- 【人工智能】Python实战：构建高效的多任务学习模型
蒙娜丽宁
Python杂谈AI人工智能python学习
《PythonOpenCV从菜鸟到高手》带你进入图像处理与计算机视觉的大门！解锁Python编程的无限可能：《奇妙的Python》带你漫游代码世界多任务学习（Multi-taskLearning,MTL）作为机器学习领域中的一种重要方法，通过在单一模型中同时学习多个相关任务，不仅能够提高模型的泛化能力，还能有效利用任务间的共享信息。本文深入探讨了多任务学习的基本概念、优势及其在实际应用中的重要性。
- Time-LLM ：超越了现有时间序列预测模型的学习器
福安德信息科技
AI预测大模型学习人工智能python大模型时序预测
AI预测相关目录AI预测流程，包括ETL、算法策略、算法模型、模型评估、可视化等相关内容最好有基础的python算法预测经验EEMD策略及踩坑VMD-CNN-LSTM时序预测对双向LSTM等模型添加自注意力机制K折叠交叉验证optuna超参数优化框架多任务学习-模型融合策略Transformer模型及Paddle实现迁移学习在预测任务上的tensoflow2.0实现holt提取时序序列特征TCN时
- 【五十五，模型加载-2 模型文件格式】
Woodlouse
Obj和mtl文件ObjObj文件是3D模型文件格式，由Alias|Wavefront公司为3D建模和动画软件AdvancedVisualizer开发的一种标准，用于3D软件模型互导。包含数据信息：顶点坐标信息顶点的纹理坐标信息顶点法向量信息mtlmtl文件定义材质信息，包含数据信息：纹理贴图环境光镜面光散射光Obj文件格式obj文件中的信息以行为单位表示一条数据，可以根据行开头的字符判断后续数据
- 【论文笔记】Multi-Task Learning as a Bargaining Game
xhyu61
机器学习学习笔记论文笔记论文阅读人工智能深度学习
Abstract本文将多任务学习中的梯度组合步骤视为一种讨价还价式博弈(bargaininggame)，通过游戏，各个任务协商出共识梯度更新方向。在一定条件下，这种问题具有唯一解(NashBargainingSolution)，可以作为多任务学习中的一种原则方法。本文提出Nash-MTL，推导了其收敛性的理论保证。1Introduction大部分MTL优化算法遵循一个通用方案。计算所有任务的梯度g
- 百度Ernie大模型是什么？
会飞的岛格酱
AIGCAIGC百度人工智能
百度的Ernie模型（EnhancedRepresentationthroughkNowledgeIntegration）是一个基于Transformer架构的预训练语言模型。它由百度研发，旨在通过整合大规模语料和知识图谱来增强模型的语言理解和生成能力。它通过整合大规模语料和知识图谱，采用多任务学习和分层预训练策略，在多个自然语言处理任务上取得了显著的性能提升。Ernie模型的不断发展和优化，使其
- 梯度提升树系列9——GBDT在多任务学习中的应用
theskylife
数据挖掘学习数据挖掘机器学习python人工智能
目录写在开头1.多任务学习的基础知识1.1多任务学习的概念和优势1.1.1概念1.1.2优势1.2GBDT在多任务学习中的角色1.2.1GBDT的基本原理1.2.2GBDT在多任务学习中的应用2.实际应用案例和最佳实践2.1如何设计多任务学习模型2.2成功案例分享2.2.1推荐系统2.2.2金融风控2.2.3自然语言处理（NLP）3.挑战与解决方案3.1面临的技术挑战和解决策略3.1.1挑战1：任
- 【论文精读】GPT2
None-D
文本生成gpt深度学习人工智能nlp自然语言处理语言模型
摘要在单一领域数据集上训练单一任务的模型是当前系统普遍缺乏泛化能力的主要原因，要想使用当前的架构构建出稳健的系统，可能需要多任务学习。但多任务需要多数据集，而继续扩大数据集和目标设计的规模是个难以处理的问题，所以只能采取多任务学习的其他框架。目前在语言任务上表现最佳的多任务学习系统，利用了预训练和监督微调的结合，通用的预训练系统可以在微调后在多个任务上表现良好，但微调仍需要监督数据。故本文做出证明
- three.js 渲染.obj模型
inkbamboo
通过引入外部文件渲染模型和使用内部模型对象的方式是一样的，只不过需要使用内部方法先将文件解析为group，再添加到场景中scene.add(group)加载.obj模型，需要使用MTLLoader和OBJLoader，我们先引入//解析.obj模型import{OBJLoader}from'three/examples/jsm/loaders/OBJLoader'//解析.mtl材质import{
