- 【深度学习】预训练和微调概述
CS_木成河
深度学习深度学习人工智能语言模型预训练微调
预训练和微调概述1.预训练和微调的介绍1.1预训练(Pretraining)1.2微调(Fine-Tuning)2.预训练和微调的区别预训练和微调是现代深度学习模型训练中的两个关键步骤,它们通常是一个预训练-微调(Pretrain-Finetune)流程的不同阶段。两者相辅相成,共同帮助模型从通用的知识到特定任务的适应。1.预训练和微调的介绍1.1预训练(Pretraining)定义:预训练是指在
- Everything搜索神器:秒级检索背后的黑科技
码农技术栈
everything科技javapythonwindows
开篇小剧场:你是否经历过这样的场景?Windows自带的搜索:输入关键词,等待……转圈……继续等待……Everything:输入关键词,结果瞬间呈现!为什么Everything能这么快?它到底用了什么“黑科技”?今天我们就来揭开它的神秘面纱!一、Everything的“快”从何而来?1.颠覆传统:不搜索文件内容,只搜索文件名Everything的核心目标是快速定位文件,而不是像Windows搜索那
- GPT (Generative Pre-trained Transformer)
彬彬侠
自然语言处理gpttransformer预训练NLP自然语言处理
GPT(GenerativePre-trainedTransformer)是由OpenAI提出的一个基于Transformer架构的自回归语言模型。GPT模型通过大规模无监督预训练,使用大量的文本数据进行学习,然后再进行微调(fine-tuning)来适应具体的下游任务。GPT的设计目标是能够理解和生成自然语言文本,并且它以其出色的自然语言生成能力在多个领域取得了显著的成果。GPT的基本原理GPT
- 一、大模型微调的前沿技术与应用
伯牙碎琴
大模型微调人工智能大模型微调Deepseek
大模型微调的前沿技术与应用随着大规模预训练模型(如GPT、BERT、T5等)的广泛应用,大模型微调(Fine-Tuning,FT)成为了提升模型在特定任务中性能的关键技术。通过微调,开发者可以根据实际需求调整预训练模型的参数,使其更好地适应特定应用场景。本文将介绍大模型微调技术的前沿发展,分析不同微调方法的特点、适用场景以及优缺点,并对它们进行系统分类。微调技术的重要性大模型微调能够帮助开发者根据
- 大语言模型常用微调与基于SFT微调DeepSeek R1指南
知来者逆
LLM深度学习人工智能自然语言处理DeepSeekSFT微调
概述大型语言模型(LLM,LargeLanguageModel)的微调(Fine-tuning)是指在一个预训练模型的基础上,使用特定领域或任务的数据对模型进行进一步训练,以使其在该领域或任务上表现更好。微调是迁移学习的一种常见方法,能够显著提升模型在特定任务上的性能。在大型语言模型(LLM)的微调中,有几种常见的方法,包括SFT(监督微调)、LoRA(低秩适应)、P-tuningv2和**Fre
- 如何微调(Fine-tuning)大语言模型?看完这篇你就懂了!!
datian1234
语言模型人工智能chatgptLLMaiAI大模型大模型微调
前言本文介绍了微调的基本概念,以及如何对语言模型进行微调。从GPT3到ChatGPT、从GPT4到GitHubcopilot的过程,微调在其中扮演了重要角色。什么是微调(fine-tuning)?微调能解决什么问题?什么是LoRA?如何进行微调?本文将解答以上问题,并通过代码实例展示如何使用LoRA进行微调。微调的技术门槛并不高,如果微调的模型规模不大10B及10B以下所需硬件成本也不高(10B模
- 【深度学习】常见模型-GPT(Generative Pre-trained Transformer,生成式预训练 Transformer)
IT古董
深度学习人工智能深度学习gpttransformer
GPT(GenerativePre-trainedTransformer)1️⃣什么是GPT?GPT(GenerativePre-trainedTransformer,生成式预训练Transformer)是由OpenAI开发的基于Transformer解码器(Decoder)的自回归(Autoregressive)语言模型。它能够通过大量无监督数据预训练,然后微调(Fine-tuning)以适应特
- 常用工具+开发工具
__Winni__
测试工具
常用工具:时间管理工具滴答清单+番茄todo笔记工具vscode+印象笔记+cdsn(博客)+网易云笔记+editPlus截图工具Snipaste思维导图,xmind的编辑工具MindMaster画图工具:本地:visio+在线:processon+idea的插件(画时序图):plantUML+Markdown编辑器:typora查询工具:Everything清除注册表工具:CCleanerpdf
- 大模型入门(六)—— RLHF微调大模型
LLM.
