- 生成式地图制图
Bwywb_3
深度学习机器学习深度学习生成对抗网络
生成式地图制图(GenerativeCartography)是一种利用生成式算法和人工智能技术自动创建地图的技术。它结合了传统的地理信息系统(GIS)技术与现代生成模型(如深度学习、GANs等),能够根据输入的数据自动生成符合需求的地图。这种方法在城市规划、虚拟环境设计、游戏开发等多个领域具有应用前景。主要特点:自动化生成:通过算法和模型,系统能够根据输入的地理或空间数据自动生成地图,而无需人工逐
- 概率潜在语义分析(Probabilistic Latent Semantic Analysis,PLSA)—无监督学习方法、概率模型、生成模型、共现模型、非线性模型、参数化模型、批量学习
剑海风云
ArtificialIntelligence人工智能机器学习概率潜在语义分析PLSA
定义输入:设单词集合为W={ω1,ω2,⋯ ,ωM}W=\{\omega_1,\omega_2,\cdots,\omega_M\}W={ω1,ω2,⋯,ωM},文本集合为D={d1,d2,⋯ ,dN}D=\{d_1,d_2,\cdots,d_N\}D={d1,d2,⋯,dN},话题集合为Z={z1,z2,⋯ ,zN}Z=\{z_1,z_2,\cdots,z_N\}Z={z1,z2,⋯,zN},共现
- 潜在狄利克雷分配(Latent Dirichlet Allocation,LDA)—无监督学习方法、概率模型、生成模型、线性模型、非参数化模型、贝叶斯学习、批量学习
剑海风云
ArtificialIntelligence人工智能机器学习潜在狄利克雷分配LDA
定义输入:单词集合W={ω1,⋯ ,ωv,⋯ ,ωV},其中ωv是第v个单词,v=1,2,⋯ ,V,V是单词第个数。单词集合W=\{\omega_1,\cdots,\omega_v,\cdots,\omega_V\},其中\omega_v是第v个单词,v=1,2,\cdots,V,V是单词第个数。单词集合W={ω1,⋯,ωv,⋯,ωV},其中ωv是第v个单词,v=1,2,⋯,V,V是单词第个数。文
- 视频语言规划
硅谷秋水
大模型智能体机器学习音视频人工智能计算机视觉机器学习
23年10月来自谷歌、MIT和伯克利分校的论文“videolanguageplanning”。讨论如何利用在互联网规模数据上预训练大型生成模型,在生成的视频和语言空间中实现复杂长范围任务的视觉规划。为此,提出视频语言规划(VLP),一种由树搜索过程组成的算法,训练(i)视觉-语言模型作为策略和价值函数,以及(ii)文本-到-视频模型作为动态模型。VLP将长范围任务指令和当前图像观察作为输入,并输出
- 增强检索增强生成模型的可靠性和可追溯性
RA AI衍生者训练营
人工智能ai开发语言机器学习语言模型
大型语言模型(LLM)表现出了卓越的能力,但也存在幻觉、缺乏领域适应性和缺乏持续学习等问题。当它们必须处理知识密集型任务时,这些问题更加明显。解决这些问题的方法之一(或至少是部分解决方案)是在LLM上下文中提供相关信息(插入提示中)。该系统通常是检索增强生成(RAG)。该系统已被证明能够减少幻觉并改善反应。然而,可靠性和可追溯性仍然存在局限性。事实上,上下文幻觉仍然会出现,有时找不到正确的上下文。
- 常见大模型框架
AI小夜
ai
生成对抗网络(GAN)类似框架StyleGAN(及其变体StyleGAN2和StyleGAN3):开发者:NVIDIA特点:能够生成极高质量的图像,广泛应用于人脸生成、艺术创作等领域。BigGAN:开发者:DeepMind特点:在大规模数据集上训练的高质量图像生成模型,特别适用于高分辨率图像生成。CycleGAN:特点:用于图像到图像的转换任务,如风格迁移,无需成对的训练数据。Pix2Pix:特点
- DALL-E 2: 重新定义图像生成的人工智能
-龙川-
推荐介绍学习笔记dall·e2
前言随着人工智能技术的迅猛发展,图像生成已经成为AI研究领域中的一个重要方向。OpenAI推出的DALL-E2无疑是其中的佼佼者。这一强大的生成模型能够根据文本描述生成高质量的图像,为创意工作者和各行各业的专业人士提供了全新的工具。本文将深入探讨DALL-E2的原理、应用、技术优势及其对未来图像生成领域的影响。一、DALL-E2简介DALL-E2是OpenAI开发的一种基于GPT-3架构的生成模型
