- Boltz-2:革命性生物分子模型,加速药物发现的新引擎
花生糖@
AIGC学习资料库Boltz-2生物模型AI
在药物研发领域,预测蛋白质与其他分子间的结合强度(BindingAffinity)始终是核心挑战之一。传统方法如自由能微扰法(FEP)虽然精确,但计算成本极高,难以大规模应用。如今,Boltz-2的诞生打破了这一瓶颈——这是首个开源的深度学习模型,其结合强度预测准确度接近FEP方法,却将速度提升了1000倍,成为药物早期筛选的“加速器”。项目简介Boltz-2是由jwohlwend团队开发的生物分
- 10.5 实战ChatGLM3私有数据微调之提示工程:批量生成数据稳定性秘籍
少林码僧
掌握先机!从0起步实战AI大模型微调打造核心竞争力机器学习深度学习人工智能语言模型
实战ChatGLM3私有数据微调之提示工程:批量生成数据稳定性秘籍在当今人工智能蓬勃发展的时代,大语言模型(LLMs)如ChatGLM3的出现,为自然语言处理领域带来了革命性的变化。企业和开发者们纷纷寻求利用这些强大的模型来构建定制化的应用,以满足特定业务需求。其中,使用私有数据对ChatGLM3进行微调,成为了实现差异化竞争和提供个性化服务的关键途径。然而,在微调过程中,确保批量生成数据的稳定性
- 语言大模型综述
Paper:ASurveyofLargelanguageModels目录Paper:ASurveyofLargelanguageModels综述概要LLM关键技术规模定律(ScalingLaws)预训练与微调对齐调优(AlignmentTuning)外部工具集成GPT系列模型的技术演进模型检查点和APIPre-Training数据准备和处理数据准备数据预处理数据调度架构EmergentArchit
- 【机器学习笔记 Ⅱ】9 模型评估
巴伦是只猫
机器学习机器学习笔记人工智能
评估机器学习模型是确保其在实际应用中有效性和可靠性的关键步骤。以下是系统化的评估方法,涵盖分类、回归、聚类等任务的评估指标和技术:一、分类模型评估1.基础指标2.高级指标ROC-AUC:通过绘制真正例率(TPR)vs假正例率(FPR)曲线下面积评估模型整体性能。AUC=1:完美分类;AUC=0.5:随机猜测。适用于二分类及多分类(OvR或OvO策略)。混淆矩阵:可视化模型在各类别上的具体错误(如将
- 【机器学习笔记 Ⅱ】7 多类分类
巴伦是只猫
机器学习机器学习笔记分类
1.多类分类(Multi-classClassification)定义多类分类是指目标变量(标签)有超过两个类别的分类任务。例如:手写数字识别:10个类别(0~9)。图像分类:区分猫、狗、鸟等。新闻主题分类:政治、经济、体育等。特点互斥性:每个样本仅属于一个类别(区别于多标签分类)。输出要求:模型需输出每个类别的概率分布,且概率之和为1。实现方式One-vs-Rest(OvR):训练K个二分类器(
- 【论文复现】利用生成式AI进行选股和分配权重
代码能跑就行管它可读性
人工智能chatgpt
2023年8月,OleksandrRomanko等发表题为《ChatGPT-basedInvestmentPortfolioSelection》(基于ChatGPT进行投资组合选择)的论文。论文探讨了生成式AI模型(如ChatGPT)在投资组合选择中的应用潜力。由于生成式AI模型可能产生幻觉,因此需要谨慎验证和验证其输出。本文采用另一种方法,利用ChatGPT从S&P500市场指数中获取潜在有吸引
- Day08-Flask 或 Django 简介:构建 Web 应用程序
清幽竹客
Pythonflaskdjangopython
Flask或Django简介:构建Web应用程序网络开发领域提供了丰富的工具和框架,而Python作为一门多功能的语言,在构建健壮且可扩展的Web应用方面脱颖而出。本课程将作为你使用Python进行Web开发的入门指南,特别聚焦于两个流行的框架:Flask和Django。我们将探讨这些框架背后的基本概念,为你创建动态Web应用和RESTfulAPI奠定基础。理解这些框架对于将AI模型集成到Web应
- 一个小时快速部署大模型,附大模型书:ChatGLM3大模型本地化部署、应用开发与微调!