- 周记：2019第26周(6.24-6.30）
孙文辉已被占用
1工作：主要是写文档，一个产品说明书，2个专利交底书2学习：《DeepLearning》7/20(chapters）看完第7章（RegularizationforDeepLearning），这章和下一章讲的优化方法应该是深度学习最重要的理论基础了，好多面试题都会问到。记录一下各种降低模型错误率的方法，包括添加正则化项，数据集扩增，多任务学习，earlystoping，dropout，稀疏表示。理论
- ICASSP2024 | BS-PLCNet: 基于多任务学习框架和多判别器的分频带丢包隐藏网络
语音之家
智能语音学习网络人工智能chatgpt语音识别语言模型
随着互联网和通讯技术的发展，实时音频流传输已经成为网络通信的一个非常重要的部分。但由于网络拥堵、带宽限制、硬件故障等各种因素干扰，音频数据包在传输过程中可能会丢失，对语音通信的质量产生严重影响，造成用户体验下降。语音丢包补偿（PacketLossConcealment，PLC）又称丢包隐藏，旨在通过各种方式尽可能地恢复或掩饰丢失的数据包，从而保持语音通信的连续性和清晰度。随着硬件和算法的进步与深度
- AI预测-注意力机制/多头注意力机制及其tensorflow实现
写代码的中青年
AI预测人工智能tensorflowpython深度学习keras
AI预测相关目录AI预测流程，包括ETL、算法策略、算法模型、模型评估、可视化等相关内容最好有基础的python算法预测经验EEMD策略及踩坑VMD-CNN-LSTM时序预测对双向LSTM等模型添加自注意力机制K折叠交叉验证optuna超参数优化框架多任务学习-模型融合策略Transformer模型及Paddle实现迁移学习在预测任务上的tensoflow2.0实现holt提取时序序列特征TCN时
- AI预测-多任务学习-模型融合策略
写代码的中青年
AI预测人工智能学习python神经网络深度学习
AI预测相关目录AI预测流程，包括ETL、算法策略、算法模型、模型评估、可视化等相关内容最好有基础的python算法预测经验EEMD策略及踩坑VMD-CNN-LSTM时序预测对双向LSTM等模型添加自注意力机制K折叠交叉验证optuna超参数优化框架多任务学习-模型融合测略文章目录AI预测相关目录一、模型融合二、模型介绍三、代码示例总结一、模型融合模型融合是自创概念，实际上是对多任务学习一直情况的
- AI预测-Transformer模型及Paddle实现
写代码的中青年
AI预测人工智能transformerpaddle深度学习神经网络
AI预测相关目录AI预测流程，包括ETL、算法策略、算法模型、模型评估、可视化等相关内容最好有基础的python算法预测经验EEMD策略及踩坑VMD-CNN-LSTM时序预测对双向LSTM等模型添加自注意力机制K折叠交叉验证optuna超参数优化框架多任务学习-模型融合测略Transformer模型及Paddle实现文章目录AI预测相关目录一、Transformer背景二、多头注意力机制三、Pad
- AI预测-迁移学习在时序预测任务上的tensoflow2.0实现
写代码的中青年
AI预测人工智能迁移学习机器学习神经网络pythontensorflow
AI预测相关目录AI预测流程，包括ETL、算法策略、算法模型、模型评估、可视化等相关内容最好有基础的python算法预测经验EEMD策略及踩坑VMD-CNN-LSTM时序预测对双向LSTM等模型添加自注意力机制K折叠交叉验证optuna超参数优化框架多任务学习-模型融合策略Transformer模型及Paddle实现迁移学习在预测任务上的tensoflow2.0实现文章目录AI预测相关目录一、迁移
- 语义分割：从早期探索到深度学习的突破
kadog
ByGPT深度学习人工智能笔记python
语义分割：从早期探索到深度学习的突破语义分割的端倪：从早期探索到深度学习的突破引言早期技术：图像处理与模式识别边缘检测区域生长图割(GraphCut)聚类方法深度学习的兴起：CNN革命2012年AlexNet的突破全卷积网络（FCN）U-Net的创新设计深度学习卷积网络技术不断创新发展里程碑：端到端学习端到端全卷积网络（FCN）MaskR-CNN的多任务学习Transformer在视觉任务中的应用
- MFTCoder 重磅升级 v0.3.0 发布，支持 Mixtral 等更多模型，支持收敛均衡，支持 FSDP
CodeFuse
ai编程AIGC人工智能语言模型开源前端