- Fréchet Inception Distance(FID)原理
代维7
生成式模型计算机视觉
原理概述:FID的核心思想是通过比较真实图像和生成图像在Inception模型特征空间中的分布差异,来评估生成模型的性能。它假设从真实数据和生成数据中提取的特征都近似服从高斯分布。具体步骤:特征提取:使用预训练的Inception模型分别对真实图像和生成图像进行处理,得到各自的特征向量。计算均值和协方差:对于真实图像的特征向量集合,计算其均值向量μreal\mu_{real}μreal和协方差矩阵
- 4. 生成对抗网络(GAN):生成模型的崛起
Network_Engineer
机器学习python深度学习机器学习算法人工智能
引言生成对抗网络(GAN)是近年来深度学习领域中最具创新性和影响力的模型之一。GAN通过生成器和判别器的对抗性训练,能够生成逼真的图像、音频、文本等数据,广泛应用于图像生成、数据增强、风格迁移等任务中。本篇博文将深入解析GAN的基本原理、训练过程,以及其在各类生成任务中的应用。1.GAN的基本架构生成对抗网络(GAN)由两个核心部分组成:生成器(Generator)和判别器(Discriminat
- 简单易上手的生成对抗网络
茶冻茶茶
生成对抗网络人工智能神经网络
模型原理生成对抗网络是指一类采用对抗训练方式进行学习的深度生成模型,包含的判别网络和生成网络都可以根据不同的生成任务使用不同的网络结构。生成器:通过机器生成数据,最终目的是骗过判别器。判别器:判断这张图像是真实的还是机器生成的,目的是找出生成器做的假数据。构建GAN模型的基本逻辑:现实问题需求→建立实现功能的GAN框架(编程)→训练GAN(生成网络、对抗网络)→成熟的GAN模型→应用。GAN训练过
- 【论文阅读|cryoET】本周粗读汇总
吃吃今天努力学习了吗
冷冻电镜三维重建论文阅读
论文1:CryoDRGN-ET:深度重建生成网络以可视化细胞内动态生物分子Abstract虽然冷冻电子断层扫描可以以分子分辨率揭示结构,但图像处理算法仍然是解决原位生物分子结构异质性的瓶颈。本文介绍CryoDRGN-ET用于cryoET断层图的异质重建。CryoDRGN-ET直接从子断层扫描倾斜系列图像中学习三维密度图的深度生成模型,并且可以捕获成分和构象不同的状态。通过原位恢复肺炎支原体核糖体中
- Stable Diffusion
Covirtue
人工智能pythonstablediffusion
StableDiffusion是一种基于深度学习的文本到图像生成模型,其原理主要基于扩散模型(DiffusionModel)的变体,即潜在扩散模型(LatentDiffusionModel,LDM)。原理一、技术架构与组成StableDiffusion由三个主要部分组成:变分自编码器(VAE)、U-Net和一个文本编码器。变分自编码器(VAE):VAE是一种生成模型,用于将图像压缩到低维的潜在空间
- 大模型19:微调大模型方法
bluewelkin
大模型
有监督微调(SFT)、奖励模型(RM)训练,以及基于人类反馈的强化学习(RLHF)训练1.有监督微调(SFT-SupervisedFine-Tuning)数据处理数据收集:首先,需要收集大量的对话数据。这些数据通常包括人工标注的问答对,或者从已有的高质量对话系统中获取的数据集。数据预处理:对收集的数据进行清洗、标注和格式化。预处理包括移除噪音数据、分词、生成模型输入输出格式等。模型训练模型初始化:
- 5分钟 Stable Diffusion 本地安装
狒狒伯尼
stablediffusion
StableDiffusion是一种强大的文本到图像生成模型,由于其开源特性,用户可以在本地计算机上进行安装和使用。下面是一个精简的5分钟快速指南,帮助您在本地安装StableDiffusion。为了确保顺利操作,您需要具备一定的计算机基础知识,并预先安装Python和Git。安装前的准备确保系统要求:您需要一台安装了NVIDIA显卡的计算机(最好支持CUDA,至少6GB显存)。操作系统:Wind
- 小琳AI课堂:AIGC
小琳ai
小琳AI课堂人工智能AIGC
