- 自然语言处理(NLP)技术介绍
风吹晚风悠
gpt人工智能nlp自然语言处理
自然语言处理(NLP)是一种涉及计算机和人类语言之间交流的技术。NLP技术可以应用于多个领域,例如机器翻译、情感分析、文本分类、问答系统等。以下是一些NLP技术的示例:机器翻译:NLP技术可用于将一个语言的文本自动翻译成另一个语言。例如,GoogleTranslate和百度翻译等在线翻译工具就使用了NLP技术。情感分析:NLP技术可用于分析文本中的情感和情感倾向。这可以帮助企业了解公众对其产品或服
- 基于Transformer的医学文本分类:从BERT到BioBERT
Evaporator Core
人工智能#深度学习#DeepSeek快速入门transformer分类bert
随着自然语言处理(NLP)技术的快速发展,Transformer模型在文本分类、情感分析、机器翻译等任务中取得了显著成果。在医学领域,文本数据(如电子病历、医学文献、临床报告)具有高度的专业性和复杂性,传统的NLP方法往往难以处理。Transformer模型,尤其是BERT及其变体,通过预训练和微调的方式,能够有效捕捉医学文本中的语义信息,为医学文本分类提供了强大的工具。本文将探讨Transfor
- TF-IDF:文本挖掘中的关键词提取利器
巷955
tf-idf
引言在自然语言处理(NLP)和文本挖掘中,TF-IDF是一种常用的技术,用于评估一个词在文档中的重要性。它不仅在信息检索领域广泛应用,还在文本分类、关键词提取等任务中发挥着重要作用。本文将详细介绍TF-IDF的原理,并通过一个实际的代码示例来展示如何使用TF-IDF从《红楼梦》中提取核心关键词。1.什么是TF-IDF?TF-IDF是一种统计方法,用于评估一个词在文档中的重要性。它由两部分组成:-T
- 人工智能概念
zhangpeng455547940
计算机人工智能
机器学习、深度学习、大模型机器学习提供框架,使得系统可以从数据中学习算法:线性回归、逻辑回归、支持向量机、决策树、随机森林、K近邻算法深度学习是实现这一目标的工具,模仿人脑,使用多层神经网络进行学习算法:多层感知器、卷积神经网络、循环神经网络、长短期记忆网络大模型指参数量巨大的深度学习模型人工智能应用:自然语言处理、图像识别与生成、语音识别、政务与企业服务...
- AI大模型推理加速:技术与实践详解
AI大模型学习者
人工智能
近年来,AI大模型在自然语言处理、计算机视觉等领域取得了突破性进展。然而,大模型的推理速度却成为其落地应用的瓶颈。本文将详细探讨AI大模型推理加速的技术手段和实践经验,并结合具体案例进行分析。一、挑战与机遇1.1挑战庞大的参数量:大模型通常拥有数十亿甚至数千亿个参数,例如GPT-3拥有1750亿个参数。如此庞大的参数量导致模型文件体积巨大,加载和推理都需要消耗大量的内存和计算资源。复杂的计算图:大
- 大模型(DeepSeek等)是否会动摇AI工程师的工作?
