- 使用LLaVa和Ollama实现多模态RAG示例
llzwxh888
python人工智能开发语言
本文将详细介绍如何使用LLaVa和Ollama实现多模态RAG(检索增强生成),通过提取图像中的结构化数据、生成图像字幕等功能来展示这一技术的强大之处。安装环境首先,您需要安装以下依赖包:!pipinstallllama-index-multi-modal-llms-ollama!pipinstallllama-index-readers-file!pipinstallunstructured!p
- RAG与LLM原理及实践(17)---Docker Redis & Python Usage
PhoenixAI8
RAGMilvusChroma源码及实践redis数据库缓存
目录背景Redis环境download修改镜像RunRedisCodingpythonredisdownload基本使用描述完整代码运行结果高阶用法序列化的方式Snapshot与AOF快照(RDB)AOF(Append-OnlyFile)代码总结发布与订阅描述代码运行结果注意事项解释Transanction描述代码键空间描述开启python代码运行结果背景实际上,你会发现本专栏题目是RAG,Mil
- RAG与LLM原理及实践(16)---RAG 前端技术Flask-socketIO
PhoenixAI8
RAGMilvusChroma源码及实践前端flaskpythonsocketioRAG
目录背景技术理念RAG结合点实时数据更新与推送实时查询与响应安装使用完整案例说明后端python代码代码解释前端html代码JS代码代码解释总结背景构建RAG系统或别的系统时,如果后端采用的全Python,或者说是以python为主的系统,是很常见的一个选择,因为毕竟python对LLM,图片,乃至其他video等resource的model都有较完善的支撑,为了快速开发出原型,甚至之后的商用,往
- llm-universe学习小记录4--构建RAG应用
Adela0546
学习语言模型
构建RAG应用一、将LLM接入LangChain1、基于LangChain调用ChatGPT2、使用LangChain调用百度文心一言3、使用LangChain调用讯飞星火4、使用LangChain调用智谱GLM具体内容与代码详见将LLM接入LangChain。二、构建检索问答链1、加载向量数据库2、创建一个LLM3、构建检索问答链4、检索问答链效果测试5、添加历史对话的记忆功能(1)记忆(Mem
- 月之暗面对谈 Zilliz:长文本和 RAG 如何选择?
冻感糕人~
人工智能大数据算法自然语言处理ai大模型RAG机器学习
01长文本与RAG通用对比准确率:通常情况下长文本优于RAG长文本:可更加综合的去分析所有相关的内容,提取相关数字,生成图表,效果尚可。RAG:更适合找到一段或者是几段可能相关的段落。如果希望大模型能够对问题有全局的认识,比较困难。如,根据上市公司的2020年财务报表,绘制图表,直接用RAG可能效果就不是很好。长文本在准确性上表现好的原因,以及长度与准确性选择长文本处理之后,会做对齐和专门的Ben
- HippoRAG如何从大脑获取线索以改进LLM检索
极道亦有道
人工智能
知识存储和检索正在成为大型语言模型(LLM)应用的重要组成部分。虽然检索增强生成(RAG)在该领域取得了巨大进步,但一些局限性仍然没有克服。俄亥俄州立大学和斯坦福大学的研究团队推出了HippoRAG,这是一种创新性的检索框架,其设计理念源于人类长期记忆系统中的海马索引理论。HippoRAG的引入使大型语言模型(LLM)应用程序能够更有效地集成动态知识,并更快、更准确地检索重要信息。HippoRAG
- 如何训练LLM自动在RAG和参数记忆之间进行选择
极道亦有道
人工智能python算法