大家好,这里是小琳AI课堂!今天我们来聊聊一个超级热门的话题——AIGC,也就是人工智能生成内容。首先,我们要明白,AIGC不仅仅是关于机器生成一些酷炫的图片或者文章,它融合了人工智能、深度学习、自然语言处理、计算机视觉等多个学科的技术。想象一下,这就是机器界的“文艺复兴”,用智能化的方式模仿甚至增强人类的创造力!✨AIGC的重要概念生成模型(GenerativeModels):这是AIGC的心脏
- 深度学习--自监督学习
Ambition_LAO
深度学习
自监督学习是一种无需大量人工标注的数据驱动方法,在生成模型中应用广泛。自监督学习通过利用数据中的固有结构或属性创建“伪标签”,使模型在没有人工标签的情况下进行学习。这种方法既提高了模型的训练效率,又降低了对标注数据的依赖。概念自监督学习:自监督学习是一种半监督学习的形式,模型通过从未标注的数据中创建自己的监督信号来进行学习。常见的方法包括通过预测数据的一部分来学习(例如,给定图像的部分,预测其余部
- 多指标用于评估文本生成模型的性能
Ambition_LAO
机器学习人工智能
示例:TotalNumberofrecords:201SimilarityScores(12,13,23):[0.23752457695231394,0.24293227568991885,0.23987056889187117]SameCount(all-3,atleast-2,none):[0,7,194]*=*=*=*=*=*=*=*=*=*=FirstDistractor*=*=*=*=*
- 如何使用查询路由构建更先进的 RAG
liugddx
大模型AIgptAIGPT语言模型
前言目前大部分RAG的实践方案都是通过检索模型从外部数据库中获取与输入相关的文档或信息;然后,将这些信息与输入结合,输入到生成模型中进行文本生成。这种方案往往会有一个问题就是所有的数据都存储在一起,但这往往是没法在生产实践的,一般情况下单个prompt无法处理所有情况,单个数据源也可能无法适合所有数据。比如这个问题:假设现在需要构建一个聊天机器人来回答员工有关管理的问题,例如工资或绩效相关的问题。
- 使用 Hugging Face Transformers 创建文本生成模型
Envyᥫᩣ
人工智能
文本生成是自然语言处理中的一个重要任务,在聊天机器人、自动写作等领域有着广泛的应用。HuggingFaceTransformers是一个流行的Python库,它提供了大量预训练的模型以及API来实现各种自然语言处理任务。本文将详细介绍如何使用HuggingFaceTransformers库来创建一个简单的文本生成模型,并且展示如何使用该模型生成新的文本。文本生成是自然语言处理中的一项重要技术,可以
- Datawhale AI夏令营第四期魔搭- AIGC文生图方向 task03笔记
汪贤阳
人工智能AIGC笔记
如何学习八图ai模型kolors1,Kolors是由快手公司开源的第三代文本到图像生成模型,基于StableDiffusion框架开发。它支持中英文输入,特别在中文内容的理解和生成上表现出色。2,深度学习基础:熟悉神经网络、卷积神经网络(CNN)、Transformer等深度学习模型的基本原理。自然语言处理(NLP):了解文本编码、语言模型等NLP技术,因为Kolors在生成图像时需要理解并处理输
- ChatGPT技巧大揭秘:AI写代码新境界
2401_83550420
chatgpt4.0chatgptchatgpt人工智能AI写作
ChatGPT无限次数:点击直达ChatGPT技巧大揭秘:AI写代码新境界随着人工智能技术的不断进步,开发人员现在有了更多有趣的工具来提高他们的工作效率。其中,ChatGPT作为一种基于深度学习的自然语言处理模型,已经成为许多开发者的新宠。在本文中,我们将揭秘使用ChatGPT来帮助编写代码的技巧,探索AI在编程领域的新境界。ChatGPT简介ChatGPT是一种基于大型神经网络的对话生成模型,它
- 基于图特征混合学习的功能网络组织动力学
茗创科技
文章来源于微信公众号(茗创科技),欢迎有兴趣的朋友搜索关注。导读在系统水平上理解人脑活动的组织原则仍然是网络神经科学的主要挑战之一。在这里,作者介绍了一种基于图学习的完全数据驱动的方法,以从区域平均时间轴中提取有意义的重复网络模式。作者使用了图拉普拉斯混合模型(GLMM),这是一个生成模型,将功能数据视为在多个基础图形上表达的信号集合。通过利用脑区活动之间的协方差,可以在不利用结构信息的情况下进行
