- Hadoop、Spark、Flink 三大大数据处理框架的能力与应用场景
一、技术能力与应用场景对比产品能力特点应用场景Hadoop-基于MapReduce的批处理框架-HDFS分布式存储-容错性强、适合离线分析-作业调度使用YARN-日志离线分析-数据仓库存储-T+1报表分析-海量数据处理Spark-基于内存计算,速度快-支持批处理、流处理(StructuredStreaming)-支持SQL、ML、图计算等-支持多语言(Scala、Java、Python)-近实时处
- 如何在pytorch中使用tqdm:优雅实现训练进度监控
Ven%
简单入门pytorchpytorch人工智能python
文章目录为什么需要进度条?tqdm简介基础用法示例深度学习中的实战应用1.数据加载进度监控2.训练循环增强版3.验证阶段集成高级技巧与最佳实践1.自定义进度条样式2.嵌套进度条(多任务)3.分布式训练支持4.与日志系统集成性能优化建议完整训练流程示例常见问题解决方案总结掌握训练进度监控是深度学习工程师的基本功。本文将带你从零开始,深入探索如何用tqdm为深度学习训练添加专业级进度条。为什么需要进度
- [2025CVPR]DE-GANs:一种高效的生成对抗网络
清风AI
深度学习算法详解及代码复现生成对抗网络人工智能神经网络
目录引言:数据高效GAN的困境核心原理:动态质量筛选机制1.判别器拒绝采样(DRS)的再思考2.质量感知动态拒绝公式(1)质量感知阶段(2)动态拒绝阶段模型架构:轻量化设计技术突破:三大创新点1.首创训练阶段DRS2.动态拒绝机制3.质量重加权策略实验验证:全面性能提升1.数据集与指标2.对比实验结果(1)低样本数据集(2)FFHQ数据集代码解析:关键实现细节对比结果:全面超越现有方法1.低样本数
- onnx模型部署 python_深度学习模型转换与部署那些事(含ONNX格式详细分析)
weixin_39759270
onnx模型部署python
背景深度学习模型在训练完成之后,部署并应用在生产环境的这一步至关重要,毕竟训练出来的模型不能只接受一些公开数据集和榜单的检验,还需要在真正的业务场景下创造价值,不能只是为了PR而躺在实验机器上在现有条件下,一般涉及到模型的部署就要涉及到模型的转换,而转换的过程也是随着对应平台的不同而不同,一般工程师接触到的平台分为GPU云平台、手机和其他嵌入式设备对于GPU云平台来说,在上面部署本应该是最轻松的事
- 如何禁止GPTBot等爬虫爬取网站内容:保护数据安全的实用指南
淮橘√
人工智能
引言随着人工智能技术的快速发展,网络爬虫(如OpenAI的GPTBot、GoogleBot、Anthropic的ClaudeBot等)被广泛用于抓取网站数据以训练AI模型或索引内容。然而,部分网站管理员可能不希望自己的内容被爬虫抓取,原因包括保护原创内容、降低服务器负载或防止数据被滥用。一、为什么需要禁止爬虫?网络爬虫可能带来以下问题:内容盗用风险:原创内容可能被AI模型或其他服务未经授权使用。服
- java opencv 数字识别算法_[机器学习]基于OpenCV实现最简单的数字识别
后期小雨
javaopencv数字识别算法
本文将基于OpenCV实现简单的数字识别。这里以游戏AngryBirds为例,通过以下几个主要步骤对其中右上角的分数部分进行自动识别。1.学习分类器根据训练样本,选取模型训练产生数字分类器。这里的样本可以是通用的数字样本库(如NIST等),也可以是针对应用场景而制作的专门训练样本。前者优在泛化性,后者强在准确率,当然常用做法是将这两者结合,即在通用数字库基础上做修改。另外这里由于模式并不复杂,计算
- Keras环境复现代码(三)
