- 论文略读: Fast-DetectGPT: Efficient Zero-Shot Detection of Machine-Generated Text via Conditional Probab
UQI-LIUWJ
论文笔记人工智能
ICLR2024判断生成的文本是人写的还是大模型写的现有的检测器主要分为两类有监督分类器在训练领域表现出色,但在面对来自不同领域或不熟悉模型生成的文本时表现变差零样本分类器免疫领域特定的退化在检测精度上可以与有监督分类器相当但目前的方法计算成本高、计算时间长——>提出了一种新的假设来检测机器生成的文本人类和机器在给定上下文的情况下选择词汇存在明显的差异人类的选择比较多样,而机器更倾向于选择具有更高
- 神经网络初步学习3——数据与损失
X Y O
神经网络学习人工智能
一、传统机器学习与神经网络前言:该部分需要一定的机器学习与数学基础(很浅的基础),如果有不理解的地方可以自行查阅。(1)区别这里不妨以图像识别为例子:(1)在传统的机器学习视角中:我们需要人工手动去设置并提取我们的特征量,例如常见的SIFT、SURF和HOG等,随后需要我们选择合适的分类器(例如:SVM、KNN等分类器),接着把我们的参数训练出来。(2)而在神经网络的视角中:我们只需要把图片喂给它
- 【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
- RNN案例人名分类器(完整步骤)
AI扶我青云志
rnn人工智能深度学习nlplstmgru
今天给大家分享一个NLP(自然语言处理)中的一个小案例,本案例讲解了RNN、LSTM、GRU模型是如何使用并进行预测的,一、案例架构人名分类器的实现可分为以下五个步骤:第一步:导入必备的工具包第二步:对data文件中的数据进行处理,满足训练要求第三步:构建RNN模型(包括传统RNN,LSTM以及GRU)第四步:构建训练函数并进行训练五步第:构建评估函数并进行预测二、实现步骤1.导包#导入torch
- Python与Dlib库实现人脸技术实战
西域情歌
本文还有配套的精品资源,点击获取简介:本项目详细说明了如何使用Python结合Dlib库实现人脸检测、识别、数量检测和距离检测。利用Dlib提供的机器学习算法和计算机视觉功能,包括HOG特征检测、级联分类器、面部特征向量模型和关键点预测等,项目能够快速准确地在图像中检测和识别人脸。此外,还介绍了如何统计图像中的人脸数量以及如何计算人脸之间的距离。通过实际代码资源,开发者能够掌握实时人脸技术的应用,
- 【零基础学AI】第22讲:PyTorch入门 - 动态图计算与图像分类器实战
1989
0基础学AI人工智能pytorchpython机器学习sklearn深度学习
本节课你将学到理解PyTorch的核心概念和优势掌握张量(Tensor)的基本操作学会使用动态计算图构建神经网络实现一个完整的图像分类器项目训练模型并进行预测开始之前环境要求Python3.8+建议使用GPU(可选,CPU也能运行)内存:至少4GB需要安装的包#CPU版本(推荐新手)pipinstalltorchtorchvisionmatplotlibpillow#GPU版本(如果有NVIDIA
- LL面试题11
三月七꧁ ꧂
破题·大模型面试语言模型gpt人工智能自然语言处理promptllama
物流算法实习面试题7道GLM是什么? GLM(GeneralizedLinearModel)是一种六义线性模型,用于建立变量之间的关系。它将线性回归模型推广到更广泛的数据分布,可以处理非正态分布的响应变量,如二项分布(逻辑回归)、泊松分布和伽玛分布等。GLM结合线性模型和非线性函数,通过最大似然估计或广义最小二乘估计来拟合模型参数。SVM的原理?怎么找到最优的线性分类器?支持向量是什么?
