- MIT 6.S184 Lec01 Flow and Diffusion Models
克斯维尔的明天_
机器学习人工智能
MIT6.S184Lec01FlowandDiffusionModels本节中,我们将描述如何通过模拟一个适当构造的微分方程来获得所需的转换。例如,流匹配和扩散模型分别涉及模拟常微分方程(ODE)和随机微分方程(SDE)。因此,本节的目标是定义和构建这些生成模型。具体来说,我们首先定义ODE和SDE,并讨论它们的模拟。其次,我们描述如何使用深度神经网络对ODE/SDE进行参数化。从中推导出流模型和
- BAAI/BGE-VL多模态模型部署、原理、代码详解(实现图像文本混合检索),包含BEG-VL多模态模型的本地部署详细步骤及代码原理解析
令令小宁
python语言模型自然语言处理nlp人工智能
本文包含BGE-VL多模态模型的本地部署详细步骤及代码原理解析文章目录前言一、模型下载二、计算流程解析1.BGE-VL-base/Large2.BGE-VL-MLLM-s1/s2三、总结前言提示:这里可以添加本文要记录的大概内容:包含四个模型及数据集,数据集未开源,四个模型可以分别下载:其中,BGE-VL-base/Large是基于CLIP训练的模型,BGE-VL-MLLM-S1/S2是基于LLM
- 本地部署Jina-CLIP v2:多语言多模态文本图像向量模型(包含一些踩坑记录和技巧)
令令小宁
jina语言模型python
JinaCLIPv2:Jina-CLIP-v2是一个全新的通用多语言多模态向量模型,该模型基于jina-clip-v1和jina-embeddings-3构建,实现了一些关键改进。关于Jina-CLIP-v2的更多介绍点此可了解模型特点模型开源链接:https://huggingface.co/jinaai/jina-clip-v2在它的开源链接的介绍中,我们可以得知,Jina-CLIP-v2的参
- [精选] 2025最新MySQL和PostgreSQL区别、迁移、安全、适用场景全解析
猫头虎
数据库技术专区#MySQL专栏#PostgreSQL专栏mysqlpostgresql安全运维云原生数据库容器
[精选]2025最新MySQL和PostgreSQL区别、迁移、安全、适用场景全解析在当前的数据库技术领域,MySQL和PostgreSQL作为两大主流数据库,拥有各自独特的优势和应用场景。随着技术的不断演进,特别是2025年的最新动态和趋势,两者在功能、迁移、性能、安全性等方面都有了一定的变化和优化。因此,本文将通过详细的对比和分析,帮助初学者更好地理解这两种数据库,帮助你做出选择,或者顺利进行
- AutoGen行业应用与典型场景实践
摘要AutoGen作为分布式多智能体AI系统,已在金融、医疗、教育、智能客服等行业落地应用。本文系统梳理AutoGen在各行业的应用模式、业务流程、Python实战、最佳实践与常见问题,助力中国AI开发者高效构建行业级AI解决方案。1.AutoGen行业应用全景与价值支持多智能体协作,适配复杂业务流程易于集成主流大模型与行业工具分布式部署,满足高可用与弹性扩展需求典型行业:金融风控、医疗问答、教育
- AI 大模型重塑软件开发流程的四点观察:跃迁/重构/变革/挑战
敖行客 Allthinker
Thinker说人工智能大模型
作为软件开发的从业者,笔者深刻感受到AI大模型对开发流程的颠覆性影响。从最初的代码补全工具到如今能够自主完成复杂任务的智能协作者,AI的角色转变正推动软件开发范式发生系统性变革。基于实际开发经验与行业案例,从四个维度,浅显讲述一下AI大模型重塑软件开发流程的观察。观察一:编码能力突破——从“助手”到“协作者”的技术跃迁核心变化:AI从“补全代码片段”进化为“自主构建完整系统”过去,AI在开发中的角
- go channel用法
三金C_C
gogolangchannel
介绍channel在Go中是一种专门用来在goroutine之间传递数据的类型安全的管道。你可以把它理解成:多个goroutine之间的**“传话筒”**,谁往通道里塞东西,另一个goroutine就能接收到。Go语言采用CSP(CommunicatingSequentialProcesses)模型,也就是鼓励:“不要通过共享内存来通信,而要通过通信来共享内存”也就是通过channel来传递数据,
- Llama改进之——RoPE旋转位置编码
愤怒的可乐
