- 大模型RLHF强化学习笔记(一):强化学习基础梳理Part1
Gravity!
大模型笔记大模型LLM算法机器学习强化学习人工智能
【如果笔记对你有帮助,欢迎关注&点赞&收藏,收到正反馈会加快更新!谢谢支持!】一、强化学习基础1.1Intro定义:强化学习是一种机器学习方法,需要智能体通过与环境交互学习最优策略基本要素:状态(State):智能体在决策过程中需要考虑的所有相关信息(环境描述)动作(Action):在环境中可以采取的行为策略(Policy):定义了在给定状态下智能体应该选择哪个动作,目标是最大化智能体的长期累积奖
- AI 在自动驾驶路径规划中的深度强化学习优化
QuantumWalker
人工智能自动驾驶机器学习
```htmlAI在自动驾驶路径规划中的深度强化学习优化在当今快速发展的科技领域中,人工智能(AI)的应用正在不断拓展其边界。特别是在自动驾驶技术中,AI的应用已经从简单的感知和识别发展到了复杂的决策和控制阶段。其中,深度强化学习作为AI的一个重要分支,在自动驾驶路径规划中发挥着越来越重要的作用。一、深度强化学习简介深度强化学习是一种结合了深度学习和强化学习的机器学习方法。它通过让智能体在环境中进
- 黑客自学教程(非常详细)黑客零基础入门到精通,收藏这篇就够了
爱吃小石榴16
网络安全黑客技术黑客网络服务器运维android数据库web安全安全
新手如何通过自学黑客技术成为厉害的白帽黑客?我目前虽然算不上顶尖的白帽大佬,但自己在补天挖漏洞也能搞个1万多块钱。给大家分享一下我的学习方法,0基础也能上手学习,如果你能坚持学完,你也能成为厉害的白帽子!一、打好基础一上来就去玩各种工具的都是脚本小子,如果你是准备在技术这条路上走得长远,那这些必备的基础知识一定要学好。1.网络安全基础导论尤其是法律法规和发展方向,一定要对网络安全有清楚的认知!2.
- k近邻算法(kNearest Neighbors) 原理与代码实例讲解
AI大模型应用实战
javapythonjavascriptkotlingolang架构人工智能
k-近邻算法,聚类,分类,分离散数据,决策边界,邻域,机器学习,监督学习k-近邻算法(k-NearestNeighbors)-原理与代码实例讲解k-近邻算法(k-NearestNeighbors,简称kNN)是一种简单的监督学习方法,它在机器学习领域有着广泛的应用。kNN算法的核心思想是:在特征空间中,如果一个样本附近的k个最近邻样本的大多数属于某个类别,则该样本也属于这个类别。这种基于局部决策的
- 智能交通中的深度学习应用:从理论到实践
Blossom.118
机器学习与人工智能深度学习人工智能机器学习机器人神经网络sklearn目标检测
最近研学过程中发现了一个巨牛的人工智能学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家。点击链接跳转到网站人工智能及编程语言学习教程。读者们可以通过里面的文章详细了解一下人工智能及其编程等教程和学习方法。下面开始对正文内容的介绍。在当今数字化时代,人工智能技术正以前所未有的速度改变着我们的生活,其中智能交通领域是人工智能技术大放异彩的重要舞台之一。深度学习作为人工智能的核心技术之一,为智能交通的
- 每日传习1:个人的《传习录》学习计划
良知即吾心
每日传习传习录心学学习
一直想系统的学习《传习录》,学习阳明心学,但却总觉得不到时候。经过了这几年的成长,我的心智更加成熟,心性也更加沉稳一些,感觉现在的自己有信心能把《传习录》系统的学完,于是就开始了传习录的每日学习。具体的学习方法暂定如下:第一轮:先把《传习录》的一篇内容手打到这里。这一步相当于手抄书,虽没有直接手抄的效果好,但是我的字实在太难看,手抄的话,说不定会抹杀我学习的热情。搞清楚文章中每个字的读音。通读若干
- 文献调研[eeg溯源的深度学习方法](过程记录)
我要学脑机
#神经生物学原理深度学习人工智能
文章目录问题AI回答关键词组合搜索方式说明限定字段**1.AllFields(所有字段)****2.EEGsourcerecon(EEG源重建)****3.Title(标题)****4.Author(作者)****5.PublicationTitles(期刊/会议名称)****6.YearPublished(发表年份)****7.Affiliation(机构)****8.FundingAgency
- KNN算法数字识别实战:训练集、测试集与代码实现
Aurora曙光