- 交叉熵损失和负熵似然损失(对分类器有用)
流量留
深度学习人工智能机器学习算法
1.**交叉熵损失(Cross-EntropyLoss)**-**定义**-交叉熵损失是用来衡量分类模型输出的概率分布与真实标签的概率分布之间的差异。假设对于一个分类任务,有\(C\)个类别,模型对第\(i\)个样本的输出是一个概率分布\(\mathbf{p}_i=[p_{i1},p_{i2},\dots,p_{iC}]\),其中\(p_{ic}\)表示模型预测样本属于第\(c\)类的概率。真实标
- Rust中struct、impl、trait、enum关系解析
在Rust中,struct、enum、impl和trait是面向对象编程的核心概念,它们协同工作以实现数据抽象、封装和多态。以下是详细解释及它们之间的关系:1.struct(结构体)作用:定义自定义数据类型,封装多个相关字段(数据)。特点:类似于其他语言中的"类",但仅包含数据(不包含方法)。支持泛型、生命周期参数等。通过impl块添加方法。示例:structRectangle{width:u32
- pytorch官方文档60分钟入门笔记
xiaodidadada
机器学习
文章目录1.张量(Tensors)定义张量张量操作2.自动求导(autograd)变量Variable3.神经网络4.训练一个分类器载入数据5.数据并行day63参考:官方文档https://blog.csdn.net/u014630987/article/details/786690511.张量(Tensors)tensors和numpy的ndarray类似,但是tensors可以使用GPU加快
- 深度学习学习经验——卷积神经网络(CNN)
Linductor
深度学习学习经验深度学习学习cnn
卷积神经网络卷积神经网络(CNN)1.卷积神经网络的基本组成2.卷积操作3.激活函数(ReLU)4.池化操作5.全连接层6.卷积神经网络的完整实现项目示例项目目标1.加载数据2.卷积层:图像的特征探测器2.1第一个卷积层3.激活函数:增加非线性4.池化层:信息压缩器5.多层卷积和池化:逐层提取更高层次的特征6.全连接层:分类器7.模型训练和测试完整的项目示例代码总结卷积神经网络(CNN)卷积神经网
- 深度学习之分类手写数字的网络
newyork major
卷积神经网络CNN深度学习人工智能
面临的问题定义神经⽹络后,我们回到⼿写识别上来。我们可以把识别⼿写数字问题分成两个⼦问题:把包含许多数字的图像分成⼀系列单独的图像,每个包含单个数字;也就是把图像,分成6个单独的图像分类单独的数字我们将专注于编程解决第⼆个问题,分类单独的数字。这样是因为,⼀旦你有分类单独数字的有效⽅法,分割问题是不难解决的。⼀种⽅法是尝试不同的分割⽅式,⽤数字分类器对每⼀个切分⽚段打分;如果数字分类器对每⼀个⽚段
- java opencv 数字识别算法_[机器学习]基于OpenCV实现最简单的数字识别
后期小雨
javaopencv数字识别算法
本文将基于OpenCV实现简单的数字识别。这里以游戏AngryBirds为例,通过以下几个主要步骤对其中右上角的分数部分进行自动识别。1.学习分类器根据训练样本,选取模型训练产生数字分类器。这里的样本可以是通用的数字样本库(如NIST等),也可以是针对应用场景而制作的专门训练样本。前者优在泛化性,后者强在准确率,当然常用做法是将这两者结合,即在通用数字库基础上做修改。另外这里由于模式并不复杂,计算
- Rust标量、复合类型与自定义类型、第三方并发结构
穗余
Rustrust数据结构python
以下是Rust中标量类型、对象类型(含结构体、复合类型、堆分配类型)以及常用第三方并发数据结构的完整分类、示例和区别对比,帮助你系统掌握它们的本质异同:一、标量类型(ScalarTypes,存储于栈上)标量是最基本的值类型,固定大小,存储在栈上,实现Copy,性能极高。类别示例类型示例代码特性说明整数i8i128,u8u128,isize,usizeletx:u32=42;固定大小,快速拷贝浮点数
- 深度解析基于贝叶斯的垃圾邮件分类
大千AI助手
人工智能Python#OTHER分类数据挖掘人工智能机器学习算法贝叶斯Bayes
贝叶斯垃圾邮件分类的核心逻辑是基于贝叶斯定理,利用邮件中的特征(通常是单词)来计算该邮件属于“垃圾邮件”或“非垃圾邮件”的概率,并根据概率大小进行分类。它是一种朴素贝叶斯分类器,因其假设特征(单词)之间相互独立而得名(虽然这在现实中不完全成立,但效果通常很好)。本文由「大千AI助手」原创发布,专注用真话讲AI,回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我,一起撕掉过度包装,学习真实的
- 【零基础学AI】第9讲:机器学习概述
1989
0基础学AI人工智能机器学习pythonnumpydevops开源
本节课你将学到理解什么是机器学习,以及它与传统编程的区别掌握监督学习、无监督学习的基本概念使用scikit-learn完成你的第一个机器学习项目构建一个完整的iris花朵分类器开始之前环境要求Python3.8+JupyterNotebook或任何PythonIDE需要安装的包pipinstallscikit-learnpandasmatplotlibseaborn前置知识基本的Python语法(
- 人名分类器(RNN案例)
Turbo_O.
