- Python|扫描版词书转文字(PyPDF、OCR)
NuageL
pdfocrpython
心血来潮想把词书pdf(只有扫描版)转化成电子版,然后插到某生词APP去复习然后有两个想法:1.按照A-Z等来分词单2.PDF转文字1.那首先需要把PDF分开,这个用PyPDF2可以达成PDF参考文章:掌握PDF文件处理的神器:PythonPyPDF2库详解-CSDN博客写了一个功能,允许用户一次性输入多个页码范围:fromPyPDF2importPdfReader,PdfWriterdefspl
- 用Keras构建爱情模型:破解情侣间的情感密码
忆愿
高质量领域文章keras人工智能深度学习python机器学习自然语言处理神经网络
文章目录一、给情话穿上数字马甲1.1中文分词那些坑1.2停用词过滤玄学二、给神经网络装个情感温度计2.1记忆增强套餐2.2注意力机制实战三、给模型喂点狗粮数据3.1数据增强七十二变3.2标注的艺术四、调参比哄对象还难4.1超参数扫雷指南4.2可视化调参黑科技五、实战演练之保命指南5.1部署成求生APP5.2案例分析库六、当AI遇见现实:模型局限与伦理困境6.1隐私雷区七、从玩具模型到生产系统7.1
- 怎么安装自定义分词器
思静鱼
#elasticsearches
安装自定义分词器的完整步骤在Elasticsearch中安装自定义分词器,通常需要修改索引配置或开发插件。以下是详细方法:一、基于配置实现自定义分词器(无需插件)适用于通过组合Elasticsearch内置的CharacterFilters、Tokenizers和TokenFilters实现的分词器。1.定义分词规则在创建索引时,通过settings.analysis配置自定义分词器:PUT/my
- 想要了解大模型,看懂这一篇就够了!大模型工作流程及核心参数介绍!
Gq.xxu
qwen3vllmtransforms大语言模型部署深度学习人工智能
若想深入探究大模型核心参数的效果与作用,就务必先弄清大模型的工作流程,明确核心参数在流程各阶段的效能与功能,知晓其具体含义。一,大模型的工作流程大模型运行时的工作原理可以概括为输入处理→特征提取→模型推理→结果生成四个核心阶段,整个过程融合了深度学习架构、自然语言处理技术以及分布式计算能力。从用户输入到大模型输出,整个工作的处理流程如下:输入文本→分词→嵌入+位置编码→Transformer多层处
- Python词法分析器:从概念到实践
凡狗蛋
本文还有配套的精品资源,点击获取简介:Python词法分析器是编程语言处理的关键环节,负责将源代码解析为有意义的标记或符号序列。本简介详细介绍了词法分析、正则表达式、分词、词法规则、词法分析器生成器以及编译原理等核心概念,并展示了如何使用Python内置的re模块和第三方库ply实现词法分析器,为进一步理解编程语言的工作原理和构建自定义编程语言打下基础。1.词法分析器的作用与目的词法分析器是编译器
- **深度解析Annotated Jieba:Python中的高效中文分词库**
深度解析AnnotatedJieba:Python中的高效中文分词库去发现同类优质开源项目:https://gitcode.com/项目简介是一个基于Jieba的增强版分词库,为了解决原Jieba库在复杂场景下的需求,它提供了更丰富的功能和更友好的API设计。该项目由USTCDane开发并维护,旨在帮助开发者更好地理解和使用Jieba进行中文文本处理。技术分析1.代码注释与文档AnnotatedJ
- [特殊字符] Python 实战 | 批量统计中文文档词频并导出 Excel
happydog007
python自动化办公python开发语言
本文展示如何用Python脚本:批量读取文件夹中的多篇中文文档;用jieba分词并统计词频(过滤停用词与单字符);将各文档词频输出为对应Excel文件;是文本分析、内容审查、报告编写中的实用技巧。Step1:批量加载文件夹中文本文件路径importospath='主要业务'files=[os.path.join(path,f)forfinos.listdir(path)]使用标准库os.listd
- 对加密字段进行模糊查询:基于分词密文映射表的实现方案
大三小小小白
数据库
引言在当今数据安全日益重要的背景下,数据库字段加密已成为保护敏感信息的常见做法。然而,加密后的数据给模糊查询带来了巨大挑战。本文将介绍一种基于分词密文映射表的解决方案,实现对加密字段的高效模糊查询。一、问题背景考虑一个用户管理系统,其中包含手机号、身份证号、住址等敏感信息。这些字段需要加密存储以保证安全,但同时业务上又需要支持模糊查询(如根据手机号前几位查询用户)。传统加密方式直接阻碍了模糊查询功