人工智能语言模型机器学习自然语言处理LLM大模型RLHF
一、RLHF微调三阶段参考:https://huggingface.co/blog/rlhf1)使用监督数据微调语言模型,和fine-tuning一致。2)训练奖励模型奖励模型是输入一个文本序列,模型给出符合人类偏好的奖励数值,这个奖励数值对于后面的强化学习训练非常重要。构建奖励模型的训练数据一般是同一个数据用不同的语言模型生成结果,然后人工打分。如果是训练自己领域的RLHF模型,也可以尝试用ch
- Everything-检索神器
蜕变的土豆
提效工作everything
在工作中经常遇到,需要查找某个文件,又记不得放在哪个路径下了,这里可以用everything,提高我们的工作效率:工具链接:链接:百度网盘请输入提取码百度网盘为您提供文件的网络备份、同步和分享服务。空间大、速度快、安全稳固,支持教育网加速,支持手机端。注册使用百度网盘即可享受免费存储空间https://pan.baidu.com/s/1zSlf6mVGu0hRiYXVM8L8Bw提取码:1234使
- coarse-to-fine(1) CF-DRNet
momoka9
论文笔记python
1、Coarse-to-fineclassificationfordiabeticretinopathygradingusingconvolutionalneuralnetwork使用卷积神经网络对糖尿病视网膜病变分级进行从粗到细的分类。ArtificialIntelligenceinMedicineVolume108,August2020,101936亮点首次提出了一个分层的从粗到细的糖尿病视网
- 接入deepseek构建RAG企业智能问答系统
da pai ge
prometheuskubernetesjavascript
RAG基础流程AI大模型回答问题的方式AI大模型基于其训练的数据回答所有问题。如果未针对特定业务(如美团)进行专门“学习”,面对直接相关的问题时,无法给出理想的答案。让AI大模型“学习”业务知识的两种主要方法:微调(Fine-Tuning):在预训练模型基础上根据特定任务和数据集调整参数。RAG(Retrieval-AugmentedGeneration,检索增强生成):使用泛化的大模型,通过对问
- Everything搜索知识
CodingLife99
软件技能Everything搜索
1.只知道那个文件以.txt结尾.*\.txt$($表示以什么结尾)2.搜索某个路径下的文件D:\configure.bat(搜索D盘下的该文件,注意要用这种类型的"\",和被搜索的文件之间有空格;要先打出路径,再打出搜索文件.)3.搜索指定路径下的多个文件路径\文件1|文件24.使用bool算子(1)foog:搜索同时含有2个字符的(2).jpg|.bmp:或关系(3)ABC!123:(!前有空
- 大模型(LLM)微调并不复杂,数据才是关键:3个实例详解数据准备
程序员二飞
深度学习机器学习人工智能金融学习chatgpt大数据
今天咱们聊聊一个听起来很高大上的词——微调(Fine-Tuning)。听说过吗?别担心,今天我们不打算深挖那些复杂的技术细节,而是要告诉你们一个简单的事实:微调其实一点都不复杂,真正的关键在于——数据!前排提示,文末有大模型AGI-CSDN独家资料包哦!在这篇文章里,我们不仅会深入浅出地介绍什么是微调,还会通过三个具体的实例,教你们如何准备高质量的数据集,让你们的模型表现出色。准备好了吗?让我们一
- tomcat配置Catalina.out日志和access访问日志滚动和最大保存天数
stpice
javatomcatjavacatalina.outaccess.logmaxDays
版本要求如下:版本8.5.x,需要8.5.16以上版本8.0.x,需要8.0.45以上版本7.0.x,需要7.0.79以上1.对于默认的日志(Catalinalog)配置:修改conf/logging.properties文件,添加maxDays关键字来指定日志保留的最大天数。配置前:1catalina.org.apache.juli.FileHandler.level=FINE1catalina
- 【机器学习】机器学习重要方法——迁移学习:理论、方法与实践
E绵绵
Everything机器学习迁移学习人工智能pythonAIGC应用
