三块钱0794
三块钱0794

本地部署CodeLlama +GTX1080显卡 对接open-interpreter对接wxbot（一）

 1.效果展示

本地部署CodeLlama +GTX1080显卡 对接open-interpreter对接wxbot（一）_第1张图片本地部署CodeLlama +GTX1080显卡 对接open-interpreter对接wxbot（一）_第2张图片

本地部署CodeLlama +GTX1080显卡 对接open-interpreter对接wxbot（一）_第3张图片

 开源项目GitHub - oobabooga/text-generation-webui: A Gradio web UI for Large Language Models. Supports transformers, GPTQ, llama.cpp (GGUF), Llama models.

"Code Llama" 是一个大型代码语言模型的系列，基于 "Llama 2" 构建，为编程任务提供了无监督指导能力，并在开放模型中表现出了最先进的性能。它为各种应用提供了多种版本，包括基础模型（Code Llama）、Python专门化版本（Code Llama - Python）以及指导模型（Code Llama - Instr

你可能感兴趣的:(llama,codellame,wxbot,interpreter)

  • win11编译llama_cpp_python cuda128 RTX30/40/50版本 System_sleep llamapythonwindowscuda
    Geforce50xx系显卡最低支持cuda128，llama_cpp_python官方源只有cpu版本，没有cuda版本，所以自己基于0.3.5版本源码编译一个RTX30xx/40xx/50xx版本。1.前置条件1.访问https://developer.download.nvidia.cn/compute/cuda/12.8.0/local_installers/cuda_12.8.0_571
  • [论文笔记] LLaMA3.1与Qwen2与Apple 技术报告中预训练方案对比 心心喵 论文笔记论文阅读深度学习人工智能
    https://arxiv.org/pdf/2407.21075https://arxiv.org/pdf/2407.10671https://arxiv.org/pdf/2407.21783LLaMA3.1LLaMA3.1技术报告：https://ai.meta.com/blog/meta-llama-3-1/
  • 使用 llama.cpp 框架进行 RWKV 模型的推理 步子哥 AGI通用人工智能llama人工智能
    欢迎来到RWKV推理文档的世界！在这里，我们将一起探索如何使用llama.cpp框架进行RWKV模型的推理，仿佛在进行一场科技的冒险之旅。准备好了吗？让我们一起揭开神秘的面纱吧！什么是llama.cpp？Llama.cpp是一个轻量化的大语言模型运行框架，专门为在CPU上优化模型性能而设计。如果你曾经觉得CPU的处理速度像在慢动作中走路，那么你一定会喜欢这个工具！它让RWKV-6模型的运行像一阵微
  • 深度解析DeepSeek：从技术架构到实战应用 YY...yy aiDeepSeek
    一、引言：为什么选择DeepSeek？在2025年人工智能领域竞争白热化的今天，DeepSeek以其超低训练成本（仅为GPT-4o的1/20）和业界领先的推理能力，成为全球开发者关注的焦点。据权威数据显示，DeepSeek-V3在多语言编程和数学推理任务中的表现已超越Llama-3.1等主流模型4，而其最新发布的DeepSeek-R1更是在苹果应用商店美区免费榜冲至第六名6。二、技术架构解析2.1
  • 大模型应用开发技术：自定义状态 段智华 深入理解ChatGPTMulit-AgentLangGraphLangChainERNIESPEED
    LlaMA3系列博客基于LlaMA3+LangGraph在windows本地部署大模型（一）基于LlaMA3+LangGraph在windows本地部署大模型（二）基于LlaMA3+LangGraph在windows本地部署大模型（三）基于LlaMA3+LangGraph在windows本地部署大模型（四）
  • Qwen微调-环境配置-week9 breeze281 python人工智能机器学习
    在这里插入图片描述](https://img-blog.csdnimg.cn/direct/213a0fb70a2e430684155bbd06a7ff36.png#pic_center)Qwen1.5-4B微调-环境安装对Qwen1.5-4B的微调我采用LoRA微调然后合并模型的方式，之后将微调后的模型使用llama-factory进行部署(API,或者webui的方式均可)首先，我们应当在系统
  • Meta 计划在 Llama 4 中引入改进的语音功能，接近双向自然对话 timer_017 llama