本文还有配套的精品资源,点击获取简介:KNN算法,作为一种经典的监督学习方法,特别适用于分类和回归问题,在模式识别和数据挖掘中应用广泛。本文通过构建数字识别任务的训练集和测试集,并提供完整的代码实现,向读者展示如何使用KNN算法进行数字识别。文章详细解释了K值选择、数据预处理、距离计算、最近邻选择、类别决定以及模型评估等关键步骤,并强调了KNN在大数据集中的效率问题。1.KNN算法概述与在数字识别
- Spring Boot + LangChain 构建 RAG 应用
程序员丸子
langchainAI大模型语言模型自然语言处理人工智能大语言模型RAG
使用LangChain构建RAG应用程序什么是RAG?检索增强生成(Retrieval-AugmentedGeneration,RAG)是一种结合了检索和生成两种关键技术的机器学习方法。这种方法在自然语言处理任务中特别有效,例如对话系统和问答系统。RAG的关键组件检索:•RAG首先从大型数据集或知识库中检索与用户查询相关的文档或数据。•通常使用信息检索技术,如向量搜索或关键词匹配。生成:•在检索到
- 【C语言练习】100. 使用C语言实现简单的自然语言理解算法
视睿
从零开始学习机器人c语言算法开发语言排序算法
100.使用C语言实现简单的自然语言理解算法100.使用C语言实现简单的自然语言理解算法关键词匹配算法简介示例代码:简单的关键词匹配算法代码说明示例运行扩展功能其他方法基于规则的方法统计机器学习方法C语言中统计机器学习方法概述常见统计机器学习算法的C实现贝叶斯定理基础算法核心思想常见变体实现示例(Python)优缺点优化库与工具性能与注意事项有限状态自动机(FSA)深度学习接口调用混合方法100.
- 04、谁发明了深度学习的方法,是怎么发明的?
深度学习的发展是多位研究者长期探索的结果,其核心方法的形成并非由单一人物“发明”,而是历经数十年理论积累与技术突破的产物。以下从关键人物、核心技术突破及历史背景三个维度,梳理深度学习方法的起源与发展脉络:一、深度学习的奠基者与关键贡献者1.GeoffreyHinton:从神经网络到深度学习的理论突破核心贡献:20世纪80年代,Hinton与DavidRumelhart等人重新引入并完善了反向传播算
- TopNet:基于Transformer的高效点云几何压缩网络模型详解
清风AI
深度学习算法详解及代码复现计算机视觉算法深度学习人工智能计算机视觉神经网络transformer卷积神经网络python
一、研究背景与挑战随着激光雷达(LiDAR)技术的普及,点云数据在自动驾驶、三维重建等领域得到广泛应用。然而,点云数据的无序性、稀疏性给存储和传输带来巨大挑战。传统的点云几何压缩(PCGC)方法难以平衡压缩率与精度,而深度学习方法逐渐成为主流。现有方法主要分为两类:CNN-based方法:通过3D卷积提取局部特征,但受限于固定感受野,难以捕捉长距离依赖。Transformer-based方法:利用
- Task 01 第一章习题
1.1说明伯努利模型的极大似然估计以及贝叶斯估计中的统计学习方法三要素。伯努利模型是定义在取值为0与1的随机变量上的概率分布。假设观测到伯努利模型n次独立的数据生成结果,其中k次的结果为1,这时可以用极大似然估计或贝叶斯估计来估计结果为1的概率。回忆知识点:统计学习方法三要素为:模型+策略+算法模型:在监督学习过程中,模型就是所要学习的条件概率分布或决策函数。策略:统计学习要考虑按照什么样的准则选
- 《Vue.js前端框架技术学习心得》
dingjiGGbao
前端框架vue.js前端
一.初遇Vue.js二.数据绑定的便捷性三.组件化思维的养成四.生命周期钩子函数的理解五.指令系统的强大功能六.响应式原理的深入理解七.以下是我平时写的一些代码截图八.学习方法与实践的重要性在本次Vue.js的课程学习中,我收获了许多宝贵的知识和技能,每一个知识点都像是打开了一扇通往前端开发新世界的大门。一.初遇Vue.js最初接触Vue.js时,其简洁直观的语法立刻吸引了我。与传统的JavaSc
- PolyTouch:一种利用触觉扩散策略实现丰富接触操作的稳健多模态触觉传感器
三谷秋水
智能体计算机视觉机器学习机器人计算机视觉人工智能深度学习
25年4月来自MIT和TRI的论文“PolyTouch:ARobustMulti-ModalTactileSensorforContact-richManipulationUsingTactile-DiffusionPolicies”。在非结构化的家庭环境中实现稳健的灵巧操作仍然是机器人技术的重大挑战。即使采用最先进的机器人学习方法,触觉无关控制策略(即仅依赖外部视觉和/或本体感觉的策略)也常常由
