丰。。
丰。。

深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-textcnn

本文目录

    • 概念引入
    • 摘要大意
    • TextCNN模型的结构
    • 正则化手段
    • 该模型的超参数
    • 研究成果

概念引入

逻辑回归
线性回归
时间序列分析
神经网络
self-attention与softmax的推导
word2evc
glove

摘要大意

  1. 在使用简单的CNN模型在预训练词向量的基础上进行微调就可以在文本分类任务上就能得到很好的结果。
  2. 通过对词向量进行微调而获得的任务指向的词向量就能得到更好的结果。
  3. 同时也提出了一种即使用静态预训练词向量又使用任务指向词向量的文本分类模型。
  4. 最终在7个文本分类任务中的四个上都取得了最好的分类准确率。

TextCNN模型的结构

把每个词都映射成一个词向量，然后做一维卷积
深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-textcnn_第1张图片

深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-textcnn_第2张图片

正则化手段

Dropout
在神经网络的传播过程中，让某个神经元以一定比例停止工作，在训练另一组数据时又将停止工作的部分启用，按比例选取其他部分停止，从而增加模型的泛化能力。
L2-正则

深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-textcnn_第3张图片
深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-textcnn_第4张图片

该模型的超参数

  • Embedding方式（静/动态,glove/word2evc）
    深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-textcnn_第5张图片
    深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-textcnn_第6张图片

  • 卷积核大小

深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-textcnn_第7张图片
深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-textcnn_第8张图片

  • 卷积核个数

深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-textcnn_第9张图片

  • 多种卷积核的混用
    深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-textcnn_第10张图片

  • 激活函数 (sigmoid/relu/tanh)
    深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-textcnn_第11张图片

  • Dropout

深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-textcnn_第12张图片

深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-textcnn_第13张图片

  • L2正则化
    深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-textcnn_第14张图片

研究成果

在7个文本分类任务中的四个上取得了最好的分类效果。
深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-textcnn_第15张图片

• CNN-rand: 使用随机初始化的词向量
• CNN-static: 使用静态预训练的词向量
• CNN-non-static: 使用微调的预训练的词向量
• CNN-multichannel: 同时使用静态预训练的词向量和微调的预训练的词向量

对于预训练词向量的微调能够改变词对之间的相似度关系
深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-textcnn_第16张图片

你可能感兴趣的:(深度学习神经网络-NLP方向,神经网络论文研读,神经网络,自然语言处理,深度学习,人工智能,神经网络,语言模型)