检索增强生成(RAG)管道使大型语言模型(LLM)能够在其响应中使用外部信息源。但是RAG应用程序为发送到LLM的每个请求检索额外的场景信息。这使得该过程效率低下,因为LLM已经包含了大量无需检索即可使用的知识。Adapt-LLM可以训练LLM确定是否需要在问答任务中检索额外的场景信息,将提高LLM应用程序的效率。检索增强生成(RAG)管道使大型语言模型(LLM)能够在其响应中使用外部信息源。但是
- 增强检索增强生成模型的可靠性和可追溯性
RA AI衍生者训练营
人工智能ai开发语言机器学习语言模型
大型语言模型(LLM)表现出了卓越的能力,但也存在幻觉、缺乏领域适应性和缺乏持续学习等问题。当它们必须处理知识密集型任务时,这些问题更加明显。解决这些问题的方法之一(或至少是部分解决方案)是在LLM上下文中提供相关信息(插入提示中)。该系统通常是检索增强生成(RAG)。该系统已被证明能够减少幻觉并改善反应。然而,可靠性和可追溯性仍然存在局限性。事实上,上下文幻觉仍然会出现,有时找不到正确的上下文。
- 基于Langchain的大模型RAG技术介绍(附示例代码)
赵放-AI
AIlangchain人工智能chatgptpython
一、RAG简介在大模型技术的迅速发展下,涌现了各种庞大的模型,形成了一场所谓的‘百模大战’。这些模型在大小和性能上各有所长,但大多数都是在通用语料库上进行训练的,因此它们只具备通用知识,对于专业领域的知识了解较少。由于训练大模型的成本颇高,许多专业领域难以负担这一费用,但专业人士又希望利用大模型的强大能力解决专业问题。为解决这一问题,出现了两种技术路线:一种是通过使用专业领域的数据集微调通用大模型
- RAG 聊天机器人:用 Langchain 和 Streamlit开启与 PDF 的智能对话
Soyoger
大模型应用落地架构实战机器人langchainpdf大数据chatgpt
与大量PDF文档的交互如今变得前所未有地便捷与智能。想象一下,您可以轻松与您的笔记、书籍和各种文档进行无缝对话,不再需要繁琐的手动查找和处理。这篇文章将带您逐步构建一个基于Multi-RAG和Streamlit的Web应用程序,该应用程序通过AI驱动的聊天机器人来读取、解析和处理PDF数据,提供前所未有的用户体验。让我们一起深入探讨开发这一创新应用的完整过程,了解如何通过先进技术实现高效的文档管理
- 大模型算法岗,面试百问百答,7天3个offer拿到手!
爱喝白开水a
算法面试职场和发展ai大模型大语言模型LLM大模型面试
导读大模型时代很多企业都在开发自己的大模型,这直接刺激了大模型岗位的需求。本文为大家整理了大模型面试相关的知识点,希望对大家面试求职有所帮助。今天分享大模型面试相关知识点,持续更新。1.RAG技术体系的总体思路数据预处理->分块(这一步骤很关键,有时候也决定了模型的效果)->文本向量化->query向量化->向量检索->重排->query+检索内容输入LLM->输出2.使用外挂知识库主要为了解决什
- 大模型LLM面试常见算法题-包括Attention和Transformer常见面试题
剑圣土豆
算法面试大模型学习自然语言处理transformer算法nlp自然语言处理面试深度学习人工智能
大模型:位置编码有哪些?介绍LoRA与QLoRARAG和微调的区别是什么?哪些因素会导致LLM的偏见?什么是思维链(CoT)提示?Tokenizer的实现方法及原理解释一下大模型的涌现能力?解释langchainAgent的概念langchain有哪些替代方案?RLHF完整训练过程是什么?为什么RLHF的效果这么好?RLHF使用的训练数据是什么样的?RAG和微调的区别是什么?有了解过什么是稀疏微调
- 茴香豆:搭建RAG 智能助理
不才妹妹
人工智能windowslinux
RAGRAG(RetrievalAugmentedGeneration)技术,通过检索与用户输入相关的信息片段,并结合外部知识库来生成更准确、更丰富的回答。解决LLMs在处理知识密集型任务时可能遇到的挑战,如幻觉、知识过时和缺乏透明、可追溯的推理过程等。提供更准确的回答、降低推理成本、实现外部记忆。1.在茴香豆Web版中创建自己领域的知识问答助手1.1配置镜像环境进入开发机后,从官方环境复制运行I