- Elasticsearch检索高亮不正确,不精确问题
问题场景:搜索“a”高亮"A8A",,,,,分词器:IK分词器确认分词结果:下图说明已经正确分词!确认高亮效果:换一种高亮器查询效果:对应java代码:总结:当高亮显示不精确的时候,要从以下两方面找问题:1.分词器是否分词准确2.高亮器是否满足你的要求,不满足换一种高亮器查看效果我之前原默认的高亮器(plain)不能满足要求,后来使用unified高亮器解决了高亮不精确的问题。
- python内置函数reversed_Python3内置函数——reversed() = 翻转我的世界
大龙说学区
v.颠倒(reverse的过去式和过去分词);翻转help(reversed)Helponclassreversedinmodulebuiltins:classreversed(object)|reversed(sequence)->reverseiteratorovervaluesofthesequence||Returnareverseiterator||Methodsdefinedhere:
- docker安装Elasticsearch
Uluoyu
dockerelasticsearch
1.安装版本Elasticsearch(8.18.3)kibana(8.18.3)ik分词器(8.18.3)2.创建网络,让ES与Kibana容器互联dockernetworkcreatees-net3.加载镜像dockerpulldocker.elastic.co/elasticsearch/elasticsearch:8.18.3sudodockerpulldocker.elastic.co/
- 人工智能训练知识学习-TTS(智能语音合成)
笨鸟笃行
人工智能学习
人机对话——TTS(TextToSpeech)概念:TTS技术,即文本转语音技术,是一种将文字内容转换为语音输出的技术。它通过计算机程序和算法,将文本信息转化为自然流畅的语音信号,让用户能够听到文字内容,而无需手动阅读。(即将文本转换为语音输出)TTS技术的工作原理(一)文本预处理当TTS系统接收到一段文本输入时,首先会对文本进行预处理。这包括分词、词性标注、语义理解等操作。例如,在中文文本中,系
- Qwen3 Embedding 结构-加载-训练 看透模型设计哲学
看透一个顶级AI句向量模型的设计秘密,从文件结构到加载原理,再到其背后的训练哲学。1Qwen3-Embedding模型结构拆解说明:目录包含了运行一个基于Transformer的句向量模型所需的所有组件文件类别核心文件作用核心模型model.safetensors,config.jsonmodel.safetensors存储了模型所有训练好的权重分词器tokenizer.json,vocab.js
- 从0实现llama3
讨厌编程但喜欢LLM的学院派
人工智能python开发语言深度学习机器学习pytorch
分享一下从0实现llama的过程流程如下:word-->embeddinglayer-->n*decoderlayer-->finallinearlayer-->output分词器在embedding之前,需要进行分词,将句子分成单词。llama3采用了基于BPE算法的分词器。这个链接实现了一个非常简洁的BPE分词器简易分词器实现BPE分词器(选看)1)训练tokenizer词汇表并合并给定文本,
- 手把手从零打造 Llama3:解锁下一代预训练模型
会飞的Anthony
信息系统人工智能AIGC自然语言处理人工智能llama3AIGC
引言Llama3相较于Llama2,不仅在模型架构上做了显著优化,尤其是全局查询注意力机制(GQA)的引入,使得模型在大规模数据处理上表现更加出色。同时,Llama3采用了与GPT一致的tiktoken分词器,大幅提升了分词效率。本篇文章将带你从头构建Llama3预训练流程,深入了解其关键细节和实现方式,让你掌握这一下一代模型的核心技术。1.启动训练脚本在这一步中,我们将实现Llama3的预训练框
- 基于Python的携程景点评价爬虫与情感评分分析
程序员威哥
python爬虫开发语言
一、项目背景携程(Ctrip)是中国最流行的旅游预订平台之一,其景点用户评论包含了大量真实的游客反馈。通过分析评论的情感倾向,可以:为用户提供更可靠的景点推荐辅助景区运营方了解用户口碑构建情感评分系统,为评分失衡提供补充二、项目目标自动化抓取携程指定景点的用户评论清洗与分词评论文本对评论进行情感分析打分分析整体情绪趋势并可视化结果三、技术栈与工具模块工具/库数据爬取requests,re,json
- Python通过字符串调用函数_python 面向对象 根据字符串调动对应函数(1)