文章目录迁移学习:理论、方法与实践引言第一章迁移学习的基本概念1.1什么是迁移学习1.2迁移学习的类型1.3迁移学习的优势第二章迁移学习的核心方法2.1特征重用(FeatureReuse)2.2微调(Fine-Tuning)2.3领域适应(DomainAdaptation)第三章迁移学习的应用实例3.1医疗影像分析3.2文本分类3.3工业故障检测第四章迁移学习的未来发展与挑战4.1领域差异与模型适
- VisualAssist安装成功不显示图标问题
w13lang
visualstudio
此问题多次安装一般由于多次安装导致用everything搜索privateregistry.bin文件,删除,重启vs,启用visualassist,再重启就OK了
- Mixture of Experts(MoE)学习笔记
南七小僧
人工智能网站开发医疗器械研发学习笔记人工智能MoE大模型
1学习动机第一次了解到MoE(Mixtureofexperts),是在GPT-4模型架构泄漏事件,听说GPT-4的架构是8个GPT-3级别大小的模型以MoE架构(8*220B)组合成一个万亿参数级别的模型。不过在这之后开源社区并没有对MoE架构进行很多的探索,更多的工作还是聚焦在预训练新的大模型,在Llama2或其他模型上做Fine-tune,以及扩展大模型的ContextLength。12月8号
- 【llm对话系统】大模型 Llama 源码分析之 LoRA 微调
kakaZhui
llama深度学习pytorchAIGCchatgpt
1.引言微调(Fine-tuning)是将预训练大模型(LLM)应用于下游任务的常用方法。然而,直接微调大模型的所有参数通常需要大量的计算资源和内存。LoRA(Low-RankAdaptation)是一种高效的微调方法,它通过引入少量可训练参数,固定预训练模型的权重,从而在保持性能的同时大大减少了计算开销。本文将深入分析LoRA的原理,并结合Llama源码解读其实现逻辑,最后探讨LoRA的优势。2
- AI大模型在智能客服系统中的应用
季风泯灭的季节
AI大模型应用技术二人工智能
目录引言1.基于大模型的智能客服系统架构2.对话生成与上下文管理对话生成上下文管理3.提高客服系统响应精度的策略1.使用专门训练的数据集2.引入实体识别和意图分类3.反馈循环和持续优化4.AI大模型在企业中的优化与调优策略1.模型微调(Fine-tuning)2.模型蒸馏(ModelDistillation)3.响应延迟优化4.持续监控与反馈结论引言随着人工智能(AI)技术的不断发展,AI大模型在
- Java程序员开发软件(工具)清单
nshkfhwr
JavaMySQLLinuxjavatomcatmavenkafkaeclipse
亲!你准备好了吗?【001】项目管理:禅道/JIRA【002】办公协同:钉钉【003】工作邮件:Foxmail/OutLook【004】项目文档:MS-Office(Word/Excel/PowerPoint)/WPS【005】MD-笔记:Typro【006】个人PKM:Zim-Wiki/思源笔记【007】ToDO清单:Todo清单【008】文件搜索:Everything【009】桌面整理:Fen
- DeepSeek V3 模型微调(SFT)技术详解
zhangjiaofa
大模型DeepSeek模型微调
DeepSeekV3模型微调(SFT)技术详解目录引言背景知识2.1深度学习与预训练模型2.2微调(Fine-tuning)的概念2.3监督微调(SupervisedFine-tuning,SFT)DeepSeekV3模型概述3.1模型架构3.2预训练任务3.3模型性能监督微调(SFT)技术详解4.1数据准备4.1.1数据收集与清洗4.1.2数据标注4.1.3数据增强4.2模型初始化4.2.1预训
- 万字精研:大型语言模型微调Fine-Tuning技术——14种主流方法的原理、适用场景及实践指南
汀、人工智能
LLM工业级落地实践LLM技术汇总语言模型人工智能自然语言处理P-tuningLoRAprompttuningadapter
万字精研:大型语言模型微调Fine-Tuning技术——14种主流方法的原理、适用场景及实践指南LLM训练时间和的成本太过庞大,况且个人卷训练经验极为困难,不妨从微调开始搞起。本文对正经的微调方法进行了总结,继续打怪,继续升级~提示:本文对当前常见的微调技术都进行了罗列,由于结合了论文和网络资料导致文章很长,可以先看总结部分先对概念有些印象,如果需要用到对应的微调技术再进行原理探究。1.Fine-