点我头像干啥
Ai深度学习人工智能AI编程计算机视觉
引言近年来,人工智能(AI)领域取得了突飞猛进的发展,尤其是大模型(如GPT-3、BERT、DeepSeek等)的出现,极大地推动了自然语言处理(NLP)、计算机视觉(CV)等领域的进步。大模型凭借其强大的泛化能力和广泛的应用场景,逐渐成为AI领域的核心技术之一。然而,随着大模型的普及,一个备受关注的问题浮出水面:大模型是否会动摇AI工程师的工作?本文将从多个角度探讨这一问题,分析大模型对AI工程
- Java线程协作式中断机制
超人汪小建(seaboat)
线程协作式中断机制jvm
跟着作者的65节课彻底搞懂Java并发原理专栏,一步步彻底搞懂Java并发原理。作者简介:笔名seaboat,擅长工程算法、人工智能算法、自然语言处理、计算机视觉、架构、分布式、高并发、大数据和搜索引擎等方面的技术,大多数编程语言都会使用,但更擅长Java、Python和C++。平时喜欢看书写作、运动、画画。崇尚技术自由,崇尚思想自由。出版书籍:《Tomcat内核设计剖析》、《图解数据结构与算法》
- 深度学习 bert与Transformer的区别联系
Humingway
深度学习berttransformer
BERT(BidirectionalEncoderRepresentationsfromTransformers)和Transformer都是现代自然语言处理(NLP)中的重要概念,但它们代表不同的层面。理解这两者之间的区别与联系有助于更好地掌握它们在NLP任务中的应用。TransformerTransformer是一种特定的深度学习模型架构,由Vaswani等人在2017年的论文《Attenti
- 自然语言处理:文本聚类
老赵爱学习
python文本聚类k均值聚类算法高斯混合模型的最大期望值算法无监督朴素贝叶斯模型自然语言处理人工智能
介绍大家好,博主又来和大家分享自然语言处理领域的知识了。今天给大家分享的内容是自然语言处理中的文本聚类。文本聚类在自然语言处理领域占据着重要地位,它能将大量无序的文本按照内容的相似性自动划分成不同的类别,极大地提高了文本处理和信息提取的效率。就好比在一个大型图书馆中,文本聚类能够像智能管理员一样,把各种书籍按照主题分类摆放,方便读者快速找到所需资料。而实现文本聚类的方法有很多,其中k均值聚类算法、
- Python与人工智能:为何它们是天作之合?
纪至训至
python人工智能开发语言
引言在人工智能(AI)飞速发展的今天,Python已成为这一领域的“明星语言”。从机器学习到深度学习,从自然语言处理到计算机视觉,Python的身影无处不在。那么,Python究竟为何能成为AI开发的首选工具?本文将探讨Python与AI之间的深度关联,并解析其背后的原因。1.Python的简洁性与可读性AI开发的核心在于快速迭代和实验,而Python以其简洁的语法和直观的代码结构著称。开发者无需
- 【自学笔记】讯飞星火基础知识点总览-持续更新
Long_poem
笔记
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录讯飞星火基础知识点总览一、讯飞星火简介二、核心功能1.语音识别2.自然语言处理3.知识图谱4.星火API三、基础概念1.AI模型2.数据处理3.交互方式四、应用场景示例1.办公场景2.学习场景3.生活场景五、总结总结讯飞星火基础知识点总览一、讯飞星火简介讯飞星火是科大讯飞推出的一款强大的AI技术平台,它集成了语音识别、自然语言
- Python深度学习033:Python、PyTorch、CUDA和显卡驱动之间的关系
若北辰
Python深度学习python深度学习pytorch
Python、PyTorch、CUDA和显卡驱动之间的关系相当紧密,它们共同构成了一个能够执行深度学习模型的高效计算环境。下面是它们之间关系的简要概述:PythonPython是一种编程语言,广泛用于科学计算、数据分析和机器学习。它是开发和运行PyTorch代码的基础环境。PyTorchPyTorch是一个开源的机器学习库,用于应用如自然语言处理和计算机视觉的深度学习模型。它提供了丰富的API,使
- 从零开始大模型开发与微调:编码器的实现
AI天才研究院
计算AI大模型企业级应用开发实战DeepSeekR1&大数据AI人工智能大模型计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
从零开始大模型开发与微调:编码器的实现作者:禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming关键词:自然语言处理,大模型,Transformer架构,编码器模块,序列到序列学习文章目录从零开始大模型开发与微调:编码器的实现1.背景介绍1.1问题的由来1.2研究现状1.3研究意义1.4本文结构2.核心概念与联系2.1编码器模块简介2.2编码器与Transfo
- 大模型赋能智慧司法,创业者如何推动法律服务普惠化?
