行走的鲁西西
行走的鲁西西

鲁西西心情日记

实习的地方在一个巨大的摩天轮下

晚上霓虹灯闪个不停

转两趟地铁 一趟公交

还要经过两条又热又臭又黑的地下通道

10楼

就到了

总是不小心按成11楼


早上

公园里有老人在舞剑打太极

还有老人跳交际舞

那胳膊那腰扭得比年轻人还利索

晚上摩天轮下都是跳广场舞的人

空气里都是油烟味

不知道是哪里飘来的蛋炒饭的味道

让路过的人都吸了吸鼻子

每天在地下通道

钉钉机械的女音就响起:打卡成功

挤过北京的地铁

所以觉得长沙的地铁还挺宽敞

能好好玩手机

匆匆浏览每天的新闻热点


已经习惯在早上七点起床

在固定的早点铺吃早餐

走同一条去公司的线路

把包和伞塞到同一个抽屉里

钉钉打卡一直第三名


先站一会儿

然后接上一杯水

拉开椅子

打开电脑


关电脑

推进椅子

打卡下班


唯一的改变可能就是路上的钵钵鸡和鸡蛋饼

偶尔的糯米雪糕

还有在匆匆跑去赶公交的时候

别人一句:小心一点，不要急

还有快摔倒时别人轻轻一扶


不知道为什么

开始不喜欢看书

不喜欢追剧

好像对什么都兴致缺缺

只想一觉睡到地老天荒


有的时候会很厌恶追热点

可你又不得不追

职业需要

满世界都在说放下手机

可总有一些依靠手机生活的人

想放也放不下


会很茫然

会问自己你到底想干什么

你还能做什么

会开始恐慌

按部就班的生活

渐渐缺失的激情


昨天

和室友逛

看到两个半大小男孩拖一个小女孩上单杠

就觉得画面好有爱

拿出手机来拍

大点的男孩子挡着说:不要拍

我说没拍

他不信

拿出手机给他看

里面都是我的自拍

我俩都笑了

临走的时候他还笑着跟我们说拜拜


幸福就是这么简单的事情

但我还是不懂:）

你可能感兴趣的:(鲁西西心情日记)

