- vllm推理实践
try2find
java前端服务器
1.vllm推理demo实验fromvllmimportLLM,SamplingParams#定义生成参数sampling_params=SamplingParams(temperature=0.7,top_p=0.9,max_tokens=100,)#加载DeepSeek模型(以deepseek-llm-7b为例)#model_name="deepseek-ai/deepseek-llm-7b"
- 目前最火的agent方向-A2A快速实战构建(二): AutoGen模型集成指南:从OpenAI到本地部署的全场景LLM解决方案
引言:打破模型壁垒,构建灵活AI应用在AI应用开发中,大语言模型(LLM)的选择往往决定了系统的能力边界。AutoGen通过标准化的模型客户端协议,实现了对OpenAI、AzureOpenAI、本地模型等多源LLM的统一接入,让开发者能够根据场景需求自由切换模型服务。本文将深入解析AutoGen的模型集成框架,从云端服务到本地部署,助你构建弹性可扩展的AI代理系统。一、模型客户端核心架构:统一接口
- 在 Dify 平台中集成上下文工程技术
由数入道
人工智能数据库大数据人工智能软件工程dify
1.提升LLM问答准确率的上下文构建与提示策略大语言模型在开放领域问答中常面临幻觉和知识过时等问题。为提高回答准确率,上下文工程的关键是在提示中注入相关背景知识与指导。具体策略包括:检索增强(RAG):通过从知识库中检索相关内容并将其纳入提示,可以显著提升回答的准确性和可信度。Dify提供了知识检索节点,支持向量数据库存储外部知识,并将检索结果通过上下文变量注入LLM提示中。例如,在知识库问答应用
- Go 语言实现本地大模型聊天机器人:从推理到 Web UI 的全流程
雷羿 LexChien
Gogolang机器人前端
接续Go-LLM-CPP专案,继续扩充前端聊天室功能一.专案目录架构:go-llm-cpp/├──bin/#第三方依赖│├──go-llama.cpp/#封裝GGUF模型推理(CGo)│└──llm-go/#prompt构建+回合管理(Go)│├──cmd/#可执行应用│└──main.go#CLI/HTTPserver入口点│├──config/│└──persona.yaml#人格模板(系统p
- Chat Memory
虾条_花吹雪
SpringAIai人工智能
大型语言模型(LLM)是无状态的,这意味着它们不保留有关以前交互的信息。当您想在多个交互中维护上下文或状态时,这可能是一个限制。为了解决这个问题,SpringAI提供了聊天记忆功能,允许您在与LLM的多次交互中存储和检索信息。ChatMemory抽象允许您实现各种类型的内存来支持不同的用例。消息的底层存储由ChatMemoryRepository处理,其唯一职责是存储和检索消息。由ChatMemo
- 动手实践OpenHands系列学习笔记3:LLM集成基础
JeffWoodNo.1
笔记人工智能
笔记3:LLM集成基础一、引言大型语言模型(LLM)是OpenHands代理系统的核心驱动力。本笔记将深入探讨LLMAPI调用的基本原理,以及如何在实践中实现与Claude等先进模型的基础连接模块,为构建AI代理系统奠定基础。二、LLMAPI调用基础知识2.1LLMAPI基本概念API密钥认证:访问LLM服务的身份凭证提示工程:构造有效请求以获取预期响应推理参数:控制模型输出的各种参数流式响应:增
- 【深度学习】神经网络剪枝方法的分类
烟锁池塘柳0
机器学习与深度学习深度学习神经网络剪枝
神经网络剪枝方法的分类摘要随着深度学习模型,特别是大语言模型(LLM)的参数量爆炸式增长,模型的部署和推理成本变得异常高昂。如何在保持模型性能的同时,降低其计算和存储需求,成为了工业界和学术界的核心议题。神经网络剪枝(Pruning)作为模型压缩的关键技术之一,应运而生。本文将解析剪枝技术的不同分类,深入探讨其原理、优缺点。文章目录神经网络剪枝方法的分类摘要1为什么我们需要剪枝?2分类方法一:剪什
- 语言模型之谜:提示内容与格式的交响诗
步子哥
AGI通用人工智能语言模型人工智能自然语言处理
当代人工智能领域中,语言模型(LLM)正以前所未有的规模和深度渗透到各行各业。从代码生成到数学推理,从问答系统到多项选择题,每一次技术的跃进都离不开一个看似简单却充满玄机的关键环节——提示(prompt)的设计。而在这场提示优化的探索中,内容与格式的双重奏正逐渐揭开其神秘面纱,谱写出一曲宏大的交响诗。本文将带您走进“内容格式集成提示优化(CFPO)”的奇幻世界,揭示如何透过细腻的内容雕琢和精妙的格