AI大模型应用之禅
DeepSeekR1&AI大模型与大数据javapythonjavascriptkotlingolang架构人工智能
大模型,智慧司法,法律服务,普惠化,人工智能,自然语言处理,法律科技1.背景介绍近年来,人工智能(AI)技术蓬勃发展,特别是大模型的涌现,为各行各业带来了革命性的变革。其中,智慧司法领域展现出巨大的潜力,大模型能够有效提升法律服务效率,降低法律服务门槛,推动法律服务普惠化。传统法律服务模式面临着诸多挑战:服务成本高昂:律师咨询和诉讼费用对普通民众来说往往难以负担。服务效率低下:法律文件审查、合同分
- PyTorch深度学习框架进阶学习计划 - 第21天:自然语言处理基础
凡人的AI工具箱
深度学习pytorch学习人工智能AI编程AIGC自然语言处理
PyTorch深度学习框架进阶学习计划-第21天自然语言处理基础今天我们将深入学习自然语言处理(NLP)的基础概念,重点关注词嵌入技术、序列建模原理以及主流模型之间的区别和优缺点。通过理解这些基础知识,你将能够更好地应用PyTorch构建NLP应用。1.词嵌入原理与实现词嵌入(WordEmbeddings)是NLP中的核心概念,它将单词映射到连续向量空间,使得语义相似的词在向量空间中距离较近。为什
- Python爬虫学习笔记_DAY_26_Python爬虫之requests库的安装与基本使用【Python爬虫】_requests库ip
苹果Android开发组
程序员python爬虫学习
最后Python崛起并且风靡,因为优点多、应用领域广、被大牛们认可。学习Python门槛很低,但它的晋级路线很多,通过它你能进入机器学习、数据挖掘、大数据,CS等更加高级的领域。Python可以做网络应用,可以做科学计算,数据分析,可以做网络爬虫,可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多,你需要学好基础,再选择明确的方向。这里给大家分享一份全套的Pytho
- AI基于深度学习的代码搜索案例(一)
人工智能MOS
人工智能深度学习机器学习
1.背景近年来,人工智能逐渐进入各个领域并展现出了强大的能力。在计算机视觉领域,以ImageNet为例,计算机的图像分类水平已经超过了人类。在自然语言处理(NLP)领域,BERT、XLNet以及MASS也一遍遍的刷新着任务榜单。当人工智能进入游戏领域,也取得了惊人的成绩,在Atari系列游戏中,计算机很容易超过了大部分人类,在围棋比赛中,AlphaGo和AlphaZero也已经超越了人类顶尖棋手。
- DeepSeek在供热行业中的应用
杨航 AI
人工智能深度学习python机器学习算法
目录引言1.1DeepSeek技术概述1.2供暖行业业务挑战1.3DeepSeek在供暖行业的应用前景DeepSeek技术基础2.1深度学习与机器学习2.2自然语言处理(NLP)2.3图像识别与处理2.4数据挖掘与分析供暖行业应用场景3.1设备监控与维护3.1.1设备状态监控3.1.2故障预测与诊断3.1.3维护计划优化3.2能源管理与优化3.2.1能耗数据分析3.2.2热负荷预测3.2.3节能优
- 揭秘Prompt Engineering 提示词工程(附学习文档)
LLM.
prompt人工智能ai大模型大模型提示词工程大语言模型LLM
PromptEngineering概览何为Prompt在自然语言处理领域,尤其是与大型语言模型(LLM)互动时,Prompt起着至关重要的作用。形象地说:LLM是金矿:大型语言模型如同深藏不露的金矿,蕴藏着巨大的知识与创造力潜力。Prompt是钥匙:而Prompt,则是开启这座金矿的钥匙。通过精心设计的问题或指令(Prompt),我们能引导模型产生特定的、有价值的输出,如文章创作、代码编写、问题解
- 应用商店评论分析实战:Python逆向工程破解Google Play加密接口与NLP建模
西攻城狮北
物联网python爬虫实战案例
一、项目概述在移动互联网时代,应用商店中的用户评论成为了开发者优化应用、提升用户体验的重要依据。然而,GooglePlay等应用商店对评论数据进行了加密处理,直接爬取难度较大。本文将介绍如何使用Python逆向工程破解GooglePlay的加密接口,实现对应用商店评论的实时采集,并结合NLP(自然语言处理)技术进行情感分析和主题建模,为开发者提供有价值的数据支持。二、技术选型(一)Python逆向
- Transformer大模型实战 对比ALBERT与BERT
AI天才研究院
AI大模型企业级应用开发实战Python实战DeepSeekR1&大数据AI人工智能大模型javapythonjavascriptkotlingolang架构人工智能大厂程序员硅基计算碳基计算认知计算生物计算深度学习神经网络大数据AIGCAGILLM系统架构设计软件哲学Agent程序员实现财富自由