    据英国《金融时报》3月7日报道，Meta首席产品官ChrisCox透露，Llama4将是一个“全能模型”，语音功能将是原生的1。关于Meta计划在Llama4中引入改进语音功能并接近双向自然对话，具体情况如下1：功能特点原生语音处理：Llama4能够直接处理语音信息，无需先将语音转换为文本再输入模型处理，最后又将文本转换回语音，可极大提升语音交互的效率和流畅度。双向自然对话：Meta一直特别注重使
  • llama-factory生成Meta-Llama-3-8B-Instruct模型api服务 码不动了鸭 llama人工智能transformer
    使用llama-factory完成模型的微调训练后，需要开启其api服务进行调用，参考官方https://github.com/hiyouga/LLaMA-Factory/blob/main/examples/inference/llama3_lora_sft.yaml中的内容进行改写API实现的标准是参考了OpenAI的相关接口协议，基于uvicorn服务框架进行开发，使用如下的方式启动：下述为
  • Llama3-8B+ LLaMA-Factory 中文微调 猫猫姐 大模型llama
    Llama3-8B+LLaMA-Factory中文微调Llama3是目前开源大模型中最优秀的模型之一，但是原生的Llama3模型训练的中文语料占比非常低，因此在中文的表现方便略微欠佳！本教程就以Llama3-8B-Instruct开源模型为模型基座，通过开源程序LLaMA-Factory来进行中文的微调，提高Llama3的中文能力！LLaMA-Factory是一个开源的模型训练工具Llama3-8
  • 【设计模式】——解释器模式（Interpreter Pattern） J^T 设计模式C/C++解释器模式设计模式c++系统架构
    目录引言一、解析器模式的基本概念核心思想解析器模式结构UML图应用场景二、解析器模式的优点与缺点优点缺点三、C++实现算术表达式解释器1.定义抽象表达式2.实现终结符表达式3.实现非终结符表达式4.构建和解释表达式四、总结引言在软件开发中，设计模式是解决常见软件设计问题的一种成熟方案。解释器模式（InterpreterPattern）是一种行为型设计模式，它提供了一种解释语言句子或表达式的方法。这
  • LLMs之Llama-3：基于Colab平台(免费T4-GPU)利用LLaMA-Factory的GUI界面(底层采用unsloth优化框架【加速训练5~30倍+减少50%的内存占用】)对llama-3 一个处女座的程序猿 NLP/LLMs成长书屋大语言模型unslothLLaMA-3LoRA
    LLMs之Llama-3：基于Colab平台(免费T4-GPU)利用LLaMA-Factory的GUI界面(底层采用unsloth优化框架【加速训练5~30倍+减少50%的内存占用】)对llama-3-8b-Instruct-bnb-4bit模型采用alpaca数据集【instruction-input-output】实现CLI方式/GUI傻瓜可视化方式，进配置微调→参数行LoRA指令微调→模型推
  • llama_deploy 伊织code #文档翻译llamallama_deployllamaindex
    本文于240924翻译整理自：https://docs.llamaindex.ai/en/stable/module_guides/workflow/deployment/文章目录一、关于`llama_deploy`为什么使用`llama_deploy`？等等，`llama-agents`在哪里？二、入门1、安装2、高级部署3、部署核心系统4、部署工作流5、与部署交互6、部署嵌套工作流三、一个`l
  • Windows零门槛部署DeepSeek大模型：Ollama+7B参数模型本地推理全攻略 zxg45 AI大模型deepseek硅基流动AI大模型
    一、为什么选择Ollama+DeepSeek组合？1.1DeepSeek模型的三大核心优势中文语境霸主：在C-Eval榜单中，7B参数版本以82.3%准确率超越Llama2-13B6硬件友好：Int4量化后仅需5.2GB存储空间，GTX1060即可运行多模态扩展：支持与StableDiffusion联动生成图文报告1.2Ollama的颠覆性价值相较于传统部署方式，Ollama带来三大突破：开箱即用
  • llama-factory 记录 嘟嘟Listing llama
    GitHub-hiyouga/LLaMA-Factory:UnifiedEfficientFine-Tuningof100+LLMs&VLMs(ACL2024)安装gitclonehttps://github.com/hiyouga/LLaMA-Factory.gitcondacreate-nllama_factorypython=3.10condaactivatellama_factorycdL
  • Hugging Face Agents Course （Dummy Agent） ZHOU_CAMP HuggingFaceAgentsCourse人工智能