- 转载--OpenAI视频生成模型Sora的全面解析:从ViViT、Diffusion Transformer到NaViT、VideoPoet
依然风yrlf
人工智能
前言真没想到,距离视频生成上一轮的集中爆发(详见《Sora之前的视频生成发展史:从Gen2、EmuVideo到PixelDance、SVD、Pika1.0》)才过去三个月,没想OpenAI一出手,该领域又直接变天了自打2.16日OpenAI发布sora以来(其开发团队包括DALLE3的4作TimBrooks、DiT一作BillPeebles、三代DALLE的核心作者之一AdityaRamesh等1
- openai DALL-E 3 从文本描述生成图像原理通俗解释
后端java
序言在数字时代,图像生成技术正日益成为人工智能领域的热点。本讨论将重点聚焦于两个备受瞩目的模型:DALL-E和其他主流AI绘图方法。我们将探讨它们的优势、局限性以及未来的发展方向。通过比较分析,我们期望能够更全面地了解这些技术,为未来的研究和应用提供启示。Q:介绍一下dall-eOpenAI的DALL-E是一个基于深度学习的生成模型,专门用于从文本描述生成图像。它的名字灵感来源于艺术家Salvad
- 革命性进展!OpenAI推出全新视频生成模型Sora,开启视频创作新纪元!
Draven21
Sora音视频人工智能chatgpt
OpenAI发布文生视频模型Sora——视频模型的奇点或许来临!!初七啦,得开始工作了,没想到第一天就这么劲爆!今天OpenAI迎来重大更新——发布视频模型Sora!!官网Sora(openai.com)说实话有点惊艳,在AI圈子里好多头部内容创作者看到都禁不住国粹了!除了能够仅根据文本说明生成视频外(文生视频)该模型还能够获取现有的静止图像并从中生成视频,从而准确无误地对图像内容进行动画处理,并
- 基于Diffusion Model的数据增强方法应用——毕业设计 其三
大鸟仙童
课程设计计算机视觉深度学习
文章目录题目简介前言StableDiffusionLatentdiffusion自动编码器(VAE)U-NetText-EncoderStableDiffusion的推理过程从零开始配置实验环境IDEAnacondaCUDA和CuDNNCuDNNStableDiffusion的本地部署运行测试总结题目简介笔者个人的毕业设计课题如下:简介:使用预训练的DiffusionModel图像生成模型生成图像
- openai chatGPT 原理通俗介绍
后端java
引言近年来,随着深度学习技术的不断发展,自然语言处理(NLP)领域取得了长足的进步。ChatGPT(GenerativePre-trainedTransformer)作为一种先进的语言生成模型,在各类对话系统和智能助手中得到了广泛应用。然而,尽管这些模型在生成文本方面表现出色,但如何保证生成的文本在逻辑上合理仍然是一个挑战。本文将探讨在ChatGPT中如何实现逻辑,并探讨自然语言中逻辑的理解方式。
- AI新工具(20240220) DeWatermark去除水印;Generative Models by Stability AI文本到图像和图像到视频的生成模型
go2coding
AI智能工具人工智能音视频
DeWatermark-图片中去除水印的工具DeWatermark是一个用于从图片中去除水印的工具,可以通过智能算法识别并删除图片上的标志、文字或任何被认为是水印的内容,而尽量保持图片本身的完整性和清晰度。这种功能尤其对于那些需要清洁图像用于合法个人或商业用途,但图像上的水印又阻碍了使用的人来说非常有用。尽管DeWatermark提供了强大的去除水印功能,用户在使用时应当注意版权问题,确保自己有权
- 2024年重磅消息:来自OpenAI发布的视频生成模型Sora
小馒头学python
资讯人工智能
欢迎来到我的博客,你将找到有关如何使用技术解决问题的文章,也会找到某个技术的学习路线。无论你是何种职业,我都希望我的博客对你有所帮助。最后不要忘记订阅我的博客以获取最新文章,也欢迎在文章下方留下你的评论和反馈。我期待着与你分享知识、互相学习和建立一个积极的社区。谢谢你的光临,让我们一起踏上这个知识之旅!通用人工智能通用人工智能(AGI)是指一种智能系统,具有与人类智能相当或超过人类智能的广泛能力,
- 视频生成领域的发展概述:从多级扩散到LLM
深度学习人工智能llm视频