yanyiche_
keras深度学习人工智能
DQN雅达利Breakout强化学习实验要求明确实验目的:学习和实现深度Q学习(DQN),这是一种结合了Q学习和深度神经网络的强化学习算法,用于解决复杂的决策问题。清楚实验原理:1、深度Q学习(DeepQ-Network)将卷积神经网络与Q学习结合,解决高维视觉输入的强化学习问题:2、经验回放:将状态转换存储到缓冲区,打破数据相关性,稳定训练。3、目标网络:定期更新目标Q值计算网络,减少训练中的目
- Keras环境复现代码(二)
yanyiche_
Keras机器学习人工智能
PPOCartPole控制算法实践实验要求明确实验目的:学习和实现PPO算法,这是一种改进的策略梯度方法,通过限制策略更新的幅度来提高训练的稳定性。清楚实验原理:PPO算法是一种基于策略梯度的强化学习算法,它旨在解决传统策略梯度方法(如REINFORCE算法)在训练过程中可能出现的策略更新不稳定问题。PPO算法通过引入一种新的策略更新机制,限制每次更新的幅度,从而提高训练的稳定性和效率。PPO算法
- 【LLaMA 3实战:检索增强】13、LLaMA 3+RAG精准问答系统优化全指南:从检索增强到可信度提升实战
无心水
LLaMA3模型实战专栏llamaLLaMA3对话能力全解析LLaMA3AI大模型LLaMa3实战程序员的AI开发第一课AI入门
一、RAG赋能LLaMA问答系统的核心价值与瓶颈突破(一)准确性提升的三大核心挑战问题类型典型表现传统方案局限RAG+LLaMA3解决方案知识滞后型错误回答包含过时技术细节依赖模型预训练更新动态检索最新文档库上下文误解曲解问题意图或检索内容固定分块导致语义断裂语义感知分块+动态查询扩展事实幻觉虚构不存在的概念或数据缺乏外部事实校验溯源标注+多模型交叉验证(二)RAG与LLaMA3的协同优势动态知识
- StackGAN(堆叠生成对抗网络)的介绍
简介简介:本文提出了StackGAN(堆叠生成对抗网络),解决从文本描述生成高分辨率照片级真实图像的挑战。该方法将复杂的生成任务分解为两个阶段:Stage-IGAN生成64×64的粗糙轮廓和基本颜色,Stage-IIGAN基于Stage-I结果和文本描述生成256×256的高分辨率图像并修正缺陷。同时引入条件增强技术提高训练稳定性和样本多样性。论文题目:StackGAN:TexttoPhoto-r
- 经典文生图的GAN模型-HDGAN介绍
这张生成的图像能检测吗
GAN系列生成对抗网络人工智能神经网络计算机视觉深度学习机器学习
简介简介:这篇论文提出了一种名为HDGAN(Hierarchically-nestedDiscriminatorsGAN)的新方法,用于解决文本到图像合成这一挑战性任务。该方法的主要创新点包括:分层嵌套对抗目标:在网络层次结构内部引入配套的分层嵌套对抗目标,正则化中层表示并辅助生成器训练单流生成器架构:提出可扩展的单流生成器架构,更好地适应联合鉴别器并将生成图像提升到高分辨率多目的对抗损失:采用多
- StackGAN(堆叠生成对抗网络)
这张生成的图像能检测吗
优质GAN模型训练自己的数据集生成对抗网络人工智能神经网络计算机视觉深度学习算法
简介简介:本文提出了StackGAN(堆叠生成对抗网络),解决从文本描述生成高分辨率照片级真实图像的挑战。该方法将复杂的生成任务分解为两个阶段:Stage-IGAN生成64×64的粗糙轮廓和基本颜色,Stage-IIGAN基于Stage-I结果和文本描述生成256×256的高分辨率图像并修正缺陷。同时引入条件增强技术提高训练稳定性和样本多样性。论文题目:StackGAN:TexttoPhoto-r
- 数据挖掘 关联规则挖掘 Apriori算法 C++实现
