- LLM训练、精调与加速:大型语言模型的高效开发与应用策略
知识学习分享交流
人工智能nlpAI语言模型人工智能自然语言处理
创作不易,您的关注、点赞、收藏和转发是我坚持下去的动力!大家有技术交流指导、论文及技术文档写作指导、项目开发合作的需求可以私信联系我LLM(大型语言模型)的训练、精调和加速是当前人工智能研究和应用中的重要话题。下面将详细介绍这些概念及其关键技术。1.训练(Training)训练是指使用大规模数据集对LLM进行初步的学习,使其能够理解和生成自然语言。训练过程通常涉及以下步骤:数据收集与预处理:收集大
- 利用LangChain构建MySQL数据库问答代理
Free_Gemini
langchain数据库mysqlpython
引言随着自然语言处理技术的飞速发展,尤其是大型语言模型(LLM)的应用日益广泛,人们对于如何更高效地与这些模型交互产生了浓厚的兴趣。LangChain是一个旨在简化与语言模型集成的开源框架,它使得开发者能够轻松地构建出强大的应用程序。本文将介绍如何使用LangChain结合MySQL数据库创建一个简单的问答代理。LangChain简介LangChain是一个开源项目,它的目标是让开发者更容易地创建
- 整理了上百个开源中文大语言模型,涵盖模型、应用、数据集、微调、部署、评测_基于大语言模型的网络自动配置平台的设计与开发
AI大模型-搬运工
开源语言模型网络AI大模型自然语言处理LLM人工智能
自ChatGPT为代表的大语言模型(LargeLanguageModel,LLM)出现以后,由于其惊人的类通用人工智能(AGI)的能力,掀起了新一轮自然语言处理领域的研究和应用的浪潮。尤其是以ChatGLM、LLaMA等平民玩家都能跑起来的较小规模的LLM开源之后,业界涌现了非常多基于LLM的二次微调或应用的案例。本项目旨在收集和梳理中文LLM相关的开源模型、应用、数据集及教程等资料,目前收录的资
- Second-Order Information Matters: Revisiting Machine Unlearning for Large Language Models
UnknownBody
LLMDailyUnlearningModelForgetting语言模型人工智能自然语言处理
本文是LLM系列文章,针对《Second-OrderInformationMatters:RevisitingMachineUnlearningforLargeLanguageModels》的翻译。二阶信息问题:修改大型语言模型的机器学习摘要1引言2前言3LLM的遗忘4实验设置5实验结果6意外记忆的遗忘7DP-SGD和遗忘8相关工作9讨论10局限性和未来工作11结论摘要随着大型语言模型(LLM)的
- 使用Petals和LangChain运行大型语言模型:入门指南
qq_37836323
langchain语言模型人工智能python
使用Petals和LangChain运行大型语言模型:入门指南引言在人工智能和自然语言处理领域,大型语言模型(LLM)的应用日益广泛。然而,运行这些模型通常需要强大的硬件资源。Petals项目提供了一种创新的解决方案,让用户能够以分布式方式在家中运行100B+参数的语言模型。本文将介绍如何结合使用Petals和LangChain来轻松部署和使用大型语言模型。Petals简介Petals是一个开源项
- llama factory微调时出现x86_64-conda-linux-gnu/bin/ld: cannot find -lcurand: No such file or directory解决方案
爱编程的喵喵
Python基础课程pythonllamafactorycurand解决方案
大家好,我是爱编程的喵喵。双985硕士毕业,现担任全栈工程师一职,热衷于将数据思维应用到工作与生活中。从事机器学习以及相关的前后端开发工作。曾在阿里云、科大讯飞、CCF等比赛获得多次Top名次。现为CSDN博客专家、人工智能领域优质创作者。喜欢通过博客创作的方式对所学的知识进行总结与归纳,不仅形成深入且独到的理解,而且能够帮助新手快速入门。 本文主要介绍了llamafactory微调时出现x
- 大语言模型在金融领域的应用:进展、前景与挑战
Python程序员罗宾
语言模型金融人工智能
1.引言金融领域一直以来都以其复杂性、不确定性和快速演变而著称。随着技术的发展,先进计算模型在金融领域的应用获得了显著的发展动力。在这些进步中,大语言模型(LLM)已成为一个强大的工具,在理解上下文、处理海量数据以及生成类人文本方面表现出色。将LLM应用于金融领域有望改变传统实践,推动创新,并在各种金融任务中开创新的机遇。LLM(如GPT系列、BERT及其金融特定变体FinBERT)在自然语言处理
- 本地电脑大模型系列之 20 离线 AI:使用 Ollama+llama3+privateGPT+Langchain+GPT4ALL+ChromaDB 与 Pdf、Excel、CSV、PPTX、PPT、
知识大胖
NVIDIAGPU和大语言模型开发教程人工智能langchainpdf