NLP项目实战#LLaMARoPE旋转位置编码
引言旋转位置编码(RotaryPositionEmbedding,RoPE)将绝对相对位置依赖纳入自注意力机制中,以增强Transformer架构的性能。目前很火的大模型LLaMA、QWen等都应用了旋转位置编码。之前在[论文笔记]ROFORMER中对旋转位置编码的原始论文进行了解析,重点推导了旋转位置编码的公式,本文侧重实现,同时尽量简化数学上的推理,详细推理可见最后的参考文章。复数与极坐标复数
- Llama改进之——分组查询注意力
愤怒的可乐
#NLP项目实战自然语言处理llama深度学习人工智能分组查询注意力旋转位置编码
引言今天介绍LLAMA2模型引入的关于注意力的改进——分组查询注意力(Grouped-queryattention,GQA)1。Transformer中的多头注意力在解码阶段来说是一个性能瓶颈。多查询注意力2通过共享单个key和value头,同时不减少query头来提升性能。多查询注意力可能导致质量下降和训练不稳定,因此常用的是分组查询注意力。然后我们结合上篇文章3探讨的旋转位置编码,将选择位置编
- Llama改进之——均方根层归一化RMSNorm
愤怒的可乐
NLP项目实战#llama
引言在学习完GPT2之后,从本文开始进入Llama模型系列。本文介绍Llama模型的改进之RMSNorm(均方根层归一化)。它是由RootMeanSquareLayerNormalization论文提出来的,可以参阅其论文笔记1。LayerNorm层归一化(LayerNorm)对Transformer等模型来说非常重要,它可以帮助稳定训练并提升模型收敛性。LayerNorm针对一个样本所有特征计算
- Llama改进之——SwiGLU激活函数
愤怒的可乐
#自然语言处理NLP项目实战llama
引言今天介绍LLAMA模型引入的关于激活函数的改进——SwiGLU1,该激活函数取得了不错的效果,得到了广泛地应用。SwiGLU是GLU的一种变体,其中包含了GLU和Swish激活函数。GLUGLU(GatedLinearUnits,门控线性单元)2引入了两个不同的线性层,其中一个首先经过sigmoid函数,其结果将和另一个线性层的输出进行逐元素相乘作为最终的输出:GLU(x,
- 强化学习RLHF详解
贝塔西塔
强化学习大模型人工智能深度学习机器学习算法语言模型
RLHF(ReinforcementLearningfromHumanFeedback)模型详解一、背景1.传统强化学习的局限性传统的强化学习(ReinforcementLearning,RL)依赖于预定义的奖励函数(RewardFunction),但在复杂任务(如自然语言生成、机器人控制)中,设计精确的奖励函数极为困难。例如:模糊目标:生成“高质量文本”难以量化,无法用简单的指标(如BLEU、R
- 强人工智能是否会诞生于现在的AI之中
一花·一叶
人工智能语言模型
为什么我认为当前AI方法无法实现真正的人工智能?随着大模型的发展日新月异,越来越多的人开始相信我们正在接近通用人工智能(AGI)。然而,作为一名人工智能领域的算法工程师,我反而越来越确信:现有的技术路径——以Transformer为核心的深度神经网络,可能已经达到了它的能力上限。我们或许正站在一个新时代的门槛上:真正的强人工智能将不会诞生于现有的范式中,而需要一条全新的算法路径。Transform
- 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
- 从零实现Llama3:深入解析Transformer架构与实现细节
祁婉菲Flora
从零实现Llama3:深入解析Transformer架构与实现细节llama3-from-scratchllama3一次实现一个矩阵乘法。项目地址:https://gitcode.com/gh_mirrors/ll/llama3-from-scratch引言本文将深入探讨如何从零开始实现Llama3语言模型。我们将从最基本的张量操作开始,逐步构建完整的Transformer架构。通过这个过程,读者
- PyTorch-Llama: 从零开始实现LLaMA 2模型教程
乔昕连