1.MFTCoder简介CodeFuse在2023年9月开源了一种多任务微调框架——MFTCoder，它可以实现在多个任务上同时并行地进行微调。通过结合多种损失函数，我们有效地解决了多任务学习中常见的任务间数据量不平衡、难易不一和收敛速度不一致等挑战。大量实验结果显示，相较于单独对单个任务进行微调或者多任务混合为一后进行微调，我们的多任务微调方法表现更优。此外，MFTCoder具备高效训练特征，包
- 推荐系统遇上深度学习(一一三)-[美团]序列依赖任务下的自适应信息传递多任务框架
文哥的学习日记
今天介绍一篇美团在多任务学习方面的工作，提出了一种自适应信息传递多任务框架应用于客户挖掘管理这类有序列依赖的任务，一起来看一下。1、背景论文聚焦于信用卡业务，一个用户从进入app到最终激活信用卡，主要经历以下几个步骤：：这一阶段指信用卡的广告展示给用户：这一阶段指用户点击了信用卡的广告，并重定向至信用卡申请页面：这一阶段指用户填写完成了申请表信息，并点击了申请按钮：这一阶段指用户有良好的信誉，系统
- Threejs in autonomous driving -（2）模型精简
土肥圆_c1ab
在开发准备阶段建模同学都会提供一个车模,从前段考量一般来说超过100kb都算是大文件了，这个模型一般是obj+mtl文件，这两个一般都会超过MB。推动精简的话都非常都难。精简方案删减模型的顶点和面片模型压缩第一种专业性比较强，我们是搞不定的，那么就可以从第二种思路为出发点。通过万能的搜索引擎搜索我们可以找到被誉为3d业界的json格式的gltf。gltf简介。这里推荐两个工具obj2gltfhtt
- 多场景建模：腾讯3MN
巴拉巴拉朵
多场景建模推荐系统
3MN:ThreeMetaNetworksforMulti-ScenarioandMulti-TaskLearninginOnlineAdvertisingRecommenderSystems背景推荐领域的多场景多任务学习：维护单模型即可节省资源也可节省人力；各个场景的数据共享，理论上面学习是更加充分的问题&挑战怎么学习复杂的多任务、多场景之间的关系MSMT(Multi-ScenarioMulti
- 【推荐实践】多场景多任务学习在美团到店餐饮推荐的实践
智能推荐系统
学习人工智能
省时查报告-专业、及时、全面的行研报告库省时查方案-专业、及时、全面的营销策划方案库【免费下载】2023年2月份热门报告合集ChatGPT团队背景研究报告ChatGPT的发展历程、原理、技术架构及未来方向ChatGPT使用总结：150个ChatGPT提示此模板ChatGPT数据集之谜2023年AIGC发展趋势报告：人工智能的下一时代推荐技术在vivo互联网商业化业务中的实践.pdf推荐系统基本问题
- 多场景多任务学习在美团到店餐饮推荐的实践
文文学霸
学习人工智能深度学习
总第556篇2023年第008篇美团到店餐饮算法团队在跨域迁移学习的长期实践中，基于多场景的业务背景，提出了分层信息抽取网络，提升了多场景多任务的建模效果。相关技术方案形成的学术论文已经被国际数据工程会议ICDE2023收录，本文详细阐述了多场景多任务学习的解决方案，希望能给从事相关方向研究的同学带来一些帮助或启发。1.背景2.层次化信息抽取网络2.1问题定义2.2方法介绍2.3训练目标3.实验3
- 【论文】多场景多任务推荐
Citroooon
深度学习人工智能
ICDE2023|多场景多任务学习在美团到店餐饮推荐的实践背景：·多场景：美食关键词搜索、限时秒杀推荐、套餐推荐、商家商品推荐等。随着推荐场景数量的增加，传统地针对单个场景独立开发推荐模型有很多劣势和局限性·多任务：在这些场景中需要优化的指标是点击（CTR）和转化（CVR）本文提出了一种层次化信息抽取网络（HiNet）也就是一个端到端的两层信息抽取框架，来共同建模场景间和任务间的信息共享和协作，其
- 多场景建模：美团HiNet
巴拉巴拉朵
多场景建模
HiNet:NovelMulti-Scenario&Multi-TaskLearningwithHierarchicalInformationExtraction背景：美团的多场景多任务（ctr、ctcvr）解决方案通过分层来分别学习多场景多任务方案详情点评：在底层Embedding时用到了PLE，在多任务专家学习上面也用到了PLE结构，层级学习，底层多场景学习、上层多任务学习，层次分明。核心的是
- 论文笔记：多任务学习模型：渐进式分层提取（PLE）含pytorch实现
图学习的小张
论文笔记论文阅读学习
整理了RecSys2020ProgressiveLayeredExtraction:ANovelMulti-TaskLearningModelforPersonalizedRecommendations）论文的阅读笔记背景模型代码论文地址：PLE背景 多任务学习（multi-tasklearning，MTL）：给定m个学习任务，这m个任务或它们的一个子集彼此相关但不完全相同。简单地说就是一个模型