简介Ollama在Mac/Windows/Ubuntu上与llama3一起运行MAC至少需要8GBRAM,Ubuntu和Windows至少需要16GBRAMpython3.10和git系列文章《本地电脑搭建StreamDiffusion:用眼睛见证实时人工智能创意利用交互式高速扩散技术彻底改变图像生成》权重1,本地类《使用本地Llama2模型和向量数据库建立私有检索增强生成(RAG)系统LangC
- NL2SQL实践系列(2):2024最新模型实战效果(Chat2DB-GLM、书生·浦语2、InternLM2-SQL等)以及工业级案例教学
汀、人工智能
LLM工业级落地实践人工智能LLM自然语言处理NL2SQL大模型应用Text2NLPchat2DB
NL2SQL实践系列(2):更多模型使用以及工业级案例NL2SQL基础系列(1):业界顶尖排行榜、权威测评数据集及LLM大模型(SpidervsBIRD)全面对比优劣分析[Text2SQL、Text2DSL]NL2SQL基础系列(2):主流大模型与微调方法精选集,Text2SQL经典算法技术回顾七年发展脉络梳理NL2SQL进阶系列(1):DB-GPT-Hub、SQLcoder、Text2SQL开源
- LLM-项目详解(一):Chinese-LLaMA-Alpaca【transformers/models/llama/modeling_llama.py文件】
u013250861
#LLM/经典模型llama
site-packages/transformers/models/llama/modeling_llama.py#coding=utf-8#Copyright2022EleutherAIandtheHuggingFaceInc.team.Allrightsreserved.##ThiscodeisbasedonEleutherAI'sGPT-NeoXlibraryandtheGPT-NeoX#a
- LLM - 从头实现 LLaMA3 网络与推理流程 (RMS | RoPE | GQA | SwiGLU)
CarolineSpike
大模型(LLM)Llama3RoPEBPERMS正则化分组查询注意力SwiGLU从头实现
欢迎关注我的CSDN:https://spike.blog.csdn.net/本文地址:https://spike.blog.csdn.net/article/details/141462669免责声明:本文来源于个人知识与公开资料,仅用于学术交流,欢迎讨论,不支持转载。LLaMA3是Meta的最新大语言模型,在整体网络设计进行多项升级,显著提升了模型的性能和效率,重要的改进,如下:词汇量增加至1
- 开源模型应用落地-qwen2-7b-instruct-LoRA微调-ms-swift-单机单卡-V100(十二)
开源技术探险家
开源模型-实际应用落地#深度学习语言模型自然语言处理
一、前言本篇文章将在v100单卡服务器上,使用ms-swift去高效微调QWen2系列模型,通过阅读本文,您将能够更好地掌握这些关键技术,理解其中的关键技术要点,并应用于自己的项目中。二、术语介绍2.1.LoRA微调LoRA(Low-RankAdaptation)用于微调大型语言模型(LLM)。是一种有效的自适应策略,它不会引入额外的推理延迟,并在保持模型质量的同时显着减少下游任务的可训练参数数量
- “全面解析!大模型面试宝典(含精选答案与策略)“
AGI-老冉
人工智能chatgptagi学习知识图谱ai程序员
大模型(LLMs)基础面1.目前主流的开源模型体系有哪些?2.prefixLM和causalLM区别是什么?3.涌现能力是啥原因?4.大模型LLM的架构介绍?大模型(LLMs)进阶面1.llama输入句子长度理论上可以无限长吗?1.什么是LLMs复读机问题?2.为什么会出现LLMs复读机问题?3.如何缓解LLMs复读机问题?1.LLMs复读机问题2.llama系列问题3.什么情况用Bert模型,什
- graphRAG原理解析——基于微软graphRAG+Neo4j llm-graph-builder
赖皮猫
neo4j
知识图谱生成llm-graph-builder(以下简称LGB)也使用了最新的graph+RAG的思路,使用知识图谱来加持RAG,提供更加准确和丰富的知识问答。知识图谱的生成上,利用大模型的泛化能力来自动生成和构建知识图谱,包括实体、关系和属性等。其相较于微软开源的GraphRAG(以下简称MS-GRAG)有很多相似和同源之处,但也有很多的不同。模块能力llm-graph-builderGraph
- 第65期 | GPTSecurity周报
云起无垠
GPTSecurity人工智能网络安全语言模型
GPTSecurity是一个涵盖了前沿学术研究和实践经验分享的社区,集成了生成预训练Transformer(GPT)、人工智能生成内容(AIGC)以及大语言模型(LLM)等安全领域应用的知识。在这里,您可以找到关于GPT/AIGC/LLM最新的研究论文、博客文章、实用的工具和预设指令(Prompts)。现为了更好地知悉近一周的贡献内容,现总结如下。SecurityPapers1.基于第一性原理的大
- LangChain + ChatGLM-6B / ChatGLM2-6B 新手踩坑指南!