- 当我的代码评审开始 “AI 打工”:聊聊这个让我摸鱼更心安的神器
Honesty861024
ci/cdaigit
作为一个每天和代码打交道的打工人,最头疼的莫过于提完MR后漫长的等待——reviewer可能在开会、可能在改bug、可能在摸鱼,而你的代码只能在“进行中”状态里默默吃灰。更惨的是偶尔遇到“人工漏检”,上线后发现奇奇怪怪的bug,只能对着屏幕疯狂道歉:“这锅我背,下次一定仔细查!”直到我发现了这个藏在云效里的神器——yunxiao-LLM-reviewer,现在我的MR终于有了一个24小时在线的“A
- Xtuner:大模型微调快速上手
潘达斯奈基~
AIGCAIGC
一、XTuner是什么?简单来说,XTuner是一个轻量级、易于使用的、为大语言模型(LLM)设计的微调工具库。它由上海人工智能实验室(OpenMMLab)开发,是其强大AI工具生态(MMCV,MMEngine等)的一部分。它的核心设计理念是“用一个配置文件搞定一切”,让开发者和研究人员可以极大地简化微调流程。二、为什么选择XTuner?(核心优势)轻量且用户友好:命令行驱动:你不需要编写复杂的训
- 【V18.0 - 飞升篇】我把“大模型”装进电脑后,我的AI学会了改稿!——本地部署LLM终极保姆级教程
爱分享的飘哥
人工智能语言模型pythonLLMai
在过去的十几篇文章中,我们已经将我们的AI打造成了一个顶级的“分析师”。它能看、能听、能读,能预测多维度的价值指标,甚至能用SHAP解释自己的决策。它很强大,但它的能力,始终停留在“分析”和“诊断”的层面。它能告诉我“你的开头不行”,但无法告诉我“一个好的开头应该怎么写”。这就像我的副驾驶是一位顶级的F1数据分析师,他能告诉我每个弯道的最佳速度和刹车点,但他自己并不会开车。我需要一次终极的升级,我
- happy-llm 第一章 NLP 基础概念
weixin_38374194
自然语言处理人工智能学习
文章目录一、什么是NLP?二、NLP发展三大阶段三、NLP核心任务精要四、文本表示演进史1.传统方法:统计表征2.神经网络:语义向量化课程地址:happy-llmNLP基础概念一、什么是NLP?核心目标:让计算机理解、生成、处理人类语言,实现人机自然交互。现状与挑战:成就:深度学习推动文本分类、翻译等任务达到近人类水平。瓶颈:歧义性、隐喻理解、跨文化差异等。二、NLP发展三大阶段时期代表技术核心思
- Happy-LLM 第二章 Transformer
HalukiSan
transformer深度学习人工智能
Transform架构图片来自[Happy-llm](happy-llm/docs/chapter2/第二章Transformer架构.mdatmain·datawhalechina/happy-llm),若加载不出来,请开梯子注意力机制前馈神经网络每一层的神经元都与上下两层的每一个神经元完全连接数据在其中只向前流动,用于处理静态的数据,进行图像识别或者分类,但是该网络没有记忆能力,数据在它里面没
- happy-llm 第二章 Transformer架构
weixin_38374194
transformer深度学习人工智能学习
文章目录一、注意力机制核心解析1.1注意力机制的本质与核心变量1.2注意力机制的数学推导1.3注意力机制的变种实现1.3.1自注意力(Self-Attention)1.3.2掩码自注意力(MaskedSelf-Attention)1.3.3多头注意力(Multi-HeadAttention)二、Encoder-Decoder架构详解2.1Seq2Seq任务与架构设计2.2核心组件解析2.2.1前馈
- SurveyForge:AI自动撰写综述论文的革命性工具,助力科研效率跃升
花生糖@
AIGC学习资料库人工智能AI论文AI助手
在学术研究领域,综述论文(SurveyPaper)的撰写是一项耗时且复杂的任务,通常需要数周甚至数月的文献调研与内容整合。如今,上海人工智能实验室、复旦大学与上海交通大学联合开源的SurveyForge,通过创新的AI技术,将这一过程压缩至10分钟内,且生成质量接近人工水平,成为科研人员的得力助手。项目简介SurveyForge是一款基于大语言模型(LLM)的自动综述论文生成工具,专为计算机科学领
- 【AI】大语言模型(LLM)& NLP
G皮T
#大语言模型LLMNLP大模型大语言模型AI人工智能