- 基于 8.6 万蛋白质结构数据,融合量子力学计算的机器学习方法挖掘 69 个全新氮-氧-硫键
hyperai
在细胞这个「工厂」中,氮-氧-硫(NOS)键就像一个可逆的「智能开关」,能够根据环境中的氧化还原变化调节酶活性。2021年,来自德国哥廷根乔治奥古斯特大学的团队,通过研究淋病奈瑟氏球菌的转醛醇酶,发现了存在于赖氨酸和半胱氨酸之间的NOS键。这项研究超越了单一病原体和酶的研究范畴,为跨学科的蛋白质科学、药物设计和生物工程奠定了重要基础。然而,随着蛋白质结构数据的爆炸式增长,以及科学界对蛋白质结构中化
- 基于贝叶斯学习方法的块稀疏信号压缩感知算法
feifeigo123
学习方法matlab
基于贝叶斯学习方法的块稀疏信号压缩感知算法BSBL-FM-master/BSBL_BO.m,15593BSBL-FM-master/BSBL_FM.m,12854BSBL-FM-master/Phi.mat,131256BSBL-FM-master/README.md,3954BSBL-FM-master/demo.mat,1610BSBL-FM-master/demo_fecg.m,1481BS
- 基于深度学习的智能视频分析系统:技术与实践
Blossom.118
机器学习与人工智能人工智能机器人机器学习神经网络深度学习sklearn目标检测
前言最近研学过程中发现了一个巨牛的人工智能学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家。点击链接跳转到网站人工智能及编程语言学习教程。读者们可以通过里面的文章详细了解一下人工智能及其编程等教程和学习方法。下面开始对正文内容的介绍。随着视频监控技术的普及和视频数据量的爆炸性增长,传统的视频监控系统面临着巨大的挑战。人工监控不仅效率低下,而且容易出现疲劳和疏忽。智能视频分析技术通过自动分析视频内
- 鸿蒙应用开发快速学习指南(初级篇-1 HarmonyOS简介)
一颗大宝贝
ArkTs快速学习harmonyos华为
应用程序框架基础第一课:HarmonyOS简介本篇是初级认证考试考纲的第一课,以我们对当代教科书和一些课的认知来看,从标题,我们很容易就能猜到这堂课的主要内容:这个框架是什么,为什么要用,用它有什么好处,它能解决什么问题,以及它怎么遥遥领先于同行(不是)学习方法由于作者有其他相关经验,所以直接从习题开始看起,若是0经验的小伙伴们,建议还是先看看课跟课件再看习题。学习过程首先判断题:“一次开发,多端
- 深度学习入门指南:从基础概念到代码实践
软考和人工智能学堂
人工智能#深度学习Python开发经验深度学习人工智能
深度学习入门指南:从基础概念到代码实践1.深度学习概述深度学习是机器学习的一个分支,它通过模拟人脑神经元的工作方式,构建多层次的神经网络模型来处理复杂的数据模式。与传统机器学习方法相比,深度学习能够自动从原始数据中学习特征表示,无需过多的人工特征工程。深度学习已经在计算机视觉、自然语言处理、语音识别等领域取得了突破性进展。例如,ImageNet竞赛中深度学习模型的识别准确率已经超过人类水平,而GP
- 【数据挖掘】动态正则格兰杰因果学习方法
hans汉斯
论文荐读数据挖掘学习方法人工智能大数据python算法动态规划
导读在医学和金融学等实际领域中,了解动态系统中的底层结构关系对于调节系统中的变量和预测系统未来状态至关重要。系统的动态变化会生成时间序列数据,通过观察时间序列数据可以分析系统的底层结构。格兰杰因果关系分析方法可以应用于一维或多维时间序列系统,现有的方法以组件式的建模方式分析每个系统变量特定的因果关系,受限于时间方向的强假设性和组件模型的单一性,其无法准确地挖掘出时间序列中的因果关系结构。本文提出了
- 基于YOLOv8的人脸识别与跟踪系统设计与实现
YOLO实战营
YOLOui目标检测目标跟踪深度学习
1.项目背景与意义随着智能安防、智能监控、人机交互等领域的快速发展,人脸识别与跟踪技术受到了广泛关注。它不仅在安防监控系统中用于身份认证与异常检测,也在智能门禁、自动考勤和营销系统中发挥重要作用。传统的人脸检测多依赖Haar级联或基于特征的检测方法,准确率和鲁棒性有限。深度学习方法,尤其是YOLOv8等先进目标检测框架,实现了实时且高准确度的人脸检测。同时,结合人脸识别(身份验证)和多目标跟踪,可
- 强化学习-K臂老虎机