  • 探索Python中的集成方法：Stacking Echo_Wish Python笔记Python算法python开发语言
    在机器学习领域，Stacking是一种高级的集成学习方法，它通过将多个基本模型的预测结果作为新的特征输入到一个元模型中，从而提高整体模型的性能和鲁棒性。本文将深入介绍Stacking的原理、实现方式以及如何在Python中应用。什么是Stacking？Stacking，又称为堆叠泛化（StackedGeneralization），是一种模型集成方法，与Bagging和Boosting不同，它并不直
  • 【机会约束、鲁棒优化】机会约束和鲁棒优化研究优化【ccDCOPF】研究（Matlab代码实现） 科研_G.E.M. matlab概率论开发语言
    ‍个人主页欢迎来到本博客❤️❤️博主优势：博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。⛳️座右铭：行百里者，半于九十。本文目录如下：目录1概述机会约束、鲁棒优化与ccDCOPF研究综述1.机会约束规划（ChanceConstrainedProgramming,CCP）在电力系统中的应用2.鲁棒优化（RobustOptimization,RO）在电力系统中的应用3.机会约束与鲁棒优化的协同方法
  • AI图像技术：真实与虚假的博弈 XianxinMao 人工智能人工智能计算机视觉深度学习
    标题：AI图像技术：真实与虚假的博弈文章信息摘要：随着AI生成图像技术的快速发展，虚假信息的传播风险急剧增加，引发了社会对信息真实性的广泛担忧。AI生成的图像几乎与真实照片无法区分，可能被用于制造虚假新闻、恶意攻击和商业欺诈，导致社会信任危机。为应对这一挑战，Meta开发了StableSignature技术，通过在AI生成图像中嵌入不可见且防篡改的水印，有效识别和追踪图像来源。这项技术具有鲁棒性、
  • 金融风控算法透明度与可解释性优化 智能计算研究中心 其他
    内容概要金融风控算法的透明化研究面临模型复杂性提升与监管合规要求的双重挑战。随着深度学习框架在特征提取环节的广泛应用，算法可解释性与预测精度之间的平衡成为核心议题。本文从联邦学习架构下的数据协作机制出发，结合特征工程优化与超参数调整技术，系统性分析逻辑回归、随机森林等传统算法在召回率、F1值等关键指标上的表现差异。研究同时探讨数据预处理流程对风控决策鲁棒性的影响，并提出基于注意力机制的特征权重可视
  • 95% 向量资源节省，火山引擎云搜索 RAG 技术体系演进 字节跳动云原生计算 火山引擎搜索引擎算法
    采访嘉宾|火山引擎云搜索团队鲁蕴铖、李杰辉、余炜强编辑|TinaInfoQ2023年，大模型惊艳了世界。2024年，RAG技术如日中天。RAG使得大模型能够在不更新模型参数的情况下，获得必要的上下文信息，从而减少大模型的幻觉。随着大型语言模型技术的不断成熟和行业应用的深入，人们对RAG系统的期望已经超越了对其“酷炫”效果的追求。企业和组织开始寻找更可靠、可扩展的RAG解决方案，以满足实际业务需求。
  • 数据增强：扩充数据集，提升模型的鲁棒性 AI天才研究院 DeepSeekR1&大数据AI人工智能大模型LLM大模型落地实战指南计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    数据增强：扩充数据集，提升模型的鲁棒性1.背景介绍1.1数据集的重要性在机器学习和深度学习领域中,数据集是训练模型的基础。高质量的数据集对于构建准确、鲁棒的模型至关重要。然而,在现实世界中,获取大量高质量的数据通常是一个巨大的挑战。数据采集过程耗时耗力,而且成本高昂。此外,某些领域的数据存在隐私和安全问题,难以获取。1.2数据集不足的挑战当数据集规模有限时,模型很容易过拟合,无法很好地推广到新的、
  • BioDeepAV：一个多模态基准数据集，包含超过1600个深度伪造视频，用于评估深度伪造检测器在面对未知生成器时的性能。 数据集
    2024-11-29,由罗马尼亚布加勒斯特大学创建BioDeepAV数据集，它专门设计来评估最先进的深度伪造检测器在面对未见过的深度伪造生成器时的泛化能力，这对于提高检测器的鲁棒性和适应性具有重要意义。一、研究背景：随着生成模型的快速发展，深度伪造内容的逼真度不断提高，人们越来越难以在线检测出被操纵的媒体内容，从而容易受到各种诈骗的欺骗。这不仅对个人隐私构成威胁，也对社会信任和民主构成挑战。目前遇
  • java实现卷积神经网络CNN（附带源码） Katie。 Java实战项目java
    Java实现卷积神经网络（CNN）项目详解目录项目概述1.1项目背景与意义1.2什么是卷积神经网络（CNN）1.3卷积神经网络的应用场景相关知识与理论基础2.1神经网络与深度学习概述2.2卷积操作与卷积层原理2.3激活函数与池化层2.4全连接层与损失函数2.5前向传播、反向传播与梯度下降项目需求与分析3.1项目目标3.2功能需求分析3.3性能与扩展性要求3.4异常处理与鲁棒性考虑系统设计与实现思路