LLM教程
人工智能langchain知识图谱Agent大模型LLMAI
这个教程有以下几部分构成:硬件配置概念介绍实操测试结果1.硬件配置本文使用的方法配置要求低,没有gpu也可以正常使用(就是有点慢),不管是windows还是linux,都可以无障碍使用大模型,有脚就行,废话少说,let’srock!2.概念介绍几个部署要用到的概念,工具和项目huggingface:类似于模型的github,各种各样的开源模型都可以在这被找到.模型量化技术:这也是我们能够在低端设备
- 10.6 ChatGLM3私有数据微调实战:24小时打造高精度模型,显存直降60%
少林码僧
掌握先机!从0起步实战AI大模型微调打造核心竞争力chatgpt机器学习深度学习人工智能语言模型
ChatGLM3私有数据微调实战:24小时打造高精度模型,显存直降60%1.实战构造私有的微调数据集在微调大模型时,数据质量直接决定模型效果。本节将手把手教你如何构建高质量的私有微调数据集。1.1使用ChatGPT自动设计生成训练数据的Prompt核心思路:通过ChatGPT生成符合任务需求的样本数据,降低人工标注成本。步骤示例(以生成客服对话数据为例):fromlangchain.prompts
- 大语言模型(LLM)课程学习(Curriculum Learning)、数据课程(data curriculum)指南:从原理到实践
在人工智能的浪潮之巅,我们总会惊叹于GPT-4、Llama3.1、Qwen2.5这些顶尖大语言模型(LLM)所展现出的惊人能力。它们似乎无所不知,能写诗、能编程、能进行复杂的逻辑推理。一个自然而然的问题是:它们是如何“学”会这一切的?大多数人会回答:“用海量数据喂出来的。”这个答案只说对了一半。如果你认为只要把互联网上能找到的所有数据(比如15万亿个token)随机打乱,然后“一锅烩”地喂给模型,
- 3dmax标准材质转物理材质插件,支持VR材质和CR材质转换成功物理材质,支持多维子材质
在下胡三汉
材质vr
3dmax标准材质转物理材质插件,支持VR材质和CR材质转换成功物理材质,支持多维子材质3dmax标准材质转物理材质插件,支持VR材质和CR材质转换成功物理材质,支持多维子材质
- PPT处理控件Aspose.Slides教程:在 PowerPoint 文件中创建 3D 形状
CodeCraft Studio
3D/2DCAD文档管理powerpoint3dpython
概述在PowerPoint文件中创建3D形状可以显著增强演示文稿的视觉吸引力。此功能对于建筑、教育和设计等以视觉表现为关键的行业至关重要。通过使用Aspose.SlidesforJava,开发人员可以轻松地将3D模型渲染集成到他们的应用程序中。该库以其灵活性和高级自定义选项而闻名,使其成为在PowerPoint中创建3D形状的理想选择。凭借其强大的功能,Aspose.SlidesforJava使开
- T型槽铸铁平台类型:按材质与结构分类
A13785751790
材质
T型槽铸铁平台作为工业制造领域的基础装备,其材质与结构特性直接影响着机械加工、检测装配等环节的精度与效率。根据铸造材料、内部构造及功能差异,T型槽铸铁平台可形成系统的分类体系,以下从材质与结构两个维度展开详细解析。一、材质分类:铸铁性能决定平台适用场景1.灰铸铁(HT系列)平台灰铸铁是T型槽平台传统的材质,其石墨呈片状分布,赋予材料良好的减震性和耐磨性。HT200材质平台广泛应用于中小型机械加工车
- 量子计算+AI芯片:光子计算如何重构神经网络硬件生态
前言前些天发现了一个巨牛的人工智能免费学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家。点击跳转到网站量子计算+AI芯片:光子计算如何重构神经网络硬件生态——2025年超异构计算架构下的万亿参数模型训练革命产业拐点:英伟达BlackwellUltra发布光互连版GPU,IBM量子处理器突破512比特,光子计算商用成本降至$5/TOPS实测突破:Llama3-405B在光子-量子混合集群训练能耗下
- 3dmax一键烘焙很多张贴图合并成一张贴图插件支持fbx/obj/blender多材质模型合并为一张贴图