m0_61418142
python数据库linux
textprocess(file,language)但是textprocess(file=‘data.txt’,language=‘english’)language(text)TypeError:‘str’objectisnotcallable百度谷歌一番,我查到以下几种方式####1-字典最简单,易上手的方式,使用字典配对。defchinese(text):print(‘jieba分词’)de
- 【机器学习&深度学习】模型微调的基本概念与流程
一叶千舟
深度学习【理论】机器学习深度学习人工智能
目录前言一、什么是模型微调(Fine-tuning)?二、预训练vs微调:什么关系?三、微调的基本流程(以BERT为例)1️⃣准备数据2️⃣加载预训练模型和分词器3️⃣数据编码与加载4️⃣定义优化器5️⃣开始训练6️⃣评估与保存模型四、是否要冻结BERT层?五、完整训练示例代码5.1环境依赖5.2执行代码总结:微调的优势前言在自然语言处理(NLP)快速发展的今天,预训练模型如BERT成为了众多任务
- 推荐几本人工智能方面的书(入门级)
人邮异步社区
人工智能深度学习神经网络
以下推荐几本适合入门人工智能的书籍,帮助你逐步建立基础知识和理解:一、数学基础类《数学之美》推荐理由:深入浅出地讲解了自然语言处理与搜索方向的数学原理,对于理解算法背后的数学逻辑非常有帮助。本书的章节名称,有“统计语言模型”“谈谈中文分词”“贾里尼克和现代语言处理”“布尔代数和搜索引擎”“信息指纹及其应用”等,似乎太过专业,实际上高中和大学低年级的同学们都能看得懂,当然本书因此也可以称得上是“高级
- 【深度学习解惑】如果用RNN实现情感分析或文本分类,你会如何设计数据输入?
云博士的AI课堂
大模型技术开发与实践哈佛博后带你玩转机器学习深度学习深度学习rnn分类人工智能机器学习神经网络
以下是用RNN实现情感分析/文本分类时数据输入设计的完整技术方案:1.引言与背景介绍情感分析/文本分类是NLP的核心任务,目标是将文本映射到预定义类别(如正面/负面情感)。RNN因其处理序列数据的天然优势成为主流方案。核心挑战在于如何将非结构化的文本数据转换为适合RNN处理的数值化序列输入。2.原理解释文本到向量的转换流程:原始文本分词建立词汇表词索引映射词嵌入层序列向量关键数学表示:词嵌入表示:
- 向量数据库milvus中文全文检索取不到数据的处理办法
--勇
数据库milvus全文检索
检查中文分词配置Milvus2.5+支持原生中文全文检索,但需显式配置中文分词器:创建集合时指定分词器类型为chinesepythonschema.add_field(field_name="text",datatype=DataType.VARCHAR,max_length=65535,enable_analyzer=True,analyzer_params={"type":"chinese"}
- 华为OD机试 - 中文分词模拟器(Java 2024 D卷 100分)
哪 吒
华为od中文分词java
华为OD机试2024D卷题库疯狂收录中,刷题点这里专栏导读本专栏收录于《华为OD机试(JAVA)真题(D卷+C卷+A卷+B卷)》。刷的越多,抽中的概率越大,每一题都有详细的答题思路、详细的代码注释、样例测试,发现新题目,随时更新,全天CSDN在线答疑。一、题目描述给定一个连续不包含空格字符的字符串,该字符串仅包含英文小写字母及英文标点符号(逗号、句号、分号),同时给定词库,对该字符串进行精确分
- 大语言模型全流程开发技术详解:从架构、训练到对齐与量化
艾墨舟启航
大模型实战架构人工智能大语言模型
github:https://github.com/mlabonne/llm-course大语言模型全流程开发技术详解:从架构、训练到对齐与量化大模型实战指南:多模型生态实战与论文解读一、LLM架构(TheLLMarchitecture)不需要对Transformer架构有深入的了解,但了解现代LLM的主要步骤很重要:通过分词化将文本转换为数字,通过包括注意力机制在内的层处理这些分词,最后通过各种
- Python 调用大模型:解锁人工智能的无限可能
CarlowZJ
AI应用落地+Pythonpython人工智能
目录一、大模型的概念与特点(一)大模型的定义(二)大模型的特点(三)大模型的原理(四)大模型的发展历史二、Python调用大模型的实现方法(一)使用OpenAIAPI设置API密钥定义提示文本调用OpenAIAPI输出生成的文本加载预训练模型和分词器2.使用HuggingFaceTransformers库三、Python调用大模型的流程图四、Python调用大模型注意事项的1.数据隐私与安全2.成