  • LLM Weekly（2025.03.03-03.09） UnknownBody LLMDailyLLMWeekly语言模型人工智能
    网络新闻QwQ-32B：拥抱强化学习的力量。研究人员推出了QwQ-32B，这是一个拥有320亿参数的模型，它利用强化学习来提升推理能力。尽管参数较少，但通过整合类似智能体的推理和反馈机制，QwQ-32B的表现可与更大规模的模型相媲美。该模型可在HuggingFace平台上获取。**人工智能领域的先驱安德鲁·巴托（AndrewBarto）和理查德·萨顿（RichardSutton）因对强化学习的开创
  • PCL 点云迭代加权最小二乘法拟合平面（抑制噪声） 大鱼BIGFISH 点云进阶最小二乘法平面C++PCL迭代加权
    文章目录一、简介二、实现代码三、实现效果参考资料一、简介受到之前博客的启发（Matlab点云最小二乘法拟合平面（剔除噪声）），我们不仅可以通过剔除一些异常点来拟合更为合适的平面，而且还可以在这个过程中对每个点进行加权来抑制噪声点，双管齐下也可以使得算法更具鲁棒性，并拟合出合适的平面，具体过程如下所示：1、首先使用加权的最小二乘法拟合一个平面系数的初值。2、计算所有有效点到拟合平面的距离did_i
  • 仓储系统货位优化毕业论文【Flexsim仿真】 aikelele 人工智能
    一、内容简介由堆垛机、货架、输送系统、管理系统、控制系统等组成的传统堆垛式仓储系统因为其成熟的技术和推广方式、高效等特点广泛的应用在物流、车间、制造等行业。但是堆垛机仓库每个巷道都会拥有一台堆垛机，其作业方式受到限制，鲁棒性比较差，一个巷道堆垛机出现问题题将导致整个巷道作业停止。同时，堆垛机立体仓库的可协调性比较差，企业的产品有旺季、淡季之分，在旺季时可能满足正常的出入库需求；在淡季时，可能会出现
  • 无人机动态追踪技术难点与距离分析！ 云卓SKYDROID 无人机人工智能云卓科技智能跟踪吊舱
    一、技术难点概述目标识别与跟踪算法的鲁棒性复杂场景适应性**：在动态背景（如人群、森林）或光照变化（逆光、夜间）下，算法需精准区分目标与干扰物。传统计算机视觉方法（如光流法、卡尔曼滤波）易受干扰，需结合深度学习（如YOLO、SiamRPN++）提升抗干扰能力。多目标跟踪与遮挡处理**：目标被遮挡或短暂消失时，需通过轨迹预测或特征匹配恢复跟踪，对算法的记忆能力和实时性要求极高。实时性要求**：算法需
  • 跨领域算法安全优化与可解释实践 智能计算研究中心 其他
    内容概要作为系统性研究框架，《跨领域算法安全优化与可解释实践》从算法研发的全生命周期切入，重点解决多领域交叉应用中的核心矛盾。通过整合联邦学习的分布式架构与量子计算的高效特性，构建兼顾隐私保护与运算效率的算法优化范式，同时引入动态可解释性分析技术，为医疗影像诊断、金融风险预测等高敏感场景提供决策透明度保障。在技术路径层面，研究聚焦特征工程的鲁棒性设计、超参数的自适应调优策略，以及生成对抗网络在数据
  • 池化的定义与核心思想 code 旭 AI人工智能学习pythonnumpy人工智能
    一、池化的定义与核心思想定义：池化是卷积神经网络（CNN）中的一种下采样操作，用于降低特征图的空间维度（宽高），保留主要特征。核心目标：减少计算量：缩小特征图尺寸，降低后续层参数规模。增强模型鲁棒性：对微小平移、旋转等变化不敏感。防止过拟合：通过降维减少冗余信息。二、池化的数学公式1.最大池化（MaxPooling）取池化窗口内的最大值：yi,j=max⁡p=0kh−1max⁡q=0kw−1xi⋅
  • 针对AF调试过程中PD多窗机制是如何打分的 爱写BUG的长歌 人工智能计算机视觉算法
    在AF（自动对焦）调试中，PD多窗机制（PhaseDetectionMulti-Window）是提升相位对焦精度和鲁棒性的关键技术，其核心是通过在画面中划分多个相位检测窗口，分别计算各窗口的相位差（PhaseDifference）并进行综合评分，最终选择最优对焦位置。以下是其打分机制的核心逻辑和调试要点：1.多窗口布局与权重分配窗口划分根据Sensor的PDAF像素分布，将画面划分为多个区域（例如
  • 深度学习 PyTorch 中 18 种数据增强策略与实现 @Mr_LiuYang 计算机视觉基础数据增强深度学习torchvisiontransforms
    深度学习pytorch之简单方法自定义9类卷积即插即用数据增强通过对训练数据进行多种变换，增加数据的多样性，它帮助我们提高模型的鲁棒性，并减少过拟合的风险。PyTorch提供torchvision.transforms模块丰富的数据增强操作，我们可以通过组合多种策略来实现复杂的增强效果。本文将介绍18种常用的图像数据增强策略，并展示如何使用PyTorch中的torchvision.transfor