在下胡三汉
贴图blender材质
3dmax一键烘焙很多张贴图合并成一张贴图插件支持fbx/obj/blender多材质模型合并为一张贴图3dmax一键烘焙很多张贴图合并成一张贴图插件支持fbx/obj/blender多材质模型合并为一张贴图
- 【机器学习笔记 Ⅱ】4 神经网络中的推理
推理(Inference)是神经网络在训练完成后利用学到的参数对新数据进行预测的过程。与训练阶段不同,推理阶段不计算梯度也不更新权重,仅执行前向传播。以下是其实现原理和代码示例的完整解析:1.推理的核心步骤加载训练好的模型参数(权重和偏置)。前向传播:输入数据逐层计算,得到输出。后处理:根据任务类型解析输出(如分类取概率最大值,回归直接输出)。2.代码实现(Python+NumPy)(1)定义模型
- Tuning Language Models by Proxy
樱花的浪漫
对抗生成网络与动作识别强化学习因果推断大模型与智能体人工智能机器学习深度学习自然语言处理计算机视觉神经网络
TuningLanguageModelsbyProxyhttps://arxiv.org/html/2401.08565v41.概述尽管大型预训练语言模型的通用能力越来越强,但它们仍然可以从额外的微调中受益,以更好地实现所需的行为。例如,它们通常被微调以遵循指令(Ouyang等人,2022年)、特定的兴趣领域(Gururangan等人,2020年)或特定任务(Raffel等人,2020年)。然而,
- 【面试题】为什么kafka的吞吐量这么高
oraen
面试系列kafka分布式
我们总结一下为什么kafka的吞吐量高核心:顺序写+零拷贝+批处理一数据模型简单+顺序读写磁盘1kafka的数据存储本质上使用的是Append-only日志模型,数据写入和读取是顺序的,不需要复杂索引或随机写,大大简化了写路径,2消息以顺序追加方式写入磁盘,避免了随机写,而且顺序写入能够更高效地配合操作系统的页缓存,进一步提升写的性能。3消息的消费也是顺序读取的,顺序读取硬盘数据再配合内存映射大大
- 巨兽的阴影:大型语言模型的挑战与伦理深渊
田园Coder
人工智能科普人工智能科普
当GPT-4这样的庞然大物能够流畅对话、撰写诗歌、编写代码、解析图像,甚至在某些测试中媲美人类专家时,大型语言模型(LLM)仿佛成为了无所不能的“智能神谕”。然而,在这令人目眩的成就之下,潜藏着复杂而严峻的挑战与伦理困境,如同光芒万丈的科技巨兽脚下那片难以忽视的深邃阴影。这些挑战并非技术进步的偶然副作用,而是深植于LLM的运作本质、训练数据来源以及其与社会交互的复杂性之中。它们警示我们,在追逐能力
- 为什么让AI洗碗比写诗难百倍?清华教授揭秘具身智能鸿沟
Loving_enjoy
计算机学科论文创新点机器学习人工智能facebook课程设计
>**人类小脑数亿年进化出的运动智慧,成了AI最难破解的密码**2025年3月,一位网友困惑地发问:“我想让人工智能替我洗碗做饭洗衣服,没想到现在的AI反而在画画、写歌、搞创作……”对此,全国政协委员、中国科学院自动化研究所研究员赵晓光一针见血地指出:**“大模型没有创新能力,想让AI干体力活还要靠具身智能的发展。”**这个看似矛盾的现象背后,隐藏着人工智能发展进程中一个惊人的认知盲区。清华大学心
- 【论文阅读】Dynamic Few-Shot Visual Learning without Forgetting
Bosenya12
论文阅读
系统概述如下:(a)一个基于卷积神经网络(ConvNet)的识别模型,该模型包含特征提取器和分类器;(b)一个少样本分类权重生成器。这两个组件都是在一组基础类别上训练的,我们为这些类别准备了大量训练数据。在测试阶段,权重生成器会接收少量新类别的训练数据以及基础类别的分类权重向量(分类器框内的绿色矩形),并为新类别生成相应的分类权重向量(分类器框内的蓝色矩形)。这样,卷积神经网络就能同时识别基础类别
- 扩散模型中的 Transformer:图像生成及其延展应用询问 ChatGPT
DeepSeek大模型官方教程
transformerchatgpt深度学习自然语言处理人工智能ai大模型学习