PyTorch-Llama:从零开始实现LLaMA2模型教程pytorch-llamaLLaMA2implementedfromscratchinPyTorch项目地址:https://gitcode.com/gh_mirrors/py/pytorch-llama1.项目介绍PyTorch-Llama是一个在PyTorch平台上完全从零开始实现的LLaMA2模型仓库。该模型是一个强大的自回归语言模
- 如何训练一个 Reward Model:RLHF 的核心组件详解
茫茫人海一粒沙
深度学习人工智能强化学习
RewardModel(奖励模型)是RLHF的核心,决定了模型“觉得人类偏好什么”的依据。本文将系统介绍如何从零开始训练一个rewardmodel,包括数据准备、模型结构、损失函数、训练方法与注意事项。什么是RewardModel?RewardModel(RM)是一个评分器:它输入一个文本(通常是prompt+模型回答),输出一个实数分值(reward),表示这个回答的“人类偏好程度”。它不是分类
- pytorch小记(二十六):全面解读 PyTorch 的 `torch.matmul`
pytorch小记(二十六):全面解读PyTorch的`torch.matmul`PyTorch中的`torch.matmul`详解与使用指南一、什么是`torch.matmul`二、基本用法示例1.向量点积(1-D×1-D)2.二维矩阵乘法(2-D×2-D)3.批量矩阵乘法(≥3-D)4.向量与矩阵混合三、与`mm`、`bmm`的区别四、性能与数值稳定性五、典型应用场景六、注意事项七、总结在深度
- 【Rust日报】Rust稳定2024版本将于 2025年2月20日发布
fastembed-rs-AI嵌入库FastEmbed的Rust实现,提供了快速的文本嵌入、图像嵌入和候选项重新排序功能。它具有以下主要特性:支持同步使用,无需依赖Tokio。使用@pykeio/ort进行高性能的ONNX推理。使用@huggingface/tokenizers进行快速编码。支持使用@rayon-rs/rayon进行批量嵌入生成和并行计算。默认模型是FlagEmbedding,在M
- 从 Vue 到 React:React.memo + useCallback 组合技
目录一、Vue与React的组件更新机制对比二、React.memo是什么?三、常见坑:为什么我用了React.memo还是会重新渲染?四、解决方案:useMemo/useCallback缓存引用五、Vue3中有类似的性能控制需求吗?六、组合优化小技巧总结七、不过话又说回来一、Vue与React的组件更新机制对比在Vue中,组件的更新依赖于响应式系统的依赖追踪:父组件更新时,Vue会判断data是
- 【unitrix】 4.13 类型级加一计算(add1.rs)
liuyuan77
我的unitrix库rust
一、源码这段代码实现了一个类型系统中的"加一"操作,通过Rust的特性(trait)和泛型编程来实现。//!类型级别的加一实现//!编制人:$ource//!修改版次:0版完成版//!本版次创建时间:2025年7月2日//!最后修改时间:无//!待完善问题:Float+1未实现//!实现规则://!1.基础类型:Z0(0)→P1(1),P1(1)→B0(2),N1(-1)→Z0(0)//!2.B0
- 昇腾NPU节点软件版本检查与升级方法
一、问题背景当我们需要在节点部署DeepSeek大模型时,需要检查昇腾云配套的版本驱动和固件版本,如果发现节点版本不配套建议升级到配套版本。检查方法:npu-smiinfo-tboard-i1|egrep-i"software|firmware"二、升级方法需要注意的是,一定要先升级固件,再升级驱动;如果需要降级版本,流程与升级一样。一般而言,固件包是带有firmware关键字,驱动包带有dirv
- [学习]M-QAM的数学原理与调制解调原理详解(仿真示例)
M-QAM的数学原理与调制解调原理详解QAM(正交幅度调制)作为现代数字通信的核心技术,其数学原理和实现方法值得深入探讨。本文将分为数学原理、调制解调原理和实现要点三个部分进行系统阐述。文章目录M-QAM的数学原理与调制解调原理详解一、数学原理二、调制原理三、解调原理四、实现要点五、16QAM的Python仿真实现5.1完整仿真代码5.2关键代码解析5.3仿真结果分析六、性能优化方向七、MATLA
- 利用人名语言分类案例演示RNN、LSTM和GRU的区别(基于PyTorch)
.30-06Springfield
rnnlstmgru分类人工智能pythonpytorch