  • 在MATLAB环境中，对矩阵拼接（Matrix Concatenation）的测试 蚂蚁质量 软件测试matlab矩阵
    在MATLAB环境中，对矩阵拼接（MatrixConcatenation）的正确性与鲁棒性开展测试时，需要依据不同的拼接场景精心设计测试用例，全面验证矩阵维度、数据顺序、边界条件以及异常处理等关键方面。以下是详尽的测试方法与具体示例：基础功能测试(1)水平拼接（[A,B]或horzcat）测试目的：确认在列方向进行拼接后，所得矩阵的尺寸是否准确无误，以及数据排列顺序是否符合预期。测试代码：matl
  • 语义检索-BAAI Embedding语义向量模型深度解析[1-详细版]：预训练至精通、微调至卓越、评估至精准、融合提升模型鲁棒性 汀、人工智能 LLM工业级落地实践embeddinglangchain人工智能智能问答RAG检索增强生成大模型
    语义检索-BAAIEmbedding语义向量模型深度解析[1-详细版]：预训练至精通、微调至卓越、评估至精准、融合提升模型鲁棒性语义向量模型（EmbeddingModel）已经被广泛应用于搜索、推荐、数据挖掘等重要领域。在大模型时代，它更是用于解决幻觉问题、知识时效问题、超长文本问题等各种大模型本身制约或不足的必要技术。然而，当前中文世界的高质量语义向量模型仍比较稀缺，且很少开源。为加快解决大模型
  • 面试时，如何回答好“你是怎么测试接口的？” 海姐软件测试 接口测试测试工具面试职场和发展postman
    一、回答框架设计（金字塔原理）总述："我通常采用分层测试策略，遵循需求分析→场景拆解→用例设计→自动化实施→持续监控的闭环流程。以最近测试的支付中台项目为例，核心围绕功能正确性、异常鲁棒性、安全防护、性能基线四个维度展开，下面详细说明各环节的关键动作……"二、分步骤技术解析（STAR法则）1.需求分析阶段-建立测试基准协议与文档解析："首先确认接口协议类型（HTTP/GRPC/WebSocket等
  • 复杂网络；社交网络；社区检测；节点重要性(重要节点识别)；舆论动力学模型； 传染病模型 ；蓄意攻击 、随机攻击；网络鲁棒性、脆弱性、稳定性 xiao黄 复杂网络python复杂网络
    复杂网络社交网络社区检测节点重要性(重要节点识别)舆论动力学模型传染病模型蓄意攻击随机攻击网络鲁棒性、脆弱性、稳定性Python基本的网络分析详细私聊网络拓扑图连通性网络效率下降
  • 2024年图灵奖公布：两位AI先锋因强化学习获奖 吴脑的键客 人工智能人工智能chatgpt
    据《纽约时报》报道，全球最大的计算机专业人士协会计算机协会(ACM)周三宣布，将2024年图灵奖授予安德鲁·巴托(AndrewBarto)博士和理查德·萨顿(RichardSutton)博士，以表彰他们在强化学习方面的研究。巴托目前是马萨诸塞大学荣誉退休教授。萨顿现在担任阿尔伯塔大学教授，他也是前DeepMind研究科学家。两人将分享图灵奖的100万美元奖金。图灵奖设立于1966年，常被称为“计算
  • 手把手教你学simulink实例--基于Simulink的电动汽车智能驾驶辅助系统场景适应性与鲁棒性仿真 小蘑菇二号 手把手教你学MATLAB专栏手把手教你学SimulinkSIMULINK
    目录基于Simulink的电动汽车智能驾驶辅助系统场景适应性与鲁棒性仿真基于Simulink的电动汽车智能驾驶辅助系统场景适应性与鲁棒性仿真1.背景介绍1.1项目背景随着自动驾驶技术的快速发展，智能驾驶辅助系统（ADAS,AdvancedDriverAssistanceSystems）在电动汽车中的应用越来越广泛。这些系统通过感知环境、规划路径和控制车辆来提高
  • 《西西弗神话》：在荒诞中书写生命的尊严 曦紫沐 小说
    一、加缪与《西西弗神话》的诞生法国作家阿尔贝·加缪（AlbertCamus）是20世纪存在主义文学的代表人物之一。1942年，他在流亡巴黎期间写下哲学随笔集《西西弗神话》，以希腊神话中的西西弗斯为隐喻，探讨了人类面对荒诞命运时的生存意义。这部作品不仅是加缪对“荒诞哲学”的系统阐释，更成为存在主义文学的经典宣言。1957年，加缪因“热情而冷静地阐明了当代向人类良知提出的种种问题”荣获诺贝尔文学奖，而
  • 如何解决信息过载导致研发进展缓慢的问题 由数入道 AI辅助教学人工智能自然语言处理
    研究人员身处信息时代的洪流之中，面临着前所未有的知识爆炸。这种爆炸既是机遇，也是挑战。信息过载不仅仅是一个效率问题，更是一个关乎研究本质、个人存在意义的哲学问题。它如同西西弗斯的巨石，看似推动知识的进步，实则可能将我们困在无尽重复的“学习”山坡之下，阻碍真正的创新和突破。下面尝试从以下几个维度进行剖析：1.知识的本质与价值:信息并非知识：信息只是未经加工、组织和理解的数据片段。知识是经过人类理性思