- 探索前端的未来:深度使用 SolidJS 构建高性能用户界面
桂月二二
前端ui
SolidJS是近年来前端开发领域的一颗新星,它结合了React的思维模式和Vue的性能优势,提供了一种高效且轻量的框架解决方案。本文将带你深入了解SolidJS的实际使用,并探索如何利用其核心特性构建现代化的高性能应用。为什么选择SolidJS?相比于其他框架,SolidJS有以下独特优势:超高性能:基于fine-grainedreactivity(细粒度反应性)机制,仅更新必要的DOM节点。零
- 大语言模型LLM基础扫盲速通版
SmallerFL
NLP&机器学习语言模型人工智能自然语言处理llmchatgpt
文章目录1.什么是LLM?2.LLM如何工作?3.LLM开发的关键里程碑4.训练可用LLM模型的完整流程5.LLM具备的能力6.领先的LLM模型包含哪些?7.建议从头开始训练LLM吗?8.LLM的训练数据源包含哪些?9.其他关于LLM的常见问题9.1Transformer在LLM中有何意义?9.2在LLM中,微调(fine-tuning)是什么?9.3模型大小如何影响LLM的性能?9.4LLM能生
- re:Invent 2023 | 当 SaaS 遇到 AI /ML 和生成式 AI:多租户模式和战略
李白的好朋友
aws亚马逊云科技科技人工智能re:Invent2023生成式AI云服务
关键字:[AmazonWebServicesre:Invent2023,[Bedrock](https://aws.amazon.com/cn/bedrock/guardrails/?&trk=42570719-fa2a-4df9-893d-40b6ac004272&sc_channel=el"Bedrock"),Multi-TenantPatterns,GenerativeAi,Fine-Tun
- FACEBOOK改名META,元宇宙救不了FACEBOOK
公众号:肉眼品世界
大数据微软编程语言区块链python
肉眼品世界导读:没错,看标题你就会发现这里又是不同的观点,正如此,我相信即便是这个公众号,以及由此而散开的花是值得期待的;这不仅打开一扇技术的窗,更打开一扇人生的窗口读懂中国互联网,读懂商业模式请关注微信公众号“肉眼品世界”(ID:find_world_fine),深度价值体系传递FACEBOOK的更名与愿景今天facebook在Connect2021的开幕会上,宣布公司更名为meta,正式进入M
- 个性化的语言模型构建思路
由数入道
人工智能语言模型人工智能自然语言处理
将开源模型(如Llama3、Qwen、Falcon3…等)转变为个人专属的大语言模型,通常涉及知识库的构建、微调(fine-tuning)和模型定制等步骤。下面提供一个详细的技术解决方案,涵盖了如何利用现有的资料(如文档、PDF、Excel、PPT、图片、语音、视频等)将开源模型转换为个人专属的语言模型的步骤、思路和技术设计。解决方案概述知识库构建:从不同格式的资料中提取有效信息,构建结构化或非结
- 大语言模型原理基础与前沿 指令生成
AI大模型应用之禅
计算机软件编程原理与应用实践javapythonjavascriptkotlingolang架构人工智能
大语言模型、指令生成、Transformer、BERT、GPT、LLaMA、Fine-tuning、PromptEngineering1.背景介绍近年来,大语言模型(LargeLanguageModels,LLMs)在自然语言处理领域取得了令人瞩目的成就。从文本生成、翻译到问答和代码编写,LLMs展现出强大的能力,深刻地改变了我们与语言交互的方式。指令生成作为LLMs应用的重要方向之一,旨在通过明
- 吴恩达系列——微调(Fine-tuning)与生成模型的应用
疯狂小料
aiprompt
微调(Fine-tuning)是指在已有预训练模型的基础上,对模型进行进一步训练,以适应特定任务或需求。在自然语言处理领域,生成模型通过微调可以在特定场景下生成更加准确、一致的输出,同时保护用户的隐私,减少不当信息的泄露。本文将结合生成模型的工作原理和实际应用,解释微调如何提升生成模型的效果,并探讨其在保护隐私方面的优势。1.生成模型与Prompt的作用生成模型,如GPT系列,通常通过接受一个输入