扩散模型近年来在生成逼真但合成的连续媒体内容方面引起了广泛关注。本次演讲将介绍Transformer在图像生成的扩散模型中的应用,并进一步探讨其更广泛的前景。我们首先简要介绍扩散模型的基础知识以及它们的训练方式,从而建立基本背景。接着,我们讲解曾是扩散模型事实标准的基于UNet的网络架构,这将帮助我们理解引入Transformer架构并推动其发展的动因。随后,我们将深入探讨构成基础架构的核心模块,
- 【论文阅读】Few-Shot PPG Signal Generation via Guided Diffusion Models
Bosenya12
论文阅读
从少量样本数据选择到后处理的整体框架。首先,扩散模型在N样本数据集和指导下的训练。接着,模型生成一个增强的数据集,并进一步优化以提高保真度。最后,这些合成数据与少量样本训练数据集结合,用于基准模型的训练和评估。数据分布从最初的红色变为保真度增强的蓝色,这表明模型与真实数据更加吻合,如简化后的数据分布示意图所示。这篇文章的核心内容是介绍了一种名为BG-Diff(Bi-GuidedDiffusion)
- 从被动检索到主动思考:Naive RAG 到 Agentic RAG 的架构演进与关键技术解析
一休哥助手
人工智能架构RAG
摘要随着大语言模型(LLMs)的广泛应用,检索增强生成(Retrieval-AugmentedGeneration,RAG)技术已成为解决模型知识滞后与幻觉问题的核心方案。本文深入剖析从基础NaiveRAG到新一代AgenticRAG的架构演进路径,聚焦关键技术创新点(如递归检索、自适应查询改写、工具集成、多智能体协作),并通过架构图对比与案例分析,揭示其在复杂任务处理中的范式转变。全文超过500
- 【零基础学AI】第29讲:BERT模型实战 - 情感分析
1989
0基础学AIbert人工智能深度学习神经网络cnnpython自然语言处理
本节课你将学到BERT模型的核心原理与优势HuggingFaceTransformers库的BERT接口使用情感分析任务的完整实现流程模型微调(Fine-tuning)技巧开始之前环境要求Python3.8+需要安装的包:pipinstalltorchtransformersdatasetspandastqdmGPU推荐(可加速训练)前置知识第28讲Transformer基础基本PyTorch使用
- 【零基础学AI】第27讲:注意力机制(Attention) - 机器翻译实战
1989
0基础学AI人工智能机器翻译自然语言处理pythontensorflow机器学习神经网络
本节课你将学到理解注意力机制的核心思想掌握注意力计算的数学原理实现基于注意力机制的Seq2Seq模型构建英语到法语的神经翻译系统开始之前环境要求Python3.8+需要安装的包:tensorflow==2.8.0numpy==1.21.0matplotlib==3.4.0pandas==1.3.0前置知识RNN/LSTM原理(第26讲)序列数据处理(第26讲)自然语言处理基础(第14讲)核心概念为
- TensorFlow图神经网络(GNN)入门指南
AI天才研究院
AI人工智能与大数据tensorflow神经网络人工智能ai
TensorFlow图神经网络(GNN)入门指南关键词:TensorFlow、图神经网络、GNN、深度学习、图数据、节点嵌入、图卷积网络摘要:本文全面介绍如何使用TensorFlow实现图神经网络(GNN)。我们将从图数据的基本概念开始,深入探讨GNN的核心原理,包括图卷积网络(GCN)、图注意力网络(GAT)等流行架构,并通过TensorFlow代码示例展示如何构建和训练GNN模型。文章还将涵盖
- HarmonyOS多语言支持:如何实现语言资源智能分发
操作系统内核探秘
操作系统内核揭秘harmonyos华为ai
HarmonyOS多语言支持:如何实现语言资源智能分发关键词:HarmonyOS、多语言支持、资源分发、智能调度、动态加载、国际化、本地化摘要:本文深入解析HarmonyOS多语言资源管理体系,系统阐述从基础架构设计到智能分发算法的核心技术。通过剖析资源目录结构、配置文件语法、动态加载机制等底层原理,结合自适应优先级调度算法和数学匹配模型,展示如何实现基于用户习惯、设备环境、区域特征的智能资源分发