- OPENAI中RAG实现原理以及示例代码用PYTHON来实现
dzend
aigcpython开发语言ai
OPENAI中RAG实现原理以及示例代码用PYTHON来实现1.引言在当今人工智能领域,自然语言处理(NLP)是一个非常重要的研究方向。近年来,OPENAI发布了许多创新的NLP模型,其中之一就是RAG(Retrieval-AugmentedGeneration)模型。RAG模型结合了检索和生成两种方法,可以用于生成与给定问题相关的高质量文本。本文将介绍RAG模型的实现原理,并提供使用Python
- llama_index 官方文档阅读笔记 (持续更新版)
皮卡丘ZPC
AIGCforGPT评分体系构架笔记llama人工智能语言模型
llama0.10.17版本阅读链接:LlamaIndexv0.10.17LlamaIndex是一个基于LLM的应用程序的数据框架,它受益于上下文增强。这种LLM系统被称为RAG系统,代表“检索-增强生成”。LlamaIndex提供了必要的抽象,以便更轻松地摄取、构建和访问私有或特定于域的数据,以便将这些数据安全可靠地注入LLM,以实现更准确的文本生成。为什么选择上下文增强?LLM的局限LLM在人
- 从零搭建一个可离线使用的可实时更新扩展信息的智能问答系统 llamaindex&LLama3大模型&RAG
千年奇葩
AI人工智能aillama人工智能llamafactory大模型
之前对一件事很好奇,为什么去年训练的大模型可以回答今天的新闻内容。答案是使用了知识扩展系统。基本原理是把参考答案和问题一同提给大模型,给他充分的参考信息做回复编辑。本文教你完成离线版本的智能问答系统搭建。有问题请直接留言最近在疯狂找下家,本人精通图形渲染和ai,求捞啊!基本架构图讲一下基本运行流程:人工准备数据转为嵌入向量存入数据库并生成索引用户提问流程:用户输入问题在索引数据库中查询匹配度较高的
- 基于云原生向量数据库 PieCloudVector 的 RAG 实践
OpenPie|拓数派
OpenPie|拓数派云原生向量数据库PieCloudVectorPieCloudDBOpenPie
近年来,人工智能生成内容(AIGC)已然成为最热门的话题之一。工业界出现了各种内容生成工具,能够跨多种模态产生多样化的内容。这些主流的模型能够取得卓越表现,归功于创新的算法、模型规模的大幅扩展,以及海量的高质量数据集。然而AIGC依然面临一系列挑战,检索增强生成(RAG)技术作为LLM的一项重要补充被提出。本文将结合实例演示,和大家一起探索基于PieCloudVector的RAG实践。AIGC强调
- 微软Azure OpenAI 集成矢量化
全云在线allcloudonline
microsoftazure
AzureAISearch中已全面支持集成矢量化与AzureOpenAI嵌入。这标志着我们持续致力于简化和加快检索增强生成(RAG)和传统应用程序的数据准备和索引创建的重要里程碑。集成矢量化简化了RAG流程参考链接:微软AzureOpenAI免费试用申请为什么矢量化很重要?矢量化是将数据转换为嵌入(矢量表示)以执行矢量搜索的过程。矢量搜索有助于识别数据的相似性和差异性,使企业能够提供更准确、更相关
- 【AI大模型应用开发】【LangChain系列】2. 一文全览LangChain数据连接模块:从文档加载到向量检索RAG,理论+实战+细节
同学小张
大模型python人工智能langchainpython笔记经验分享promptembedding
大家好,我是【同学小张】。持续学习,持续干货输出,关注我,跟我一起学AI大模型技能。本文学习LangChain中的数据连接(Retrieval)模块。该模块提供文档加载、切分,向量存储、检索等操作的封装。最后,结合RAG基本流程、LangChainPrompt模板和输入输出模块,我们将利用LangChain实现RAG的基本流程。文章目录0.模块介绍1.Documentloaders文档加载模块1.