- 业务流程设计相关学习笔记
weixin_40455124
架构学习笔记业务流程华为LTC铁三角企业流程
一文读懂华为LTC流程和变革精髓！第一个是从概念到市场。也就是之前讲的IPD开发流程。从捕捉到客户新的需求开始，到新产品完成开发并成功推向市场，最终得到客户的认可为止；第二个是从市场到线索。具体是指MTL流程，主要是从捕捉到客户购买需求开始，一直到成功打动客户产生销售线索为止；第三个是从线索到回款。也就是LTC流程，主要是从接收到销售线索开始到将产品或服务交付给客户，让客户满意并完成货款回收为止；
- 详解EBS接口开发之库存事务处理采购接收和退货
caixingyun
详解EBS接口开发系列ebs接口库存开发
（一）接收&退货常用标准表简介1.1常用标准表如下表中列出了与采购接收&退货导入相关的表和说明：表名说明其他信息RCV_TRANSACTIONS采购接收事务表事务类型，订单分配行相关信息rcv_shipment_headers采购接收头表接收单号，供应商，订单号对应视图rcv_shipment_lines采购接收行表物料信息，接收组织信息，接收子库，接收数量对应视图mtl_supply可以接收入库
- 生成三维模型时，OSGB、PLY、OBJ、S3MB这几种格式分别有什么不同？
大势智慧
三维建模人工智能实景三维三维重建一问一答
OSGB是一种二进制存储，带有嵌入式链接纹理数据的倾斜摄影三维数据格式。此类数据文件碎，数量多，高级别金字塔文件大，难以实现不同地域、不同部门之间的数据共享；OBJ是一种标准三维模型文件格式，一般包括三个子文件，分别是.obj、.mtl、.jpg，除了模型文件，还需要.jpg的纹理文件；FBX主要用于建模软件间模型、材质、动作和摄影机信息的互导；SLT是一种表示三角形网格的一种文件格式，只能描述三
- SYNERGIES BETWEEN DISENTANGLEMENT AND SPARSITY: A MULTI-TASK LEARNING PERSPECTIVE
黑洞是不黑
DiffusionModel人工智能机器学习深度学习
SYNERGIESBETWEENDISENTANGLEMENTANDSPARSITY:AMULTI-TASKLEARNINGPERSPECTIVE解偶与稀疏性之间的协同作用：多任务学习的视角Abstract1.Introduction1.1.Contributions1.2Background2.DisentanglementandSparseTask-SpecificPredictorsImpr
- MoEs学习
银晗
学习
和多任务学习的mmoe很像哦（有空再学习一下）moelayer的起源：SwitchTransformerspaperMoEmoe由两个结构组成：MoeLayer：这些层代替了传统Transformer模型中的前馈网络(FFN)层。MoE层包含若干“专家”(例如8个)，每个专家本身是一个独立的神经网络。在实际应用中，这些专家通常是前馈网络(FFN)，但它们也可以是更复杂的网络结构，甚至可以是MoE层
- 推荐：vue-3d-loader支持.dae/.fbx/.gltf/.glb/.obj/.ply/.stl/.json，并支持同一个场景导入多个不同3D模型，支持mtl材质以及jpg/png等图片纹理
你挚爱的强哥
Vue.js3D预览3dthree.js三维拖拽旋转材质皮肤vue-3d-loader
我们先让星球大战里面的帝国冲锋队(帝国士兵)给我们摇起来，搞点氛围，嗨起来~LadiesandGentlemen!欢迎来到DJ现场！让我们开始进入vue-3d-loader学习的海洋！Let’sGO！vue-3d-loader是vueJS+threeJS整合的一个3d展示组件。支持.dae/.fbx/.gltf/.glb/.obj/.ply/.stl/.json，并支持同一个场景导入多个不同3D模
- jQuery 键盘事件keydown ,keypress ,keyup介绍
107x
jsjquerykeydownkeypresskeyup
本文章总结了下些关于jQuery 键盘事件keydown ,keypress ,keyup介绍，有需要了解的朋友可参考。
一、首先需要知道的是： 1、keydown() keydown事件会在键盘按下时触发. 2、keyup() 代码如下 复制代码
$('input').keyup(funciton(){
- AngularJS中的Promise
bijian1013
JavaScriptAngularJSPromise
一.Promise