- 关于旗正规则引擎下载页面需要弹窗保存到本地目录的问题
何必如此
jsp超链接文件下载窗口
生成下载页面是需要选择“录入提交页面”,生成之后默认的下载页面<a>标签超链接为:<a href="<%=root_stimage%>stimage/image.jsp?filename=<%=strfile234%>&attachname=<%=java.net.URLEncoder.encode(file234filesourc
- 【Spark九十八】Standalone Cluster Mode下的资源调度源代码分析
bit1129
cluster
在分析源代码之前,首先对Standalone Cluster Mode的资源调度有一个基本的认识:
首先,运行一个Application需要Driver进程和一组Executor进程。在Standalone Cluster Mode下,Driver和Executor都是在Master的监护下给Worker发消息创建(Driver进程和Executor进程都需要分配内存和CPU,这就需要Maste
- linux上独立安装部署spark
daizj
linux安装spark1.4部署
下面讲一下linux上安装spark,以 Standalone Mode 安装
1)首先安装JDK
下载JDK:jdk-7u79-linux-x64.tar.gz ,版本是1.7以上都行,解压 tar -zxvf jdk-7u79-linux-x64.tar.gz
然后配置 ~/.bashrc&nb
- Java 字节码之解析一
周凡杨
java字节码javap
一: Java 字节代码的组织形式
类文件 {
OxCAFEBABE ,小版本号,大版本号,常量池大小,常量池数组,访问控制标记,当前类信息,父类信息,实现的接口个数,实现的接口信息数组,域个数,域信息数组,方法个数,方法信息数组,属性个数,属性信息数组
}
&nbs
- java各种小工具代码
g21121
java
1.数组转换成List
import java.util.Arrays;
Arrays.asList(Object[] obj); 2.判断一个String型是否有值
import org.springframework.util.StringUtils;
if (StringUtils.hasText(str)) 3.判断一个List是否有值
import org.spring
- 加快FineReport报表设计的几个心得体会
老A不折腾
finereport
一、从远程服务器大批量取数进行表样设计时,最好按“列顺序”取一个“空的SQL语句”,这样可提高设计速度。否则每次设计时模板均要从远程读取数据,速度相当慢!!
二、找一个富文本编辑软件(如NOTEPAD+)编辑SQL语句,这样会很好地检查语法。有时候带参数较多检查语法复杂时,结合FineReport中生成的日志,再找一个第三方数据库访问软件(如PL/SQL)进行数据检索,可以很快定位语法错误。
- mysql linux启动与停止
墙头上一根草
如何启动/停止/重启MySQL一、启动方式1、使用 service 启动:service mysqld start2、使用 mysqld 脚本启动:/etc/inint.d/mysqld start3、使用 safe_mysqld 启动:safe_mysqld&二、停止1、使用 service 启动:service mysqld stop2、使用 mysqld 脚本启动:/etc/inin
- Spring中事务管理浅谈
aijuans
spring事务管理
Spring中事务管理浅谈
By Tony Jiang@2012-1-20 Spring中对事务的声明式管理
拿一个XML举例
[html]
view plain
copy
print
?
<?xml version="1.0" encoding="UTF-8"?>&nb
- php中隐形字符65279(utf-8的BOM头)问题
alxw4616
php中隐形字符65279(utf-8的BOM头)问题
今天遇到一个问题. php输出JSON 前端在解析时发生问题:parsererror.