文章标题在当今人工智能领域的迅速发展中,Transformer大模型无疑成为了自然语言处理(NLP)领域的璀璨明星。为了深入理解这一技术,我们特别撰写了《Transformer大模型实战对比ALBERT与BERT》这篇文章,旨在为广大读者提供一场关于Transformer模型及其实战应用的技术盛宴。关键词:Transformer,BERT,ALBERT,自然语言处理,深度学习,模型对比,实战应用摘
- Diffusion Transformer与Differential Transformer:技术创新与应用前景
AI大模型learner
深度学习人工智能机器学习
引言Transformer架构已成为自然语言处理(NLP)和计算机视觉(CV)领域的主流技术。随着技术的不断发展,DiffusionTransformer和DifferentialTransformer等新型架构逐步涌现,为生成模型和注意力机制带来了突破性的进展。本文旨在从科学视角探讨这两种模型的核心原理、技术特点及应用前景。DiffusionTransformer概念与原理DiffusionTr
- Vision Transformer (ViT):将Transformer带入计算机视觉的革命性尝试(代码实现)
阿正的梦工坊
DeepLearningDLPaperstransformer计算机视觉深度学习
VisionTransformer(ViT):将Transformer带入计算机视觉的革命性尝试作为一名深度学习研究者,如果你对自然语言处理(NLP)领域的Transformer架构了如指掌,那么你一定不会对它在序列建模中的强大能力感到陌生。然而,2021年由GoogleResearch团队在ICLR上发表的论文《ANIMAGEISWORTH16x16WORDS:TRANSFORMERSFORIM
- AIGC论文查重和传统论文查重有什么区别?
真不二价825
论文查重AI论文写作AIGC论文查重
AIGC论文查重和传统论文查重在多个方面存在显著区别,以下是对两者的详细比较:一、检测目标和技术原理AIGC论文查重检测目标:主要用于检测和分析文本内容是否由AI生成,特别是在要求提供真实人类经验的领域,如新闻发布、文学创作等。技术原理:主要利用自然语言处理和深度学习技术,分析文本的风格、语法结构和语义连贯性,以判断内容是否可能由AI模型产生。传统论文查重检测目标:主要检测论文中是否存在抄袭或剽窃
- 使用 Python 爬虫抓取 Wikipedia 页面内容——完整实战教程
Python爬虫项目
2025年爬虫实战项目python爬虫开发语言jsonjava
引言随着互联网的普及和信息化时代的到来,获取知识变得异常方便。Wikipedia作为全球最大的开放式百科全书,几乎涵盖了所有领域的知识。每年都有数十亿次的访问量,成为全球获取信息的一个重要来源。对于数据分析、自然语言处理、学术研究等领域,Wikipedia页面内容往往是研究者和开发者的重要数据来源之一。本篇博客将带您通过Python爬虫,学习如何抓取Wikipedia页面中的内容,并处理提取的文本
- NLP常见任务专题介绍(3)-垂直领域的聊天机器人搭建详细教程
AI专题精讲
大模型专题系列自然语言处理机器人人工智能
一、整体流程构建垂直领域的聊天机器人需要结合特定行业的需求,采用自然语言处理和机器学习等技术。以下是一个典型的构建流程及相关技术实现:需求分析:明确机器人需要解决的问题范围和功能,例如客户服务、信息查询等。数据收集与预处理:数据收集:从行业相关的网站、论坛、数据库等渠道获取大量专业领域的文本数据。数据清洗:去除广告、无意义回复等噪声数据,确保数据质量。数据标注:对文本进行意图识别和实体识别的标注,
- 基于 DeepSeek 的自动化运维(适合企业降本增效)
Real Man★
运维自动化
基于DeepSeek的自动化运维解决方案DeepSeek凭借其强大的AI能力(如自然语言处理、时序预测、异常检测),可显著提升运维效率,实现从监控告警到故障自愈的全流程自动化。以下是结合企业级场景的实战方案:一、核心应用场景与实现路径智能监控与告警日志分析:使用DeepSeek-NLP模型自动解析日志,提取关键错误模式(如OutOfMemory、Timeout)。python复制fromdeeps
- Adapter-Tuning:高效适配预训练模型的新任务
花千树-010
TuningpromptembeddingAIGC机器学习chatgptpytorch
1.引言近年来,预训练语言模型(PLM)如BERT、GPT和T5在自然语言处理(NLP)任务中取得了巨大成功。然而,Fine-Tuning这些大型模型通常需要大量计算资源,并且每个新任务都需要存储一套完整的微调权重,这导致存储成本高昂。Adapter-Tuning作为一种高效的模型调优方法,允许我们在预训练模型的基础上,通过引入轻量级“Adapter”层来进行任务特定的学习。Adapter层只占用