  • VSLAM新方案之《在复杂环境中实现高精度与超强鲁棒性》 OAK中国_官方 SLAM人工智能rpab-map
    OAKChina&苏州泛科特机器人联合推出OAK-DSeries&因子空间感知（FactorPerceptionKit）VSLAM解决方案01FactorPerceptionKit简介FactorPerceptionKit是一种真正基于深度学习技术的VSLAM方案，不同于许多厂商仅通过添加目标检测或语义分割模型来实现额外功能，我们直接在SLAM底层使用HF-Net模型，该模型同时进行局部特征点检测
  • OAK相机：纯视觉SLAM在夜晚的应用 OAK中国_官方 人工智能机器学习SLAM
    哈喽，OAK的朋友们，大家好啊，今天这个视频主要想分享一下袁博士团队用我们的OAK相机产出的新成果在去年过山车SLAM的演示中，袁博士团队就展示了纯视觉SLAM在完全黑暗的环境中的极高鲁棒性。现在袁博士团队进一步挖掘了纯视觉的潜力，于是又专门录了一段夜间的演示给我们展示了在完全黑暗及光线变化的环境中可靠工作的VIO、回环检测及适用于大场景的内存管理技术。他们现在已将整套VSLAM方案包含在Fact
  • 端到端自动驾驶的分布式传感器融合架构 AI智能涌现深度研究 计算机软件编程原理与应用实践DeepSeekR1&大数据AI人工智能javapythonjavascriptkotlingolang架构人工智能
    自动驾驶,分布式传感器融合,深度学习,计算机视觉,雷达,lidar,惯性导航,Kalman滤波,决策控制1.背景介绍自动驾驶技术作为未来交通运输的重要发展方向，近年来取得了显著进展。然而，实现真正安全的自动驾驶仍然面临着诸多挑战，其中之一就是如何有效地融合来自不同传感器的数据，构建一个可靠的感知、决策和控制系统。传统的自动驾驶系统通常依赖于单一传感器，例如摄像头或雷达，这会导致感知信息的缺失和鲁棒
  • 探秘 C++：从基础语法到复杂项目实践的全攻略（一） 小周不想卷 艾思科蓝学术会议投稿java开发语言
    目录C++是什么搭建开发环境常见的IDE介绍安装步骤与简单配置创建和运行C++项目基础语法入门变量与数据类型运算符与表达式控制结构C++是什么C++是一种强大的编程语言，它的历史可以追溯到20世纪70年代末。当时，计算机科学家比雅尼・斯特劳斯特鲁普（BjarneStroustrup）在贝尔实验室工作，他希望扩展C语言以支持面向对象编程（OOP），最初的工作被称为“CwithClasses”，这是C
  • 腿足机器人之十三-强化学习PPO算法 shichaog 腿足机器人机器人算法php
    腿足机器人之十三-强化学习PPO算法腿足机器人位姿常用强化学习算法PPO算法核心原理PPO算法的创新设计PPO算法典型流程优势函数对于复杂地形适应性（如楼梯、碎石路），传统的腿足机器人采用基于模型的控制器，该方法依赖精确动力学建模（如ZMP控制），存在参数调优困难以及环境扰动鲁棒性差，而采用端到端的强化学习方法，则将建模的任务交给了强化学习模型自主构建，这增加了模型对环境变化的自适应性。腿足机器人
  • SLAM文献之-IMLS-SLAM: scan-to-model matching based on 3D data 点云SLAM SLAM3d机器学习SLAMIMLSICP
    IMLS-SLAM算法原理详解一、算法概述IMLS-SLAM（ImplicitMovingLeastSquaresSLAM）是一种基于3D激光雷达数据的低漂移SLAM算法，由Jean-EmmanuelDeschaud等人在2018年提出。其核心思想是通过隐式移动最小二乘（IMLS）曲面建模实现scan-to-model的匹配框架，显著提升了定位与建图的精度和鲁棒性。该算法在无闭环检测的情况下，4公
  • 项目中 枚举与注解的结合使用 飞翔的马甲 javaenumannotation
    前言：版本兼容，一直是迭代开发头疼的事，最近新版本加上了支持新题型，如果新创建一份问卷包含了新题型，那旧版本客户端就不支持，如果新创建的问卷不包含新题型，那么新旧客户端都支持。这里面我们通过给问卷类型枚举增加自定义注解的方式完成。顺便巩固下枚举与注解。 一、枚举 1.在创建枚举类的时候，该类已继承java.lang.Enum类，所以自定义枚举类无法继承别的类，但可以实现接口。
  • 【Scala十七】Scala核心十一：下划线_的用法 bit1129 scala
    下划线_在Scala中广泛应用，_的基本含义是作为占位符使用。_在使用时是出问题非常多的地方，本文将不断完善_的使用场景以及所表达的含义   1. 在高阶函数中使用 scala> val list = List(-3,8,7,9) list: List[Int] = List(-3, 8, 7, 9) scala> list.filter(_ > 7) r