海鸟智能
langchainai
LangChain-ChatGLM-6B基本简介:1、项目资源来源链接:基于本地知识库的ChatGLM问答https://github.com/imClumsyPanda/langchain-ChatGLM2、项目原理:加载文件➝读取文本➝文本分割➝文本向量化➝问句向量化➝在文本向量中匹配出与问句向量最相似的topk个➝匹配出的文本作为上下文和问题一起添加到prompt中➝提交给LLM生成回答。3
- 您应该让 ChatGPT 控制您的浏览器吗?
红云谈安全
chatgpt网络安全
本文:介绍授予大型语言模型(LLM)对Web浏览器的控制权的安全风险,重点关注提示注入漏洞。通过两种场景演示了使用TaxyAI(一种代表性概念验证浏览器代理)的利用,攻击者设法劫持代理并(1)从用户邮箱中窃取机密信息,(2)强制合并GitHub存储库上的恶意拉取请求。最后总结了此类浏览器代理的开发人员需要实施的缓解策略,以有效地保护其用户。1.简介大型语言模型(LLM),例如支持OpenAI的Ch
- 英伟达如何通过剪枝和蒸馏技术让Llama 3.1模型“瘦身“?
蒜鸭
人工智能算法机器学习
英伟达如何通过剪枝和蒸馏技术让Llama3.1模型"瘦身"?大家好,我是蒜鸭。今天我们来聊聊英伟达最近在大语言模型优化方面的一项有趣研究。随着Meta发布Llama3.1系列模型,如何在保持模型性能的同时缩小其体积成为了业界关注的焦点。英伟达研究团队通过结构化权重剪枝和知识蒸馏技术,成功将Llama3.18B模型压缩为4B参数的小型语言模型,并取得了不俗的效果。让我们一起来深入探讨这项技术的原理和
- 【AI】到底什么才是最适合LLM大模型的应用场景?
giszz
人工智能人工智能
笔者关注大模型有一段时间了,可以参考我之前的文章,做了非常多的体验,也经常去调戏大模型,这些文章有的还是很精彩,比如:——对比大模型特色的文章:群模乱舞,AI大模型盛开,国内大模型盘点_哈工大本草-CSDN博客——讨论大模型应用于诈骗的文章:AIGCand“AIGF”-CSDN博客——调戏大模型的文章,货拉拉到底拉不拉拉布拉多?【AIGC】用货拉拉拉不拉拉布拉多的梗调(ce)戏(shi)AI大模型
- LangChain 一个面向构建基于大语言模型(LLM)的应用程序的框架
路人与大师
langchain语言模型人工智能
LangChain是一个面向构建基于大语言模型(LLM)的应用程序的框架,它简化了与语言模型的交互,并将其功能扩展至更复杂的任务,如搜索、问答、推理和自动化工作流。LangChain通过将语言模型与外部工具、数据源和环境进行整合,为开发者提供了灵活的组件和模块,便于构建高度定制化的应用程序。以下是对LangChain的详细介绍:1.核心功能LangChain的核心功能围绕如何利用大语言模型(如Op
- xGen-MM (BLIP-3): A Family of Open Large Multimodal Models
UnknownBody
LLMDailyMultimodal语言模型人工智能
本文是LLM系列文章,针对《xGen-MM(BLIP-3):AFamilyofOpenLargeMultimodalModels》的翻译。xGen-MM(BLIP-3):一组开放的大型多模态模型摘要1引言2相关工作3模型架构4训练5数据6实验7消融研究8结论摘要本报告介绍了xGen-MM(也称为BLIP-3),这是一个用于开发大型多模态模型(LMM)的框架。该框架由精心策划的数据集、训练配方、模型
- SK Hynix明年将开发基于96/128 GB DDR5的CXL 2.0内存解决方案
吴脑的键客
人工智能人工智能gpu算力
SKHynix正致力于为人工智能领域开发基于DDR5的CXL2.0内存解决方案,尤其是针对"内存饥渴型"LLM。CXL指的是ComputeExpressLink,这是一种互联技术,可以在CPU和GPU之间实现更快的数据传输,但在人工智能领域,它实际上是CPU和加速器之间的数据传输。与传统的PCIe接口相比,CXL的优势在于它能让GPU直接访问系统内存,从而显著提升性能。鉴于现代内存技术无法满足大规
- [LLM][Prompt Engineering]:思维链(CoT)
Way_X
#从0开始AIGCprompt