    参考链接：https://qwen.readthedocs.io/en/latest/getting_started/concepts.htmlhttps://huggingface.co/agents-course/notebooks原notebook中用到的是llama模型，但是需要认证，下面改成了Qwen模型DummyAgentLibrary在这个简单的示例中，我们将从零开始编写一个Agen
  • 只需几步！在本地电脑轻松部署DeepSeek大模型 魔法小匠 AI大模型AI大模型DeepSeekOllama大模型部署大模型API
    使用Ollama进行本地部署AI大模型一、Ollama简介Ollama是一个开源的本地大语言模型运行框架，支持在Windows、Linux和macOS上本地运行大语言模型。它提供了丰富的模型库，包括Qwen、Llama等1700+大语言模型，并支持用户上传自己的模型。Ollama还允许用户通过编写Modelfile配置文件来自定义模型的推理参数，支持多GPU并行推理加速。二、安装Ollama（一）
  • 【大模型技术】LlamaFactory 的原理解析与应用 大数据追光猿 大模型transformer人工智能语言模型pythongithubdocker机器学习
    LlamaFactory是一个基于LLaMA系列模型（如LLaMA、LLaMA2、Vicuna等）的开源框架，旨在帮助开发者和研究人员快速实现大语言模型（LLM,LargeLanguageModel）的微调、推理和部署。它提供了一套完整的工具链，支持从数据准备到模型训练、优化和应用的全流程开发。以下是关于LlamaFactory的解析：1.LlamaFactory的核心功能（1）模型微调支持多种微
  • 通过 Groq 后端加载Llama 模型，并调用Function call，也就是通过Groq 后端进行工具的绑定和调用 背太阳的牧羊人 agent+langchainllama语言模型Function_call
    完整代码：importgetpassimportosfromlangchain.chat_modelsimportinit_chat_modelfromlangchain_core.toolsimporttoolfromlangchain_core.messagesimportHumanMessage,ToolMessage,SystemMessage#如果没有设置GROQ_API_KEY，则提示
  • 开源模型应用落地-qwen2-7b-instruct-LoRA微调-LLaMA-Factory-单机多卡-RTX 4090双卡（五） 开源技术探险家 开源模型-实际应用落地#开源模型-微调实战密码自然语言处理深度学习语言模型
    一、前言本篇文章将使用LLaMA-Factory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。2.2.参数
  • 大模型实战—Llama3-8B 中文微调 不二人生 大模型大模型llama3
    Llama3-8B+LLaMA-Factory中文微调Llama3是目前开源大模型中最优秀的模型之一，但是原生的Llama3模型训练的中文语料占比非常低，因此在中文的表现方便略微欠佳！本教程就以Llama3-8B-Instruct开源模型为模型基座，通过开源程序LLaMA-Factory来进行中文的微调，提高Llama3的中文能力！LLaMA-Factory是一个开源的模型训练工具Llama3-8
  • Chinese-Llama-2-7b 项目使用教程 朱均添Fleming
    Chinese-Llama-2-7b项目使用教程Chinese-Llama-2-7b开源社区第一个能下载、能运行的中文LLaMA2模型！项目地址:https://gitcode.com/gh_mirrors/ch/Chinese-Llama-2-7b1.项目的目录结构及介绍Chinese-Llama-2-7b/├──example/│└──basic-chat/├──ggml/│└──quanti
  • LLaMA-Factory使用命令 asd8705 llama
    Weprovidediverseexamplesaboutfine-tuningLLMs.MakesuretoexecutethesecommandsintheLLaMA-Factorydirectory.TableofContentsLoRAFine-TuningQLoRAFine-TuningFull-ParameterFine-TuningMergingLoRAAdaptersandQuan
  • LLaMA-2 7B 简介 Ash Butterfield 自然语言处理（NLP）专栏nlp人工智能
    LLaMA-27B是Meta（前Facebook）推出的LLaMA-2（LargeLanguageModelMetaAI2）系列中的一个7B参数（70亿参数）版本。LLaMA-2作为LLaMA的升级版本，专为更高效的推理和更广泛的应用场景设计，支持开源使用，并可用于研究和商业用途。LLaMA-27B主要特点参数规模：7B（70亿参数），适用于资源受限的环境，如边缘设备或小型服务器。训练数据：采用了