调试:
1.仔细对比字符串发现字符串拼写正确.怀疑是 非打印字符的问题.
2.逐一将字符串还原为unicode编码. 发现在字符串头的位置出现了一个 65279的非打印字符.
- 调用对象是否需要传递对象(初学者一定要注意这个问题)
百合不是茶
对象的传递与调用技巧
类和对象的简单的复习,在做项目的过程中有时候不知道怎样来调用类创建的对象,简单的几个类可以看清楚,一般在项目中创建十几个类往往就不知道怎么来看
为了以后能够看清楚,现在来回顾一下类和对象的创建,对象的调用和传递(前面写过一篇)
类和对象的基础概念:
JAVA中万事万物都是类 类有字段(属性),方法,嵌套类和嵌套接
- JDK1.5 AtomicLong实例
bijian1013
javathreadjava多线程AtomicLong
JDK1.5 AtomicLong实例
类 AtomicLong
可以用原子方式更新的 long 值。有关原子变量属性的描述,请参阅 java.util.concurrent.atomic 包规范。AtomicLong 可用在应用程序中(如以原子方式增加的序列号),并且不能用于替换 Long。但是,此类确实扩展了 Number,允许那些处理基于数字类的工具和实用工具进行统一访问。
- 自定义的RPC的Java实现
bijian1013
javarpc
网上看到纯java实现的RPC,很不错。
RPC的全名Remote Process Call,即远程过程调用。使用RPC,可以像使用本地的程序一样使用远程服务器上的程序。下面是一个简单的RPC 调用实例,从中可以看到RPC如何
- 【RPC框架Hessian一】Hessian RPC Hello World
bit1129
Hello world
什么是Hessian
The Hessian binary web service protocol makes web services usable without requiring a large framework, and without learning yet another alphabet soup of protocols. Because it is a binary p
- 【Spark九十五】Spark Shell操作Spark SQL
bit1129
shell
在Spark Shell上,通过创建HiveContext可以直接进行Hive操作
1. 操作Hive中已存在的表
[hadoop@hadoop bin]$ ./spark-shell
Spark assembly has been built with Hive, including Datanucleus jars on classpath
Welcom
- F5 往header加入客户端的ip
ronin47
when HTTP_RESPONSE {if {[HTTP::is_redirect]}{ HTTP::header replace Location [string map {:port/ /} [HTTP::header value Location]]HTTP::header replace Lo
- java-61-在数组中,数字减去它右边(注意是右边)的数字得到一个数对之差. 求所有数对之差的最大值。例如在数组{2, 4, 1, 16, 7, 5,
bylijinnan
java
思路来自:
http://zhedahht.blog.163.com/blog/static/2541117420116135376632/
写了个java版的
public class GreatestLeftRightDiff {
/**
* Q61.在数组中,数字减去它右边(注意是右边)的数字得到一个数对之差。
* 求所有数对之差的最大值。例如在数组
- mongoDB 索引
开窍的石头
mongoDB索引
在这一节中我们讲讲在mongo中如何创建索引
得到当前查询的索引信息
db.user.find(_id:12).explain();
cursor: basicCoursor 指的是没有索引
&
- [硬件和系统]迎峰度夏
comsci
系统
从这几天的气温来看,今年夏天的高温天气可能会维持在一个比较长的时间内
所以,从现在开始准备渡过炎热的夏天。。。。
每间房屋要有一个落地电风扇,一个空调(空调的功率和房间的面积有密切的关系)
坐的,躺的地方要有凉垫,床上要有凉席
电脑的机箱
- 基于ThinkPHP开发的公司官网
cuiyadll
行业系统
后端基于ThinkPHP,前端基于jQuery和BootstrapCo.MZ 企业系统
轻量级企业网站管理系统
运行环境:PHP5.3+, MySQL5.0
系统预览
系统下载:http://www.tecmz.com
预览地址:http://co.tecmz.com
各种设备自适应
响应式的网站设计能够对用户产生友好度,并且对于
- Transaction and redelivery in JMS (JMS的事务和失败消息重发机制)
darrenzhu
jms事务承认MQacknowledge
JMS Message Delivery Reliability and Acknowledgement Patterns