文章目录一、程序结构1.1程序整体结构1.2各模块功能关系流程图二、数据预处理模块详解2.1定义字符集和语言类别2.2读取数据2.3人名转换为one-hot编码张量2.4自定义数据集类2.5数据加载器三、模型定义模块详解3.1RNN模型3.2LSTM模型3.3GRU模型四、模型训练与测试模块详解4.1测试模型基本功能4.2模型训练主函数五、结果可视化与对比模块详解六、模型预测模块详解七、案例结果分
- YOLOv8 轴承缺陷检测 使用YOLOv8进行训练、评估和可视化预测结果 包含1440张图片的轴承缺陷检测数据集 YOLO格式或XML格式
OICQQ67658008
YOLOxml深度学习轴承缺陷数据检测算法人工智能
轴承缺陷检测4类1440张names:[‘aocao’,‘aoxian’,‘cashang’,‘huahen’]名称::[‘凹槽’,‘凹陷’,‘卡伤’,‘划痕’]共1440张,8:1:1比例划分train:1152张,val:144张,test:144张标注文件为YOLO适用的txt格式或xml格式。可以直接用于模型训练。YOLOv8轴承缺陷检测importosimporttorchfromIPy
- iOS 上架效率提升指南:五个团队角色与工具链协同实践
2501_91590906
httpudphttpswebsocket网络安全网络协议tcp/ip
在一个主要用Flutter开发的零售SaaS项目中,我们有5个关键岗位:移动开发、后端、产品经理、UI设计、运维。大多数成员日常工作环境是Windows或Linux,团队里仅有一台远程Mac可用于iOS构建。以下按角色顺序,复盘一次iOSApp上架过程中他们如何分工,以及各自使用到的工具,如无Mac用appuploader上架,真实记录从打包到审核的全链路。①移动开发工程师:编写功能、调试构建任务
- cocos2d pod_Cocos2D-X权威指南(第2版)[按需印刷]
weixin_39685697
cocos2dpod
第一部分基础篇本部分内容第1章认识Cocos2D-X第2章搭建跨平台的开发环境第3章Cocos2D-X中的核心类第4章Cocos2D-X中的图片渲染类第5章Cocos2D-X中的动作、特效与动画第6章Cocos2D-X中的菜单项和文本渲染系统第7章Cocos2D-X中的事件处理机制和UI控件第8章Cocos2D-X中的瓦片地图集第9章Cocos2D-X中的声音、存储和网络第10章Cocos2D-X
- Flask实现MTV分层
不会吃萝卜的兔子
flaskflask分层flaskMTV分层
版本python3.6flask1.0.2每个版本的路径可能不同,但结构大体一样步骤1.简化入口文件run.pyfromflaskdemoimportappapp.run(host="127.0.0.1",port=80)2.配置文件config.pyDEBUG=False3.模型文件modes.py我的模型文件没有写,你也设置多个model放在一个文件夹下,注意修改路径4.视图文件views.p
- 企业为什么选择YashanDB数据库?七大核心优势解析
数据库
在快速发展的信息化时代,企业在选择数据库时面临许多挑战,包括性能瓶颈、数据一致性、可扩展性和高可用性等。随着数据量的不断增长,传统数据库难以满足日益增长的需求,企业需要一种更为高效、稳定的解决方案。YashanDB数据库凭借其独特的体系架构和丰富的功能逐渐崭露头角,成为企业数据存储和管理的优选平台。本文旨在深入剖析YashanDB的七大核心优势,帮助读者更好地理解其价值。高性能YashanDB采用
- 10倍速开发!飞算JavaAI实战:5分钟生成SpringCloud完整工程
LCG元
工具Python深度学习人工智能springcloudspring后端
目录一、颠覆性架构设计二、5分钟生成实战步骤1:定义服务架构(YAML配置)步骤2:执行AI生成命令(Python驱动)步骤3:验证生成结果(终端操作)三、双流程图解析横向对比:传统开发vsAI生成纵向核心流程四、量化性能对比五、生产级部署方案安全审计实现高可用部署架构六、技术前瞻性分析七、附录:完整技术图谱传统SpringCloud工程搭建平均耗时8小时,而使用飞算JavaAI只需5分钟,开发效
- 统一思想认识
永夜-极光
思想
1.统一思想认识的基础,才能有的放矢
原因:
总有一种描述事物的方式最贴近本质,最容易让人理解.