  • 8.1 从28GB到7GB！大模型显存暴降4倍的量化实战指南 少林码僧 掌握先机！从0起步实战AI大模型微调打造核心竞争力语言模型人工智能gpt
    从28GB到7GB！大模型显存暴降4倍的量化实战指南8.1模型显存占用与量化技术简介8.1.1大模型显存占用分析在部署和训练大语言模型（LLM）时，显存占用是开发者面临的核心挑战。以LLaMA-7B模型为例，其参数规模为70亿（7B），若使用FP32（32位浮点数）存储，单参数占用4字节，总显存需求为：7B×4Bytes=28GB实际场景中，模型训练还需额外存储梯度（Gradients）和优化器状
  • 给没有登录认证的web应用添加登录认证(openresty lua实现) dgiij 前端openrestylua
    这阵子不是deepseek火么？我也折腾了下本地部署，ollama、vllm、llama.cpp都弄了下，webui也用了几个，发现nextjs-ollama-llm-ui小巧方便，挺适合个人使用的。如果放在网上供多人使用的话，得接入登录认证才好，不然所有人都能蹭玩，这个可不太妙。我是用openresty反向代理将webui发布出去的，有好几种方案实现接入外部登录认证系统。首先是直接修改nextj
  • 《深度学习实战》第12集：大模型的未来与行业应用 带娃的IT创业者 深度学习实战深度学习
    深度学习实战|第12集：大模型的未来与行业应用随着深度学习技术的快速发展，大模型（如GPT、LLaMA、Bloom等）已经成为人工智能领域的核心驱动力。本篇博客将探讨大模型的发展趋势及其在医疗、金融、教育等行业的实际应用，并通过2个实战项目展示如何使用开源大模型构建问答系统。此外，我们还会分析大模型的前沿技术方向。图示：大模型发展历程与行业应用场景1.大模型发展历程图以下是大模型从早期到现在的关键
  • 深度学习突破：LLaMA-MoE模型的高效训练策略 人工智能大模型讲师培训咨询叶梓 深度学习llama人工智能Llama-Moe大模型语言模型
    在人工智能领域，大模型（LLM）的崛起带来了前所未有的进步，但随之而来的是巨大的计算资源需求。为了解决这一问题，Mixture-of-Expert（MoE）模型架构应运而生，而LLaMA-MoE正是这一架构下的重要代表。LLaMA-MoE是一种基于LLaMA系列和SlimPajama的MoE模型，它通过将LLaMA的前馈网络（FFNs）划分为稀疏专家，并为每层专家插入top-K个门，从而显著减小模
  • 大语言模型技术发展 联蔚盘云 经验分享
    摘要海外闭源模型领域竞争激烈，OpenAI保持领先地位，而开源模型如Meta的Llama系列也逐渐崛起。LLM技术呈现出大型模型和小型模型并行发展的趋势，同时，多模态功能和长上下文能力成为顶级模型的标准配置。MoE架构的出现推动了模型参数量向万亿级别迈进。未来，ScalingLaw的极限尚未触及，开源模型将扮演重要角色，数据供给成为关键挑战，新的模型架构将涌现，AIAgent和具身智能将成为推动通
  • llama-cpp-python 项目常见问题解决方案 蔡晶斯
    llama-cpp-python项目常见问题解决方案llama-cpp-pythonPythonbindingsforllama.cpp项目地址:https://gitcode.com/gh_mirrors/ll/llama-cpp-python项目基础介绍llama-cpp-python是一个为llama.cpp库提供Python绑定的开源项目。该项目的主要目的是简化在Python环境中使用ll
  • 【大模型开源实战】10 分钟,教你如何用 LLama-Factory 训练和微调大模型 Langchain llama人工智能自然语言处理大模型LLaMAFactoryLLM大语言模型
    在这个AI快速发展的时代，我们很高兴为大家带来LlamaFactory-一个为AI开发者和爱好者量身打造的实用工具平台。作为非计算机专业出身的开发者，我们深深受益于计算机世界的开放共享精神。今天，我们希望通过LlamaFactory为这个社区贡献我们的一份力量。LlamaFactory能为您提供什么？英文文档的AI翻译：利用大语言模型将英文文档翻译成中文，助您更便捷地获取最新技术信息。快速获取主流
  • 开发者关心的那些事 圣子足道 ios游戏编程apple支付
    我要在app里添加IAP，必须要注册自己的产品标识符（product identifiers）。产品标识符是什么？ 产品标识符（Product Identifiers）是一串字符串，它用来识别你在应用内贩卖的每件商品。App Store用产品标识符来检索产品信息，标识符只能包含大小写字母（A-Z）、数字（0-9）、下划线（-）、以及圆点(.)。你可以任意排列这些元素，但我们建议你创建标识符时使用
  • 负载均衡器技术Nginx和F5的优缺点对比 bijian1013 nginxF5
            对于数据流量过大的网络中，往往单一设备无法承担，需要多台设备进行数据分流，而负载均衡器就是用来将数据分流到多台设备的一个转发器。         目前有许多不同的负载均衡技术用以满足不同的应用需求，如软/硬件负载均衡、本地/全局负载均衡、更高