  • 强化学习——基本概念 AI大模型探索者 人工智能ai深度学习机器学习语言模型
    何为强化学习机器学习的一大分支强化学习（ReinforcementLearning）是机器学习的一种，它通过与环境不断地交互，借助环境的反馈来调整自己的行为，使得累计回报最大。强化学习要解决的是决策问题——求取当前状态下最优行为或行为概率。强化学习包括智能体和环境两大对象，智能体是算法本身，环境是与智能体交互的外部。智能体（IntelligentAgent），在人工智能领域，智能体指一个可以观察周
  • 搜索赋能：大型语言模型的知识增强与智能提升 听吉米讲故事 语言模型人工智能自然语言处理搜索引擎
    引言近年来，大型语言模型（LLM）取得了显著的进展，并在各个领域展现出强大的能力。然而，LLM也存在一些局限性，尤其是在知识库方面。由于训练数据的局限性，LLM无法获取最新的知识，也无法涵盖所有领域的专业知识。为了克服这些局限性，LLM需要依赖外部搜索来增强性能和保证输出结果的可靠性。本文将深入探讨搜索技术如何增强LLM的能力，并分析不同搜索引擎对LLM输出结果的影响。大型语言模型知识库的局限性L
  • 建筑兔零基础人工智能自学记录34|深度学习与神经网络2 阿克兔 人工智能toto学习人工智能深度学习神经网络
    1、人工神经网络ANN从生物课上学到的有关神经元、突触的生物神经网络，被模仿出了简化的人工神经网络（ANN,artificialneuralnetwork）。ANN结构为：输入层、隐藏层、输出层人工神经元：基于生物神经元的数学模型ANN过程：输入---加权求和---激活函数激活函数：类似生物神经元的阈值，达到阈值输出信号（‘神经网络的万能逼近定理’---两层以上神经网络可以逼近任意函数）2、深度学
  • 2.4K star的GOT-OCR2.0：端到端OCR 模型 AI 研习所 人工智能大模型AIAIGC人工智能
    GOT-OCR2.0是一款新一代的光学字符识别（OCR）技术，标志着人工智能在文本识别领域的重大进步。作为一款开源模型，GOT-OCR2.0不仅支持传统的文本和文档识别，还能够处理乐谱、图表以及复杂的数学公式，为用户提供了更加全面和高效的解决方案。产品功能及特点多语言支持：GOT-OCR2.0主要支持中文和英文字符识别，并能够通过进一步的微调扩展到更多语言。这种灵活性使其适用于国际化应用，满足不同
  • 揭开人工智能中 Tokens 的神秘面纱 东锋1.3 人工智能easyui前端javascript
    揭开人工智能中Tokens的神秘面纱在人工智能，尤其是自然语言处理（NLP）领域，"tokens"是一个频繁出现且至关重要的概念。对于理解语言模型如何处理和理解人类语言，tokens起着基础性的作用。那么，究竟什么是tokens呢？它又在人工智能系统中扮演着怎样关键的角色？让我们一探究竟。什么是Tokens简单来说，tokens是将文本分割成的一个个基本单元。当我们输入一段文字时，人工智能模型不会
  • 自然语言处理NLP入门 -- 第十节简单的聊天机器人 山海青风 #自然语言处理自然语言处理chatgpt
    一、为什么要做聊天机器人？在互联网时代，我们日常接触到的“在线客服”“自动问答”等，大多是以聊天机器人的形式出现。它能帮我们快速回复常见问题，让用户获得及时的帮助，并在一定程度上减少人工客服的压力。同时，聊天机器人也是了解自然语言处理（NLP）最好的实战项目之一。因为它整合了文字理解（NLU）、对话管理、文本生成（NLG）等多方面知识，既能看到很直观的对话效果，也能结合深度学习模型让机器人变得更智
  • 【网络】第六章-链路层协议及其他协议 MisakiFx 系统性学习网络网络链路层
    链路层协议及其他协议链路层功能  负责相邻设备之间的数据帧传输。  网络层负责主导数据传输方向，而链路层更加偏向底层，用来引导相邻主机间数据如何传输，之后由物理信号传输数据。以太网协议  以太网协议用于在链路层组织数据，主导相邻主机之间的数据传输方向。  在以太网协议中有一个重要概念MAC地址：相邻设备定位的地址，也就是物理网卡的硬件地址，标识每一块网卡，在两块网卡之间的数据传输起到作用协议构成 
  • 自然语言处理NLP入门 -- 第一节基础概念 山海青风 #自然语言处理自然语言处理人工智能python
    本部分主要介绍NLP的基础概念，并通过实际案例演示NLP的核心任务，同时引导你搭建NLP开发环境，确保你能顺利开始后续学习。1.什么是自然语言处理（NLP）1.1NLP的定义自然语言处理（NaturalLanguageProcessing,NLP）是人工智能（AI）的一个子领域，专注于让计算机理解、解释和生成人类语言。NLP结合了计算机科学、语言学和机器学习，以便计算机能自动处理文本和语音数据。简