王者灵梦
数据挖掘c++机器学习
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录前言一、Apriori是什么,大致步骤?二、全部代码全部代码总结前言本文只是基于课程作业的相关理解,请谨慎参考,如有不妥,欢迎各位批评指正。一、Apriori是什么,大致步骤?示例:Apriori算法是一种最有影响的布尔关联规则频繁项集的算法,Apriori使用一乘坐逐层扫描的迭代方法,“K-1”项集用于搜索“K”项集。大致步
- 智能办公与科研革命:ChatGPT+DeepSeek大模型在论文撰写、数据分析与AI建模中的实践指南
jwwkyjspt
机器学习SCI论文人工智能chatgpt语言模型机器学习
随着人工智能技术的快速发展,大语言模型如ChatGPT和DeepSeek在科研领域的应用正在为科研人员提供强大的支持。这些模型通过深度学习和大规模语料库训练,能够帮助科研人员高效地筛选文献、生成论文内容、进行数据分析和优化机器学习模型。ChatGPT和DeepSeek能够快速理解和生成复杂的语言,帮助研究人员在撰写论文时提高效率,不仅生成高质量的文章内容,还能优化论文结构和语言表达。在数据分析方面
- 2024年全国青少年信息素养大赛python复赛第6题-阶梯式收费(含题库答题软件账号)
程序猿下山
信息素养大赛pythonpython信息素养大赛
更多试卷、更多题库请点如需给您的学生安排作业和训练请点,或者自己练习小航助学编程在线模拟试卷系统(含题库答题软件账号)更多试卷、更多题库请点如需给您的学生安排作业和训练请点,或者自己练习小航助学编程在线模拟试卷系统(含题库答题软件账号)
- Leetcode 百题训练 239. 滑动窗口最大值
XiaoO_QAQ
leetcode算法数据结构
239.滑动窗口最大值题目描述:给你一个整数数组nums,有一个大小为k的滑动窗口从数组的最左侧移动到数组的最右侧。你只可以看到在滑动窗口内的k个数字。滑动窗口每次只向右移动一位。返回滑动窗口中的最大值。示例1:输入:nums=[1,3,-1,-3,5,3,6,7],k=3输出:[3,3,5,5,6,7]解释:滑动窗口的位置最大值--------------------[13-1]-3536731
- 基于llama-factory+ollama+vllm加速大模型训推生产
zwxu_
大模型专栏llama人工智能大模型
目录一、名称解释1.1产品定义二、llama-factory工具使用2.1基础镜像2.2、模型训练2.2.1以Qwen2.5-7B-Instruct为例
- LLM大语言模型学习笔记(1)
Arixs666
大语言模型语言模型笔记人工智能
1.概念大语言模型(LLM,LargeLanguageModel),也称大型语言模型,是一种旨在理解和生成人类语言的人工智能模型。LLM通常指包含数百亿(或更多)参数的语言模型,它们在海量的文本数据上进行训练,从而获得对语言深层次的理解。2.能力2.1涌现能力区分大语言模型(LLM)与以前的预训练语言模型(PLM)最显著的特征之一是它们的涌现能力。涌现能力是一种令人惊讶的能力,它在小型模型中不明显
- Ubuntu 22.04 庙算平台训练环境搭建指南
笑衬人心。
ubuntulinux深度学习
本文记录了基于Ubuntu22.04.3LTS的训练环境搭建过程,适用于需要部署庙算推演离线平台的用户,支持GPU(可选)。一、训练环境搭建●硬件要求操作系统:Linux(推荐Ubuntu22.04.3LTS)可选配置:NVIDIAGPU(CUDA支持)1.Linux环境搭建建议双系统安装Ubuntu,具体参考如下教程:参考教程:Windows和Ubuntu双系统的安装和卸载(哔哩哔哩)2.GPU