- Qwen LLM(通义千问大模型 )的词编码原理:字节级别字节对编码(BBPE,Byte - level Byte Pair Encoding)
ZhangJiQun&MXP
教学2024大模型以及算力2021AIpython人工智能语言模型自然语言处理深度学习prompt
QwenLLM(通义千问大模型)的词编码原理:字节级别字节对编码(BBPE,Byte-levelBytePairEncoding)QwenLLM(通义千问大模型)的词编码基于字节级别字节对编码(BBPE,Byte-levelBytePairEncoding),以下从原理、方法、举例展开说明:一、核心原理BBPE本质是子词分词+编码的混合逻辑,核心目标是让文本高效转化为模型可理解的token(令牌)
- 深度学习Day-38:Pytorch文本分类入门
Point__Nemo
深度学习自然语言处理人工智能
本文为:[365天深度学习训练营]中的学习记录博客原作者:[K同学啊|接辅导、项目定制]任务:了解文本分类的基本流程学习常用数据清洗方法学习如何使用jieba实现英文分词学习如何构建文本向量1.前期准备1.1环境安装pipinstalltorchvision==0.15.0pipinstalltorchaudio==2.0.1pipinstalltorch==2.0.01.2加载数据importt
- 6月19日复盘
四万二千
人工智能transformer
6月19日复盘二、分词与词向量分词和词向量是NLP的基础技术。1.分词分词是将连续的文本分割成独立的词汇单元(tokens)的过程。这些单元可以是单词、符号或子词。1.1中文特性中文句子由连续的汉字组成,没有明显的词边界:词与词之间没有分隔符英文:Ilovenaturallanguageprocessing.中文:我喜欢自然语言处理。词是最基本的语义单元。为了处理文本信息,须将连续的序列分割成有意
- springboot2.X集成spring data elasticsearch
向阳不像羊
springelasticsearchjava
1.准备工作在集成es之前,我们需要选择springboot对应的es版本,版本一定要选择正确,否则后面可能会出现各种各样的问题。下图是springboot与es客户端版本对应关系:我的springboot版本是2.4.10,所以这里我选择es客户端7.9.3的版本es下载链接:DownloadElasticsearch|Elasticik分词器下载链接:https://github.com/me
- 小白学大模型:Hugging Face Tokenizer
AI大模型_学习君
人工智能chatgpt语言模型自然语言处理大模型huggingfacetoken
Tokenizer介绍在自然语言处理(NLP)领域,Tokenizer(分词器)是准备输入模型的关键步骤之一。HuggingFace提供了用于各种模型的分词器库,其中大多数分词器都以两种风格提供:一种是完整的Python实现,另一种是基于Rust库Tokenizers的“Fast”实现。这两种实现方式各有特点,其中“Fast”实现具有两大优势:显著提升速度:特别是在批处理分词时,使用“Fast”实
- Happy-LLM task2 第一章 NLP 基础概念(2天)
unityのkiven
自然语言处理人工智能
NLP基础概念简介自然语言处理(NaturalLanguageProcessing,NLP)是人工智能领域的核心分支,旨在让计算机理解、处理并生成人类语言,实现人机自然交互。一、NLP定义与目标NLP融合计算机科学、语言学、心理学等多学科知识,通过算法让计算机模拟人类的语言认知过程。其核心目标是打破自然语言与机器语言的壁垒,使计算机能处理语义、语境、情感等复杂语言要素,完成从基础分词到深层语义理解
- ASM系列六 利用TreeApi 添加和移除类成员
lijingyao8206
jvm动态代理ASM字节码技术TreeAPI
同生成的做法一样,添加和移除类成员只要去修改fields和methods中的元素即可。这里我们拿一个简单的类做例子,下面这个Task类,我们来移除isNeedRemove方法,并且添加一个int 类型的addedField属性。
package asm.core;
/**
* Created by yunshen.ljy on 2015/6/
- Springmvc-权限设计
bee1314
springWebjsp
万丈高楼平地起。
权限管理对于管理系统而言已经是标配中的标配了吧,对于我等俗人更是不能免俗。同时就目前的项目状况而言,我们还不需要那么高大上的开源的解决方案,如Spring Security,Shiro。小伙伴一致决定我们还是从基本的功能迭代起来吧。