2023年是语言模型(llm)和图像生成技术激增的一年,但是视频生成受到的关注相对较少。今年刚到2月份,OpenAI就发布了一个惊人的视频生成模型Sora。虽然它的架构没有披露,但是通过总结现有的视频生成领域可能能对Sora的构架有所理解。在这篇文章中,我们将整理视频生成在最近几年是发展概况,模型的架构是如何发展的,以及现在面临的突出问题。我们以时间轴看作是一个观察视频生成模型演变的旅程。这将帮助
- Spring中@Value注解,需要注意的地方
无量
springbean@Valuexml
Spring 3以后,支持@Value注解的方式获取properties文件中的配置值,简化了读取配置文件的复杂操作
1、在applicationContext.xml文件(或引用文件中)中配置properties文件
<bean id="appProperty"
class="org.springframework.beans.fac
- mongoDB 分片
开窍的石头
mongodb
mongoDB的分片。要mongos查询数据时候 先查询configsvr看数据在那台shard上,configsvr上边放的是metar信息,指的是那条数据在那个片上。由此可以看出mongo在做分片的时候咱们至少要有一个configsvr,和两个以上的shard(片)信息。
第一步启动两台以上的mongo服务
&nb
- OVER(PARTITION BY)函数用法
0624chenhong
oracle
这篇写得很好,引自
http://www.cnblogs.com/lanzi/archive/2010/10/26/1861338.html
OVER(PARTITION BY)函数用法
2010年10月26日
OVER(PARTITION BY)函数介绍
开窗函数 &nb
- Android开发中,ADB server didn't ACK 解决方法
一炮送你回车库
Android开发
首先通知:凡是安装360、豌豆荚、腾讯管家的全部卸载,然后再尝试。
一直没搞明白这个问题咋出现的,但今天看到一个方法,搞定了!原来是豌豆荚占用了 5037 端口导致。
参见原文章:一个豌豆荚引发的血案——关于ADB server didn't ACK的问题
简单来讲,首先将Windows任务进程中的豌豆荚干掉,如果还是不行,再继续按下列步骤排查。
&nb
- canvas中的像素绘制问题
换个号韩国红果果
JavaScriptcanvas
pixl的绘制,1.如果绘制点正处于相邻像素交叉线,绘制x像素的线宽,则从交叉线分别向前向后绘制x/2个像素,如果x/2是整数,则刚好填满x个像素,如果是小数,则先把整数格填满,再去绘制剩下的小数部分,绘制时,是将小数部分的颜色用来除以一个像素的宽度,颜色会变淡。所以要用整数坐标来画的话(即绘制点正处于相邻像素交叉线时),线宽必须是2的整数倍。否则会出现不饱满的像素。
2.如果绘制点为一个像素的
- 编码乱码问题
灵静志远
javajvmjsp编码
1、JVM中单个字符占用的字节长度跟编码方式有关,而默认编码方式又跟平台是一一对应的或说平台决定了默认字符编码方式;2、对于单个字符:ISO-8859-1单字节编码,GBK双字节编码,UTF-8三字节编码;因此中文平台(中文平台默认字符集编码GBK)下一个中文字符占2个字节,而英文平台(英文平台默认字符集编码Cp1252(类似于ISO-8859-1))。
3、getBytes()、getByte
- java 求几个月后的日期
darkranger
calendargetinstance
Date plandate = planDate.toDate();
SimpleDateFormat df = new SimpleDateFormat("yyyy-MM-dd");
Calendar cal = Calendar.getInstance();
cal.setTime(plandate);
// 取得三个月后时间
cal.add(Calendar.M
- 数据库设计的三大范式(通俗易懂)
aijuans
数据库复习
关系数据库中的关系必须满足一定的要求。满足不同程度要求的为不同范式。数据库的设计范式是数据库设计所需要满足的规范。只有理解数据库的设计范式,才能设计出高效率、优雅的数据库,否则可能会设计出错误的数据库.