  • mac 命令 vim 快捷键 自由冒险家小鱼儿2 javaexcelvim
    终端命令命令名功能描述使用举例ctrl+u清除当前行ctrl+a到行首ctrl+e到行尾ctrl+f/b前进后退相当于左右方向键ctrl+p上一条命令ctrl+r搜索命令历史ctrl+d删除当前光标的字符ctrl+h删除光标之前的字符ctrl+w删除光标之前的单词ctrl+k删除到文本末尾ctrl+t交换光标处文本command+r清屏1ctrl+l清屏2目录操作命令名功能描述使用举例mkdir创
  • 机器学习与深度学习资料 JasonDing1354 【MachineLearning】
    《BriefHistoryofMachineLearning》介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、DeepLearning.《DeepLearninginNeuralNetworks:AnOverview》介绍:这是瑞士人工智能实验室JurgenSchmidhuber写的最新版本《神经网络与深度学习综述》本综述的特点是以
  • 【大模型】大模型分类 IT古董 人工智能人工智能大模型
    大模型（LargeModels）通常指参数量巨大、计算能力强大的机器学习模型，尤其在自然语言处理（NLP）、计算机视觉（CV）等领域表现突出。以下是大模型的常见分类方式：1.按应用领域分类自然语言处理（NLP）模型如GPT-3、BERT、T5等，主要用于文本生成、翻译、问答等任务。计算机视觉（CV）模型如ResNet、EfficientNet、VisionTransformer(ViT)等，用于图
  • dify基础之prompts SNOWPIAOP 系统定制
    摘要：在大型语言模型（LLM）应用中，Prompt（提示词）是连接用户意图与模型输出的核心工具。本文从概念、组成、设计原则到实践案例，系统讲解如何通过Prompt解锁LLM的潜能，提升生成内容的准确性与创造性。要想用好dify，prompts是必备的基础。一、什么是Prompt？Prompt是用户提供给LLM的指令或输入，可以是问题、指令或一段描述，用于引导模型生成符合预期的输出。其核心作用在于：
  • 全过程带你从入门到精通《动手学PyTorch深度学习建模与应用》第二章：2.1-2.3节详解，篇幅超了，缺的后面再补吧 环工人学Python 深度学习pytorch人工智能python机器学习
    写在前面：点点关注不迷路，免费的赞和收藏走起来！后续更新第一时间提示哦，每周会更新不同内容，下周更新如何用各种模态的大模型去为你服务，编写代码。在深度学习的世界里，理解基础概念是构建复杂模型的关键。第二章“深度学习基础与PyTorch实现”将帮助我们深入理解深度学习的核心概念，并通过PyTorch实现这些概念。这一章的内容非常重要，因为它不仅涵盖了神经网络的基本原理，还介绍了激活函数、损失函数和优
  • 本地大模型编程实战(27)初探langgraph的流式输出 火云牌神 AI编程实战langchainagent智能体流式输出LLM
    对于LLM(大语言模型)，流式传输已成为一种越来越受欢迎的功能。其理念是在LLM生成令牌时就快速返回，而不是等待创建完整响应后再返回全部内容。对于简单的场景，流式传输实际上非常容易实现，但当涉及到智能体之类的应用时，它会变得复杂，这些智能体有自己的运行逻辑，可能会阻止我们尝试进行流式传输。本文将探讨langchain的流式输出，后面将实现智能体最终结果的流式输出。本次演练将全部使用qwen2.5:
  • 本地大模型编程实战(11)与外部工具交互(2) 火云牌神 AI编程实战pythonlangchainllamadeepseek
    文章目录准备定义工具方法创建提示词生成工具方法实参以`json`格式返回实参自定义`JsonOutputParser`返回`json`调用工具方法定义通用方法用链返回结果返回结果中包含工具输入总结代码在使用LLM(大语言模型)时，经常需要调用一些自定义的工具方法完成特定的任务，比如：执行一些特殊算法、查询天气预报、旅游线路等。很多大模型都具备使用这些工具方法的能力，Langchain也为这些调用提
  • CES Asia 2025：电子行业前沿展望与盛会契机 赛逸展张胜 大数据科技人工智能百度
    在全球科技浪潮汹涌澎湃之际，2025年电子行业的消费电子、半导体和人工智能三大关键领域备受瞩目，其发展走向不仅关乎行业兴衰，更蕴含着无数投资机遇，而即将到来的CESAsia2025则成为聚焦这些热点的重要舞台。消费电子领域，中国经济复苏带动内需升温，与产品生命周期形成良性互动。苹果公司在AI领域的战略布局，如2024年WWDC大会推出的AppleIntelligence，使中国电子产业链在其供应链