  • LeetCode[Math] - #9 Palindrome Number Cwind javaAlgorithm题解LeetCodeMath
    原题链接：#9 Palindrome Number   要求： 判断一个整数是否是回文数，不要使用额外的存储空间   难度：简单   分析： 题目限制不允许使用额外的存储空间应指不允许使用O(n)的内存空间，O(1)的内存用于存储中间结果是可以接受的。于是考虑将该整型数反转，然后与原数字进行比较。 注：没有看到有关负数是否可以是回文数的明确结论，例如
  • 画图板的基本实现 15700786134 画图板
     要实现画图板的基本功能，除了在qq登陆界面中用到的组件和方法外，还需要添加鼠标监听器，和接口实现。 首先，需要显示一个JFrame界面： public class DrameFrame extends JFrame {              //显示
  • linux的ps命令 被触发 linux
    Linux中的ps命令是Process Status的缩写。ps命令用来列出系统中当前运行的那些进程。ps命令列出的是当前那些进程的快照，就是执行ps命令的那个时刻的那些进程，如果想要动态的显示进程信息，就可以使用top命令。 要对进程进行监测和控制，首先必须要了解当前进程的情况，也就是需要查看当前进程，而 ps 命令就是最基本同时也是非常强大的进程查看命令。使用该命令可以确定有哪些进程正在运行
  • Android 音乐播放器 下一曲 连续跳几首歌 肆无忌惮_ android
    最近在写安卓音乐播放器的时候遇到个问题。在MediaPlayer播放结束时会回调 player.setOnCompletionListener(new OnCompletionListener() { @Override public void onCompletion(MediaPlayer mp) { mp.reset(); Log.i("H
  • java导出txt文件的例子 知了ing javaservlet
    代码很简单就一个servlet,如下： package com.eastcom.servlet; import java.io.BufferedOutputStream; import java.io.IOException; import java.net.URLEncoder; import java.sql.Connection; import java.sql.Resu
  • Scala stack试玩, 提高第三方依赖下载速度 矮蛋蛋 scalasbt
    原文地址： http://segmentfault.com/a/1190000002894524 sbt下载速度实在是惨不忍睹, 需要做些配置优化 下载typesafe离线包, 保存为ivy本地库 wget http://downloads.typesafe.com/typesafe-activator/1.3.4/typesafe-activator-1.3.4.zip 解压r
  • phantomjs安装(linux，附带环境变量设置) ，以及casperjs安装。 alleni123 linuxspider
    1. 首先从官网 http://phantomjs.org/下载phantomjs压缩包，解压缩到/root/phantomjs文件夹。 2. 安装依赖 sudo yum install fontconfig freetype libfreetype.so.6 libfontconfig.so.1 libstdc++.so.6 3. 配置环境变量 vi /etc/profil
  • JAVA IO FileInputStream和FileOutputStream，字节流的打包输出 百合不是茶 java核心思想JAVA IO操作字节流
    在程序设计语言中，数据的保存是基本，如果某程序语言不能保存数据那么该语言是不可能存在的，JAVA是当今最流行的面向对象设计语言之一，在保存数据中也有自己独特的一面，字节流和字符流 1，字节流是由字节构成的，字符流是由字符构成的 字节流和字符流都是继承的InputStream和OutPutStream ,java中两种最基本的就是字节流和字符流   类 FileInputStream
  • Spring基础实例（依赖注入和控制反转） bijian1013 spring
    前提条件：在http://www.springsource.org/download网站上下载Spring框架，并将spring.jar、log4j-1.2.15.jar、commons-logging.jar加载至工程1.武器接口 package com.bijian.spring.base3; public interface Weapon { void kil
  • HR看重的十大技能 bijian1013 提升能力HR成长