目标:
1.实现权限的管理(CRUD)
2.实现部门管理 (CRUD)
3.实现人员的管理 (CRUD)
4.实现部门和权限
- 算法竞赛入门经典(第二版)第2章习题
CrazyMizzz
c算法
2.4.1 输出技巧
#include <stdio.h>
int
main()
{
int i, n;
scanf("%d", &n);
for (i = 1; i <= n; i++)
printf("%d\n", i);
return 0;
}
习题2-2 水仙花数(daffodil
- struts2中jsp自动跳转到Action
麦田的设计者
jspwebxmlstruts2自动跳转
1、在struts2的开发中,经常需要用户点击网页后就直接跳转到一个Action,执行Action里面的方法,利用mvc分层思想执行相应操作在界面上得到动态数据。毕竟用户不可能在地址栏里输入一个Action(不是专业人士)
2、<jsp:forward page="xxx.action" /> ,这个标签可以实现跳转,page的路径是相对地址,不同与jsp和j
- php 操作webservice实例
IT独行者
PHPwebservice
首先大家要简单了解了何谓webservice,接下来就做两个非常简单的例子,webservice还是逃不开server端与client端。我测试的环境为:apache2.2.11 php5.2.10做这个测试之前,要确认你的php配置文件中已经将soap扩展打开,即extension=php_soap.dll;
OK 现在我们来体验webservice
//server端 serve
- Windows下使用Vagrant安装linux系统
_wy_
windowsvagrant
准备工作:
下载安装 VirtualBox :https://www.virtualbox.org/
下载安装 Vagrant :http://www.vagrantup.com/
下载需要使用的 box :
官方提供的范例:http://files.vagrantup.com/precise32.box
还可以在 http://www.vagrantbox.es/
- 更改linux的文件拥有者及用户组(chown和chgrp)
无量
clinuxchgrpchown
本文(转)
http://blog.163.com/yanenshun@126/blog/static/128388169201203011157308/
http://ydlmlh.iteye.com/blog/1435157
一、基本使用:
使用chown命令可以修改文件或目录所属的用户:
命令
- linux下抓包工具
矮蛋蛋
linux
原文地址:
http://blog.chinaunix.net/uid-23670869-id-2610683.html
tcpdump -nn -vv -X udp port 8888
上面命令是抓取udp包、端口为8888
netstat -tln 命令是用来查看linux的端口使用情况
13 . 列出所有的网络连接
lsof -i
14. 列出所有tcp 网络连接信息
l
- 我觉得mybatis是垃圾!:“每一个用mybatis的男纸,你伤不起”
alafqq
mybatis
最近看了
每一个用mybatis的男纸,你伤不起
原文地址 :http://www.iteye.com/topic/1073938
发表一下个人看法。欢迎大神拍砖;
个人一直使用的是Ibatis框架,公司对其进行过小小的改良;
最近换了公司,要使用新的框架。听说mybatis不错;就对其进行了部分的研究;
发现多了一个mapper层;个人感觉就是个dao;
- 解决java数据交换之谜
百合不是茶
数据交换
交换两个数字的方法有以下三种 ,其中第一种最常用
/*
输出最小的一个数
*/
public class jiaohuan1 {
public static void main(String[] args) {
int a =4;
int b = 3;
if(a<b){
// 第一种交换方式
int tmep =
- 渐变显示
bijian1013
JavaScript
<style type="text/css">
#wxf {
FILTER: progid:DXImageTransform.Microsoft.Gradient(GradientType=0, StartColorStr=#ffffff, EndColorStr=#97FF98);
height: 25px;
}
</style>