  • 【北京迅为】iTOP-RK3568OpenHarmony系统南向驱动开发-第5章 UART接口运作机制 北京迅为 鸿蒙harmonyos鸿蒙嵌入式硬件人工智能RK3568
    瑞芯微RK3568芯片是一款定位中高端的通用型SOC，采用22nm制程工艺，搭载一颗四核Cortex-A55处理器和MaliG522EE图形处理器。RK3568支持4K解码和1080P编码，支持SATA/PCIE/USB3.0外围接口。RK3568内置独立NPU，可用于轻量级人工智能应用。RK3568支持安卓11和linux系统，主要面向物联网网关、NVR存储、工控平板、工业检测、工控盒、卡拉OK
  • 本地大模型编程实战(25)用langgraph实现基于SQL数据构建的问答系统(4) 火云牌神 AI编程实战sqllanggraphLLMdeepseekqwen
    本文将演练使用基于langgraph链，对结构化数据库SQlite进行查询的方法。该系统建立以后，我们不需要掌握专业的SQL技能，可以用自然语言询问有关数据库中数据的问题并返回答案。使大语言模型(LLM)查询结构化数据与非结构化文本数据有所不同。查询非结构化数据时，通常需要将待查询的文本嵌入到向量数据库中；而查询结构化数据的方法则是让LLM编写和执行DSL（例如SQL）进行查询。在用langcha
  • 【vLLM 学习】使用 Neuron 安装 HyperAI超神经 vLLMvLLM开源人工智能深度学习源代码GPU机器学习
    vLLM是一款专为大语言模型推理加速而设计的框架，实现了KV缓存内存几乎零浪费，解决了内存管理瓶颈问题。更多vLLM中文文档及教程可访问→https://vllm.hyper.ai/从vLLM0.3.3版本起，支持在带有NeuronSDK的AWSTrainium/Inferentia上进行模型推理和服务。目前NeuronSDK不支持分页注意力(PagedAttention)，但Transforme
  • 基于 Pytorch 的全卷积网络人脸表情识别：从数据到部署的实战之旅 那年一路北 Pytorch理论+实践pytorch网络人工智能
    前言：本文将详细介绍基于Pytorch框架，利用全卷积网络进行人脸表情识别的完整过程，涵盖从数据集的准备、模型的设计与训练，再到模型的部署与预测，通过代码实现以及详细讲解，帮助读者深入理解并掌握这一技术。一、引言人脸表情是人类情感交流的重要方式，不同的表情能够传达出丰富的情感信息。人脸表情识别在智能交互、安防监控、心理健康分析等众多领域有着广泛的应用前景。随着深度学习技术的发展，基于卷积神经网络的
  • 场外个股期权有哪些交易策略？场外期权策略方向如何选择？ 财财有个期权懂 金融财经
    场外个股期权是指在非正式的交易场所，即场外市场上，老板们与特定对手方直接进行的个股期权交易。场外个股期权交易策略第一个就是方向性投机，其实就是跟着趋势来进行交易，在强烈看涨的时候买入看涨，在强烈看跌的时候买入看跌，跟着趋势走总是以大部分的行情为准，至少是大部分人的选择。比如说，在2024年5月以4万买入的某某康某看涨期权，在之后股价涨了25%之后，成功盈利9万。第二个就是备兑增强收益，也就是在持有
  • 互联网医院实时数据监测智能分析系统设计概述（上） Allen_LVyingbo 医疗高效编程研发python健康医疗python互联网医院人工智能
    研究背景近年来，随着互联网技术的飞速发展，互联网医疗作为一种新兴的医疗模式，正逐渐改变着传统的医疗服务方式。互联网医疗借助互联网、大数据、人工智能等技术手段，实现了医疗服务的线上化、智能化和便捷化，为患者提供了更加高效、优质的医疗服务。根据中国互联网络信息中心（CNNIC）发布的报告显示，我国互联网医疗用户规模达4.18亿人，较2023年12月增长372万人，占网民整体的37.7%，这表明互联网医
  • Unity子弹反弹效果实现 什么奇怪的称昵 unity游戏引擎
    依旧是用那万年不变的场景和人物......先来看看大概的效果：想要实现子弹反弹其实还是相当容易的，在2D界面控制子弹的旋转只有z轴，而如果想要在3D中实现则要对三个轴进行修改，本次是针对2D的效果实现，可能之后会在此页增加3D反弹效果。当子弹在物体发生碰撞时，要使得子弹沿着想要的方向上反弹需要获得子弹和物体在接触面的法向量，然后子弹的运动方向与法向量进行轴对称，然后将返回给过修改为子弹的运动方向即
  • 基于yolov8的糖尿病视网膜病变严重程度检测系统python源码+pytorch模型+评估指标曲线+精美GUI界面 FL1623863129 深度学习YOLO