目前,主要有六种范式:第一范式、第二范式、第三范式、BC范式、第四范式和第五范式。满足最低要求的叫第一范式,简称1NF。在第一范式基础上进一步满足一些要求的为第二范式,简称2NF。其余依此类推。
- 想学工作流怎么入手
atongyeye
jbpm
工作流在工作中变得越来越重要,很多朋友想学工作流却不知如何入手。 很多朋友习惯性的这看一点,那了解一点,既不系统,也容易半途而废。好比学武功,最好的办法是有一本武功秘籍。研究明白,则犹如打通任督二脉。
系统学习工作流,很重要的一本书《JBPM工作流开发指南》。
本人苦苦学习两个月,基本上可以解决大部分流程问题。整理一下学习思路,有兴趣的朋友可以参考下。
1 首先要
- Context和SQLiteOpenHelper创建数据库
百合不是茶
androidContext创建数据库
一直以为安卓数据库的创建就是使用SQLiteOpenHelper创建,但是最近在android的一本书上看到了Context也可以创建数据库,下面我们一起分析这两种方式创建数据库的方式和区别,重点在SQLiteOpenHelper
一:SQLiteOpenHelper创建数据库:
1,SQLi
- 浅谈group by和distinct
bijian1013
oracle数据库group bydistinct
group by和distinct只了去重意义一样,但是group by应用范围更广泛些,如分组汇总或者从聚合函数里筛选数据等。
譬如:统计每id数并且只显示数大于3
select id ,count(id) from ta
- vi opertion
征客丶
macoprationvi
进入 command mode (命令行模式)
按 esc 键
再按 shift + 冒号
注:以下命令中 带 $ 【在命令行模式下进行】,不带 $ 【在非命令行模式下进行】
一、文件操作
1.1、强制退出不保存
$ q!
1.2、保存
$ w
1.3、保存并退出
$ wq
1.4、刷新或重新加载已打开的文件
$ e
二、光标移动
2.1、跳到指定行
数字
- 【Spark十四】深入Spark RDD第三部分RDD基本API
bit1129
spark
对于K/V类型的RDD,如下操作是什么含义?
val rdd = sc.parallelize(List(("A",3),("C",6),("A",1),("B",5))
rdd.reduceByKey(_+_).collect
reduceByKey在这里的操作,是把
- java类加载机制
BlueSkator
java虚拟机
java类加载机制
1.java类加载器的树状结构
引导类加载器
^
|
扩展类加载器
^
|
系统类加载器
java使用代理模式来完成类加载,java的类加载器也有类似于继承的关系,引导类是最顶层的加载器,它是所有类的根加载器,它负责加载java核心库。当一个类加载器接到装载类到虚拟机的请求时,通常会代理给父类加载器,若已经是根加载器了,就自己完成加载。
虚拟机区分一个Cla
- 动态添加文本框
BreakingBad
文本框
<script> var num=1; function AddInput() { var str=""; str+="<input 
- 读《研磨设计模式》-代码笔记-单例模式
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/
public class Singleton {
}
/*
* 懒汉模式。注意,getInstance如果在多线程环境中调用,需要加上synchronized,否则存在线程不安全问题
*/
class LazySingleton
- iOS应用打包发布常见问题
chenhbc
iosiOS发布iOS上传iOS打包
这个月公司安排我一个人做iOS客户端开发,由于急着用,我先发布一个版本,由于第一次发布iOS应用,期间出了不少问题,记录于此。
1、使用Application Loader 发布时报错:Communication error.please use diagnostic mode to check connectivity.you need to have outbound acc
- 工作流复杂拓扑结构处理新思路
comsci
设计模式工作算法企业应用OO
我们走的设计路线和国外的产品不太一样,不一样在哪里呢? 国外的流程的设计思路是通过事先定义一整套规则(类似XPDL)来约束和控制流程图的复杂度(我对国外的产品了解不够多,仅仅是在有限的了解程度上面提出这样的看法),从而避免在流程引擎中处理这些复杂的图的问题,而我们却没有通过事先定义这样的复杂的规则来约束和降低用户自定义流程图的灵活性,这样一来,在引擎和流程流转控制这一个层面就会遇到很
- oracle 11g新特性Flashback data archive
daizj
oracle
1. 什么是flashback data archive
Flashback data archive是oracle 11g中引入的一个新特性。Flashback archive是一个新的数据库对象,用于存储一个或多表的历史数据。Flashback archive是一个逻辑对象,概念上类似于表空间。实际上flashback archive可以看作是存储一个或多个表的所有事务变化的逻辑空间。