Promise是一个接口，它用来处理的对象具有这样的特点：在未来某一时刻（主要是异步调用）会从服务端返回或者被填充属性。其核心是，promise是一个带有then()函数的对象。
为了展示它的优点，下面来看一个例子，其中需要获取用户当前的配置文件：
var cu
- c++ 用数组实现栈类
CrazyMizzz
数据结构C++
#include<iostream>
#include<cassert>
using namespace std;
template<class T, int SIZE = 50>
class Stack{
private:
T list[SIZE];//数组存放栈的元素
int top;//栈顶位置
public:
Stack(
- java和c语言的雷同
麦田的设计者
java递归scaner
软件启动时的初始化代码，加载用户信息2015年5月27号
从头学java二
1、语言的三种基本结构：顺序、选择、循环。废话不多说，需要指出一下几点：
a、return语句的功能除了作为函数返回值以外，还起到结束本函数的功能，return后的语句
不会再继续执行。
b、for循环相比于whi
- LINUX环境并发服务器的三种实现模型
被触发
linux
服务器设计技术有很多，按使用的协议来分有TCP服务器和UDP服务器。按处理方式来分有循环服务器和并发服务器。
1 循环服务器与并发服务器模型
在网络程序里面，一般来说都是许多客户对应一个服务器，为了处理客户的请求，对服务端的程序就提出了特殊的要求。
目前最常用的服务器模型有：
·循环服务器：服务器在同一时刻只能响应一个客户端的请求
·并发服务器：服
- Oracle数据库查询指令
肆无忌惮_
oracle数据库
20140920
单表查询
-- 查询************************************************************************************************************
-- 使用scott用户登录
-- 查看emp表
desc emp
- ext右下角浮动窗口
知了ing
JavaScriptext
第一种
<!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/1999/
- 浅谈REDIS数据库的键值设计
矮蛋蛋
redis
http://www.cnblogs.com/aidandan/
原文地址：http://www.hoterran.info/redis_kv_design
丰富的数据结构使得redis的设计非常的有趣。不像关系型数据库那样，DEV和DBA需要深度沟通，review每行sql语句，也不像memcached那样，不需要DBA的参与。redis的DBA需要熟悉数据结构，并能了解使用场景。
- maven编译可执行jar包
alleni123
maven
http://stackoverflow.com/questions/574594/how-can-i-create-an-executable-jar-with-dependencies-using-maven
<build>
<plugins>
<plugin>
<artifactId>maven-asse
- 人力资源在现代企业中的作用
百合不是茶
HR 企业管理
//人力资源在在企业中的作用人力资源为什么会存在，人力资源究竟是干什么的 人力资源管理是对管理模式一次大的创新，人力资源兴起的原因有以下点： 工业时代的国际化竞争，现代市场的风险管控等等。所以人力资源 在现代经济竞争中的优势明显的存在，人力资源在集团类公司中存在着 明显的优势(鸿海集团)，有一次笔者亲自去体验过红海集团的招聘，只 知道人力资源是管理企业招聘的 当时我被招聘上了，当时给我们培训 的人
- Linux自启动设置详解
bijian1013
linux
linux有自己一套完整的启动体系，抓住了linux启动的脉络，linux的启动过程将不再神秘。
阅读之前建议先看一下附图。
本文中假设inittab中设置的init tree为：
/etc/rc.d/rc0.d
/etc/rc.d/rc1.d
/etc/rc.d/rc2.d
/etc/rc.d/rc3.d
/etc/rc.d/rc4.d
/etc/rc.d/rc5.d
/etc
- Spring Aop Schema实现
bijian1013
javaspringAOP
本例使用的是Spring2.5
1.Aop配置文件spring-aop.xml
<?xml version="1.0" encoding="UTF-8"?>
<beans
