessian一】Hessian RPC Hello World
bit1129
Hello world
什么是Hessian
The Hessian binary web service protocol makes web services usable without requiring a large framework, and without learning yet another alphabet soup of protocols. Because it is a binary p
- 【Spark九十五】Spark Shell操作Spark SQL
bit1129
shell
在Spark Shell上,通过创建HiveContext可以直接进行Hive操作
1. 操作Hive中已存在的表
[hadoop@hadoop bin]$ ./spark-shell
Spark assembly has been built with Hive, including Datanucleus jars on classpath
Welcom
- F5 往header加入客户端的ip
ronin47
when HTTP_RESPONSE {if {[HTTP::is_redirect]}{ HTTP::header replace Location [string map {:port/ /} [HTTP::header value Location]]HTTP::header replace Lo
- java-61-在数组中,数字减去它右边(注意是右边)的数字得到一个数对之差. 求所有数对之差的最大值。例如在数组{2, 4, 1, 16, 7, 5,
bylijinnan
java
思路来自:
http://zhedahht.blog.163.com/blog/static/2541117420116135376632/
写了个java版的
public class GreatestLeftRightDiff {
/**
* Q61.在数组中,数字减去它右边(注意是右边)的数字得到一个数对之差。
* 求所有数对之差的最大值。例如在数组
- mongoDB 索引
开窍的石头
mongoDB索引
在这一节中我们讲讲在mongo中如何创建索引
得到当前查询的索引信息
db.user.find(_id:12).explain();
cursor: basicCoursor 指的是没有索引
&
- [硬件和系统]迎峰度夏
comsci
系统
从这几天的气温来看,今年夏天的高温天气可能会维持在一个比较长的时间内
所以,从现在开始准备渡过炎热的夏天。。。。
每间房屋要有一个落地电风扇,一个空调(空调的功率和房间的面积有密切的关系)
坐的,躺的地方要有凉垫,床上要有凉席
电脑的机箱
- 基于ThinkPHP开发的公司官网
cuiyadll
行业系统
后端基于ThinkPHP,前端基于jQuery和BootstrapCo.MZ 企业系统
轻量级企业网站管理系统
运行环境:PHP5.3+, MySQL5.0
系统预览
系统下载:http://www.tecmz.com
预览地址:http://co.tecmz.com
各种设备自适应
响应式的网站设计能够对用户产生友好度,并且对于
- Transaction and redelivery in JMS (JMS的事务和失败消息重发机制)
darrenzhu
jms事务承认MQacknowledge
JMS Message Delivery Reliability and Acknowledgement Patterns
http://wso2.com/library/articles/2013/01/jms-message-delivery-reliability-acknowledgement-patterns/
Transaction and redelivery in
- Centos添加硬盘完全教程
dcj3sjt126com
linuxcentoshardware
Linux的硬盘识别:
sda 表示第1块SCSI硬盘
hda 表示第1块IDE硬盘
scd0 表示第1个USB光驱
一般使用“fdisk -l”命
- yii2 restful web服务路由
dcj3sjt126com
PHPyii2
路由
随着资源和控制器类准备,您可以使用URL如 http://localhost/index.php?r=user/create访问资源,类似于你可以用正常的Web应用程序做法。
在实践中,你通常要用美观的URL并采取有优势的HTTP动词。 例如,请求POST /users意味着访问user/create动作。 这可以很容易地通过配置urlManager应用程序组件来完成 如下所示
- MongoDB查询(4)——游标和分页[八]
eksliang
mongodbMongoDB游标MongoDB深分页
转载请出自出处:http://eksliang.iteye.com/blog/2177567 一、游标
数据库使用游标返回find的执行结果。客户端对游标的实现通常能够对最终结果进行有效控制,从shell中定义一个游标非常简单,就是将查询结果分配给一个变量(用var声明的变量就是局部变量),便创建了一个游标,如下所示:
> var
- Activity的四种启动模式和onNewIntent()
gundumw100
android
Android中Activity启动模式详解
在Android中每个界面都是一个Activity,切换界面操作其实是多个不同Activity之间的实例化操作。在Android中Activity的启动模式决定了Activity的启动运行方式。
Android总Activity的启动模式分为四种:
Activity启动模式设置:
<acti
- 攻城狮送女友的CSS3生日蛋糕
ini
htmlWebhtml5csscss3
在线预览:http://keleyi.com/keleyi/phtml/html5/29.htm
代码如下:
<!DOCTYPE html>
<html>
<head>
<meta charset="UTF-8">
<title>攻城狮送女友的CSS3生日蛋糕-柯乐义<
- 读源码学Servlet(1)GenericServlet 源码分析
jzinfo
tomcatWebservlet网络应用网络协议
Servlet API的核心就是javax.servlet.Servlet接口,所有的Servlet 类(抽象的或者自己写的)都必须实现这个接口。在Servlet接口中定义了5个方法,其中有3个方法是由Servlet 容器在Servlet的生命周期的不同阶段来调用的特定方法。
先看javax.servlet.servlet接口源码:
package
- JAVA进阶:VO(DTO)与PO(DAO)之间的转换
snoopy7713
javaVOHibernatepo
PO即 Persistence Object VO即 Value Object
VO和PO的主要区别在于: VO是独立的Java Object。 PO是由Hibernate纳入其实体容器(Entity Map)的对象,它代表了与数据库中某条记录对应的Hibernate实体,PO的变化在事务提交时将反应到实际数据库中。
实际上,这个VO被用作Data Transfer
- mongodb group by date 聚合查询日期 统计每天数据(信息量)
qiaolevip
每天进步一点点学习永无止境mongodb纵观千象
/* 1 */
{
"_id" : ObjectId("557ac1e2153c43c320393d9d"),
"msgType" : "text",
"sendTime" : ISODate("2015-06-12T11:26:26.000Z")
- java之18天 常用的类(一)
Luob.
MathDateSystemRuntimeRundom
System类
import java.util.Properties;
/**
* System:
* out:标准输出,默认是控制台
* in:标准输入,默认是键盘
*
* 描述系统的一些信息
* 获取系统的属性信息:Properties getProperties();
*
*
*
*/
public class Sy
- maven
wuai
maven
1、安装maven:解压缩、添加M2_HOME、添加环境变量path
2、创建maven_home文件夹,创建项目mvn_ch01,在其下面建立src、pom.xml,在src下面简历main、test、main下面建立java文件夹
3、编写类,在java文件夹下面依照类的包逐层创建文件夹,将此类放入最后一级文件夹
4、进入mvn_ch01
4.1、mvn compile ,执行后会在