- 2024-05-21 问AI: 介绍一下大语言模型的推理过程。
BigSharkTech 必杀技
用AI来理解AI人工智能语言模型自然语言处理
文心一言大语言模型的推理过程是一个复杂而精细的序列,它结合了深度学习和自然语言处理的技术,旨在理解和生成人类可以理解的自然语言文本。以下是该过程的主要步骤:输入文本的解析:当用户输入一段文本时,大语言模型首先会通过一个称为分词器的工具(tokenizer)对输入文本进行解析。分词器会将文本分解为一系列的单词或子词(tokens),并将它们转换为数字形式的序列。这些数字通常是单词在模型词典(voca
- Adobe Firefly 技术浅析(二):Transformer生成模型
爱研究的小牛
AIGC——图像transformer深度学习人工智能AIGC机器学习
AdobeFirefly的图像生成技术不仅依赖于生成式对抗网络(GAN),还引入了基于Transformer的生成模型。Transformer模型在处理长距离依赖关系和生成复杂图像结构方面具有显著优势。1.基本原理1.1Transformer模型简介Transformer模型最初由Vaswani等人在2017年提出,用于自然语言处理(NLP)任务。其核心是自注意力机制(Self-Attention
- 戴尔笔记本win8系统改装win7系统
sophia天雪
win7戴尔改装系统win8
戴尔win8 系统改装win7 系统详述
第一步:使用U盘制作虚拟光驱:
1)下载安装UltraISO:注册码可以在网上搜索。
2)启动UltraISO,点击“文件”—》“打开”按钮,打开已经准备好的ISO镜像文
- BeanUtils.copyProperties使用笔记
bylijinnan
java
BeanUtils.copyProperties VS PropertyUtils.copyProperties
两者最大的区别是:
BeanUtils.copyProperties会进行类型转换,而PropertyUtils.copyProperties不会。
既然进行了类型转换,那BeanUtils.copyProperties的速度比不上PropertyUtils.copyProp
- MyEclipse中文乱码问题
0624chenhong
MyEclipse
一、设置新建常见文件的默认编码格式,也就是文件保存的格式。
在不对MyEclipse进行设置的时候,默认保存文件的编码,一般跟简体中文操作系统(如windows2000,windowsXP)的编码一致,即GBK。
在简体中文系统下,ANSI 编码代表 GBK编码;在日文操作系统下,ANSI 编码代表 JIS 编码。
Window-->Preferences-->General -
- 发送邮件
不懂事的小屁孩
send email
import org.apache.commons.mail.EmailAttachment;
import org.apache.commons.mail.EmailException;
import org.apache.commons.mail.HtmlEmail;
import org.apache.commons.mail.MultiPartEmail;
- 动画合集
换个号韩国红果果
htmlcss
动画 指一种样式变为另一种样式 keyframes应当始终定义0 100 过程
1 transition 制作鼠标滑过图片时的放大效果
css
.wrap{
width: 340px;height: 340px;
position: absolute;
top: 30%;
left: 20%;
overflow: hidden;
bor
- 网络最常见的攻击方式竟然是SQL注入
蓝儿唯美
sql注入
NTT研究表明,尽管SQL注入(SQLi)型攻击记录详尽且为人熟知,但目前网络应用程序仍然是SQLi攻击的重灾区。
信息安全和风险管理公司NTTCom Security发布的《2015全球智能威胁风险报告》表明,目前黑客攻击网络应用程序方式中最流行的,要数SQLi攻击。报告对去年发生的60亿攻击 行为进行分析,指出SQLi攻击是最常见的网络应用程序攻击方式。全球网络应用程序攻击中,SQLi攻击占
- java笔记2
a-john
java
类的封装:
1,java中,对象就是一个封装体。封装是把对象的属性和服务结合成一个独立的的单位。并尽可能隐藏对象的内部细节(尤其是私有数据)
2,目的:使对象以外的部分不能随意存取对象的内部数据(如属性),从而使软件错误能够局部化,减少差错和排错的难度。
3,简单来说,“隐藏属性、方法或实现细节的过程”称为——封装。
4,封装的特性:
4.1设置
- [Andengine]Error:can't creat bitmap form path “gfx/xxx.xxx”