  • web缓存基础：术语、http报头和缓存策略 dalan_123 Web
    对于很多人来说，去访问某一个站点，若是该站点能够提供智能化的内容缓存来提高用户体验，那么最终该站点的访问者将络绎不绝。缓存或者对之前的请求临时存储，是http协议实现中最核心的内容分发策略之一。分发路径中的组件均可以缓存内容来加速后续的请求，这是受控于对该内容所声明的缓存策略。接下来将讨web内容缓存策略的基本概念，具体包括如如何选择缓存策略以保证互联网范围内的缓存能够正确处理的您的内容，并谈论下
  • crontab 问题 周凡杨 linuxcrontabunix
      一： 0481-079   Reached   a   symbol   that   is   not   expected.   背景： */5   *   *   *   *  /usr/IBMIHS/rsync.sh 
  • 让tomcat支持2级域名共享session g21121 session
    tomcat默认情况下是不支持2级域名共享session的，所有有些情况下登陆后从主域名跳转到子域名会发生链接session不相同的情况，但是只需修改几处配置就可以了。 打开tomcat下conf下context.xml文件 找到Context标签,修改为如下内容 如果你的域名是www.test.com <Context sessionCookiePath="/path&q
  • web报表工具FineReport常用函数的用法总结（数学和三角函数） 老A不折腾 Webfinereport总结
      ABS ABS(number):返回指定数字的绝对值。绝对值是指没有正负符号的数值。 Number:需要求出绝对值的任意实数。 示例: ABS(-1.5)等于1.5。 ABS(0)等于0。 ABS(2.5)等于2.5。   ACOS ACOS(number):返回指定数值的反余弦值。反余弦值为一个角度，返回角度以弧度形式表示。 Number:需要返回角
  • linux 启动java进程 sh文件 墙头上一根草 linuxshelljar
    #!/bin/bash #初始化服务器的进程PId变量 user_pid=0; robot_pid=0; loadlort_pid=0; gateway_pid=0; ######### #检查相关服务器是否启动成功 #说明： #使用JDK自带的JPS命令及grep命令组合，准确查找pid #jps 加 l 参数，表示显示java的完整包路径 #使用awk，分割出pid
  • 我的spring学习笔记5-如何使用ApplicationContext替换BeanFactory aijuans Spring 3 系列
    如何使用ApplicationContext替换BeanFactory？ package onlyfun.caterpillar.device; import org.springframework.beans.factory.BeanFactory; import org.springframework.beans.factory.xml.XmlBeanFactory; import
  • Linux 内存使用方法详细解析 annan211 linux内存Linux内存解析
    来源 http://blog.jobbole.com/45748/ 我是一名程序员，那么我在这里以一个程序员的角度来讲解Linux内存的使用。 一提到内存管理，我们头脑中闪出的两个概念，就是虚拟内存，与物理内存。这两个概念主要来自于linux内核的支持。 Linux在内存管理上份为两级，一级是线性区，类似于00c73000-00c88000，对应于虚拟内存，它实际上不占用
  • 数据库的单表查询常用命令及使用方法(-) 百合不是茶 oracle函数单表查询
        创建数据库;       --建表 create table bloguser(username varchar2(20),userage number(10),usersex char(2));       创建bloguser表,里面有三个字段     &nbs
  • 多线程基础知识 bijian1013 java多线程threadjava多线程
    一．进程和线程 进程就是一个在内存中独立运行的程序，有自己的地址空间。如正在运行的写字板程序就是一个进程。 “多任务”：指操作系统能同时运行多个进程（程序）。如WINDOWS系统可以同时运行写字板程序、画图程序、WORD、Eclipse等。 线程：是进程内部单一的一个顺序控制流。 线程和进程 a.       每个进程都有独立的
  • fastjson简单使用实例 bijian1013 fastjson