大语言模型(LLM)&NLP1.大语言模型(LLM)1.1一句话解释1.2更形象的比喻1.3为什么叫“大”模型1.4它能做什么1.5现实中的例子2.对比NLP2.1用“汽车进化”比喻NLP→LLM2.2为什么说LLM属于NLP2.3LLM的“革命性突破”在哪里2.4总结1.大语言模型(LLM)1.1一句话解释大语言模型(LargeLanguageModel,LLM)是一个“超级文字预测器”,它通过
- 2024大模型秋招LLM相关面试题整理
AGI大模型资料分享官
人工智能深度学习机器学习自然语言处理语言模型easyui
0一些基础术语大模型:一般指1亿以上参数的模型,但是这个标准一直在升级,目前万亿参数以上的模型也有了。大语言模型(LargeLanguageModel,LLM)是针对语言的大模型。175B、60B、540B等:这些一般指参数的个数,B是Billion/十亿的意思,175B是1750亿参数,这是ChatGPT大约的参数规模。强化学习:(ReinforcementLearning)一种机器学习的方法,
- 从文档海洋到智能问答:用大模型和RAG打造下一代企业知识库的实战之路
电脑能手
人工智能算法语言模型深度学习python
从文档海洋到智能问答:用大模型和RAG打造下一代企业知识库的实战之路摘要:在信息爆炸的今天,企业内部文档(如SOP、技术手册、FAQ)数量激增,传统的关键词搜索常常让我们在“文档海洋”中迷失。本文将分享一次从0到1的实战探索,讲述如何利用大语言模型(LLM)和检索增强生成(RAG)技术,将静态、孤立的知识库,重塑为一个能“思考”和“对话”的智能问答系统。我们将从理念澄清、技术选型、代码实战到未来展
- 提示技术系列(六)——链式提示
AIGC包拥它
提示技术人工智能promptpythonlangchain
什么是提示技术?提示技术是实现提示工程目标的具体技术手段,是提示工程中的“工具库”。什么又是提示工程?提示工程是指通过设计、优化和迭代输入到大语言模型(LLM)的提示(Prompt),系统性提升模型输出质量(如相关性、准确性、可控性)的实践领域。它是一个覆盖全流程的方法论,包括:明确目标任务(如生成教学内容、问答、翻译);设计提示结构(如指令、上下文、示例);选择模型与参数(如温度、top_p);
- LLM面试题14
三月七꧁ ꧂
破题·大模型面试语言模型人工智能数据库自然语言处理prompt
算法岗面试题介绍下Transformer模型。 Transformer本身是一个典型的encoder-decoder模型,Encoder端和Decoder端均有6个Block,Encoder端的Block包括两个模块,多头self-attention模块以及一个前馈神经网络模块;Decoder端的Block包括三个模块,Masked多头self-attention模块,多头Encoder-D
- 价值的罗盘:AI对齐与人类文明的终极追问
田园Coder
人工智能科普人工智能科普
当大型语言模型(LLM)在文本生成、代码创作、多模态理解等领域展现出逼近甚至超越人类专家的惊人能力,当自主智能体(Agent)开始规划复杂目标、调用工具、影响现实世界,一个关乎人类文明存续的根本性问题,从未如此紧迫地摆在眼前:我们如何确保这些日益强大、甚至未来可能超越人类智慧的AI系统,其目标、行为和价值观始终与人类福祉深度契合?这便是AI对齐(AIAlignment)问题的核心。它并非单纯的技术
- 【LLM论文阅读】
一只齐刘海的猫
论文阅读
LLM论文阅读论文重点论文链接RopeRoFormer:EnhancedTransformerwithRotaryPositionEmbeddingRoPE论文阅读YarnUnderstandingYaRN:ExtendingContextWindowofLLMs论文YaRN笔记T5ExploringtheLimitsofTransferLearningwithaUnifiedText-to-Te
- ART(Automatic Reasoning and Tool-use):自动推理与工具使用的革命性突破
引言在人工智能快速发展的今天,大语言模型(LLM)的能力边界正在不断被重新定义。ART(AutomaticReasoningandTool-use)技术作为一项革命性的突破,为AI系统提供了自动推理并使用外部工具的能力,这标志着我们正在迈向更加智能和实用的AI时代。什么是ART技术?ART是AutomaticReasoningandTool-use的缩写,它是一种让AI系统能够自动进行推理并调用外
- NVIDIA Isaac GR00T N1.5 人形机器人强化学习入门教程(五)