aijuans
学习Android遇到的错误
最开始遇到这个错误是很早以前了,以前也没注意,只当是一个不理解的bug,因为所有的texture,textureregion都没有问题,但是就是提示错误。
昨天和美工要图片,本来是要背景透明的png格式,可是她却给了我一个jpg的。说明了之后她说没法改,因为没有png这个保存选项。
我就看了一下,和她要了psd的文件,还好我有一点
- 自己写的一个繁体到简体的转换程序
asialee
java转换繁体filter简体
今天调研一个任务,基于java的filter实现繁体到简体的转换,于是写了一个demo,给各位博友奉上,欢迎批评指正。
实现的思路是重载request的调取参数的几个方法,然后做下转换。
- android意图和意图监听器技术
百合不是茶
android显示意图隐式意图意图监听器
Intent是在activity之间传递数据;Intent的传递分为显示传递和隐式传递
显式意图:调用Intent.setComponent() 或 Intent.setClassName() 或 Intent.setClass()方法明确指定了组件名的Intent为显式意图,显式意图明确指定了Intent应该传递给哪个组件。
隐式意图;不指明调用的名称,根据设
- spring3中新增的@value注解
bijian1013
javaspring@Value
在spring 3.0中,可以通过使用@value,对一些如xxx.properties文件中的文件,进行键值对的注入,例子如下:
1.首先在applicationContext.xml中加入:
<beans xmlns="http://www.springframework.
- Jboss启用CXF日志
sunjing
logjbossCXF
1. 在standalone.xml配置文件中添加system-properties:
<system-properties> <property name="org.apache.cxf.logging.enabled" value=&
- 【Hadoop三】Centos7_x86_64部署Hadoop集群之编译Hadoop源代码
bit1129
centos
编译必需的软件
Firebugs3.0.0
Maven3.2.3
Ant
JDK1.7.0_67
protobuf-2.5.0
Hadoop 2.5.2源码包
Firebugs3.0.0
http://sourceforge.jp/projects/sfnet_findbug
- struts2验证框架的使用和扩展
白糖_
框架xmlbeanstruts正则表达式
struts2能够对前台提交的表单数据进行输入有效性校验,通常有两种方式:
1、在Action类中通过validatexx方法验证,这种方式很简单,在此不再赘述;
2、通过编写xx-validation.xml文件执行表单验证,当用户提交表单请求后,struts会优先执行xml文件,如果校验不通过是不会让请求访问指定action的。
本文介绍一下struts2通过xml文件进行校验的方法并说
- 记录-感悟
braveCS
感悟
再翻翻以前写的感悟,有时会发现自己很幼稚,也会让自己找回初心。
2015-1-11 1. 能在工作之余学习感兴趣的东西已经很幸福了;
2. 要改变自己,不能这样一直在原来区域,要突破安全区舒适区,才能提高自己,往好的方面发展;
3. 多反省多思考;要会用工具,而不是变成工具的奴隶;
4. 一天内集中一个定长时间段看最新资讯和偏流式博
- 编程之美-数组中最长递增子序列
bylijinnan
编程之美
import java.util.Arrays;
import java.util.Random;
public class LongestAccendingSubSequence {
/**
* 编程之美 数组中最长递增子序列
* 书上的解法容易理解
* 另一方法书上没有提到的是,可以将数组排序(由小到大)得到新的数组,
* 然后求排序后的数组与原数
- 读书笔记5
chengxuyuancsdn
重复提交struts2的token验证
1、重复提交
2、struts2的token验证
3、用response返回xml时的注意
1、重复提交
(1)应用场景
(1-1)点击提交按钮两次。
(1-2)使用浏览器后退按钮重复之前的操作,导致重复提交表单。
(1-3)刷新页面
(1-4)使用浏览器历史记录重复提交表单。
(1-5)浏览器重复的 HTTP 请求。
(2)解决方法
(2-1)禁掉提交按钮
(2-2)
- [时空与探索]全球联合进行第二次费城实验的可能性
comsci
二次世界大战前后,由爱因斯坦参加的一次在海军舰艇上进行的物理学实验 -费城实验
至今给我们大家留下很多迷团.....