- 探索JUnit4扩展:断言语法assertThat
bijian1013
java单元测试assertThat
一.概述
JUnit 设计的目的就是有效地抓住编程人员写代码的意图,然后快速检查他们的代码是否与他们的意图相匹配。 JUnit 发展至今,版本不停的翻新,但是所有版本都一致致力于解决一个问题,那就是如何发现编程人员的代码意图,并且如何使得编程人员更加容易地表达他们的代码意图。JUnit 4.4 也是为了如何能够
- 【Gson三】Gson解析{"data":{"IM":["MSN","QQ","Gtalk"]}}
bit1129
gson
如何把如下简单的JSON字符串反序列化为Java的POJO对象?
{"data":{"IM":["MSN","QQ","Gtalk"]}}
下面的POJO类Model无法完成正确的解析:
import com.google.gson.Gson;
- 【Kafka九】Kafka High Level API vs. Low Level API
bit1129
kafka
1. Kafka提供了两种Consumer API
High Level Consumer API
Low Level Consumer API(Kafka诡异的称之为Simple Consumer API,实际上非常复杂)
在选用哪种Consumer API时,首先要弄清楚这两种API的工作原理,能做什么不能做什么,能做的话怎么做的以及用的时候,有哪些可能的问题
- 在nginx中集成lua脚本:添加自定义Http头,封IP等
ronin47
nginx lua
Lua是一个可以嵌入到Nginx配置文件中的动态脚本语言,从而可以在Nginx请求处理的任何阶段执行各种Lua代码。刚开始我们只是用Lua 把请求路由到后端服务器,但是它对我们架构的作用超出了我们的预期。下面就讲讲我们所做的工作。 强制搜索引擎只索引mixlr.com
Google把子域名当作完全独立的网站,我们不希望爬虫抓取子域名的页面,降低我们的Page rank。
location /{
- java-归并排序
bylijinnan
java
import java.util.Arrays;
public class MergeSort {
public static void main(String[] args) {
int[] a={20,1,3,8,5,9,4,25};
mergeSort(a,0,a.length-1);
System.out.println(Arrays.to
- Netty源码学习-CompositeChannelBuffer
bylijinnan
javanetty
CompositeChannelBuffer体现了Netty的“Transparent Zero Copy”
查看API(
http://docs.jboss.org/netty/3.2/api/org/jboss/netty/buffer/package-summary.html#package_description)
可以看到,所谓“Transparent Zero Copy”是通
- Android中给Activity添加返回键
hotsunshine
Activity
// this need android:minSdkVersion="11"
getActionBar().setDisplayHomeAsUpEnabled(true);
@Override
public boolean onOptionsItemSelected(MenuItem item) {
- 静态页面传参
ctrain
静态
$(document).ready(function () {
var request = {
QueryString :
function (val) {
var uri = window.location.search;
var re = new RegExp("" + val + "=([^&?]*)", &
- Windows中查找某个目录下的所有文件中包含某个字符串的命令
daizj
windows查找某个目录下的所有文件包含某个字符串
findstr可以完成这个工作。
[html]
view plain
copy
>findstr /s /i "string" *.*
上面的命令表示,当前目录以及当前目录的所有子目录下的所有文件中查找"string&qu
- 改善程序代码质量的一些技巧
dcj3sjt126com
编程PHP重构