http://wso2.com/library/articles/2013/01/jms-message-delivery-reliability-acknowledgement-patterns/
Transaction and redelivery in
- Centos添加硬盘完全教程
dcj3sjt126com
linuxcentoshardware
Linux的硬盘识别:
sda 表示第1块SCSI硬盘
hda 表示第1块IDE硬盘
scd0 表示第1个USB光驱
一般使用“fdisk -l”命
- yii2 restful web服务路由
dcj3sjt126com
PHPyii2
路由
随着资源和控制器类准备,您可以使用URL如 http://localhost/index.php?r=user/create访问资源,类似于你可以用正常的Web应用程序做法。
在实践中,你通常要用美观的URL并采取有优势的HTTP动词。 例如,请求POST /users意味着访问user/create动作。 这可以很容易地通过配置urlManager应用程序组件来完成 如下所示
- MongoDB查询(4)——游标和分页[八]
eksliang
mongodbMongoDB游标MongoDB深分页
转载请出自出处:http://eksliang.iteye.com/blog/2177567 一、游标
数据库使用游标返回find的执行结果。客户端对游标的实现通常能够对最终结果进行有效控制,从shell中定义一个游标非常简单,就是将查询结果分配给一个变量(用var声明的变量就是局部变量),便创建了一个游标,如下所示:
> var
- Activity的四种启动模式和onNewIntent()
gundumw100
android
Android中Activity启动模式详解
在Android中每个界面都是一个Activity,切换界面操作其实是多个不同Activity之间的实例化操作。在Android中Activity的启动模式决定了Activity的启动运行方式。
Android总Activity的启动模式分为四种:
Activity启动模式设置:
<acti
- 攻城狮送女友的CSS3生日蛋糕
ini
htmlWebhtml5csscss3
在线预览:http://keleyi.com/keleyi/phtml/html5/29.htm
代码如下:
<!DOCTYPE html>
<html>
<head>
<meta charset="UTF-8">
<title>攻城狮送女友的CSS3生日蛋糕-柯乐义<
- 读源码学Servlet(1)GenericServlet 源码分析
jzinfo
tomcatWebservlet网络应用网络协议
Servlet API的核心就是javax.servlet.Servlet接口,所有的Servlet 类(抽象的或者自己写的)都必须实现这个接口。在Servlet接口中定义了5个方法,其中有3个方法是由Servlet 容器在Servlet的生命周期的不同阶段来调用的特定方法。
先看javax.servlet.servlet接口源码:
package
- JAVA进阶:VO(DTO)与PO(DAO)之间的转换
snoopy7713
javaVOHibernatepo
PO即 Persistence Object VO即 Value Object
VO和PO的主要区别在于: VO是独立的Java Object。 PO是由Hibernate纳入其实体容器(Entity Map)的对象,它代表了与数据库中某条记录对应的Hibernate实体,PO的变化在事务提交时将反应到实际数据库中。
实际上,这个VO被用作Data Transfer
- mongodb group by date 聚合查询日期 统计每天数据(信息量)
qiaolevip
每天进步一点点学习永无止境mongodb纵观千象
/* 1 */
{
"_id" : ObjectId("557ac1e2153c43c320393d9d"),
"msgType" : "text",
"sendTime" : ISODate("2015-06-12T11:26:26.000Z")
- java之18天 常用的类(一)
Luob.
MathDateSystemRuntimeRundom
System类
import java.util.Properties;
/**
* System:
* out:标准输出,默认是控制台
* in:标准输入,默认是键盘
*
* 描述系统的一些信息
* 获取系统的属性信息:Properties getProperties();
*
*
*
*/
public class Sy
- maven
wuai
maven
1、安装maven:解压缩、添加M2_HOME、添加环境变量path
2、创建maven_home文件夹,创建项目mvn_ch01,在其下面建立src、pom.xml,在src下面简历main、test、main下面建立java文件夹
3、编写类,在java文件夹下面依照类的包逐层创建文件夹,将此类放入最后一级文件夹
4、进入mvn_ch01
4.1、mvn compile ,执行后会在