    【算法介绍】基于YOLOv8的糖尿病视网膜病变严重程度检测系统基于YOLOv8的糖尿病视网膜病变严重程度检测系统是一款利用深度学习技术，专为糖尿病视网膜病变早期诊断设计的智能辅助工具。该系统采用YOLOv8目标检测模型，结合经过标注和处理的医学影像数据集，能够高效且准确地检测并分类糖尿病视网膜病变的不同严重程度。YOLOv8模型以其高速和高精度的特点，在处理眼底图像时展现了强大的能力。通过优化模型
  • YOLOv5 + SE注意力机制：提升目标检测性能的实践 那年一路北 YoloYOLO目标跟踪人工智能
    一、引言目标检测是计算机视觉领域的一个重要任务，广泛应用于自动驾驶、安防监控、工业检测等领域。YOLOv5作为YOLO系列的最新版本，以其高效性和准确性在实际应用中表现出色。然而，随着应用场景的复杂化，传统的卷积神经网络在处理复杂背景和多尺度目标时可能会遇到性能瓶颈。为此，引入注意力机制成为了一种有效的改进方法。本文将详细介绍如何在YOLOv5中引入SE（Squeeze-and-Excitatio
  • Android 开发使用 AI 提升效率 jiet_h AIandroid人工智能
    引言在当今快速发展的科技领域，人工智能（AI）正逐步渗透到各个行业。对于Android开发者而言，如何利用AI技术提升开发效率，已成为一个值得探讨的话题。本文将深入探讨如何在Android开发中有效地应用AI技术，以提高工作效率和代码质量。AI在Android开发中的应用场景1.代码自动补全与生成AI驱动的代码补全工具可以根据上下文，智能地预测并补全代码，减少手动输入，提高编码速度。例如，使用Co
  • 【深度学习】矩阵的核心问题&解析 大数据追光猿 数学基础-矩阵深度学习矩阵人工智能
    一、基础问题1.如何实现两个矩阵的乘法？问题描述：给定两个矩阵AAA和BBB，编写代码实现矩阵乘法。解法：使用三重循环实现标准矩阵乘法。或者使用NumPy的dot方法进行高效计算。defmatrix_multiply(A,B):m,n=len(A),len(A[0])n,p=len(B),len(B[0])C=[[0for_inrange(p)]for_inrange(m)]foriinrange
  • 安防监控 PoE 交换机解决方案 suzhou_speeder PoE交换机以太联Intellinet网络
    安防监控PoE交换机解决方案以太网光纤交换机，可以7x24小时对园区进行全面性的监控，满足安防网络化、智能化、高清化的发展的方向，具有高可靠、高质量、高带宽、可管理、可扩展等特性，可以多介质、长短距离的传输。拓扑架构采用星型拓扑结构组网，局部主干路段采用环网冗余结构组网，增加网络可靠性，实施两层架构，简单拓扑增强系统稳定性。带宽配置接入层采用千兆下联、光口复用上联以太网光纤交换机，搭建高带宽、高效
  • 提升AI测试效率：如何通过RAG技术优化LLM输出质量 测试者家园 人工智能软件测试质量效能人工智能RAG软件测试软件研发质量效能自动化测试LLM
    用ChatGPT做软件测试随着人工智能（AI）和大规模语言模型（LLM）在软件测试领域的应用日益广泛，测试效率和质量的提升成为业界关注的焦点。尽管LLM已经在自动化测试脚本生成、缺陷预测、测试报告生成等方面发挥了巨大的作用，但在某些复杂任务中，LLM的输出质量依然面临着提升空间，尤其是对于细节的精准度和情境理解的深度。为了解决这些问题，基于“检索增强生成”（RAG，Retrieval-Augmen
  • AI大模型-提示工程学习笔记21-图提示 (Graph Prompting) 9命怪猫 AI人工智能学习大模型aiprompt
    目录1.图提示的核心思想(1)传统提示的局限性(2)GraphPrompting的解决方案2.GraphPrompting的工作流程(1)图构建(2)图选择/子图提取(3)图编码(4)提示构建(5)LLM推理与生成3.GraphPrompting的关键组件(1)大语言模型(LLM)(2)图数据库(GraphDatabase)(3)图编码器(GraphEncoder)(4)提示模板(PromptTe
  • java线程的无限循环和退出 3213213333332132 java
    最近想写一个游戏，然后碰到有关线程的问题，网上查了好多资料都没满足。 突然想起了前段时间看的有关线程的视频，于是信手拈来写了一个线程的代码片段。 希望帮助刚学java线程的童鞋 package thread; import java.text.SimpleDateFormat; import java.util.Calendar; import java.util.Date
  • tomcat 容器 BlueSkator tomcatWebservlet