xmlns="http://www.springframework.org/schema/beans"
xmln
- 【Gson七】Gson预定义类型适配器
bit1129
gson
Gson提供了丰富的预定义类型适配器，在对象和JSON串之间进行序列化和反序列化时，指定对象和字符串之间的转换方式，
DateTypeAdapter
public final class DateTypeAdapter extends TypeAdapter<Date> {
public static final TypeAdapterFacto
- 【Spark八十八】Spark Streaming累加器操作（updateStateByKey)
bit1129
update
在实时计算的实际应用中，有时除了需要关心一个时间间隔内的数据，有时还可能会对整个实时计算的所有时间间隔内产生的相关数据进行统计。
比如： 对Nginx的access.log实时监控请求404时，有时除了需要统计某个时间间隔内出现的次数，有时还需要统计一整天出现了多少次404，也就是说404监控横跨多个时间间隔。
Spark Streaming的解决方案是累加器，工作原理是，定义
- linux系统下通过shell脚本快速找到哪个进程在写文件
ronin47
一个文件正在被进程写 我想查看这个进程 文件一直在增大 找不到谁在写 使用lsof也没找到
这个问题挺有普遍性的，解决方法应该很多，这里我给大家提个比较直观的方法。
linux下每个文件都会在某个块设备上存放，当然也都有相应的inode, 那么透过vfs.write我们就可以知道谁在不停的写入特定的设备上的inode。
幸运的是systemtap的安装包里带了inodewatch.stp，位
- java-两种方法求第一个最长的可重复子串
bylijinnan
java算法
import java.util.Arrays;
import java.util.Collections;
import java.util.List;
public class MaxPrefix {
public static void main(String[] args) {
String str="abbdabcdabcx";
- Netty源码学习-ServerBootstrap启动及事件处理过程
bylijinnan
javanetty
Netty是采用了Reactor模式的多线程版本，建议先看下面这篇文章了解一下Reactor模式：
http://bylijinnan.iteye.com/blog/1992325
Netty的启动及事件处理的流程，基本上是按照上面这篇文章来走的
文章里面提到的操作，每一步都能在Netty里面找到对应的代码
其中Reactor里面的Acceptor就对应Netty的ServerBo
- servelt filter listener 的生命周期
cngolon
filterlistenerservelt生命周期
1. servlet 当第一次请求一个servlet资源时，servlet容器创建这个servlet实例，并调用他的 init(ServletConfig config)做一些初始化的工作，然后调用它的service方法处理请求。当第二次请求这个servlet资源时，servlet容器就不在创建实例，而是直接调用它的service方法处理请求，也就是说
- jmpopups获取input元素值
ctrain
JavaScript
jmpopups 获取弹出层form表单
首先，我有一个div，里面包含了一个表单，默认是隐藏的，使用jmpopups时，会弹出这个隐藏的div，其实jmpopups是将我们的代码生成一份拷贝。
当我直接获取这个form表单中的文本框时，使用方法：$('#form input[name=test1]').val()；这样是获取不到的。
我们必须到jmpopups生成的代码中去查找这个值，$(
- vi查找替换命令详解
daizj
linux正则表达式替换查找vim
一、查找
查找命令
/pattern<Enter> ：向下查找pattern匹配字符串
?pattern<Enter>：向上查找pattern匹配字符串
使用了查找命令之后，使用如下两个键快速查找：
n：按照同一方向继续查找
N：按照反方向查找
字符串匹配
pattern是需要匹配的字符串，例如：
1: /abc<En
- 对网站中的js,css文件进行打包
dcj3sjt126com
PHP打包
一，为什么要用smarty进行打包
apache中也有给js,css这样的静态文件进行打包压缩的模块，但是本文所说的不是以这种方式进行的打包，而是和smarty结合的方式来把网站中的js,css文件进行打包。