- 多叉树:2-3-4树
dieslrae
树
平衡树多叉树,每个节点最多有4个子节点和3个数据项,2,3,4的含义是指一个节点可能含有的子节点的个数,效率比红黑树稍差.一般不允许出现重复关键字值.2-3-4树有以下特征:
1、有一个数据项的节点总是有2个子节点(称为2-节点)
2、有两个数据项的节点总是有3个子节点(称为3-节
- C语言学习七动态分配 malloc的使用
dcj3sjt126com
clanguagemalloc
/*
2013年3月15日15:16:24
malloc 就memory(内存) allocate(分配)的缩写
本程序没有实际含义,只是理解使用
*/
# include <stdio.h>
# include <malloc.h>
int main(void)
{
int i = 5; //分配了4个字节 静态分配
int * p
- Objective-C编码规范[译]
dcj3sjt126com
代码规范
原文链接 : The official raywenderlich.com Objective-C style guide
原文作者 : raywenderlich.com Team
译文出自 : raywenderlich.com Objective-C编码规范
译者 : Sam Lau
- 0.性能优化-目录
frank1234
性能优化
从今天开始笔者陆续发表一些性能测试相关的文章,主要是对自己前段时间学习的总结,由于水平有限,性能测试领域很深,本人理解的也比较浅,欢迎各位大咖批评指正。
主要内容包括:
一、性能测试指标
吞吐量、TPS、响应时间、负载、可扩展性、PV、思考时间
http://frank1234.iteye.com/blog/2180305
二、性能测试策略
生产环境相同 基准测试 预热等
htt
- Java父类取得子类传递的泛型参数Class类型
happyqing
java泛型父类子类Class
import java.lang.reflect.ParameterizedType;
import java.lang.reflect.Type;
import org.junit.Test;
abstract class BaseDao<T> {
public void getType() {
//Class<E> clazz =
- 跟我学SpringMVC目录汇总贴、PDF下载、源码下载
jinnianshilongnian
springMVC
----广告--------------------------------------------------------------
网站核心商详页开发
掌握Java技术,掌握并发/异步工具使用,熟悉spring、ibatis框架;
掌握数据库技术,表设计和索引优化,分库分表/读写分离;
了解缓存技术,熟练使用如Redis/Memcached等主流技术;
了解Ngin
- the HTTP rewrite module requires the PCRE library
流浪鱼
rewrite
./configure: error: the HTTP rewrite module requires the PCRE library.
模块依赖性Nginx需要依赖下面3个包
1. gzip 模块需要 zlib 库 ( 下载: http://www.zlib.net/ )
2. rewrite 模块需要 pcre 库 ( 下载: http://www.pcre.org/ )
3. s
- 第12章 Ajax(中)
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/
- Optimize query with Query Stripping in Web Intelligence
blueoxygen
BO
http://wiki.sdn.sap.com/wiki/display/BOBJ/Optimize+query+with+Query+Stripping+in+Web+Intelligence
and a very straightfoward video
http://www.sdn.sap.com/irj/scn/events?rid=/library/uuid/40ec3a0c-936
- Java开发者写SQL时常犯的10个错误
tomcat_oracle
javasql
1、不用PreparedStatements 有意思的是,在JDBC出现了许多年后的今天,这个错误依然出现在博客、论坛和邮件列表中,即便要记住和理解它是一件很简单的事。开发者不使用PreparedStatements的原因可能有如下几个: 他们对PreparedStatements不了解 他们认为使用PreparedStatements太慢了 他们认为写Prepar
- 世纪互联与结盟有感
阿尔萨斯
10月10日,世纪互联与(Foxcon)签约成立合资公司,有感。
全球电子制造业巨头(全球500强企业)与世纪互联共同看好IDC、云计算等业务在中国的增长空间,双方迅速果断出手,在资本层面上达成合作,此举体现了全球电子制造业巨头对世纪互联IDC业务的欣赏与信任,另一方面反映出世纪互联目前良好的运营状况与广阔的发展前景。
众所周知,精于电子产品制造(世界第一),对于世纪互联而言,能够与结盟