强化学习与机器人控制仿真
机器人与具身智能人工智能机器人深度学习神经网络强化学习模仿学习具身智能
系列文章目录目录系列文章目录前言一、更深入的理解1.1实体化动作头微调1.1.1实体标签1.1.2工作原理1.1.3支持的实现1.2高级调优参数1.2.1模型组件1.2.1.1视觉编码器(tune_visual)1.2.1.2语言模型(tune_llm)1.2.1.3投影器(tune_projector)1.2.1.4扩散模型(tune_diffusion_model)1.2.2理解数据转换1.2
- BERT(Bidirectional Encoder Representations from Transformers)
jerwey
bert人工智能深度学习
BERT(BidirectionalEncoderRepresentationsfromTransformers)是由Google于2018年提出的一种基于Transformer架构的预训练语言模型,属于大型语言模型(LLM)的一种重要类型。其核心特点和技术定位如下:1.核心架构Encoder-Only结构:BERT仅使用Transformer的编码器(Encoder),通过多层堆叠捕捉文本的双向
- 大语言模型(LLM)按架构分类
jerwey
语言模型分类人工智能
大语言模型(LLM)按架构分类的深度解析1.仅编码器架构(Encoder-Only)原理双向注意力机制:通过Transformer编码器同时捕捉上下文所有位置的依赖关系#伪代码示例:BERT的MLM任务masked_input="The[MASK]satonthemat"output=encoder(masked_input)#预测[MASK]="cat"预训练任务:掩码语言建模(MLM):随机遮
- 基于Google Gemini 探索大语言模型在医学领域应用评估和前景
知来者逆
LLM语言模型搜索引擎人工智能Gemini大语言模型医疗健康医疗
概述近年来,大规模语言模型(LLM)在理解和生成人类语言方面取得了显著的飞跃,这些进步不仅推动了语言学和计算机编程的发展,还为多个领域带来了创新的突破。特别是模型如GPT-3和PaLM,它们通过吸收海量文本数据,已经能够掌握复杂的语言模式。人工智能技术的迅猛发展不断推动着LLM的进化,并加速了这一领域的专业创新。这些进步是随着模型规模的扩大、数据量的增加以及计算能力的提升而逐步实现的,其中许多尖端
- LangChain是为了解决哪些问题?为了解决这些问题,LangChain采用哪些方法?LangChain适用于什么场景?LangChain有什么局限性?
杰瑞学AI
AI/AGINLP/LLMslangchain人工智能自然语言处理深度学习神经网络AI-native
LangChain旨在解决的问题LangChain的核心目的是解决在使用大型语言模型(LLM)开发应用程序时面临的复杂性和挑战。具体来说,它致力于解决以下问题:LLM应用开发的复杂性:直接使用LLM开发应用程序通常涉及大量的底层代码编写,例如管理提示(prompts)、处理输出、串联多个模型调用以及与外部数据源或工具集成。这使得开发过程繁琐且容易出错。LLM能力的限制:单个LLM往往无法完成所有任
- RAG实战指南 Day 3:LangChain框架深度解析
在未来等你
RAG实战指南RAGLangChain检索增强生成大语言模型AI开发Python自然语言处理
【RAG实战指南Day3】LangChain框架深度解析引言欢迎来到"RAG实战指南"系列的第3天!今天我们将深入探讨LangChain框架——构建RAG系统的核心工具之一。LangChain已成为开发基于大语言模型(LLM)应用的事实标准,特别在检索增强生成(RAG)系统中扮演着关键角色。与直接调用基础LLM相比,LangChain提供了模块化组件和标准化接口,让开发者能够高效构建复杂的工作流。
- 大模型私有化部署的系统性挑战与解决方案:企业视角的深度解析
慌ZHANG
人工智能人工智能
个人主页:慌ZHANG-CSDN博客期待您的关注一、引言:企业为何需要私有部署大模型?随着ChatGPT、Claude、DeepSeek、通义千问等大语言模型(LLMs)能力爆发,企业纷纷探索“AI+业务”的融合创新。然而,由于数据隐私、定制需求、合规政策等多重因素,私有化部署成为多数企业采用LLM的首选路径。企业选择私有部署大模型,通常基于以下几个原因:数据安全需求:业务数据敏感,禁止外发;可控
- 桌面上有多个球在同时运动,怎么实现球之间不交叉,即碰撞?