思维链思维链1.思维链提示方法和增强策略1.1简单的思维链提示1.2示例形式的思维链提示1.3思维链提示的后处理方案1.4拓展推理结构2.CoT的能力来源:为什么思维链提示能显著提升大语言模型在推理任务上的效果?强大的逻辑推理是大语言模型“智能涌现”出的核心能力之一。推理:一般指根据几个已知的前提推导得出新的结论的过程,区别于理解,推理一般是一个“多步骤”的过程,推理的过程可以形成非常必要的“中间
- 【大模型】大模型 CPU 推理之 llama.cpp
szZack
大语言模型人工智能大模型人工智能llama.cpp
【大模型】大模型CPU推理之llama.cppllama.cpp安装llama.cppMemory/DiskRequirementsQuantization测试推理下载模型测试参考llama.cpp描述Themaingoalofllama.cppistoenableLLMinferencewithminimalsetupandstate-of-the-artperformanceonawideva
- 【学习笔记】:Ubuntu 22 使用模型量化工具llama.cpp部署大模型 CPU+GPU
淮序_
笔记ubuntullamapython
学习笔记:Ubuntu22使用模型量化工具llama.cpp部署大模型CPU+GPU前言1下载并编译llama.cpp1.1git下载llama.cpp仓库源码1.2编译源码(make)1.2.1选择一:仅在CPU上运行1.2.2选择二:使用GPU,与cuBLAS编译2量化大模型2.1准备大模型2.2生成量化模型3加载模型3.1CPU3.2GPU4llama-cpp-python4.1安装llam
- AI-windows下使用llama.cpp部署本地Chinese-LLaMA-Alpaca-2模型
mrbone11
AI人工智能windowsllamallama2大语言模型LLM
文章目录Llamp.cpp环境配置Chinese-LLaMA-Alpaca-2模型介绍模型下载转换生成量化模型Anaconda环境安装运行Llamp.cpp环境配置
[email protected]:ggerganov/llama.cpp.gitcdllama.cppmkdirbuildcdbuildcmake..cmake--build.--configRelease生成的文件在.\b
- 2025秋招大语言模型落地实践面试题
微凉的衣柜
语言模型人工智能自然语言处理
本文系统地从计算力基础设施、软件架构、数据资源、应用场景和脑科学五大核心维度对大模型实践中的问题进行解答。目录计算力基础设施1.1什么是云边端协同架构?1.2信息技术应用创新计划相关政策对企业的影响?软件架构2.1拥有自己的大语言模型(LLM)是否必要?2.2何时使用微调与何时使用RAG?2.3在训练大语言模型时遇到的关键挑战是什么?数据资源3.1如何标注一个监督微调(SFT)数据集?3.2在众包
- NL2SQL进阶系列(5):论文解读业界前沿方案(DIN-SQL、C3-SQL、DAIL-SQL、SQL-PaLM)、新一代数据集BIRD-SQL解读
汀、人工智能
LLM工业级落地实践copilot人工智能NL2SQLLLM自然语言处理NL2DSLText2SQL
NL2SQL进阶系列(5):论文解读业界前沿方案(DIN-SQL、C3-SQL、DAIL-SQL)、新一代数据集BIRD-SQL解读NL2SQL基础系列(1):业界顶尖排行榜、权威测评数据集及LLM大模型(SpidervsBIRD)全面对比优劣分析[Text2SQL、Text2DSL]NL2SQL基础系列(2):主流大模型与微调方法精选集,Text2SQL经典算法技术回顾七年发展脉络梳理NL2SQ
- AutoGPT理念与应用
键盘侠PianistYu
简介在ChatGPT问世之后,大家很容易就发现其依然具备一些很难解决的问题,比如:Token超出限制怎么办?(目前最新的GPT4支持最多8,192tokens)。如何完全自动化?任务需要多步串联,仍需要人工介入。如何集成外部能力?比如搜索,运行脚本、爬取网站等等。无法获取最新数据怎么办?最新的GPT4的训练数据时效为Sep2021。而AutoGPT的目标就是基于GPT4将LLM的"思想"串联起来,
- 实现基于LLM的VSCode代码补全插件及网络搜索功能
今天不熬夜!