rnn深度学习人工智能
案例介绍:人名分类案例是多分类问题,根据人名预测属于哪个国家人名->x,国家->y监督学习,历史数据中已知y案例步骤:1.数据预处理获取常用字符以及国家类别#导入torch工具fromcProfileimportlabelimporttorch#导入nn准备构建模型importtorch.nnasnnimporttorch.optimasoptimfromjax.experimental.rnni
- RNN人名分类器案例
RNN人名分类器案例1任务目的:目的:给定一个人名,来判定这个人名属于哪个国家典型的文本分类任务:18分类---多分类任务2数据格式注意:两列数据,第一列是人名,第二列是国家类别,中间用制表符号"\t"隔开AngChineseAuYongChineseYuasaJapaneseYuharaJapaneseYunokawaJapanese3任务实现流程1.获取数据:案例中是直接给定的2.数据预处理:
- 9-STM32的ADC采样和DAM配置
水果里面有苹果
嵌入式软件stm32单片机嵌入式硬件
STM32的ADC采样和DAM配置Adc_Init();//ADC初始化My_DMA_Config(DMA1_Channel1,(u32)&ADC1->DR,(u32)&ADC1_Value,ADC_CHANNEL_NUM*ADC_C_VAL_TIMES);//配置DMA通道DMA_Cmd(DMA1_Channel1,ENABLE);//启动DMA通道ADC_SoftwareStartConvCm
- 【第二章:机器学习与神经网络概述】03.类算法理论与实践-(3)决策树分类器
IT古董
人工智能课程机器学习算法神经网络
第二章:机器学习与神经网络概述第三部分:类算法理论与实践第三节:决策树分类器内容:信息增益、剪枝技术、过拟合与泛化能力。决策树是一种常用于分类和回归的树状结构模型,它通过一系列特征判断进行决策,有良好的可解释性。一、基本概念节点(Node):表示特征判断条件边(Branch):表示特征判断的结果路径叶子节点(Leaf):表示分类结果二、划分准则:信息增益(InformationGain)信息增益衡
- 15.OCR训练
Echo``
Halcon系统化学习ocr人工智能深度学习算法计算机视觉机器学习
目录1.OCR训练2.助手训练13.助手训练24.算子训练5.OCR训练联合编程6.练习1.OCR训练*OCR训练*1.分类器文件*.omc*2.halcon官方的*1.局限性只能识别数字和字母*2.样式比较单一*3.样本数量较少*...**3.训练方法*1.助手训练*1.打开OCR助手*2.选择图片*3.选择训练区域*4.分割*5.字体*6.训练文件*7.新*8.学习*9.加入训练样本*10.保
- 从0开始学习计算机视觉--Day04--线性分类
Chef_Chen
学习计算机视觉分类
从宏观来看,卷积网络可以看做是由一个个不同的神经网络组件组合而成,就像积木一样通过不同类型的组件搭建形成,其中线性分类器是一个很重要的组件,在很多卷积网络中都有用到,所以了解清楚它的工作原理对我们后续的学习会有很大的帮助。线性分类器是参数模型中最简单,最基础的例子,下面我们用输入图片输出图片分类的模型的例子来更进一步地了解它。首先,我们输入一张图片到模型中,输入后我们就会得到f(x,W),x指的是
- 使用随机森林实现目标检测
司南锤
python基础学习AI随机森林