为什么要进行打包呢，主要目的是为了合理的管理自己的代码 。现在有好多网站，你查看一下网站的源码的话，你会发现网站的头部有大量的JS文件和CSS文件，网站的尾部也有可能有大量的J
- php Yii: 出现undefined offset 或者 undefined index解决方案
dcj3sjt126com
undefined
在开发Yii 时，在程序中定义了如下方式：
if($this->menuoption[2] === 'test')，那么在运行程序时会报：undefined offset:2，这样的错误主要是由于php.ini 里的错误等级太高了，在windows下错误等级
- linux 文件格式（1） sed工具
eksliang
linuxlinux sed工具sed工具linux sed详解
转载请出自出处：
http://eksliang.iteye.com/blog/2106082
简介
sed 是一种在线编辑器，它一次处理一行内容。处理时，把当前处理的行存储在临时缓冲区中，称为“模式空间”（pattern space），接着用sed命令处理缓冲区中的内容，处理完成后，把缓冲区的内容送往屏幕。接着处理下一行，这样不断重复，直到文件末尾
- Android应用程序获取系统权限
gqdy365
android
引用
如何使Android应用程序获取系统权限
第一个方法简单点，不过需要在Android系统源码的环境下用make来编译：
1. 在应用程序的AndroidManifest.xml中的manifest节点
- HoverTree开发日志之验证码
hvt
.netC#asp.nethovertreewebform
HoverTree是一个ASP.NET的开源CMS，目前包含文章系统，图库和留言板功能。代码完全开放，文章内容页生成了静态的HTM页面，留言板提供留言审核功能，文章可以发布HTML源代码，图片上传同时生成高品质缩略图。推出之后得到许多网友的支持，再此表示感谢！留言板不断收到许多有益留言，但同时也有不少广告，因此决定在提交留言页面增加验证码功能。ASP.NET验证码在网上找，如果不是很多，就是特别多
- JSON API：用 JSON 构建 API 的标准指南中文版
justjavac
json
译文地址：https://github.com/justjavac/json-api-zh_CN
如果你和你的团队曾经争论过使用什么方式构建合理 JSON 响应格式， 那么 JSON API 就是你的 anti-bikeshedding 武器。
通过遵循共同的约定，可以提高开发效率，利用更普遍的工具，可以是你更加专注于开发重点：你的程序。
基于 JSON API 的客户端还能够充分利用缓存，
- 数据结构随记_2
lx.asymmetric
数据结构笔记
第三章 栈与队列
一．简答题
1. 在一个循环队列中，队首指针指向队首元素的 前一个 位置。
2.在具有n个单元的循环队列中，队满时共有 n-1 个元素。
3. 向栈中压入元素的操作是先 移动栈顶指针&n
- Linux下的监控工具dstat
网络接口
linux
1) 工具说明dstat是一个用来替换 vmstat,iostat netstat,nfsstat和ifstat这些命令的工具, 是一个全能系统信息统计工具. 与sysstat相比, dstat拥有一个彩色的界面, 在手动观察性能状况时, 数据比较显眼容易观察; 而且dstat支持即时刷新, 譬如输入dstat 3, 即每三秒收集一次, 但最新的数据都会每秒刷新显示. 和sysstat相同的是,
- C 语言初级入门--二维数组和指针
1140566087
二维数组c/c++指针
/*
二维数组的定义和二维数组元素的引用
二维数组的定义：
当数组中的每个元素带有两个下标时，称这样的数组为二维数组；
(逻辑上把数组看成一个具有行和列的表格或一个矩阵);
语法：
类型名 数组名[常量表达式1][常量表达式2]
二维数组的引用：
引用二维数组元素时必须带有两个下标，引用形式如下：
例如：
int a[3][4]; 引用：
- 10点睛Spring4.1-Application Event
wiselyman
application
10.1 Application Event
Spring使用Application Event给bean之间的消息通讯提供了手段
应按照如下部分实现bean之间的消息通讯
继承ApplicationEvent类实现自己的事件
实现继承ApplicationListener接口实现监听事件
使用ApplicationContext发布消息