vscode笔记AI编程typescript
文章目录前言一、代码补全代码实现实现效果:当前问题二、LLM+搜索引擎功能概述实现步骤代码实现结论前言本文将介绍如何利用VSCode插件开发环境结合大模型(LLM)来实现代码补全功能,并且介绍如何集成网络搜索功能以增强代码补全的能力.一、代码补全功能概述本插件能够在用户编写代码时提供智能代码补全建议。插件会读取鼠标光标上下文信息,将提示词和上下文代码作为输入,通过调用大模型得到输出,并将输出内容插
- jsonp 常用util方法
hw1287789687
jsonpjsonp常用方法jsonp callback
jsonp 常用java方法
(1)以jsonp的形式返回:函数名(json字符串)
/***
* 用于jsonp调用
* @param map : 用于构造json数据
* @param callback : 回调的javascript方法名
* @param filters : <code>SimpleBeanPropertyFilter theFilt
- 多线程场景
alafqq
多线程
0
能不能简单描述一下你在java web开发中需要用到多线程编程的场景?0
对多线程有些了解,但是不太清楚具体的应用场景,能简单说一下你遇到的多线程编程的场景吗?
Java多线程
2012年11月23日 15:41 Young9007 Young9007
4
0 0 4
Comment添加评论关注(2)
3个答案 按时间排序 按投票排序
0
0
最典型的如:
1、
- Maven学习——修改Maven的本地仓库路径
Kai_Ge
maven
安装Maven后我们会在用户目录下发现.m2 文件夹。默认情况下,该文件夹下放置了Maven本地仓库.m2/repository。所有的Maven构件(artifact)都被存储到该仓库中,以方便重用。但是windows用户的操作系统都安装在C盘,把Maven仓库放到C盘是很危险的,为此我们需要修改Maven的本地仓库路径。
- placeholder的浏览器兼容
120153216
placeholder
【前言】
自从html5引入placeholder后,问题就来了,
不支持html5的浏览器也先有这样的效果,
各种兼容,之前考虑,今天测试人员逮住不放,
想了个解决办法,看样子还行,记录一下。
【原理】
不使用placeholder,而是模拟placeholder的效果,
大概就是用focus和focusout效果。
【代码】
<scrip
- debian_用iso文件创建本地apt源
2002wmj
Debian
1.将N个debian-506-amd64-DVD-N.iso存放于本地或其他媒介内,本例是放在本机/iso/目录下
2.创建N个挂载点目录
如下:
debian:~#mkdir –r /media/dvd1
debian:~#mkdir –r /media/dvd2
debian:~#mkdir –r /media/dvd3
….
debian:~#mkdir –r /media
- SQLSERVER耗时最长的SQL
357029540
SQL Server
对于DBA来说,经常要知道存储过程的某些信息:
1. 执行了多少次
2. 执行的执行计划如何
3. 执行的平均读写如何
4. 执行平均需要多少时间
列名 &
- com/genuitec/eclipse/j2eedt/core/J2EEProjectUtil
7454103
eclipse
今天eclipse突然报了com/genuitec/eclipse/j2eedt/core/J2EEProjectUtil 错误,并且工程文件打不开了,在网上找了一下资料,然后按照方法操作了一遍,好了,解决方法如下:
错误提示信息:
An error has occurred.See error log for more details.