换个号韩国红果果
html小球碰撞
稍微想了一下,然后解决了很多bug,最后终于把它实现了。其实原理很简单。在每改变一个小球的x y坐标后,遍历整个在dom树中的其他小球,看一下它们与当前小球的距离是否小于球半径的两倍?若小于说明下一次绘制该小球(设为a)前要把他的方向变为原来相反方向(与a要碰撞的小球设为b),即假如当前小球的距离小于球半径的两倍的话,马上改变当前小球方向。那么下一次绘制也是先绘制b,再绘制a,由于a的方向已经改变
- 《高性能HTML5》读后整理的Web性能优化内容
白糖_
html5
读后感
先说说《高性能HTML5》这本书的读后感吧,个人觉得这本书前两章跟书的标题完全搭不上关系,或者说只能算是讲解了“高性能”这三个字,HTML5完全不见踪影。个人觉得作者应该首先把HTML5的大菜拿出来讲一讲,再去分析性能优化的内容,这样才会有吸引力。因为只是在线试读,没有机会看后面的内容,所以不胡乱评价了。
- [JShop]Spring MVC的RequestContextHolder使用误区
dinguangx
jeeshop商城系统jshop电商系统
在spring mvc中,为了随时都能取到当前请求的request对象,可以通过RequestContextHolder的静态方法getRequestAttributes()获取Request相关的变量,如request, response等。 在jshop中,对RequestContextHolder的
- 算法之时间复杂度
周凡杨
java算法时间复杂度效率
在
计算机科学 中,
算法 的时间复杂度是一个
函数 ,它定量描述了该算法的运行时间。这是一个关于代表算法输入值的
字符串 的长度的函数。时间复杂度常用
大O符号 表述,不包括这个函数的低阶项和首项系数。使用这种方式时,时间复杂度可被称为是
渐近 的,它考察当输入值大小趋近无穷时的情况。
这样用大写O()来体现算法时间复杂度的记法,
- Java事务处理
g21121
java
一、什么是Java事务 通常的观念认为,事务仅与数据库相关。 事务必须服从ISO/IEC所制定的ACID原则。ACID是原子性(atomicity)、一致性(consistency)、隔离性(isolation)和持久性(durability)的缩写。事务的原子性表示事务执行过程中的任何失败都将导致事务所做的任何修改失效。一致性表示当事务执行失败时,所有被该事务影响的数据都应该恢复到事务执行前的状
- Linux awk命令详解
510888780
linux
一. AWK 说明
awk是一种编程语言,用于在linux/unix下对文本和数据进行处理。数据可以来自标准输入、一个或多个文件,或其它命令的输出。它支持用户自定义函数和动态正则表达式等先进功能,是linux/unix下的一个强大编程工具。它在命令行中使用,但更多是作为脚本来使用。
awk的处理文本和数据的方式:它逐行扫描文件,从第一行到
- android permission
布衣凌宇
Permission
<uses-permission android:name="android.permission.ACCESS_CHECKIN_PROPERTIES" ></uses-permission>允许读写访问"properties"表在checkin数据库中,改值可以修改上传
<uses-permission android:na
- Oracle和谷歌Java Android官司将推迟
aijuans
javaoracle
北京时间 10 月 7 日,据国外媒体报道,Oracle 和谷歌之间一场等待已久的官司可能会推迟至 10 月 17 日以后进行,这场官司的内容是 Android 操作系统所谓的 Java 专利权之争。本案法官 William Alsup 称根据专利权专家 Florian Mueller 的预测,谷歌 Oracle 案很可能会被推迟。 该案中的第二波辩护被安排在 10 月 17 日出庭,从目前看来
- linux shell 常用命令
antlove
linuxshellcommand
grep [options] [regex] [files]
/var/root # grep -n "o" *
hello.c:1:/* This C source can be compiled with:
- Java解析XML配置数据库连接(DOM技术连接 SAX技术连接)
百合不是茶
sax技术Java解析xml文档dom技术XML配置数据库连接
XML配置数据库文件的连接其实是个很简单的问题,为什么到现在才写出来主要是昨天在网上看了别人写的,然后一直陷入其中,最后发现不能自拔 所以今天决定自己完成 ,,,,现将代码与思路贴出来供大家一起学习
XML配置数据库的连接主要技术点的博客;
JDBC编程 : JDBC连接数据库