    Tomcat的组成部分 1、server A Server element represents the entire Catalina servlet container. (Singleton) 2、service service包括多个connector以及一个engine，其职责为处理由connector获得的客户请求。   3、connector 一个connector
  • php递归,静态变量,匿名函数使用 dcj3sjt126com PHP递归函数匿名函数静态变量引用传参
      <!doctype html> <html lang="en"> <head> <meta charset="utf-8"> <title>Current To-Do List</title> </head> <body>
  • 属性颜色字体变化 周华华 JavaScript
    function changSize(className){ var diva=byId("fot") diva.className=className; } </script> <style type="text/css"> .max{ background: #900; color:#039;
  • 将properties内容放置到map中 g21121 properties
    代码比较简单： private static Map<Object, Object> map; private static Properties p; static { //读取properties文件 InputStream is = XXX.class.getClassLoader().getResourceAsStream("xxx.properti
  • [简单]拼接字符串 53873039oycg 字符串
             工作中遇到需要从Map里面取值拼接字符串的情况，自己写了个，不是很好，欢迎提出更优雅的写法，代码如下：           import java.util.HashMap; import java.uti
  • Struts2学习 云端月影
    最近开始关注struts2的新特性，从这个版本开始，Struts开始使用convention-plugin代替codebehind-plugin来实现struts的零配置。 配置文件精简了，的确是简便了开发过程，但是，我们熟悉的配置突然disappear了，真是一下很不适应。跟着潮流走吧，看看该怎样来搞定convention-plugin。 使用Convention插件，你需要将其JAR文件放
  • Java新手入门的30个基本概念二 aijuans java新手java 入门
    基本概念:　　1.OOP中唯一关系的是对象的接口是什么,就像计算机的销售商她不管电源内部结构是怎样的,他只关系能否给你提供电就行了,也就是只要知道can or not而不是how and why.所有的程序是由一定的属性和行为对象组成的,不同的对象的访问通过函数调用来完成,对象间所有的交流都是通过方法调用,通过对封装对象数据,很大限度上提高复用率。　　2.OOP中最重要的思想是类,类是模板是蓝图,
  • jedis 简单使用 antlove javarediscachecommandjedis
    jedis.RedisOperationCollection.java package jedis; import org.apache.log4j.Logger; import redis.clients.jedis.Jedis; import java.util.List; import java.util.Map; import java.util.Set; pub
  • PL/SQL的函数和包体的基础 百合不是茶 PL/SQL编程函数包体显示包的具体数据包
    由于明天举要上课,所以刚刚将代码敲了一遍PL/SQL的函数和包体的实现(单例模式过几天好好的总结下再发出来);以便明天能更好的学习PL/SQL的循环,今天太累了,所以早点睡觉,明天继续PL/SQL总有一天我会将你永远的记载在心里,,,   函数; 函数:PL/SQL中的函数相当于java中的方法;函数有返回值 定义函数的 --输入姓名找到该姓名的年薪 create or re
  • Mockito(二)--实例篇 bijian1013 持续集成mockito单元测试
            学习了基本知识后，就可以实战了，Mockito的实际使用还是比较麻烦的。因为在实际使用中，最常遇到的就是需要模拟第三方类库的行为。         比如现在有一个类FTPFileTransfer，实现了向FTP传输文件的功能。这个类中使用了a
  • 精通Oracle10编程SQL(7)编写控制结构 bijian1013 oracle数据库plsql