Reason:
com/genuitec/
- 用正则删除文本中的html标签
adminjun
javahtml正则表达式去掉html标签
使用文本编辑器录入文章存入数据中的文本是HTML标签格式,由于业务需要对HTML标签进行去除只保留纯净的文本内容,于是乎Java实现自动过滤。
如下:
public static String Html2Text(String inputString) {
String htmlStr = inputString; // 含html标签的字符串
String textSt
- 嵌入式系统设计中常用总线和接口
aijuans
linux 基础
嵌入式系统设计中常用总线和接口
任何一个微处理器都要与一定数量的部件和外围设备连接,但如果将各部件和每一种外围设备都分别用一组线路与CPU直接连接,那么连线
- Java函数调用方式——按值传递
ayaoxinchao
java按值传递对象基础数据类型
Java使用按值传递的函数调用方式,这往往使我感到迷惑。因为在基础数据类型和对象的传递上,我就会纠结于到底是按值传递,还是按引用传递。其实经过学习,Java在任何地方,都一直发挥着按值传递的本色。
首先,让我们看一看基础数据类型是如何按值传递的。
public static void main(String[] args) {
int a = 2;
- ios音量线性下降
bewithme
ios音量
直接上代码吧
//second 几秒内下降为0
- (void)reduceVolume:(int)second {
KGVoicePlayer *player = [KGVoicePlayer defaultPlayer];
if (!_flag) {
_tempVolume = player.volume;
- 与其怨它不如爱它
bijian1013
选择理想职业规划
抱怨工作是年轻人的常态,但爱工作才是积极的心态,与其怨它不如爱它。
一般来说,在公司干了一两年后,不少年轻人容易产生怨言,除了具体的埋怨公司“扭门”,埋怨上司无能以外,也有许多人是因为根本不爱自已的那份工作,工作完全成了谋生的手段,跟自已的性格、专业、爱好都相差甚远。
- 一边时间不够用一边浪费时间
bingyingao
工作时间浪费
一方面感觉时间严重不够用,另一方面又在不停的浪费时间。
每一个周末,晚上熬夜看电影到凌晨一点,早上起不来一直睡到10点钟,10点钟起床,吃饭后玩手机到下午一点。
精神还是很差,下午像一直野鬼在城市里晃荡。
为何不尝试晚上10点钟就睡,早上7点就起,时间完全是一样的,把看电影的时间换到早上,精神好,气色好,一天好状态。
控制让自己周末早睡早起,你就成功了一半。
有多少个工作
- 【Scala八】Scala核心二:隐式转换
bit1129
scala
Implicits work like this: if you call a method on a Scala object, and the Scala compiler does not see a definition for that method in the class definition for that object, the compiler will try to con
- sudoku slover in Haskell (2)
bookjovi
haskellsudoku
继续精简haskell版的sudoku程序,稍微改了一下,这次用了8行,同时性能也提高了很多,对每个空格的所有解不是通过尝试算出来的,而是直接得出。
board = [0,3,4,1,7,0,5,0,0,
0,6,0,0,0,8,3,0,1,
7,0,0,3,0,0,0,0,6,
5,0,0,6,4,0,8,0,7,
- Java-Collections Framework学习与总结-HashSet和LinkedHashSet
BrokenDreams
linkedhashset
本篇总结一下两个常用的集合类HashSet和LinkedHashSet。
它们都实现了相同接口java.util.Set。Set表示一种元素无序且不可重复的集合;之前总结过的java.util.List表示一种元素可重复且有序
- 读《研磨设计模式》-代码笔记-备忘录模式-Memento
bylijinnan
java设计模式
声明: 本文只为方便我个人查阅和理解,详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/
import java.util.ArrayList;
import java.util.List;
/*
* 备忘录模式的功能是,在不破坏封装性的前提下,捕获一个对象的内部状态,并在对象之外保存这个状态,为以后的状态恢复作“备忘”
- 《RAW格式照片处理专业技法》笔记
cherishLC
PS
注意,这不是教程!仅记录楼主之前不太了解的
一、色彩(空间)管理
作者建议采用ProRGB(色域最广),但camera raw中设为ProRGB,而PS中则在ProRGB的基础上,将gamma值设为了1.8(更符合人眼)
注意:bridge、camera raw怎么设置显示、输出的颜色都是正确的(会读取文件内的颜色配置文件),但用PS输出jpg文件时,必须先用Edit->conv
- 使用 Git 下载 Spring 源码 编译 for Eclipse
crabdave
eclipse
使用 Git 下载 Spring 源码 编译 for Eclipse
1、安装gradle,下载 http://www.gradle.org/downloads
配置环境变量GRADLE_HOME,配置PATH %GRADLE_HOME%/bin,cmd,gradle -v
2、spring4 用jdk8 下载 https://jdk8.java.