        一个人掌握何种技能取决于他的兴趣、能力和聪明程度，也取决于他所能支配的资源以及制定的事业目标，拥有过硬技能的人有更多的工作机会。但是，由于经济发展前景不确定，掌握对你的事业有所帮助的技能显得尤为重要。以下是最受雇主欢迎的十种技能。 　　一、解决问题的能力 　　每天，我们都要在生活和工作中解决一些综合性的问题。那些能够发现问题、解决问题并迅速作出有效决
  • 【Thrift一】Thrift编译安装 bit1129 thrift
    什么是Thrift The Apache Thrift software framework, for scalable cross-language services development, combines a software stack with a code generation engine to build services that work efficiently and s
  • 【Avro三】Hadoop MapReduce读写Avro文件 bit1129 mapreduce
    Avro是Doug Cutting(此人绝对是神一般的存在）牵头开发的。 开发之初就是围绕着完善Hadoop生态系统的数据处理而开展的（使用Avro作为Hadoop MapReduce需要处理数据序列化和反序列化的场景）,因此Hadoop MapReduce集成Avro也就是自然而然的事情。 这个例子是一个简单的Hadoop MapReduce读取Avro格式的源文件进行计数统计，然后将计算结果
  • nginx定制500，502，503，504页面 ronin47 nginx　错误显示
    server { listen 80; error_page 500/500.html; error_page 502/502.html; error_page 503/503.html; error_page 504/504.html; location /test {return502;}} 配置很简单，和配
  • java-1.二叉查找树转为双向链表 bylijinnan 二叉查找树
    import java.util.ArrayList; import java.util.List; public class BSTreeToLinkedList { /* 把二元查找树转变成排序的双向链表 题目： 输入一棵二元查找树，将该二元查找树转换成一个排序的双向链表。 要求不能创建任何新的结点，只调整指针的指向。 10 / \ 6 14 / \
  • Netty源码学习-HTTP-tunnel bylijinnan javanetty
    Netty关于HTTP tunnel的说明： http://docs.jboss.org/netty/3.2/api/org/jboss/netty/channel/socket/http/package-summary.html#package_description 这个说明有点太简略了 一个完整的例子在这里： https://github.com/bylijinnan
  • JSONUtil.serialize(map)和JSON.toJSONString(map)的区别 coder_xpf jqueryjsonmapval()
     JSONUtil.serialize(map)和JSON.toJSONString(map)的区别   数据库查询出来的map有一个字段为空   通过System.out.println()输出 JSONUtil.serialize(map)： {"one":"1","two":"nul
  • Hibernate缓存总结 cuishikuan 开源sshjavawebhibernate缓存三大框架
    一、为什么要用Hibernate缓存？ Hibernate是一个持久层框架，经常访问物理数据库。 为了降低应用程序对物理数据源访问的频次，从而提高应用程序的运行性能。 缓存内的数据是对物理数据源中的数据的复制，应用程序在运行时从缓存读写数据，在特定的时刻或事件会同步缓存和物理数据源的数据。   二、Hibernate缓存原理是怎样的？ Hibernate缓存包括两大类：Hib
  • CentOs6 dalan_123 centos
    首先su - 切换到root下面1、首先要先安装GCC GCC-C++ Openssl等以来模块：yum -y install make gcc gcc-c++ kernel-devel m4 ncurses-devel openssl-devel2、再安装ncurses模块yum -y install ncurses-develyum install ncurses-devel3、下载Erang
  • 10款用 jquery 实现滚动条至页面底端自动加载数据效果 dcj3sjt126com JavaScript
      无限滚动自动翻页可以说是web2.0时代的一项堪称伟大的技术，它让我们在浏览页面的时候只需要把滚动条拉到网页底部就能自动显示下一页的结果，改变了一直以来只能通过点击下一页来翻页这种常规做法。 无限滚动自动翻页技术的鼻祖是微博的先驱：推特(twitter)，后来必应图片搜索、谷歌图片搜索、google reader、箱包批发网等纷纷抄袭了这一项技术，于是靠滚动浏览器滚动条