核心实现思路滑动窗口策略:在图像上滑动固定大小的窗口,对每个窗口进行分类多维特征提取:结合统计特征、纹理特征、边缘特征、形状特征等随机森林分类:训练二分类器判断窗口是否包含目标后处理优化:使用非极大值抑制减少重复检测特征工程的重要性LBP纹理特征:捕捉局部纹理模式灰度共生矩阵:描述纹理的统计特性边缘密度:反映目标边界信息形状描述符:圆形度、面积比等几何特征实际应用建议数据收集:收集大量正负样本进行
- 深入解析 SSD FW 顶层架构之 OS 元素:挑战与应对
Richard_Lynn
SSD架构SSDFTLOSIO
在SSD(固态硬盘)固件(FW)的复杂顶层架构中,OS(操作系统)元素扮演着至关重要的角色,它参考嵌入式操作系统,承担着启动、任务调度、内存管理、调试手段提供等关键功能,同时也面临着一系列棘手的挑战。下面我们就来深入剖析这一架构元素,聊聊它在SSD开发过程中带来的难题与应对思路。一、OS元素的核心功能与价值(一)基础支撑功能OS在SSDFW架构里,是整个系统的“大管家”。它负责启动流程,有序初始化
- 探索 SSD FW 顶层架构:开发难题与应对策略
Richard_Lynn
SSDSSDFW顶层架构要素
探索SSDFW顶层架构:开发难题与应对策略在SSD开发的复杂版图中,FW(固件)顶层架构是核心支撑,决定着SSD的性能、稳定性与兼容性。但开发过程中,各类难题如荆棘丛生,今天就结合架构元素与实际挑战,聊聊SSDFW开发那些事儿。一、FW顶层架构关键元素解析(一)FSP:闪存信号处理的“精准操盘手”FSP承担读恢复、最优读电压表管理重任。SSD运行中,NAND闪存因磨损、温度变化,数据读取易出错。F
- 4.3 基于ROS的人脸检测
启动仿真环境roslaunchwpr_simulationwpr1_single_face.launch编写cv_face_detect.cpp#include#include#include#include#include#includeusingnamespacecv;usingnamespacestd;//定义分类器staticCascadeClassifierface_cascade;st
- 从0开始学习计算机视觉--Day03--K近邻算法
Chef_Chen
学习近邻算法算法
上次我们提到了用L1距离去区分不同的图片,实际上它的原理也能用来区分不同的数据。但有个坏处是他只是取最近的拥有一样距离的点作为同一类,假如有一个点跟周围的点的距离都是不一样的,分类器很可能会把他当成独立的一类,如下图所示:图中的点代表数据,背景颜色代表其被分类器给予的标签,可以看到数据点被很好的分类了,除了绿色数据中的一个黄色点,分类器将其判断为了与绿色不同的黄色,但实际上,这个点看起来很可能是因
- 第五章 卷积神经网络(CNN)
AI拉呱
机器学习深度学习实例讲解与分析
第五章卷积神经网络(CNN)5.1卷积神经网络的组成层在卷积神经网络中,有3种最主要的层:卷积运算层池化层全连接层一个完整的神经网络就是由这三种层叠加组成的。结构示例拿CIFAR-10数据集举例,一个典型的该数据集上的卷积神经网络分类器应该有[INPUT-CONV-RELU-POOL-FC]的结构,INPUT[32*32*3]包含原始图片数据中的全部像素,长宽都是32,有RGB3个颜色通道。CON
- (二十一)YOLO 全解析:从实时目标检测到多任务视觉智能
只有左边一个小酒窝
深度学习YOLO目标检测人工智能深度学习计算机视觉
1YOLO的发展脉络与技术定位1.1发展脉络YOLOv1(2015年):将目标检测重新定义为单一回归问题,把输入图像划分为S×S网格,每个网格单元负责预测固定数量的边界框及对应的类别概率,直接从像素回归预测物体的边界框坐标和类别概率。但存在小目标检测能力弱、定位精度不足等局限。YOLOv2(2016年):引入批量归一化、锚框、维度集群等技术,还提出了高分辨率分类器、直接位置预测、细粒度特征融合、多