如何让教育更轻松,在于找到最适合学生的方式.
难点在于,如何模拟对方的思维基础选择合适的方式. &
- Joda Time使用笔记
bylijinnan
javajoda time
Joda Time的介绍可以参考这篇文章:
http://www.ibm.com/developerworks/cn/java/j-jodatime.html
工作中也常常用到Joda Time,为了避免每次使用都查API,记录一下常用的用法:
/**
* DateTime变化(增减)
*/
@Tes
- FileUtils API
eksliang
FileUtilsFileUtils API
转载请出自出处:http://eksliang.iteye.com/blog/2217374 一、概述
这是一个Java操作文件的常用库,是Apache对java的IO包的封装,这里面有两个非常核心的类FilenameUtils跟FileUtils,其中FilenameUtils是对文件名操作的封装;FileUtils是文件封装,开发中对文件的操作,几乎都可以在这个框架里面找到。 非常的好用。
- 各种新兴技术
不懂事的小屁孩
技术
1:gradle Gradle 是以 Groovy 语言为基础,面向Java应用为主。基于DSL(领域特定语言)语法的自动化构建工具。
现在构建系统常用到maven工具,现在有更容易上手的gradle,
搭建java环境:
http://www.ibm.com/developerworks/cn/opensource/os-cn-gradle/
搭建android环境:
http://m
- tomcat6的https双向认证
酷的飞上天空
tomcat6
1.生成服务器端证书
keytool -genkey -keyalg RSA -dname "cn=localhost,ou=sango,o=none,l=china,st=beijing,c=cn" -alias server -keypass password -keystore server.jks -storepass password -validity 36
- 托管虚拟桌面市场势不可挡
蓝儿唯美
用户还需要冗余的数据中心,dinCloud的高级副总裁兼首席营销官Ali Din指出。该公司转售一个MSP可以让用户登录并管理和提供服务的用于DaaS的云自动化控制台,提供服务或者MSP也可以自己来控制。
在某些情况下,MSP会在dinCloud的云服务上进行服务分层,如监控和补丁管理。
MSP的利润空间将根据其参与的程度而有所不同,Din说。
“我们有一些合作伙伴负责将我们推荐给客户作为个
- spring学习——xml文件的配置
a-john
spring
在Spring的学习中,对于其xml文件的配置是必不可少的。在Spring的多种装配Bean的方式中,采用XML配置也是最常见的。以下是一个简单的XML配置文件:
<?xml version="1.0" encoding="UTF-8"?>
<beans xmlns="http://www.springframework.or
- HDU 4342 History repeat itself 模拟
aijuans
模拟
来源:http://acm.hdu.edu.cn/showproblem.php?pid=4342
题意:首先让求第几个非平方数,然后求从1到该数之间的每个sqrt(i)的下取整的和。
思路:一个简单的模拟题目,但是由于数据范围大,需要用__int64。我们可以首先把平方数筛选出来,假如让求第n个非平方数的话,看n前面有多少个平方数,假设有x个,则第n个非平方数就是n+x。注意两种特殊情况,即
- java中最常用jar包的用途
asia007
java
java中最常用jar包的用途
jar包用途axis.jarSOAP引擎包commons-discovery-0.2.jar用来发现、查找和实现可插入式接口,提供一些一般类实例化、单件的生命周期管理的常用方法.jaxrpc.jarAxis运行所需要的组件包saaj.jar创建到端点的点到点连接的方法、创建并处理SOAP消息和附件的方法,以及接收和处理SOAP错误的方法. w
- ajax获取Struts框架中的json编码异常和Struts中的主控制器异常的解决办法
百合不是茶
jsjson编码返回异常
一:ajax获取自定义Struts框架中的json编码 出现以下 问题:
1,强制flush输出 json编码打印在首页
2, 不强制flush js会解析json 打印出来的是错误的jsp页面 却没有跳转到错误页面
3, ajax中的dataType的json 改为text 会
- JUnit使用的设计模式
bijian1013
java设计模式JUnit