- 《王者荣耀》游戏优化的AI革命:从性能提升到生态治理
AI编程员
001AI传统&编程语言002AI编程工具汇总003AI编程作品汇总人工智能笔记学习深度学习游戏
目录:AI技术进化历程:使用时间轴和表格介绍“绝悟”AI从基础操作到职业水平的成长过程,以及“开悟”平台的技术外溢效应。性能优化策略:通过终端适配方案表格,分析预计算烘焙、多线程优化等技术如何解决亿级用户的设备兼容问题。游戏环境治理:列举AI接管、违规检测等机制如何应对挂机、摆烂等破坏公平性的行为。产业技术外溢:说明游戏AI如何向智能制造、自动驾驶等领域输出协作决策模型。伦理争议:探讨“超规格能力
- 前端开发常见问题(从布局到性能优化)
白仑色
前端系列前端开发HTMLCSSJavaScript性能优化响应式布局跨域
前端开发作为连接用户与产品的重要桥梁,涉及HTML、CSS和JavaScript的综合运用。但在实际开发过程中,开发者常常会遇到各种“坑”,比如页面布局异常、跨域请求失败、性能瓶颈、浏览器兼容性差等问题。本文将围绕前端开发中常见的十大问题展开讲解:页面布局相关问题(盒模型、浮动、Flex布局)CSS样式冲突与继承JavaScript异步处理(Promise、async/await)跨域问题及解决方
- apache 安装linux windows
墙头上一根草
apacheinuxwindows
linux安装Apache 有两种方式一种是手动安装通过二进制的文件进行安装,另外一种就是通过yum 安装,此中安装方式,需要物理机联网。以下分别介绍两种的安装方式
通过二进制文件安装Apache需要的软件有apr,apr-util,pcre
1,安装 apr 下载地址:htt
- fill_parent、wrap_content和match_parent的区别
Cb123456
match_parentfill_parent
fill_parent、wrap_content和match_parent的区别:
1)fill_parent
设置一个构件的布局为fill_parent将强制性地使构件扩展,以填充布局单元内尽可能多的空间。这跟Windows控件的dockstyle属性大体一致。设置一个顶部布局或控件为fill_parent将强制性让它布满整个屏幕。
2) wrap_conte
- 网页自适应设计
天子之骄
htmlcss响应式设计页面自适应
网页自适应设计
网页对浏览器窗口的自适应支持变得越来越重要了。自适应响应设计更是异常火爆。再加上移动端的崛起,更是如日中天。以前为了适应不同屏幕分布率和浏览器窗口的扩大和缩小,需要设计几套css样式,用js脚本判断窗口大小,选择加载。结构臃肿,加载负担较大。现笔者经过一定时间的学习,有所心得,故分享于此,加强交流,共同进步。同时希望对大家有所
- [sql server] 分组取最大最小常用sql
一炮送你回车库
SQL Server
--分组取最大最小常用sql--测试环境if OBJECT_ID('tb') is not null drop table tb;gocreate table tb( col1 int, col2 int, Fcount int)insert into tbselect 11,20,1 union allselect 11,22,1 union allselect 1
- ImageIO写图片输出到硬盘
3213213333332132
javaimage
package awt;
import java.awt.Color;
import java.awt.Font;
import java.awt.Graphics;
import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;
import javax.imagei
- 自己的String动态数组
宝剑锋梅花香
java动态数组数组