- ASM系列五 利用TreeApi 解析生成Class
lijingyao8206
ASM字节码动态生成ClassNodeTreeAPI
前面CoreApi的介绍部分基本涵盖了ASMCore包下面的主要API及功能,其中还有一部分关于MetaData的解析和生成就不再赘述。这篇开始介绍ASM另一部分主要的Api。TreeApi。这一部分源码是关联的asm-tree-5.0.4的版本。
在介绍前,先要知道一点, Tree工程的接口基本可以完
- 链表树——复合数据结构应用实例
bardo
数据结构树型结构表结构设计链表菜单排序
我们清楚:数据库设计中,表结构设计的好坏,直接影响程序的复杂度。所以,本文就无限级分类(目录)树与链表的复合在表设计中的应用进行探讨。当然,什么是树,什么是链表,这里不作介绍。有兴趣可以去看相关的教材。
需求简介:
经常遇到这样的需求,我们希望能将保存在数据库中的树结构能够按确定的顺序读出来。比如,多级菜单、组织结构、商品分类。更具体的,我们希望某个二级菜单在这一级别中就是第一个。虽然它是最后
- 为啥要用位运算代替取模呢
chenchao051
位运算哈希汇编
在hash中查找key的时候,经常会发现用&取代%,先看两段代码吧,
JDK6中的HashMap中的indexFor方法:
/**
* Returns index for hash code h.
*/
static int indexFor(int h, int length) {
- 最近的情况
麦田的设计者
生活感悟计划软考想
今天是2015年4月27号
整理一下最近的思绪以及要完成的任务
1、最近在驾校科目二练车,每周四天,练三周。其实做什么都要用心,追求合理的途径解决。为
- PHP去掉字符串中最后一个字符的方法
IT独行者
PHP字符串
今天在PHP项目开发中遇到一个需求,去掉字符串中的最后一个字符 原字符串1,2,3,4,5,6, 去掉最后一个字符",",最终结果为1,2,3,4,5,6 代码如下:
$str = "1,2,3,4,5,6,";
$newstr = substr($str,0,strlen($str)-1);
echo $newstr;
- hadoop在linux上单机安装过程
_wy_
linuxhadoop
1、安装JDK
jdk版本最好是1.6以上,可以使用执行命令java -version查看当前JAVA版本号,如果报命令不存在或版本比较低,则需要安装一个高版本的JDK,并在/etc/profile的文件末尾,根据本机JDK实际的安装位置加上以下几行:
export JAVA_HOME=/usr/java/jdk1.7.0_25  
- JAVA进阶----分布式事务的一种简单处理方法
无量
多系统交互分布式事务
每个方法都是原子操作:
提供第三方服务的系统,要同时提供执行方法和对应的回滚方法
A系统调用B,C,D系统完成分布式事务
=========执行开始========
A.aa();
try {
B.bb();
} catch(Exception e) {
A.rollbackAa();
}
try {
C.cc();
} catch(Excep
- 安墨移动广 告:移动DSP厚积薄发 引领未来广 告业发展命脉
矮蛋蛋
hadoop互联网
“谁掌握了强大的DSP技术,谁将引领未来的广 告行业发展命脉。”2014年,移动广 告行业的热点非移动DSP莫属。各个圈子都在纷纷谈论,认为移动DSP是行业突破点,一时间许多移动广 告联盟风起云涌,竞相推出专属移动DSP产品。
到底什么是移动DSP呢?