关于费城实验的详细过程,大家可以在网络上搜索一下,我这里就不详细描述了
在这里,我的意思是,现在
- easy connect 之 ORA-12154: TNS: 无法解析指定的连接标识符
daizj
oracleORA-12154
用easy connect连接出现“tns无法解析指定的连接标示符”的错误,如下:
C:\Users\Administrator>sqlplus username/
[email protected]:1521/orcl
SQL*Plus: Release 10.2.0.1.0 – Production on 星期一 5月 21 18:16:20 2012
Copyright (c) 198
- 简单排序:归并排序
dieslrae
归并排序
public void mergeSort(int[] array){
int temp = array.length/2;
if(temp == 0){
return;
}
int[] a = new int[temp];
int
- C语言中字符串的\0和空格
dcj3sjt126com
c
\0 为字符串结束符,比如说:
abcd (空格)cdefg;
存入数组时,空格作为一个字符占有一个字节的空间,我们
- 解决Composer国内速度慢的办法
dcj3sjt126com
Composer
用法:
有两种方式启用本镜像服务:
1 将以下配置信息添加到 Composer 的配置文件 config.json 中(系统全局配置)。见“例1”
2 将以下配置信息添加到你的项目的 composer.json 文件中(针对单个项目配置)。见“例2”
为了避免安装包的时候都要执行两次查询,切记要添加禁用 packagist 的设置,如下 1 2 3 4 5
- 高效可伸缩的结果缓存
shuizhaosi888
高效可伸缩的结果缓存
/**
* 要执行的算法,返回结果v
*/
public interface Computable<A, V> {
public V comput(final A arg);
}
/**
* 用于缓存数据
*/
public class Memoizer<A, V> implements Computable<A,
- 三点定位的算法
haoningabc
c算法
三点定位,
已知a,b,c三个顶点的x,y坐标
和三个点都z坐标的距离,la,lb,lc
求z点的坐标
原理就是围绕a,b,c 三个点画圆,三个圆焦点的部分就是所求
但是,由于三个点的距离可能不准,不一定会有结果,
所以是三个圆环的焦点,环的宽度开始为0,没有取到则加1
运行
gcc -lm test.c
test.c代码如下
#include "stdi
- epoll使用详解
jimmee
clinux服务端编程epoll
epoll - I/O event notification facility在linux的网络编程中,很长的时间都在使用select来做事件触发。在linux新的内核中,有了一种替换它的机制,就是epoll。相比于select,epoll最大的好处在于它不会随着监听fd数目的增长而降低效率。因为在内核中的select实现中,它是采用轮询来处理的,轮询的fd数目越多,自然耗时越多。并且,在linu
- Hibernate对Enum的映射的基本使用方法
linzx0212
enumHibernate
枚举
/**
* 性别枚举
*/
public enum Gender {
MALE(0), FEMALE(1), OTHER(2);
private Gender(int i) {
this.i = i;
}
private int i;
public int getI
- 第10章 高级事件(下)
onestopweb
事件
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/
- 孙子兵法
roadrunners
孙子兵法
始计第一
孙子曰:
兵者,国之大事,死生之地,存亡之道,不可不察也。
故经之以五事,校之以计,而索其情:一曰道,二曰天,三曰地,四曰将,五
曰法。道者,令民于上同意,可与之死,可与之生,而不危也;天者,阴阳、寒暑
、时制也;地者,远近、险易、广狭、死生也;将者,智、信、仁、勇、严也;法
者,曲制、官道、主用也。凡此五者,将莫不闻,知之者胜,不知之者不胜。故校
之以计,而索其情,曰
- MySQL双向复制
tomcat_oracle
mysql
本文包括:
主机配置
从机配置
建立主-从复制
建立双向复制
背景
按照以下简单的步骤:
参考一下:
在机器A配置主机(192.168.1.30)
在机器B配置从机(192.168.1.29)
我们可以使用下面的步骤来实现这一点
步骤1:机器A设置主机
在主机中打开配置文件 ,
- zoj 3822 Domination(dp)
阿尔萨斯
Mina
题目链接:zoj 3822 Domination
题目大意:给定一个N∗M的棋盘,每次任选一个位置放置一枚棋子,直到每行每列上都至少有一枚棋子,问放置棋子个数的期望。
解题思路:大白书上概率那一张有一道类似的题目,但是因为时间比较久了,还是稍微想了一下。dp[i][j][k]表示i行j列上均有至少一枚棋子,并且消耗k步的概率(k≤i∗j),因为放置在i+1~n上等价与放在i+1行上,同理