数组还是好说,学过一两门编程语言的就知道,需要注意的是数组声明时需要把大小给它定下来,比如声明一个字符串类型的数组:String str[]=new String[10]; 但是问题就来了,每次都是大小确定的数组,我需要数组大小不固定随时变化怎么办呢? 动态数组就这样应运而生,龙哥给我们讲的是自己用代码写动态数组,并非用的ArrayList 看看字符
- pinyin4j工具类
darkranger
.net
pinyin4j工具类Java工具类 2010-04-24 00:47:00 阅读69 评论0 字号:大中小
引入pinyin4j-2.5.0.jar包:
pinyin4j是一个功能强悍的汉语拼音工具包,主要是从汉语获取各种格式和需求的拼音,功能强悍,下面看看如何使用pinyin4j。
本人以前用AscII编码提取工具,效果不理想,现在用pinyin4j简单实现了一个。功能还不是很完美,
- StarUML学习笔记----基本概念
aijuans
UML建模
介绍StarUML的基本概念,这些都是有效运用StarUML?所需要的。包括对模型、视图、图、项目、单元、方法、框架、模型块及其差异以及UML轮廓。
模型、视与图(Model, View and Diagram)
&
- Activiti最终总结
avords
Activiti id 工作流
1、流程定义ID:ProcessDefinitionId,当定义一个流程就会产生。
2、流程实例ID:ProcessInstanceId,当开始一个具体的流程时就会产生,也就是不同的流程实例ID可能有相同的流程定义ID。
3、TaskId,每一个userTask都会有一个Id这个是存在于流程实例上的。
4、TaskDefinitionKey和(ActivityImpl activityId
- 从省市区多重级联想到的,react和jquery的差别
bee1314
jqueryUIreact
在我们的前端项目里经常会用到级联的select,比如省市区这样。通常这种级联大多是动态的。比如先加载了省,点击省加载市,点击市加载区。然后数据通常ajax返回。如果没有数据则说明到了叶子节点。 针对这种场景,如果我们使用jquery来实现,要考虑很多的问题,数据部分,以及大量的dom操作。比如这个页面上显示了某个区,这时候我切换省,要把市重新初始化数据,然后区域的部分要从页面
- Eclipse快捷键大全
bijian1013
javaeclipse快捷键
Ctrl+1 快速修复(最经典的快捷键,就不用多说了)Ctrl+D: 删除当前行 Ctrl+Alt+↓ 复制当前行到下一行(复制增加)Ctrl+Alt+↑ 复制当前行到上一行(复制增加)Alt+↓ 当前行和下面一行交互位置(特别实用,可以省去先剪切,再粘贴了)Alt+↑ 当前行和上面一行交互位置(同上)Alt+← 前一个编辑的页面Alt+→ 下一个编辑的页面(当然是针对上面那条来说了)Alt+En
- js 笔记 函数
征客丶
JavaScript
一、函数的使用
1.1、定义函数变量
var vName = funcation(params){
}
1.2、函数的调用
函数变量的调用: vName(params);
函数定义时自发调用:(function(params){})(params);
1.3、函数中变量赋值
var a = 'a';
var ff
- 【Scala四】分析Spark源代码总结的Scala语法二
bit1129
scala
1. Some操作
在下面的代码中,使用了Some操作:if (self.partitioner == Some(partitioner)),那么Some(partitioner)表示什么含义?首先partitioner是方法combineByKey传入的变量,
Some的文档说明:
/** Class `Some[A]` represents existin
- java 匿名内部类
BlueSkator
java匿名内部类
组合优先于继承
Java的匿名类,就是提供了一个快捷方便的手段,令继承关系可以方便地变成组合关系
继承只有一个时候才能用,当你要求子类的实例可以替代父类实例的位置时才可以用继承。
在Java中内部类主要分为成员内部类、局部内部类、匿名内部类、静态内部类。