有很多理由都能说明为什么我们应该写出清晰、可读性好的程序。最重要的一点,程序你只写一次,但以后会无数次的阅读。当你第二天回头来看你的代码 时,你就要开始阅读它了。当你把代码拿给其他人看时,他必须阅读你的代码。因此,在编写时多花一点时间,你会在阅读它时节省大量的时间。让我们看一些基本的编程技巧: 尽量保持方法简短 尽管很多人都遵
- SharedPreferences对数据的存储
dcj3sjt126com
SharedPreferences简介: &nbs
- linux复习笔记之bash shell (2) bash基础
eksliang
bashbash shell
转载请出自出处:
http://eksliang.iteye.com/blog/2104329
1.影响显示结果的语系变量(locale)
1.1locale这个命令就是查看当前系统支持多少种语系,命令使用如下:
[root@localhost shell]# locale
LANG=en_US.UTF-8
LC_CTYPE="en_US.UTF-8"
- Android零碎知识总结
gqdy365
android
1、CopyOnWriteArrayList add(E) 和remove(int index)都是对新的数组进行修改和新增。所以在多线程操作时不会出现java.util.ConcurrentModificationException错误。
所以最后得出结论:CopyOnWriteArrayList适合使用在读操作远远大于写操作的场景里,比如缓存。发生修改时候做copy,新老版本分离,保证读的高
- HoverTree.Model.ArticleSelect类的作用
hvt
Web.netC#hovertreeasp.net
ArticleSelect类在命名空间HoverTree.Model中可以认为是文章查询条件类,用于存放查询文章时的条件,例如HvtId就是文章的id。HvtIsShow就是文章的显示属性,当为-1是,该条件不产生作用,当为0时,查询不公开显示的文章,当为1时查询公开显示的文章。HvtIsHome则为是否在首页显示。HoverTree系统源码完全开放,开发环境为Visual Studio 2013
- PHP 判断是否使用代理 PHP Proxy Detector
天梯梦
proxy
1. php 类
I found this class looking for something else actually but I remembered I needed some while ago something similar and I never found one. I'm sure it will help a lot of developers who try to
- apache的math库中的回归——regression(翻译)
lvdccyb
Mathapache
这个Math库,虽然不向weka那样专业的ML库,但是用户友好,易用。
多元线性回归,协方差和相关性(皮尔逊和斯皮尔曼),分布测试(假设检验,t,卡方,G),统计。
数学库中还包含,Cholesky,LU,SVD,QR,特征根分解,真不错。
基本覆盖了:线代,统计,矩阵,
最优化理论
曲线拟合
常微分方程
遗传算法(GA),
还有3维的运算。。。
- 基础数据结构和算法十三:Undirected Graphs (2)
sunwinner
Algorithm
Design pattern for graph processing.
Since we consider a large number of graph-processing algorithms, our initial design goal is to decouple our implementations from the graph representation
- 云计算平台最重要的五项技术
sumapp
云计算云平台智城云
云计算平台最重要的五项技术
1、云服务器
云服务器提供简单高效,处理能力可弹性伸缩的计算服务,支持国内领先的云计算技术和大规模分布存储技术,使您的系统更稳定、数据更安全、传输更快速、部署更灵活。
特性
机型丰富
通过高性能服务器虚拟化为云服务器,提供丰富配置类型虚拟机,极大简化数据存储、数据库搭建、web服务器搭建等工作;
仅需要几分钟,根据CP
- 《京东技术解密》有奖试读获奖名单公布
ITeye管理员
活动
ITeye携手博文视点举办的12月技术图书有奖试读活动已圆满结束,非常感谢广大用户对本次活动的关注与参与。
12月试读活动回顾:
http://webmaster.iteye.com/blog/2164754
本次技术图书试读活动获奖名单及相应作品如下:
一等奖(两名)
Microhardest:http://microhardest.ite