DOM解析XML: DOM解析XML文件
SA
- underscore.js 学习(二)
bijian1013
JavaScriptunderscore
Array Functions 所有数组函数对参数对象一样适用。1.first _.first(array, [n]) 别名: head, take 返回array的第一个元素,设置了参数n,就
- plSql介绍
bijian1013
oracle数据库plsql
/*
* PL/SQL 程序设计学习笔记
* 学习plSql介绍.pdf
* 时间:2010-10-05
*/
--创建DEPT表
create table DEPT
(
DEPTNO NUMBER(10),
DNAME NVARCHAR2(255),
LOC NVARCHAR2(255)
)
delete dept;
select
- 【Nginx一】Nginx安装与总体介绍
bit1129
nginx
启动、停止、重新加载Nginx
nginx 启动Nginx服务器,不需要任何参数u
nginx -s stop 快速(强制)关系Nginx服务器
nginx -s quit 优雅的关闭Nginx服务器
nginx -s reload 重新加载Nginx服务器的配置文件
nginx -s reopen 重新打开Nginx日志文件
- spring mvc开发中浏览器兼容的奇怪问题
bitray
jqueryAjaxspringMVC浏览器上传文件
最近个人开发一个小的OA项目,属于复习阶段.使用的技术主要是spring mvc作为前端框架,mybatis作为数据库持久化技术.前台使用jquery和一些jquery的插件.
在开发到中间阶段时候发现自己好像忽略了一个小问题,整个项目一直在firefox下测试,没有在IE下测试,不确定是否会出现兼容问题.由于jquer
- Lua的io库函数列表
ronin47
lua io
1、io表调用方式:使用io表,io.open将返回指定文件的描述,并且所有的操作将围绕这个文件描述
io表同样提供三种预定义的文件描述io.stdin,io.stdout,io.stderr
2、文件句柄直接调用方式,即使用file:XXX()函数方式进行操作,其中file为io.open()返回的文件句柄
多数I/O函数调用失败时返回nil加错误信息,有些函数成功时返回nil
- java-26-左旋转字符串
bylijinnan
java
public class LeftRotateString {
/**
* Q 26 左旋转字符串
* 题目:定义字符串的左旋转操作:把字符串前面的若干个字符移动到字符串的尾部。
* 如把字符串abcdef左旋转2位得到字符串cdefab。
* 请实现字符串左旋转的函数。要求时间对长度为n的字符串操作的复杂度为O(n),辅助内存为O(1)。
*/
pu
- 《vi中的替换艺术》-linux命令五分钟系列之十一
cfyme
linux命令
vi方面的内容不知道分类到哪里好,就放到《Linux命令五分钟系列》里吧!
今天编程,关于栈的一个小例子,其间我需要把”S.”替换为”S->”(替换不包括双引号)。
其实这个不难,不过我觉得应该总结一下vi里的替换技术了,以备以后查阅。
1
所有替换方案都要在冒号“:”状态下书写。
2
如果想将abc替换为xyz,那么就这样
:s/abc/xyz/
不过要特别
- [轨道与计算]新的并行计算架构
comsci
并行计算
我在进行流程引擎循环反馈试验的过程中,发现一个有趣的事情。。。如果我们在流程图的每个节点中嵌入一个双向循环代码段,而整个流程中又充满着很多并行路由,每个并行路由中又包含着一些并行节点,那么当整个流程图开始循环反馈过程的时候,这个流程图的运行过程是否变成一个并行计算的架构呢?
- 重复执行某段代码
dai_lm
android
用handler就可以了
private Handler handler = new Handler();
private Runnable runnable = new Runnable() {
public void run() {
update();
handler.postDelayed(this, 5000);
}
};
开始计时
h
- Java实现堆栈(list实现)
datageek
数据结构——堆栈
public interface IStack<T> {
//元素出栈,并返回出栈元素
public T pop();
//元素入栈
public void push(T element);
//获取栈顶元素
public T peek();
//判断栈是否为空
public boolean isEmpty
- 四大备份MySql数据库方法及可能遇到的问题
dcj3sjt126com
DBbackup
一:通过备份王等软件进行备份前台进不去?