    一.简介         阿里巴巴fastjson是一个Java语言编写的高性能功能完善的JSON库。它采用一种“假定有序快速匹配”的算法，把JSON Parse的性能提升到极致，是目前Java语言中最快的JSON库；包括“序列化”和“反序列化”两部分，它具备如下特征：     
  • 【RPC框架Burlap】Spring集成Burlap bit1129 spring
    Burlap和Hessian同属于codehaus的RPC调用框架，但是Burlap已经几年不更新，所以Spring在4.0里已经将Burlap的支持置为Deprecated,所以在选择RPC框架时，不应该考虑Burlap了。 这篇文章还是记录下Burlap的用法吧，主要是复制粘贴了Hessian与Spring集成一文，【RPC框架Hessian四】Hessian与Spring集成  
  • 【Mahout一】基于Mahout 命令参数含义 bit1129 Mahout
    1. mahout seqdirectory   $ mahout seqdirectory --input (-i) input Path to job input directory(原始文本文件). --output (-o) output The directory pathna
  • linux使用flock文件锁解决脚本重复执行问题 ronin47 linux lock　重复执行
    linux的crontab命令，可以定时执行操作，最小周期是每分钟执行一次。关于crontab实现每秒执行可参考我之前的文章《linux crontab 实现每秒执行》现在有个问题，如果设定了任务每分钟执行一次，但有可能一分钟内任务并没有执行完成，这时系统会再执行任务。导致两个相同的任务在执行。 例如： <? //  test .php
  • java-74-数组中有一个数字出现的次数超过了数组长度的一半，找出这个数字 bylijinnan java
    public class OcuppyMoreThanHalf { /** * Q74 数组中有一个数字出现的次数超过了数组长度的一半，找出这个数字 * two solutions: * 1.O(n) * see <beauty of coding>--每次删除两个不同的数字，不改变数组的特性 * 2.O(nlogn) * 排序。中间
  • linux 系统相关命令 candiio linux
    系统参数 cat /proc/cpuinfo  cpu相关参数 cat /proc/meminfo 内存相关参数 cat /proc/loadavg 负载情况 性能参数 1）top M：按内存使用排序 P：按CPU占用排序 1：显示各CPU的使用情况 k：kill进程 o：更多排序规则 回车：刷新数据 2）ulimit ulimit -a：显示本用户的系统限制参
  • [经营与资产]保持独立性和稳定性对于软件开发的重要意义 comsci 软件开发
         一个软件的架构从诞生到成熟，中间要经过很多次的修正和改造       如果在这个过程中，外界的其它行业的资本不断的介入这种软件架构的升级过程中           那么软件开发者原有的设计思想和开发路线
  • 在CentOS5.5上编译OpenJDK6 Cwind linuxOpenJDK
    几番周折终于在自己的CentOS5.5上编译成功了OpenJDK6，将编译过程和遇到的问题作一简要记录，备查。 0. OpenJDK介绍 OpenJDK是Sun（现Oracle）公司发布的基于GPL许可的Java平台的实现。其优点： 1、它的核心代码与同时期Sun（-> Oracle）的产品版基本上是一样的，血统纯正，不用担心性能问题，也基本上没什么兼容性问题；（代码上最主要的差异是
  • java乱码问题 dashuaifu java乱码问题js中文乱码
    swfupload上传文件参数值为中文传递到后台接收中文乱码     在js中用setPostParams（{"tag" : encodeURI( document.getElementByIdx_x("filetag").value，"utf-8")}）; 然后在servlet中String t
  • cygwin很多命令显示command not found的解决办法 dcj3sjt126com cygwin
    cygwin很多命令显示command not found的解决办法   修改cygwin.BAT文件如下 @echo off D: set CYGWIN=tty notitle glob set PATH=%PATH%;d:\cygwin\bin;d:\cygwin\sbin;d:\cygwin\usr\bin;d:\cygwin\usr\sbin;d:\cygwin\us