内部类不是很好理解,但说白了其实也就是一个类中还包含着另外一个类如同一个人是由大脑、肢体、器官等身体结果组成,而内部类相
- 盗版win装在MAC有害发热,苹果的东西不值得买,win应该不用
ljy325
游戏applewindowsXPOS
Mac mini 型号: MC270CH-A RMB:5,688
Apple 对windows的产品支持不好,有以下问题:
1.装完了xp,发现机身很热虽然没有运行任何程序!貌似显卡跑游戏发热一样,按照那样的发热量,那部机子损耗很大,使用寿命受到严重的影响!
2.反观安装了Mac os的展示机,发热量很小,运行了1天温度也没有那么高
&nbs
- 读《研磨设计模式》-代码笔记-生成器模式-Builder
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/
/**
* 生成器模式的意图在于将一个复杂的构建与其表示相分离,使得同样的构建过程可以创建不同的表示(GoF)
* 个人理解:
* 构建一个复杂的对象,对于创建者(Builder)来说,一是要有数据来源(rawData),二是要返回构
- JIRA与SVN插件安装
chenyu19891124
SVNjira
JIRA安装好后提交代码并要显示在JIRA上,这得需要用SVN的插件才能看见开发人员提交的代码。
1.下载svn与jira插件安装包,解压后在安装包(atlassian-jira-subversion-plugin-0.10.1)
2.解压出来的包里下的lib文件夹下的jar拷贝到(C:\Program Files\Atlassian\JIRA 4.3.4\atlassian-jira\WEB
- 常用数学思想方法
comsci
工作
对于搞工程和技术的朋友来讲,在工作中常常遇到一些实际问题,而采用常规的思维方式无法很好的解决这些问题,那么这个时候我们就需要用数学语言和数学工具,而使用数学工具的前提却是用数学思想的方法来描述问题。。下面转帖几种常用的数学思想方法,仅供学习和参考
函数思想
把某一数学问题用函数表示出来,并且利用函数探究这个问题的一般规律。这是最基本、最常用的数学方法
- pl/sql集合类型
daizj
oracle集合typepl/sql
--集合类型
/*
单行单列的数据,使用标量变量
单行多列数据,使用记录
单列多行数据,使用集合(。。。)
*集合:类似于数组也就是。pl/sql集合类型包括索引表(pl/sql table)、嵌套表(Nested Table)、变长数组(VARRAY)等
*/
/*
--集合方法
&n
- [Ofbiz]ofbiz初用
dinguangx
电商ofbiz
从github下载最新的ofbiz(截止2015-7-13),从源码进行ofbiz的试用
1. 加载测试库
ofbiz内置derby,通过下面的命令初始化测试库
./ant load-demo (与load-seed有一些区别)
2. 启动内置tomcat
./ant start
或
./startofbiz.sh
或
java -jar ofbiz.jar
&
- 结构体中最后一个元素是长度为0的数组
dcj3sjt126com
cgcc
在Linux源代码中,有很多的结构体最后都定义了一个元素个数为0个的数组,如/usr/include/linux/if_pppox.h中有这样一个结构体: struct pppoe_tag { __u16 tag_type; __u16 tag_len; &n
- Linux cp 实现强行覆盖
dcj3sjt126com
linux
发现在Fedora 10 /ubutun 里面用cp -fr src dest,即使加了-f也是不能强行覆盖的,这时怎么回事的呢?一两个文件还好说,就输几个yes吧,但是要是n多文件怎么办,那还不输死人呢?下面提供三种解决办法。 方法一
我们输入alias命令,看看系统给cp起了一个什么别名。
[root@localhost ~]# aliasalias cp=’cp -i’a
- Memcached(一)、HelloWorld
frank1234
memcached
一、简介