    /* *编写控制结构 */ --条件分支语句 --简单条件判断 DECLARE v_sal NUMBER(6,2); BEGIN select sal into v_sal from emp where lower(ename)=lower('&name'); if v_sal<2000 then update emp set
  • 【Log4j二】Log4j属性文件配置详解 bit1129 log4j
    如下是一个log4j.properties的配置   log4j.rootCategory=INFO, stdout , R log4j.appender.stdout=org.apache.log4j.ConsoleAppender log4j.appender.stdout.layout=org.apache.log4j.PatternLayout log4j.appe
  • java集合排序笔记 白糖_ java
    public class CollectionDemo implements Serializable,Comparable<CollectionDemo>{ private static final long serialVersionUID = -2958090810811192128L; private int id; private String nam
  • java导致linux负载过高的定位方法 ronin47
    定位java进程ID 可以使用top或ps -ef |grep java ![图片描述][1] 根据进程ID找到最消耗资源的java pid 比如第一步找到的进程ID为5431 执行 top -p 5431 -H ![图片描述][2] 打印java栈信息 $ jstack -l 5431 > 5431.log 在栈信息中定位具体问题 将消耗资源的Java PID转
  • 给定能随机生成整数1到5的函数，写出能随机生成整数1到7的函数 bylijinnan 函数
    import java.util.ArrayList; import java.util.List; import java.util.Random; public class RandNFromRand5 { /** 题目：给定能随机生成整数1到5的函数，写出能随机生成整数1到7的函数。 解法1： f(k) = (x0-1)*5^0+(x1-
  • PL/SQL Developer保存布局 Kai_Ge
          近日由于项目需要，数据库从DB2迁移到ORCAL，因此数据库连接客户端选择了PL/SQL Developer。由于软件运用不熟悉，造成了很多麻烦，最主要的就是进入后，左边列表有很多选项，自己删除了一些选项卡，布局很满意了，下次进入后又恢复了以前的布局，很是苦恼。在众多PL/SQL Developer使用技巧中找到如下这段：   &n
  • [未来战士计划]超能查派[剧透,慎入] comsci 计划
           非常好看,超能查派,这部电影......为我们这些热爱人工智能的工程技术人员提供一些参考意见和思想........        虽然电影里面的人物形象不是非常的可爱....但是非常的贴近现实生活....    &nbs
  • Google Map API V2 dai_lm google map
    以后如果要开发包含google map的程序就更麻烦咯 http://www.cnblogs.com/mengdd/archive/2013/01/01/2841390.html 找到篇不错的文章，大家可以参考一下 http://blog.sina.com.cn/s/blog_c2839d410101jahv.html 1. 创建Android工程 由于v2的key需要G
  • java数据计算层的几种解决方法2 datamachine javasql集算器
    2、SQL     SQL/SP/JDBC在这里属于一类，这是老牌的数据计算层，性能和灵活性是它的优势。但随着新情况的不断出现，单纯用SQL已经难以满足需求，比如： JAVA开发规模的扩大，数据量的剧增，复杂计算问题的涌现。虽然SQL得高分的指标不多，但都是权重最高的。     成熟度：5星。最成熟的。   
  • Linux下Telnet的安装与运行 dcj3sjt126com linuxtelnet
    Linux下Telnet的安装与运行   linux默认是使用SSH服务的 而不安装telnet服务  如果要使用telnet 就必须先安装相应的软件包  即使安装了软件包 默认的设置telnet 服务也是不运行的 需要手工进行设置 如果是redhat9，则在第三张光盘中找到 telnet-server-0.17-25.i386.rpm