强化学习强化学习(ReinforcementLearning,RL)是一种机器学习方法,强化学习的基础框架是马尔可夫决策过程,它允许智能体(Agent)能够在与环境(Environment)的交互中通过试错来学习最优策略。智能体在环境中执行行动(Action),并根据行动的结果接收反馈,即奖励(Reward)。这些奖励信号指导智能体调整其策略,以最大化长期累积奖励。强化学习的核心是价值函数(Val
- 基于MATLAB的车牌检测系统:传统图像处理与深度学习的创新融合
芯作者
D2:MATLAB设计matlab
车牌检测是智能交通系统中的关键技术,在停车场管理、违章抓拍等场景应用广泛。本文将介绍一种结合传统图像处理和深度学习的创新方法,在MATLAB中实现高精度车牌检测系统。一、创新技术路线传统方法在简单场景下高效,但复杂环境下鲁棒性不足;深度学习方法精度高但计算量大。我们创新性地融合二者:预处理阶段:使用传统图像处理快速定位候选区域验证阶段:采用轻量级CNN网络过滤误检区域后处理阶段:结合颜色空间分析增
- 计算机视觉与深度学习 | 低照度图像增强算法综述(开源链接,原理,公式,代码)
单北斗SLAMer
低照度图像增强低照度图像处理计算机视觉算法
低照度图像增强算法综述1算法分类与原理1.1传统方法1.2深度学习方法2核心算法详解2.1多尺度Retinex(MSRCR)实现2.2SCI自校准光照学习2.3自适应伽马校正2.4WaveletMamba架构3开源资源与实现3.1主流算法开源库3.2关键代码实现4评估与实验对比4.1客观评价指标4.2算法性能对比5未来研究方向全面综述低照度图像增强算法,包括开源链接、原理、公式和代码实现。主要内容
- 【Python】串口通信库pyserial2
宅男很神经
python开发语言
6.8多传感器融合:YOLO与激光雷达/雷达数据的深度结合6.8.1引言:为什么需要非视觉传感器——以激光雷达为例摄像头因其丰富的信息(颜色、纹理、形状)而成为自动驾驶、智能监控等视觉感知系统的核心。但其固有的局限性不容忽视:深度信息缺失:单目摄像头难以直接获取目标的精确三维位置和距离,需要复杂的几何或深度学习方法进行估算。光照依赖:在强光、弱光、逆光或夜晚环境下,图像质量急剧下降,导致目标检测性
- OCR技术如何实现铁路集装箱号的自动识别?
孚为智能科技
火车车号识别系统ocr人工智能图像处理视觉检测大数据5G
在铁路物流运输中,集装箱号的快速准确识别是提升效率的关键环节。通过先进的OCR(光学字符识别)技术,结合计算机视觉与深度学习方法,可以实现铁路集装箱号的高效、可靠识别。一、OCR技术的核心流程1.图像采集与预处理采用高分辨率摄像头(支持夜视及复杂天气条件)采集集装箱图像,针对火车进站、起重机作业、半挂车运输等不同场景调整安装角度。采集到的图像经过去噪、对比度增强、二值化等预处理,以提升后续识别的准
- 基于深度学习的文本检索
SEU-WYL
深度学习dnn深度学习人工智能dnn
基于深度学习的文本检索文本检索(TextRetrieval)是指在大量文本数据中,根据用户的查询文本找到相关文档。基于深度学习的方法通过提取文本的高层次语义特征,实现了高效和准确的文本检索。深度学习在文本检索中的优势语义理解:深度学习模型能够捕捉文本中的复杂语义关系,相比传统的基于关键词匹配的方法更加准确。自动特征提取:深度学习方法可以自动从文本中提取有用的特征,无需手工设计特征。端到端学习:深度
- 机器学习模型——集成算法(一)
梦想成为一名机器学习高手
机器学习算法人工智能决策树集成学习
集成学习的定义:集成学习,顾名思义通过将多个单个学习器集成/组合在一起,使它们共同完成学习任务,以达到提高预测准确率的目的。有时也被称为“多分类器系统(multi-classifiersystem)”。集成学习概述:集成学习是一种机器学习方法,它通过组合多个弱学习器来形成一个强学习器,以提高预测性能。以下是一些集成学习的关键点:结合多个学习器:集成学习的核心思想是通过训练多个学习器(基学习器)并结
- 创客匠人六大核心竞争力实战:创始人IP年破亿的可复制路径
创客匠人老蒋
网络创客匠人创始人IP打造AI数字人
创客匠人六大核心竞争力已帮助众多创始人IP实现从0到亿的突破,这些实战案例揭示了一套可复制的变现路径——通过垂直聚焦定位、结果付费降低风险、资源整合放大势能,最终在AI技术与系统方法论的加持下实现爆发式增长。垂直聚焦定位:从“大而全”到“小而精”。某教育IP初期泛泛而谈“学习方法”,经创客匠人诊断后聚焦“考研英语阅读技巧”,通过120+行业的深耕经验设计内容体系,3个月内精准粉丝从1万增长至10万
- 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