- mysql连接拒绝问题
daizj
mysql登录权限
mysql中在其它机器连接mysql服务器时报错问题汇总
一、[running]
[email protected]:~$mysql -uroot -h 192.168.9.108 -p //带-p参数,在下一步进行密码输入
Enter password: //无字符串输入
ERROR 1045 (28000): Access
- Google Chrome 为何打压 H.264
dsjt
applehtml5chromeGoogle
Google 今天在 Chromium 官方博客宣布由于 H.264 编解码器并非开放标准,Chrome 将在几个月后正式停止对 H.264 视频解码的支持,全面采用开放的 WebM 和 Theora 格式。
Google 在博客上表示,自从 WebM 视频编解码器推出以后,在性能、厂商支持以及独立性方面已经取得了很大的进步,为了与 Chromium 现有支持的編解码器保持一致,Chrome
- yii 获取控制器名 和方法名
dcj3sjt126com
yiiframework
1. 获取控制器名
在控制器中获取控制器名: $name = $this->getId();
在视图中获取控制器名: $name = Yii::app()->controller->id;
2. 获取动作名
在控制器beforeAction()回调函数中获取动作名: $name =
- Android知识总结(二)
come_for_dream
android
明天要考试了,速速总结如下
1、Activity的启动模式
standard:每次调用Activity的时候都创建一个(可以有多个相同的实例,也允许多个相同Activity叠加。)
singleTop:可以有多个实例,但是不允许多个相同Activity叠加。即,如果Ac
- 高洛峰收徒第二期:寻找未来的“技术大牛” ——折腾一年,奖励20万元
gcq511120594
工作项目管理
高洛峰,兄弟连IT教育合伙人、猿代码创始人、PHP培训第一人、《细说PHP》作者、软件开发工程师、《IT峰播》主创人、PHP讲师的鼻祖!
首期现在的进程刚刚过半,徒弟们真的很棒,人品都没的说,团结互助,学习刻苦,工作认真积极,灵活上进。我几乎会把他们全部留下来,现在已有一多半安排了实际的工作,并取得了很好的成绩。等他们出徒之日,凭他们的能力一定能够拿到高薪,而且我还承诺过一个徒弟,当他拿到大学毕
- linux expect
heipark
expect
1. 创建、编辑文件go.sh
#!/usr/bin/expect
spawn sudo su admin
expect "*password*" { send "13456\r\n" }
interact
2. 设置权限
chmod u+x go.sh 3.
- Spring4.1新特性——静态资源处理增强
jinnianshilongnian
spring 4.1
目录
Spring4.1新特性——综述
Spring4.1新特性——Spring核心部分及其他
Spring4.1新特性——Spring缓存框架增强
Spring4.1新特性——异步调用和事件机制的异常处理
Spring4.1新特性——数据库集成测试脚本初始化
Spring4.1新特性——Spring MVC增强
Spring4.1新特性——页面自动化测试框架Spring MVC T
- idea ubuntuxia 乱码
liyonghui160com
1.首先需要在windows字体目录下或者其它地方找到simsun.ttf 这个 字体文件。
2.在ubuntu 下可以执行下面操作安装该字体:
sudo mkdir /usr/share/fonts/truetype/simsun
sudo cp simsun.ttf /usr/share/fonts/truetype/simsun
fc-cache -f -v
- 改良程序的11技巧
pda158
技巧
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
永远永远不要把同一个变量用于多个不同的
- 300个涵盖IT各方面的免费资源(下)——工作与学习篇
shoothao
创业免费资源学习课程远程工作
工作与生产效率:
A. 背景声音
Noisli:背景噪音与颜色生成器。
Noizio:环境声均衡器。
Defonic:世界上任何的声响都可混合成美丽的旋律。
Designers.mx:设计者为设计者所准备的播放列表。
Coffitivity:这里的声音就像咖啡馆里放的一样。
B. 避免注意力分散
Self Co
- 深入浅出RPC
uule
rpc
深入浅出RPC-浅出篇
深入浅出RPC-深入篇
RPC
Remote Procedure Call Protocol
远程过程调用协议
它是一种通过网络从远程计算机程序上请求服务,而不需要了解底层网络技术的协议。RPC协议假定某些传输协议的存在,如TCP或UDP,为通信程序之间携带信息数据。在OSI网络通信模型中,RPC跨越了传输层和应用层。RPC使得开发