- 大语言模型(LLM)笔记
笑衬人心。
大模型学习语言模型笔记人工智能
一、什么是大语言模型(LLM)?LLM(LargeLanguageModel)是基于Transformer架构构建,并在海量文本语料上训练出的具备自然语言理解和生成能力的深度神经网络模型。其本质任务是**预测下一个token(词/字/符号)**的概率分布,但通过大规模参数和数据的支持,表现出类人智能的行为。二、核心架构:Transformer由Google在2017年提出,是目前LLM的主流架构。
- [由浅入深理解神经网络] 2 张量流与反向传播
由浅入深理解神经网络2张量流与反向传播0前言1张量流和运算图2复合函数视角2.1复合函数求导2.1.1链式法则2.1.2多元函数的链式法则2.2前馈网络的反向传播2.3任意网络的反向传播3结语0前言在由浅入深理解神经网络1一个简单到极致的神经网络中,我们已经发现了训练神经网络最重要的一件事,那就是求梯度,然后优化算法利用梯度来调整网络参数.我们重写一下前面提到的一个通用的神经网络:y=f(x;θ)
- Python中Tesseract OCR的中文识别包实操指南
本文还有配套的精品资源,点击获取简介:TesseractOCR是一个开源的光学字符识别引擎,支持多语言包括中文识别。介绍如何在Python中使用pytesseract库进行图像文字识别,并详细说明安装TesseractOCR以及其中文语言包的步骤。提供了一个Python示例代码来展示图像识别的流程,并解释如何通过预处理提高识别准确率。此外,概述了TesseractOCR的高级功能和训练自定义模型的
- LoRA 实战指南:NLP 与 CV 场景的高效微调方法全解析
fairymt
产品经理的AI秘籍自然语言处理人工智能机器学习
大模型已成AI应用的“标配”,但高昂的训练和部署成本让很多企业望而却步。LoRA(Low-RankAdaptation)作为一种轻量级微调方案,正成为NLP与CV场景中低成本定制的利器。本文详细通过详细介绍LoRA的核心原理、在文本与图像任务中的应用场景、主流工具框架与实践方式,帮助你快速掌握这项高性价比技术。国产生态实战:基于LLaMA-Factory+DeepSeek+LoRA+FastAPI
- AI:微调框架 LLaMA-Factory(Large Language Model Factory)
xyzroundo
AI人工智能llama语言模型sftllama-factoryAI
LLaMA-Factory(LargeLanguageModelFactory)是由北航团队开源的高效大语言模型(LLM)微调框架,旨在简化大型语言模型的定制化训练流程,支持超过100种主流模型和多种先进微调技术。以下从核心功能、安装部署、微调流程和应用场景四个方面详细介绍:一、核心功能与特点广泛的模型支持支持LLaMA3、Mistral、Qwen、ChatGLM、Gemma、Phi、Yi、Bai
- 记忆力锻炼方法
穗余
记忆力计算机视觉人工智能深度学习
记忆力锻炼的核心在于科学方法、持续训练和健康生活习惯的结合。通过重复训练、关联记忆、充足睡眠等方式,可有效提升大脑信息处理与存储能力。关键在于长期坚持,并结合多种技巧形成适合自己的记忆策略。一、科学记忆方法重复训练与间隔复习大脑通过重复强化神经连接,但机械重复效率低。建议采用间隔重复法,例如学习新知识后,在1天、3天、1周等间隔复习,利用“遗忘曲线”规律巩固记忆。关联记忆法将新信息与已知内容关联,
- 让AI自己学会“怎么学”——元学习,才是高效训练的终极武器!