JUnit源代码涉及使用了大量设计模式
1、模板方法模式(Template Method)
定义一个操作中的算法骨架,而将一些步骤延伸到子类中去,使得子类可以不改变一个算法的结构,即可重新定义该算法的某些特定步骤。这里需要复用的是算法的结构,也就是步骤,而步骤的实现可以在子类中完成。
 
- Linux常用命令(摘录)
sunjing
crondchkconfig
chkconfig --list 查看linux所有服务
chkconfig --add servicename 添加linux服务
netstat -apn | grep 8080 查看端口占用
env 查看所有环境变量
echo $JAVA_HOME 查看JAVA_HOME环境变量
安装编译器
yum install -y gcc
- 【Hadoop一】Hadoop伪集群环境搭建
bit1129
hadoop
结合网上多份文档,不断反复的修正hadoop启动和运行过程中出现的问题,终于把Hadoop2.5.2伪分布式安装起来,跑通了wordcount例子。Hadoop的安装复杂性的体现之一是,Hadoop的安装文档非常多,但是能一个文档走下来的少之又少,尤其是Hadoop不同版本的配置差异非常的大。Hadoop2.5.2于前两天发布,但是它的配置跟2.5.0,2.5.1没有分别。 &nb
- Anychart图表系列五之事件监听
白糖_
chart
创建图表事件监听非常简单:首先是通过addEventListener('监听类型',js监听方法)添加事件监听,然后在js监听方法中定义具体监听逻辑。
以钻取操作为例,当用户点击图表某一个point的时候弹出point的name和value,代码如下:
<script>
//创建AnyChart
var chart = new AnyChart();
//添加钻取操作&quo
- Web前端相关段子
braveCS
web前端
Web标准:结构、样式和行为分离
使用语义化标签
0)标签的语义:使用有良好语义的标签,能够很好地实现自我解释,方便搜索引擎理解网页结构,抓取重要内容。去样式后也会根据浏览器的默认样式很好的组织网页内容,具有很好的可读性,从而实现对特殊终端的兼容。
1)div和span是没有语义的:只是分别用作块级元素和行内元素的区域分隔符。当页面内标签无法满足设计需求时,才会适当添加div
- 编程之美-24点游戏
bylijinnan
编程之美
import java.util.ArrayList;
import java.util.Arrays;
import java.util.HashSet;
import java.util.List;
import java.util.Random;
import java.util.Set;
public class PointGame {
/**编程之美
- 主页面子页面传值总结
chengxuyuancsdn
总结
1、showModalDialog
returnValue是javascript中html的window对象的属性,目的是返回窗口值,当用window.showModalDialog函数打开一个IE的模式窗口时,用于返回窗口的值
主界面
var sonValue=window.showModalDialog("son.jsp");
子界面
window.retu
- [网络与经济]互联网+的含义
comsci
互联网+
互联网+后面是一个人的名字 = 网络控制系统
互联网+你的名字 = 网络个人数据库
每日提示:如果人觉得不舒服,千万不要外出到处走动,就呆在床上,玩玩手游,更不能够去开车,现在交通状况不
- oracle 创建视图 with check option
daizj
视图vieworalce
我们来看下面的例子:
create or replace view testview
as
select empno,ename from emp where ename like ‘M%’
with check option;
这里我们创建了一个视图,并使用了with check option来限制了视图。 然后我们来看一下视图包含的结果:
select * from testv
- ToastPlugin插件在cordova3.3下使用
dibov
Cordova
自己开发的Todos应用,想实现“
再按一次返回键退出程序 ”的功能,采用网上的ToastPlugins插件,发现代码或文章基本都是老版本,运行问题比较多。折腾了好久才弄好。下面吧基于cordova3.3下的ToastPlugins相关代码共享。
ToastPlugin.java
package&nbs
- C语言22个系统函数
dcj3sjt126com
cfunction