  • [介绍]从 Yii 1.1 升级 dcj3sjt126com PHPyii2
    2.0 版框架是完全重写的，在 1.1 和 2.0 两个版本之间存在相当多差异。因此从 1.1 版升级并不像小版本间的跨越那么简单，通过本指南你将会了解两个版本间主要的不同之处。 如果你之前没有用过 Yii 1.1，可以跳过本章，直接从"入门篇"开始读起。 请注意，Yii 2.0 引入了很多本章并没有涉及到的新功能。强烈建议你通读整部权威指南来了解所有新特性。这样有可能会发
  • Linux SSH免登录配置总结 eksliang ssh-keygenLinux SSH免登录认证Linux SSH互信
    转载请出自出处：http://eksliang.iteye.com/blog/2187265 一、原理      我们使用ssh-keygen在ServerA上生成私钥跟公钥，将生成的公钥拷贝到远程机器ServerB上后,就可以使用ssh命令无需密码登录到另外一台机器ServerB上。      生成公钥与私钥有两种加密方式，第一种是
  • 手势滑动销毁Activity gundumw100 android
    老是效仿ios，做android的真悲催！ 有需求：需要手势滑动销毁一个Activity 怎么办尼？自己写？ 不用~，网上先问一下百度。 结果： http://blog.csdn.net/xiaanming/article/details/20934541 首先将你需要的Activity继承SwipeBackActivity，它会在你的布局根目录新增一层SwipeBackLay
  • JavaScript变换表格边框颜色 ini JavaScripthtmlWebhtml5css
    效果查看：http://hovertree.com/texiao/js/2.htm代码如下，保存到HTML文件也可以查看效果： <html> <head> <meta charset="utf-8"> <title>表格边框变换颜色代码-何问起</title> </head> <body&
  • Kafka Rest : Confluent kane_xie kafkaRESTconfluent
    最近拿到一个kafka rest的需求，但kafka暂时还没有提供rest api（应该是有在开发中，毕竟rest这么火），上网搜了一下，找到一个Confluent Platform，本文简单介绍一下安装。 这里插一句，给大家推荐一个九尾搜索，原名叫谷粉SOSO，不想fanqiang谷歌的可以用这个。以前在外企用谷歌用习惯了，出来之后用度娘搜技术问题，那匹配度简直感人。 环境声明：Ubu
  • Calender不是单例 men4661273 单例Calender
             在我们使用Calender的时候，使用过Calendar.getInstance()来获取一个日期类的对象，这种方式跟单例的获取方式一样，那么它到底是不是单例呢，如果是单例的话，一个对象修改内容之后，另外一个线程中的数据不久乱套了吗？从试验以及源码中可以得出，Calendar不是单例。 测试： Calendar c1 =
  • 线程内存和主内存之间联系 qifeifei java thread
    1， java多线程共享主内存中变量的时候，一共会经过几个阶段，    lock:将主内存中的变量锁定，为一个线程所独占。   unclock:将lock加的锁定解除，此时其它的线程可以有机会访问此变量。   read:将主内存中的变量值读到工作内存当中。   load:将read读取的值保存到工作内存中的变量副本中。  
  • schedule和scheduleAtFixedRate tangqi609567707 javatimerschedule
    原文地址：http://blog.csdn.net/weidan1121/article/details/527307 import java.util.Timer;import java.util.TimerTask;import java.util.Date; /** * @author vincent */public class TimerTest {  
  • erlang 部署 wudixiaotie erlang
    1.如果在启动节点的时候报这个错 ： {"init terminating in do_boot",{'cannot load',elf_format,get_files}} 则需要在reltool.config中加入 {app, hipe, [{incl_cond, exclude}]},     2.当generate时，遇到： ERROR
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他