- RAFT:Adapting Language Model to Domain Specific RAG
蒸土豆的技术细节
语言模型人工智能自然语言处理
论文链接简单来说,就是你SFT微调的时候得考虑RAG的场景。RAG什么场景?你检索top-k回来,里面有相关doc有不相关doc,后者是影响性能的重要原因,LLM需要有强大的识别能力才能分得清哪块和你的query相关。微调就是为了这个。你做领域微调时,根据chunk生成query、answer,然后直接拿这仨微调,这里面没有干扰项,没有“不相关doc”,就扛不住RAG的噪声。RAFT就是针对这个搞
- RAFT: Adapting Language Model to Domain Specific RAG
UnknownBody
RAGforLLM语言模型人工智能自然语言处理
本文是LLM系列文章,针对《RAFT:AdaptingLanguageModeltoDomainSpecificRAG》的翻译。RAFT:使语言模型适应特定领域的RAG摘要1引言2LLM用于开卷考试3RAFT4评估5RAFT推广到Top-KRAG6相关工作7结论摘要在文本数据的大型语料库上预训练大型语言模型(LLM)现在是一种标准范式。当将这些LLM用于许多下游应用程序时,通常会通过基于RAG的计
- 特定领域 RAG 新突破:LlamaPack 实现 RAFT 论文方法
技术狂潮AI
大模型企业实战LLM应用实战AI编程实战人工智能RAFT(检索增强微调)LlamaIndexLlamaPack
一、前言在上一篇文章《RAFT:让大型语言模型更擅长特定领域的RAG任务》中,我们介绍了RAFT训练方法,RAFT(检索增强微调)是一种训练方法,可以提高大型语言模型(LLM)在开卷、域内问答任务中的性能。给定一个问题和一组检索到的文档,RAFT训练LLM从文档中识别并引用最相关的片段,这些片段有助于回答问题,同时忽略不相关或分散注意力的信息。通过训练模型识别相关信息并提供佐证,RAFT可以增强L
- 【LangChain-Chatchat】本地部署模型及搭建个人/企业内部知识库
AI_小站
langchain人工智能ai大模型语言模型自然语言处理
此学习教程结合本人安装经验主要提供给想学习和本地安装使用LangChain-Chatchat的同学们,该教程如有描述不当或者引用不正确的地方,欢迎指出!后续也会更新如何结合自己系统使用。介绍基于ChatGLM等大语言模型与Langchain等应用框架实现,开源、可离线部署的检索增强生成(RAG)大模型知识库项目。该项目支持开源LLM与Embedding模型,亦可实现全部使用开源模型离线私有部署。与
- python利用向量数据库chroma实现RAG检索增强生成
Cachel wood
LLM和AIGC阿里云云计算pythonflask开发语言RAGchroma
文章目录向量数据库chroma简介RAG简介RAG示例向量数据库chroma简介向量数据库chroma教程RAG简介RAG的全称是Retrieval-AugmentedGeneration,中文翻译为检索增强生成。它是一个为大模型提供外部知识源的概念,这使它们能够生成准确且符合上下文的答案,同时能够减少模型幻觉。知识更新问题最先进的LLM会接受大量的训练数据,将广泛的常识知识存储在神经网络的权重中
- 【AI】在Windows10下部署本地LLM RAG服务
每日出拳老爷子
ai人工智能ailangchainGPT
【背景】上一篇介绍了如何用Ubuntu命令行部署ollamaLLM+RAG服务。部署后等于拥有了基于内网的AISaas服务,其它内网用户可以通过默认的网址访问Playground对AI进行问答。【概念】RAG:通过词向量技术,将文件内容向量化后,通过语言模型以自然交流的形式得到文本相关的内容。可以形容为与文件库或知识库对话的系统。RAG的后台向量库并不需要对LLM产生影响,LLM是人与向量库(知识
- Re-ranking 从原理到实现的两种主流方法