高性能的架构离不开缓存,分布式缓存中的佼佼者当属memcached,它通过客户端将不同的key hash到不同的memcached服务器中,而获取的时候也到相同的服务器中获取,由于不需要做集群同步,也就省去了集群间同步的开销和延迟,所以它相对于ehcache等缓存来说能更好的支持分布式应用,具有更强的横向伸缩能力。
二、客户端
选择一个memcached客户端,我这里用的是memc
- Search in Rotated Sorted Array II
hcx2013
search
Follow up for "Search in Rotated Sorted Array":What if duplicates are allowed?
Would this affect the run-time complexity? How and why?
Write a function to determine if a given ta
- Spring4新特性——更好的Java泛型操作API
jinnianshilongnian
spring4generic type
Spring4新特性——泛型限定式依赖注入
Spring4新特性——核心容器的其他改进
Spring4新特性——Web开发的增强
Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC
Spring4新特性——Groovy Bean定义DSL
Spring4新特性——更好的Java泛型操作API
Spring4新
- CentOS安装JDK
liuxingguome
centos
1、行卸载原来的:
[root@localhost opt]# rpm -qa | grep java
tzdata-java-2014g-1.el6.noarch
java-1.7.0-openjdk-1.7.0.65-2.5.1.2.el6_5.x86_64
java-1.6.0-openjdk-1.6.0.0-11.1.13.4.el6.x86_64
[root@localhost
- 二分搜索专题2-在有序二维数组中搜索一个元素
OpenMind
二维数组算法二分搜索
1,设二维数组p的每行每列都按照下标递增的顺序递增。
用数学语言描述如下:p满足
(1),对任意的x1,x2,y,如果x1<x2,则p(x1,y)<p(x2,y);
(2),对任意的x,y1,y2, 如果y1<y2,则p(x,y1)<p(x,y2);
2,问题:
给定满足1的数组p和一个整数k,求是否存在x0,y0使得p(x0,y0)=k?
3,算法分析:
(
- java 随机数 Math与Random
SaraWon
javaMathRandom
今天需要在程序中产生随机数,知道有两种方法可以使用,但是使用Math和Random的区别还不是特别清楚,看到一篇文章是关于的,觉得写的还挺不错的,原文地址是
http://www.oschina.net/question/157182_45274?sort=default&p=1#answers
产生1到10之间的随机数的两种实现方式:
//Math
Math.roun
- oracle创建表空间
tugn
oracle
create temporary tablespace TXSJ_TEMP
tempfile 'E:\Oracle\oradata\TXSJ_TEMP.dbf'
size 32m
autoextend on
next 32m maxsize 2048m
extent m
- 使用Java8实现自己的个性化搜索引擎
yangshangchuan
javasuperword搜索引擎java8全文检索
需要对249本软件著作实现句子级别全文检索,这些著作均为PDF文件,不使用现有的框架如lucene,自己实现的方法如下:
1、从PDF文件中提取文本,这里的重点是如何最大可能地还原文本。提取之后的文本,一个句子一行保存为文本文件。
2、将所有文本文件合并为一个单一的文本文件,这样,每一个句子就有一个唯一行号。
3、对每一行文本进行分词,建立倒排表,倒排表的格式为:词=包含该词的总行数N=行号