Echo_Wish
Python进阶人工智能学习
让AI自己学会“怎么学”——元学习,才是高效训练的终极武器!朋友们,今天咱不聊ChatGPT,不聊大模型黑魔法,也不玩Prompt咒语。我想聊一个比“怎么训模型”更底层、更值得思考的问题:如果我们能让模型自己学会怎么更快、更聪明地学习,是不是就能少走很多弯路?这,就是元学习(MetaLearning)要解决的事儿。说白了,元学习是AI给AI上培训课的过程。咱们天天琢磨怎么喂模型数据、调超参、搞迁移
- 【机器学习&深度学习】模型微调的基本概念与流程
一叶千舟
深度学习【理论】机器学习深度学习人工智能
目录前言一、什么是模型微调(Fine-tuning)?二、预训练vs微调:什么关系?三、微调的基本流程(以BERT为例)1️⃣准备数据2️⃣加载预训练模型和分词器3️⃣数据编码与加载4️⃣定义优化器5️⃣开始训练6️⃣评估与保存模型四、是否要冻结BERT层?五、完整训练示例代码5.1环境依赖5.2执行代码总结:微调的优势前言在自然语言处理(NLP)快速发展的今天,预训练模型如BERT成为了众多任务
- 数字孪生如何赋能智能制造和安全生产
数峦云数字孪生三维可视化
制造安全
在信息技术蓬勃发展的今天,如何推进技术改造,提升行业本质安全?如何利用先进技术,实现生产过程全把控?生产数字化转型是一条必行之路。数字孪生作为推动实现生产数字化转型的重要抓手,在安全监管、应急指挥、智能作业、智能巡检、闭环管理等多个环节发挥着重要作用,并应用到工厂、能源、矿业、建筑等多个行业。赋能场景一:构建数字孪生生产场景,全盘掌握生产安全状态。基于空间数据,建立三维孪生生产场景,以虚拟孪生场景
- 1、 快速上手 [代码级手把手解析diffusers库]
Yuezero_
AIGC人工智能深度学习
快速上手Pipeline内部执行步骤后续更新计划diffusers是HuggingFace推出的一个diffusion库,它提供了简单方便的diffusion推理训练pipe,同时拥有一个模型和数据社区,代码可以像torchhub一样直接从指定的仓库去调用别人上传的数据集和pretraincheckpoint。除此之外,安装方便,代码结构清晰,注释齐全,二次开发会十分有效率。diffusers使用
- linux深度学习问题汇总
不想改代码
备忘录linuxpython深度学习pytorch人工智能1024程序员节
目录一、异常问题1.segementationfault(coredump)2.Illegalinstruction(coredumped)3.死锁4.掉卡二、通用方法1.查看重启记录2.系统性能监控3.后台执行命令4.异常日志三、深度学习技术1.普通网络改DDP训练,单机多卡,pytorch四、专业内容方法1.微调diffusion类模型本文记录一些在使用linux服务器进行深度学习时遇到的问题
- jquery实现的jsonp掉java后台
知了ing
javajsonpjquery
什么是JSONP?
先说说JSONP是怎么产生的:
其实网上关于JSONP的讲解有很多,但却千篇一律,而且云里雾里,对于很多刚接触的人来讲理解起来有些困难,小可不才,试着用自己的方式来阐释一下这个问题,看看是否有帮助。
1、一个众所周知的问题,Ajax直接请求普通文件存在跨域无权限访问的问题,甭管你是静态页面、动态网页、web服务、WCF,只要是跨域请求,一律不准;
2、
- Struts2学习笔记
caoyong
struts2
SSH : Spring + Struts2 + Hibernate
三层架构(表示层,业务逻辑层,数据访问层) MVC模式 (Model View Controller)
分层原则:单向依赖,接口耦合
1、Struts2 = Struts + Webwork
2、搭建struts2开发环境
a>、到www.apac
- SpringMVC学习之后台往前台传值方法
满城风雨近重阳
springMVC
springMVC控制器往前台传值的方法有以下几种:
1.ModelAndView
通过往ModelAndView中存放viewName:目标地址和attribute参数来实现传参:
ModelAndView mv=new ModelAndView();
mv.setViewName="success
- WebService存在的必要性?