  • ImageButton去边框&Button或者ImageButton的背景透明 dcj3sjt126com imagebutton
    在ImageButton中载入图片后，很多人会觉得有图片周围的白边会影响到美观，其实解决这个问题有两种方法 一种方法是将ImageButton的背景改为所需要的图片。如：android:background="@drawable/XXX" 第二种方法就是将ImageButton背景改为透明，这个方法更常用 在XML里；    <ImageBut
  • JSP之c:foreach eksliang jspforearch
    原文出自：http://www.cnblogs.com/draem0507/archive/2012/09/24/2699745.html <c:forEach>标签用于通用数据循环，它有以下属性 属 性 描 述 是否必须 缺省值 items 进行循环的项目 否 无 begin 开始条件 否 0 end 结束条件 否 集合中的最后一个项目 step 步长 否 1
  • Android实现主动连接蓝牙耳机 gqdy365 android
    在Android程序中可以实现自动扫描蓝牙、配对蓝牙、建立数据通道。蓝牙分不同类型，这篇文字只讨论如何与蓝牙耳机连接。 大致可以分三步： 一、扫描蓝牙设备： 1、注册并监听广播： BluetoothAdapter.ACTION_DISCOVERY_STARTED BluetoothDevice.ACTION_FOUND BluetoothAdapter.ACTION_DIS
  • android学习轨迹之四：org.json.JSONException: No value for hyz301 json
    org.json.JSONException: No value for items  在JSON解析中会遇到一种错误，很常见的错误   06-21 12:19:08.714 2098-2127/com.jikexueyuan.secret I/System.out﹕ Result:{"status":1,"page":1,&
  • 干货分享：从零开始学编程 系列汇总 justjavac 编程
    程序员总爱重新发明轮子，于是做了要给轮子汇总。 从零开始写个编译器吧系列 (知乎专栏) 从零开始写一个简单的操作系统 (伯乐在线) 从零开始写JavaScript框架 (图灵社区) 从零开始写jQuery框架 (蓝色理想 ) 从零开始nodejs系列文章 (粉丝日志) 从零开始编写网络游戏 
  • jquery-autocomplete 使用手册 macroli jqueryAjax脚本
    jquery-autocomplete学习 一、用前必备 官方网站：http://bassistance.de/jquery-plugins/jquery-plugin-autocomplete/ 当前版本：1.1 需要JQuery版本：1.2.6 二、使用 <script src="./jquery-1.3.2.js" type="text/ja
  • PLSQL-Developer或者Navicat等工具连接远程oracle数据库的详细配置以及数据库编码的修改 超声波 oracleplsql
    　　在服务器上将Oracle安装好之后接下来要做的就是通过本地机器来远程连接服务器端的oracle数据库，常用的客户端连接工具就是PLSQL-Developer或者Navicat这些工具了。刚开始也是各种报错，什么TNS:no listener;TNS:lost connection;TNS:target hosts...花了一天的时间终于让PLSQL-Developer和Navicat等这些客户
  • 数据仓库数据模型之：极限存储--历史拉链表 superlxw1234 极限存储数据仓库数据模型拉链历史表
    在数据仓库的数据模型设计过程中，经常会遇到这样的需求： 1. 数据量比较大; 2. 表中的部分字段会被update,如用户的地址，产品的描述信息，订单的状态等等; 3. 需要查看某一个时间点或者时间段的历史快照信息，比如，查看某一个订单在历史某一个时间点的状态，    比如，查看某一个用户在过去某一段时间内，更新过几次等等; 4. 变化的比例和频率不是很大，比如，总共有10
  • 10点睛Spring MVC4.1-全局异常处理 wiselyman spring mvc
    10.1 全局异常处理 使用@ControllerAdvice注解来实现全局异常处理; 使用@ControllerAdvice的属性缩小处理范围 10.2 演示 演示控制器 package com.wisely.web; import org.springframework.stereotype.Controller; import org.spring
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他