  • PHP中钩子函数的实现与认识 dcj3sjt126com PHP
    假如有这么一段程序： function fun(){ fun1(); fun2(); }   首先程序执行完fun1()之后执行fun2()然后fun()结束。   但是，假如我们想对函数做一些变化。比如说，fun是一个解析函数，我们希望后期可以提供丰富的解析函数，而究竟用哪个函数解析，我们希望在配置文件中配置。这个时候就可以发挥钩子的力量了。   我们可以在fu
  • EOS中的WorkSpace密码修改 蕃薯耀 修改WorkSpace密码
    EOS中BPS的WorkSpace密码修改 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 蕃薯耀 201
  • SpringMVC4零配置--SpringSecurity相关配置【SpringSecurityConfig】 hanqunfeng SpringSecurity
     SpringSecurity的配置相对来说有些复杂，如果是完整的bean配置，则需要配置大量的bean，所以xml配置时使用了命名空间来简化配置，同样，spring为我们提供了一个抽象类WebSecurityConfigurerAdapter和一个注解@EnableWebMvcSecurity，达到同样减少bean配置的目的，如下：   applicationContex
  • ie 9 kendo ui中ajax跨域的问题 jackyrong AJAX跨域
    这两天遇到个问题，kendo ui的datagrid，根据json去读取数据，然后前端通过kendo ui的datagrid去渲染，但很奇怪的是，在ie 10,ie 11,chrome,firefox等浏览器中，同样的程序， 浏览起来是没问题的，但把应用放到公网上的一台服务器， 却发现如下情况： 1） ie 9下，不能出现任何数据，但用IE 9浏览器浏览本机的应用，却没任何问题
  • 不要让别人笑你不能成为程序员 lampcy 编程程序员
    在经历六个月的编程集训之后，我刚刚完成了我的第一次一对一的编码评估。但是事情并没有如我所想的那般顺利。 说实话，我感觉我的脑细胞像被轰炸过一样。 手慢慢地离开键盘，心里很压抑。不禁默默祈祷：一切都会进展顺利的，对吧？至少有些地方我的回答应该是没有遗漏的，是不是？ 难道我选择编程真的是一个巨大的错误吗——我真的永远也成不了程序员吗？ 我需要一点点安慰。在自我怀疑，不安全感和脆弱等等像龙卷风一
  • 马皇后的贤德 nannan408
       马皇后不怕朱元璋的坏脾气，并敢理直气壮地吹耳边风。众所周知，朱元璋不喜欢女人干政，他认为“后妃虽母仪天下，然不可使干政事”，因为“宠之太过，则骄恣犯分，上下失序”，因此还特地命人纂述《女诫》，以示警诫。但马皇后是个例外。 　　有一次，马皇后问朱元璋道：“如今天下老百姓安居乐业了吗？”朱元璋不高兴地回答：“这不是你应该问的。”马皇后振振有词地回敬道：“陛下是天下之父，
  • 选择某个属性值最大的那条记录（不仅仅包含指定属性，而是想要什么属性都可以） Rainbow702 sqlgroup by最大值max最大的那条记录
    好久好久不写SQL了，技能退化严重啊！！！   直入主题： 比如我有一张表，file_info， 它有两个属性（但实际不只，我这里只是作说明用）： file_code, file_version 同一个code可能对应多个version 现在，我想针对每一个code，取得它相关的记录中，version 值 最大的那条记录， SQL如下： select *
  • VBScript脚本语言 tntxia VBScript
      VBScript 是基于VB的脚本语言。主要用于Asp和Excel的编程。   VB家族语言简介   Visual Basic 6.0           源于BASIC语言。           由微软公司开发的包含协助开发环境的事
  • java中枚举类型的使用 xiao1zhao2 javaenum枚举1.5新特性
    枚举类型是j2se在1.5引入的新的类型,通过关键字enum来定义,常用来存储一些常量.   1.定义一个简单的枚举类型 public enum Sex { MAN, WOMAN }   枚举类型本质是类,编译此段代码会生成.class文件.通过Sex.MAN来访问Sex中的成员,其返回值是Sex类型.   2.常用方法 静态的values()方
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他