lichunericli
RAG人工智能自然语言处理
原文地址:https://pub.towardsai.net/advanced-rag-04-re-ranking2024年2月14日重新排序在检索增强生成(RAG)过程中起着至关重要的作用。在简单的RAG方法中,可以检索大量上下文,但并非所有上下文都一定与问题相关。重新排序允许对文档进行重新排序和过滤,将相关文档置于最前面,从而提高RAG的有效性。本文介绍了RAG的重新排名技术,并演示了如何使用
- 探索LangChain-Chatchat 0.3:一体化Agent与强大RAG模型的全面入门指南
爱喝白开水a
langchain人工智能aiai大模型大语言模型AgentRAG
介绍LangChain-Chatchat支持RAG和Agent0.3版本跟大模型解耦,支持Xinference、Ollama、LocalAI、FastChat、OneAPI,可以非常方便的切换各个模型,本文只是介绍XinferenceXorbitsInference(Xinference)是一个开源平台,用于简化各种AI模型的运行和集成。借助Xinference,您可以使用任何开源LLM、嵌入模型
- LLM之RAG理论(十二)| RAG和Graph RAG对比
wshzd
RAG笔记人工智能
最近GraphRAG非常火,它来自微软的一篇论文《FromLocaltoGlobal:AGraphRAGApproachtoQuery-FocusedSummarization》,论文地址:https://arxiv.org/pdf/2404.16130。本文将对RAG和GraphRAG在架构和成本方面做简要分析。一、RAG和GraphRAG的架构RAG方法体系结构可以分为两个不同的阶段:索引阶段
- 百篇论文博文导航AI工程之路:FT、KG、RAG与Agent技术全方位探索
汀、人工智能
AIAgent人工智能深度学习机器学习自然语言处理大模型AgentRAG
百篇论文博文导航AI工程之路:FT、KG、RAG与Agent技术全方位探索1.FTScalingDowntoScaleUp:AGuidetoParameter-EfficientFine-Tuning:https://arxiv.org/abs/2303.15647TowardsaUnifiedViewofParameter-EfficientTransferLearning:https://ar
- GitHub每周最火火火项目(8.26-9.1)
FutureUniant
Github周推github音视频人工智能计算机视觉ai
项目名称:Cinnamon/kotaemon项目介绍:kotaemon是一个基于开源RAG(检索增强生成)的工具,旨在实现与文档的聊天交互。它为用户提供了一种便捷的方式来与自己的文档进行对话,通过检索文档中的信息来回答用户的问题。这使得用户能够更高效地获取文档中的知识,提高信息检索和利用的效率。项目地址:https://github.com/Cinnamon/kotaemon项目名称:frappe
- PHP,安卓,UI,java,linux视频教程合集
cocos2d-x小菜
javaUIlinuxPHPandroid
╔-----------------------------------╗┆
- zookeeper admin 笔记
braveCS
zookeeper
Required Software
1) JDK>=1.6
2)推荐使用ensemble的ZooKeeper(至少3台),并run on separate machines
3)在Yahoo!,zk配置在特定的RHEL boxes里,2个cpu,2G内存,80G硬盘
数据和日志目录
1)数据目录里的文件是zk节点的持久化备份,包括快照和事务日
- Spring配置多个连接池
easterfly
spring
项目中需要同时连接多个数据库的时候,如何才能在需要用到哪个数据库就连接哪个数据库呢?