用备份王等软件进行备份是大多老站长的选择,这种方法方便快捷,只要上传备份软件到空间一步步操作就可以,但是许多刚接触备份王软件的客用户来说还原后会出现一个问题:因为新老空间数据库用户名和密码不统一,网站文件打包过来后因没有修改连接文件,还原数据库是好了,可是前台会提示数据库连接错误,网站从而出现打不开的情况。
解决方法:学会修改网站配置文件,大多是由co
- github做webhooks:[1]钩子触发是否成功测试
dcj3sjt126com
githubgitwebhook
转自: http://jingyan.baidu.com/article/5d6edee228c88899ebdeec47.html
github和svn一样有钩子的功能,而且更加强大。例如我做的是最常见的push操作触发的钩子操作,则每次更新之后的钩子操作记录都会在github的控制板可以看到!
工具/原料
github
方法/步骤
- ">的作用" target="_blank">JSP中的作用
蕃薯耀
JSP中<base href="<%=basePath%>">的作用
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
- linux下SAMBA服务安装与配置
hanqunfeng
linux
局域网使用的文件共享服务。
一.安装包:
rpm -qa | grep samba
samba-3.6.9-151.el6.x86_64
samba-common-3.6.9-151.el6.x86_64
samba-winbind-3.6.9-151.el6.x86_64
samba-client-3.6.9-151.el6.x86_64
samba-winbind-clients
- guava cache
IXHONG
cache
缓存,在我们日常开发中是必不可少的一种解决性能问题的方法。简单的说,cache 就是为了提升系统性能而开辟的一块内存空间。
缓存的主要作用是暂时在内存中保存业务系统的数据处理结果,并且等待下次访问使用。在日常开发的很多场合,由于受限于硬盘IO的性能或者我们自身业务系统的数据处理和获取可能非常费时,当我们发现我们的系统这个数据请求量很大的时候,频繁的IO和频繁的逻辑处理会导致硬盘和CPU资源的
- Query的开始--全局变量,noconflict和兼容各种js的初始化方法
kvhur
JavaScriptjquerycss
这个是整个jQuery代码的开始,里面包含了对不同环境的js进行的处理,例如普通环境,Nodejs,和requiredJs的处理方法。 还有jQuery生成$, jQuery全局变量的代码和noConflict代码详解 完整资源:
http://www.gbtags.com/gb/share/5640.htm jQuery 源码:
(
- 美国人的福利和中国人的储蓄
nannan408
今天看了篇文章,震动很大,说的是美国的福利。
美国医院的无偿入院真的是个好措施。小小的改善,对于社会是大大的信心。小孩,税费等,政府不收反补,真的体现了人文主义。
美国这么高的社会保障会不会使人变懒?答案是否定的。正因为政府解决了后顾之忧,人们才得以倾尽精力去做一些有创造力,更造福社会的事情,这竟成了美国社会思想、人
- N阶行列式计算(JAVA)
qiuwanchi
N阶行列式计算
package gaodai;
import java.util.List;
/**
* N阶行列式计算
* @author 邱万迟
*
*/
public class DeterminantCalculation {
public DeterminantCalculation(List<List<Double>> determina
- C语言算法之打渔晒网问题
qiufeihu
c算法
如果一个渔夫从2011年1月1日开始每三天打一次渔,两天晒一次网,编程实现当输入2011年1月1日以后任意一天,输出该渔夫是在打渔还是在晒网。
代码如下:
#include <stdio.h>
int leap(int a) /*自定义函数leap()用来指定输入的年份是否为闰年*/
{
if((a%4 == 0 && a%100 != 0
- XML中DOCTYPE字段的解析
wyzuomumu
xml
DTD声明始终以!DOCTYPE开头,空一格后跟着文档根元素的名称,如果是内部DTD,则再空一格出现[],在中括号中是文档类型定义的内容. 而对于外部DTD,则又分为私有DTD与公共DTD,私有DTD使用SYSTEM表示,接着是外部DTD的URL. 而公共DTD则使用PUBLIC,接着是DTD公共名称,接着是DTD的URL.
私有DTD
<!DOCTYPErootSYST