C语言系统函数一、数学函数下列函数存放在math.h头文件中Double floor(double num) 求出不大于num的最大数。Double fmod(x, y) 求整数x/y的余数。Double frexp(num, exp); double num; int *exp; 将num分为数字部分(尾数)x和 以2位的指数部分n,即num=x*2n,指数n存放在exp指向的变量中,返回x。D
- 开发一个类的流程
dcj3sjt126com
开发
本人近日根据自己的开发经验总结了一个类的开发流程。这个流程适用于单独开发的构件,并不适用于对一个项目中的系统对象开发。开发出的类可以存入私人类库,供以后复用。
以下是开发流程:
1. 明确类的功能,抽象出类的大概结构
2. 初步设想类的接口
3. 类名设计(驼峰式命名)
4. 属性设置(权限设置)
判断某些变量是否有必要作为成员属
- java 并发
shuizhaosi888
java 并发
能够写出高伸缩性的并发是一门艺术
在JAVA SE5中新增了3个包
java.util.concurrent
java.util.concurrent.atomic
java.util.concurrent.locks
在java的内存模型中,类的实例字段、静态字段和构成数组的对象元素都会被多个线程所共享,局部变量与方法参数都是线程私有的,不会被共享。
- Spring Security(11)——匿名认证
234390216
Spring SecurityROLE_ANNOYMOUS匿名
匿名认证
目录
1.1 配置
1.2 AuthenticationTrustResolver
对于匿名访问的用户,Spring Security支持为其建立一个匿名的AnonymousAuthenticat
- NODEJS项目实践0.2[ express,ajax通信...]
逐行分析JS源代码
Ajaxnodejsexpress
一、前言
通过上节学习,我们已经 ubuntu系统搭建了一个可以访问的nodejs系统,并做了nginx转发。本节原要做web端服务 及 mongodb的存取,但写着写着,web端就
- 在Struts2 的Action中怎样获取表单提交上来的多个checkbox的值
lhbthanks
javahtmlstrutscheckbox
第一种方法:获取结果String类型
在 Action 中获得的是一个 String 型数据,每一个被选中的 checkbox 的 value 被拼接在一起,每个值之间以逗号隔开(,)。
所以在 Action 中定义一个跟 checkbox 的 name 同名的属性来接收这些被选中的 checkbox 的 value 即可。
以下是实现的代码:
前台 HTML 代码:
- 003.Kafka基本概念
nweiren
hadoopkafka
Kafka基本概念:Topic、Partition、Message、Producer、Broker、Consumer。 Topic: 消息源(Message)的分类。 Partition: Topic物理上的分组,一
- Linux环境下安装JDK
roadrunners
jdklinux
1、准备工作
创建JDK的安装目录:
mkdir -p /usr/java/
下载JDK,找到适合自己系统的JDK版本进行下载:
http://www.oracle.com/technetwork/java/javase/downloads/index.html
把JDK安装包下载到/usr/java/目录,然后进行解压:
tar -zxvf jre-7
- Linux忘记root密码的解决思路
tomcat_oracle
linux
1:使用同版本的linux启动系统,chroot到忘记密码的根分区passwd改密码 2:grub启动菜单中加入init=/bin/bash进入系统,不过这时挂载的是只读分区。根据系统的分区情况进一步判断. 3: grub启动菜单中加入 single以单用户进入系统. 4:用以上方法mount到根分区把/etc/passwd中的root密码去除 例如: ro
- 跨浏览器 HTML5 postMessage 方法以及 message 事件模拟实现
xueyou
jsonpjquery框架UIhtml5
postMessage 是 HTML5 新方法,它可以实现跨域窗口之间通讯。到目前为止,只有 IE8+, Firefox 3, Opera 9, Chrome 3和 Safari 4 支持,而本篇文章主要讲述 postMessage 方法与 message 事件跨浏览器实现。postMessage 方法 JSONP 技术不一样,前者是前端擅长跨域文档数据即时通讯,后者擅长针对跨域服务端数据通讯,p