Spring中有关于dataSource的配置:
<bean id="dataSource" class="com.mchange.v2.c3p0.ComboPooledDataSource"
&nb
- Mysql
171815164
mysql
例如,你想myuser使用mypassword从任何主机连接到mysql服务器的话。
GRANT ALL PRIVILEGES ON *.* TO 'myuser'@'%'IDENTIFIED BY 'mypassword' WI
TH GRANT OPTION;
如果你想允许用户myuser从ip为192.168.1.6的主机连接到mysql服务器,并使用mypassword作
- CommonDAO(公共/基础DAO)
g21121
DAO
好久没有更新博客了,最近一段时间工作比较忙,所以请见谅,无论你是爱看呢还是爱看呢还是爱看呢,总之或许对你有些帮助。
DAO(Data Access Object)是一个数据访问(顾名思义就是与数据库打交道)接口,DAO一般在业
- 直言有讳
永夜-极光
感悟随笔
1.转载地址:http://blog.csdn.net/jasonblog/article/details/10813313
精华:
“直言有讳”是阿里巴巴提倡的一种观念,而我在此之前并没有很深刻的认识。为什么呢?就好比是读书时候做阅读理解,我喜欢我自己的解读,并不喜欢老师给的意思。在这里也是。我自己坚持的原则是互相尊重,我觉得阿里巴巴很多价值观其实是基本的做人
- 安装CentOS 7 和Win 7后,Win7 引导丢失
随便小屋
centos
一般安装双系统的顺序是先装Win7,然后在安装CentOS,这样CentOS可以引导WIN 7启动。但安装CentOS7后,却找不到Win7 的引导,稍微修改一点东西即可。
一、首先具有root 的权限。
即进入Terminal后输入命令su,然后输入密码即可
二、利用vim编辑器打开/boot/grub2/grub.cfg文件进行修改
v
- Oracle备份与恢复案例
aijuans
oracle
Oracle备份与恢复案例
一. 理解什么是数据库恢复当我们使用一个数据库时,总希望数据库的内容是可靠的、正确的,但由于计算机系统的故障(硬件故障、软件故障、网络故障、进程故障和系统故障)影响数据库系统的操作,影响数据库中数据的正确性,甚至破坏数据库,使数据库中全部或部分数据丢失。因此当发生上述故障后,希望能重构这个完整的数据库,该处理称为数据库恢复。恢复过程大致可以分为复原(Restore)与
- JavaEE开源快速开发平台G4Studio v5.0发布
無為子
我非常高兴地宣布,今天我们最新的JavaEE开源快速开发平台G4Studio_V5.0版本已经正式发布。
访问G4Studio网站
http://www.g4it.org
2013-04-06 发布G4Studio_V5.0版本
功能新增
(1). 新增了调用Oracle存储过程返回游标,并将游标映射为Java List集合对象的标
- Oracle显示根据高考分数模拟录取
百合不是茶
PL/SQL编程oracle例子模拟高考录取学习交流
题目要求:
1,创建student表和result表
2,pl/sql对学生的成绩数据进行处理
3,处理的逻辑是根据每门专业课的最低分线和总分的最低分数线自动的将录取和落选
1,创建student表,和result表
学生信息表;
create table student(
student_id number primary key,--学生id
- 优秀的领导与差劲的领导
bijian1013
领导管理团队
责任
优秀的领导:优秀的领导总是对他所负责的项目担负起责任。如果项目不幸失败了,那么他知道该受责备的人是他自己,并且敢于承认错误。
差劲的领导:差劲的领导觉得这不是他的问题,因此他会想方设法证明是他的团队不行,或是将责任归咎于团队中他不喜欢的那几个成员身上。
努力工作
优秀的领导:团队领导应该是团队成员的榜样。至少,他应该与团队中的其他成员一样努力工作。这仅仅因为他
- js函数在浏览器下的兼容
Bill_chen
jquery浏览器IEDWRext
做前端开发的工程师,少不了要用FF进行测试,纯js函数在不同浏览器下,名称也可能不同。对于IE6和FF,取得下一结点的函数就不尽相同:
IE6:node.nextSibling,对于FF是不能识别的;
FF:node.nextElementSibling,对于IE是不能识别的;
兼容解决方式:var Div = node.nextSibl
- 【JVM四】老年代垃圾回收:吞吐量垃圾收集器(Throughput GC)
bit1129
垃圾回收
吞吐量与用户线程暂停时间
衡量垃圾回收算法优劣的指标有两个:
吞吐量越高,则算法越好
暂停时间越短,则算法越好
首先说明吞吐量和暂停时间的含义。
垃圾回收时,JVM会启动几个特定的GC线程来完成垃圾回收的任务,这些GC线程与应用的用户线程产生竞争关系,共同竞争处理器资源以及CPU的执行时间。GC线程不会对用户带来的任何价值,因此,好的GC应该占
- J2EE监听器和过滤器基础
白糖_
J2EE
Servlet程序由Servlet,Filter和Listener组成,其中监听器用来监听Servlet容器上下文。
监听器通常分三类:基于Servlet上下文的ServletContex监听,基于会话的HttpSession监听和基于请求的ServletRequest监听。
ServletContex监听器
ServletContex又叫application
- 博弈AngularJS讲义(16) - 提供者
boyitech
jsAngularJSapiAngularProvider
Angular框架提供了强大的依赖注入机制,这一切都是有注入器(injector)完成. 注入器会自动实例化服务组件和符合Angular API规则的特殊对象,例如控制器,指令,过滤器动画等。
那注入器怎么知道如何去创建这些特殊的对象呢? Angular提供了5种方式让注入器创建对象,其中最基础的方式就是提供者(provider), 其余四种方式(Value, Fac
- java-写一函数f(a,b),它带有两个字符串参数并返回一串字符,该字符串只包含在两个串中都有的并按照在a中的顺序。
bylijinnan
java
public class CommonSubSequence {
/**
* 题目:写一函数f(a,b),它带有两个字符串参数并返回一串字符,该字符串只包含在两个串中都有的并按照在a中的顺序。
* 写一个版本算法复杂度O(N^2)和一个O(N) 。
*
* O(N^2):对于a中的每个字符,遍历b中的每个字符,如果相同,则拷贝到新字符串中。
* O(
- sqlserver 2000 无法验证产品密钥
Chen.H
sqlwindowsSQL ServerMicrosoft
在 Service Pack 4 (SP 4), 是运行 Microsoft Windows Server 2003、 Microsoft Windows Storage Server 2003 或 Microsoft Windows 2000 服务器上您尝试安装 Microsoft SQL Server 2000 通过卷许可协议 (VLA) 媒体。 这样做, 收到以下错误信息CD KEY的 SQ
- [新概念武器]气象战争
comsci
气象战争的发动者必须是拥有发射深空航天器能力的国家或者组织....
原因如下:
地球上的气候变化和大气层中的云层涡旋场有密切的关系,而维持一个在大气层某个层次
- oracle 中 rollup、cube、grouping 使用详解
daizj
oraclegroupingrollupcube
oracle 中 rollup、cube、grouping 使用详解 -- 使用oracle 样例表演示 转自namesliu
-- 使用oracle 的样列库,演示 rollup, cube, grouping 的用法与使用场景
--- ROLLUP , 为了理解分组的成员数量,我增加了 分组的计数 COUNT(SAL)
- 技术资料汇总分享
Dead_knight
技术资料汇总 分享
本人汇总的技术资料,分享出来,希望对大家有用。
http://pan.baidu.com/s/1jGr56uE
资料主要包含:
Workflow->工作流相关理论、框架(OSWorkflow、JBPM、Activiti、fireflow...)
Security->java安全相关资料(SSL、SSO、SpringSecurity、Shiro、JAAS...)