一炮送你回车库
webservice
做Java的经常在选择Webservice框架上徘徊很久,Axis Xfire Axis2 CXF ,他们只有一个功能,发布HTTP服务然后用XML做数据传输。
是的,他们就做了两个功能,发布一个http服务让客户端或者浏览器连接,接收xml参数并发送xml结果。
当在不同的平台间传输数据时,就需要一个都能解析的数据格式。
但是为什么要使用xml呢?不能使json或者其他通用数据
- js年份下拉框
3213213333332132
java web ee
<div id="divValue">test...</div>测试
//年份
<select id="year"></select>
<script type="text/javascript">
window.onload =
- 简单链式调用的实现技术
归来朝歌
方法调用链式反应编程思想
在编程中,我们可以经常遇到这样一种场景:一个实例不断调用它自身的方法,像一条链条一样进行调用
这样的调用你可能在Ajax中,在页面中添加标签:
$("<p>").append($("<span>").text(list[i].name)).appendTo("#result");
也可能在HQ
- JAVA调用.net 发布的webservice 接口
darkranger
webservice
/**
* @Title: callInvoke
* @Description: TODO(调用接口公共方法)
* @param @param url 地址
* @param @param method 方法
* @param @param pama 参数
* @param @return
* @param @throws BusinessException
- Javascript模糊查找 | 第一章 循环不能不重视。
aijuans
Way
最近受我的朋友委托用js+HTML做一个像手册一样的程序,里面要有可展开的大纲,模糊查找等功能。我这个人说实在的懒,本来是不愿意的,但想起了父亲以前教我要给朋友搞好关系,再加上这也可以巩固自己的js技术,于是就开始开发这个程序,没想到却出了点小问题,我做的查找只能绝对查找。具体的js代码如下:
function search(){
var arr=new Array("my
- 狼和羊,该怎么抉择
atongyeye
工作
狼和羊,该怎么抉择
在做一个链家的小项目,只有我和另外一个同事两个人负责,各负责一部分接口,我的接口写完,并全部测联调试通过。所以工作就剩下一下细枝末节的,工作就轻松很多。每天会帮另一个同事测试一些功能点,协助他完成一些业务型不强的工作。
今天早上到公司没多久,领导就在QQ上给我发信息,让我多协助同事测试,让我积极主动些,有点责任心等等,我听了这话,心里面立马凉半截,首先一个领导轻易说
- 读取android系统的联系人拨号
百合不是茶
androidsqlite数据库内容提供者系统服务的使用
联系人的姓名和号码是保存在不同的表中,不要一下子把号码查询来,我开始就是把姓名和电话同时查询出来的,导致系统非常的慢
关键代码:
1, 使用javabean操作存储读取到的数据
package com.example.bean;
/**
*
* @author Admini
- ORACLE自定义异常
bijian1013
数据库自定义异常
实例:
CREATE OR REPLACE PROCEDURE test_Exception
(
ParameterA IN varchar2,
ParameterB IN varchar2,
ErrorCode OUT varchar2 --返回值,错误编码
)
AS
/*以下是一些变量的定义*/
V1 NUMBER;
V2 nvarc
- 查看端号使用情况
征客丶
windows
一、查看端口
在windows命令行窗口下执行:
>netstat -aon|findstr "8080"
显示结果:
TCP 127.0.0.1:80 0.0.0.0:0 &
- 【Spark二十】运行Spark Streaming的NetworkWordCount实例
bit1129
wordcount
Spark Streaming简介
NetworkWordCount代码
/*
* Licensed to the Apache Software Foundation (ASF) under one or more
* contributor license agreements. See the NOTICE file distributed with
- Struts2 与 SpringMVC的比较
BlueSkator
struts2spring mvc
1. 机制:spring mvc的入口是servlet,而struts2是filter,这样就导致了二者的机制不同。 2. 性能:spring会稍微比struts快。spring mvc是基于方法的设计,而sturts是基于类,每次发一次请求都会实例一个action,每个action都会被注入属性,而spring基于方法,粒度更细,但要小心把握像在servlet控制数据一样。spring
- Hibernate在更新时,是可以不用session的update方法的(转帖)
BreakingBad
Hibernateupdate
地址:http://blog.csdn.net/plpblue/article/details/9304459
public void synDevNameWithItil()
{Session session = null;Transaction tr = null;try{session = HibernateUtil.getSession();tr = session.beginTran
- 读《研磨设计模式》-代码笔记-观察者模式
bylijinnan
java设计模式
声明: 本文只为方便我个人查阅和理解,详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/
import java.util.ArrayList;
import java.util.List;
import java.util.Observable;
import java.util.Observer;
/**
* “观
- 重置MySQL密码
chenhbc
mysql重置密码忘记密码
如果你也像我这么健忘,把MySQL的密码搞忘记了,经过下面几个步骤就可以重置了(以Windows为例,Linux/Unix类似):
1、关闭MySQL服务
2、打开CMD,进入MySQL安装目录的bin目录下,以跳过权限检查的方式启动MySQL
mysqld --skip-grant-tables
3、新开一个CMD窗口,进入MySQL
mysql -uroot
 
- 再谈系统论,控制论和信息论
comsci
设计模式生物能源企业应用领域模型
再谈系统论,控制论和信息论
偶然看
- oracle moving window size与 AWR retention period关系
daizj
oracle
转自: http://tomszrp.itpub.net/post/11835/494147
晚上在做11gR1的一个awrrpt报告时,顺便想调整一下AWR snapshot的保留时间,结果遇到了ORA-13541这样的错误.下面是这个问题的发生和解决过程.