Ser
- 初一下学期难记忆单词背诵第一课
dcj3sjt126com
englishword
could 能够
minute 分钟
Tuesday 星期二
February 二月
eighteenth 第十八
listen 听
careful 小心的,仔细的
short 短的
heavy 重的
empty 空的
certainly 当然
carry 携带;搬运
tape 磁带
basket 蓝子
bottle 瓶
juice 汁,果汁
head 头;头部
- 截取视图的图片, 然后分享出去
dcj3sjt126com
OSObjective-C
OS 7 has a new method that allows you to draw a view hierarchy into the current graphics context. This can be used to get an UIImage very fast.
I implemented a category method on UIView to get the vi
- MySql重置密码
fanxiaolong
MySql重置密码
方法一:
在my.ini的[mysqld]字段加入:
skip-grant-tables
重启mysql服务,这时的mysql不需要密码即可登录数据库
然后进入mysql
mysql>use mysql;
mysql>更新 user set password=password('新密码') WHERE User='root';
mysq
- Ehcache(03)——Ehcache中储存缓存的方式
234390216
ehcacheMemoryStoreDiskStore存储驱除策略
Ehcache中储存缓存的方式
目录
1 堆内存(MemoryStore)
1.1 指定可用内存
1.2 驱除策略
1.3 元素过期
2 &nbs
- spring mvc中的@propertysource
jackyrong
spring mvc
在spring mvc中,在配置文件中的东西,可以在java代码中通过注解进行读取了:
@PropertySource 在spring 3.1中开始引入
比如有配置文件
config.properties
mongodb.url=1.2.3.4
mongodb.db=hello
则代码中
@PropertySource(&
- 重学单例模式
lanqiu17
单例Singleton模式
最近在重新学习设计模式,感觉对模式理解更加深刻。觉得有必要记下来。
第一个学的就是单例模式,单例模式估计是最好理解的模式了。它的作用就是防止外部创建实例,保证只有一个实例。
单例模式的常用实现方式有两种,就人们熟知的饱汉式与饥汉式,具体就不多说了。这里说下其他的实现方式
静态内部类方式:
package test.pattern.singleton.statics;
publ
- .NET开源核心运行时,且行且珍惜
netcome
java.net开源
背景
2014年11月12日,ASP.NET之父、微软云计算与企业级产品工程部执行副总裁Scott Guthrie,在Connect全球开发者在线会议上宣布,微软将开源全部.NET核心运行时,并将.NET 扩展为可在 Linux 和 Mac OS 平台上运行。.NET核心运行时将基于MIT开源许可协议发布,其中将包括执行.NET代码所需的一切项目——CLR、JIT编译器、垃圾收集器(GC)和核心
- 使用oscahe缓存技术减少与数据库的频繁交互
Everyday都不同
Web高并发oscahe缓存
此前一直不知道缓存的具体实现,只知道是把数据存储在内存中,以便下次直接从内存中读取。对于缓存的使用也没有概念,觉得缓存技术是一个比较”神秘陌生“的领域。但最近要用到缓存技术,发现还是很有必要一探究竟的。
缓存技术使用背景:一般来说,对于web项目,如果我们要什么数据直接jdbc查库好了,但是在遇到高并发的情形下,不可能每一次都是去查数据库,因为这样在高并发的情形下显得不太合理——
- Spring+Mybatis 手动控制事务
toknowme
mybatis
@Override
public boolean testDelete(String jobCode) throws Exception {
boolean flag = false;
&nbs
- 菜鸟级的android程序员面试时候需要掌握的知识点
xp9802
android
熟悉Android开发架构和API调用
掌握APP适应不同型号手机屏幕开发技巧
熟悉Android下的数据存储
熟练Android Debug Bridge Tool
熟练Eclipse/ADT及相关工具
熟悉Android框架原理及Activity生命周期
熟练进行Android UI布局
熟练使用SQLite数据库;
熟悉Android下网络通信机制,S