SQL> select * from v$version;
BANNER
-------------------
- Python版B树
dieslrae
python
话说以前的树都用java写的,最近发现python有点生疏了,于是用python写了个B树实现,B树在索引领域用得还是蛮多了,如果没记错mysql的默认索引好像就是B树...
首先是数据实体对象,很简单,只存放key,value
class Entity(object):
'''数据实体'''
def __init__(self,key,value)
- C语言冒泡排序
dcj3sjt126com
算法
代码示例:
# include <stdio.h>
//冒泡排序
void sort(int * a, int len)
{
int i, j, t;
for (i=0; i<len-1; i++)
{
for (j=0; j<len-1-i; j++)
{
if (a[j] > a[j+1]) // >表示升序
- 自定义导航栏样式
dcj3sjt126com
自定义
-(void)setupAppAppearance
{
[[UILabel appearance] setFont:[UIFont fontWithName:@"FZLTHK—GBK1-0" size:20]];
[UIButton appearance].titleLabel.font =[UIFont fontWithName:@"FZLTH
- 11.性能优化-优化-JVM参数总结
frank1234
jvm参数性能优化
1.堆
-Xms --初始堆大小
-Xmx --最大堆大小
-Xmn --新生代大小
-Xss --线程栈大小
-XX:PermSize --永久代初始大小
-XX:MaxPermSize --永久代最大值
-XX:SurvivorRatio --新生代和suvivor比例,默认为8
-XX:TargetSurvivorRatio --survivor可使用
- nginx日志分割 for linux
HarborChung
nginxlinux脚本
nginx日志分割 for linux 默认情况下,nginx是不分割访问日志的,久而久之,网站的日志文件将会越来越大,占用空间不说,如果有问题要查看网站的日志的话,庞大的文件也将很难打开,于是便有了下面的脚本 使用方法,先将以下脚本保存为 cutlog.sh,放在/root 目录下,然后给予此脚本执行的权限
复制代码代码如下:
chmo
- Spring4新特性——泛型限定式依赖注入
jinnianshilongnian
springspring4泛型式依赖注入
Spring4新特性——泛型限定式依赖注入
Spring4新特性——核心容器的其他改进
Spring4新特性——Web开发的增强
Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC
Spring4新特性——Groovy Bean定义DSL
Spring4新特性——更好的Java泛型操作API
Spring4新
- centOS安装GCC和G++
liuxihope
centosgcc
Centos支持yum安装,安装软件一般格式为yum install .......,注意安装时要先成为root用户。
按照这个思路,我想安装过程如下:
安装gcc:yum install gcc
安装g++: yum install g++
实际操作过程发现,只能有gcc安装成功,而g++安装失败,提示g++ command not found。上网查了一下,正确安装应该
- 第13章 Ajax进阶(上)
onestopweb
Ajax
index.html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/
- How to determine BusinessObjects service pack and fix pack
blueoxygen
BO
http://bukhantsov.org/2011/08/how-to-determine-businessobjects-service-pack-and-fix-pack/
The table below is helpful. Reference
BOE XI 3.x
12.0.0.
y BOE XI 3.0 12.0.
x.
y BO
- Oracle里的自增字段设置
tomcat_oracle
oracle
大家都知道吧,这很坑,尤其是用惯了mysql里的自增字段设置,结果oracle里面没有的。oh,no 我用的是12c版本的,它有一个新特性,可以这样设置自增序列,在创建表是,把id设置为自增序列
create table t
(
id number generated by default as identity (start with 1 increment b
- Spring Security(01)——初体验
yang_winnie
springSecurity
Spring Security(01)——初体验
博客分类: spring Security
Spring Security入门安全认证
首先我们为Spring Security专门建立一个Spring的配置文件,该文件就专门用来作为Spring Security的配置