DSP(Demand-SidePlatform),就是需求方平台,为解决广 告主投放的各种需求,真正实现人群定位的精准广
- myelipse设置
alafqq
IP
在一个项目的完整的生命周期中,其维护费用,往往是其开发费用的数倍。因此项目的可维护性、可复用性是衡量一个项目好坏的关键。而注释则是可维护性中必不可少的一环。
注释模板导入步骤
安装方法:
打开eclipse/myeclipse
选择 window-->Preferences-->JAVA-->Code-->Code
- java数组
百合不是茶
java数组
java数组的 声明 创建 初始化; java支持C语言
数组中的每个数都有唯一的一个下标
一维数组的定义 声明: int[] a = new int[3];声明数组中有三个数int[3]
int[] a 中有三个数,下标从0开始,可以同过for来遍历数组中的数
- javascript读取表单数据
bijian1013
JavaScript
利用javascript读取表单数据,可以利用以下三种方法获取:
1、通过表单ID属性:var a = document.getElementByIdx_x_x("id");
2、通过表单名称属性:var b = document.getElementsByName("name");
3、直接通过表单名字获取:var c = form.content.
- 探索JUnit4扩展:使用Theory
bijian1013
javaJUnitTheory
理论机制(Theory)
一.为什么要引用理论机制(Theory)
当今软件开发中,测试驱动开发(TDD — Test-driven development)越发流行。为什么 TDD 会如此流行呢?因为它确实拥有很多优点,它允许开发人员通过简单的例子来指定和表明他们代码的行为意图。
TDD 的优点:
&nb
- [Spring Data Mongo一]Spring Mongo Template操作MongoDB
bit1129
template
什么是Spring Data Mongo
Spring Data MongoDB项目对访问MongoDB的Java客户端API进行了封装,这种封装类似于Spring封装Hibernate和JDBC而提供的HibernateTemplate和JDBCTemplate,主要能力包括
1. 封装客户端跟MongoDB的链接管理
2. 文档-对象映射,通过注解:@Document(collectio
- 【Kafka八】Zookeeper上关于Kafka的配置信息
bit1129
zookeeper
问题:
1. Kafka的哪些信息记录在Zookeeper中 2. Consumer Group消费的每个Partition的Offset信息存放在什么位置
3. Topic的每个Partition存放在哪个Broker上的信息存放在哪里
4. Producer跟Zookeeper究竟有没有关系?没有关系!!!
//consumers、config、brokers、cont
- java OOM内存异常的四种类型及异常与解决方案
ronin47
java OOM 内存异常
OOM异常的四种类型:
一: StackOverflowError :通常因为递归函数引起(死递归,递归太深)。-Xss 128k 一般够用。
二: out Of memory: PermGen Space:通常是动态类大多,比如web 服务器自动更新部署时引起。-Xmx
- java-实现链表反转-递归和非递归实现
bylijinnan
java
20120422更新:
对链表中部分节点进行反转操作,这些节点相隔k个:
0->1->2->3->4->5->6->7->8->9
k=2
8->1->6->3->4->5->2->7->0->9
注意1 3 5 7 9 位置是不变的。
解法:
将链表拆成两部分:
a.0-&
- Netty源码学习-DelimiterBasedFrameDecoder
bylijinnan
javanetty
看DelimiterBasedFrameDecoder的API,有举例:
接收到的ChannelBuffer如下:
+--------------+
| ABC\nDEF\r\n |
+--------------+
经过DelimiterBasedFrameDecoder(Delimiters.lineDelimiter())之后,得到:
+-----+----
- linux的一些命令 -查看cc攻击-网口ip统计等
hotsunshine
linux
Linux判断CC攻击命令详解
2011年12月23日 ⁄ 安全 ⁄ 暂无评论
查看所有80端口的连接数
netstat -nat|grep -i '80'|wc -l
对连接的IP按连接数量进行排序
netstat -ntu | awk '{print $5}' | cut -d: -f1 | sort | uniq -c | sort -n
查看TCP连接状态
n
- Spring获取SessionFactory
ctrain
sessionFactory
String sql = "select sysdate from dual";
WebApplicationContext wac = ContextLoader.getCurrentWebApplicationContext();
String[] names = wac.getBeanDefinitionNames();
for(int i=0; i&
- Hive几种导出数据方式
daizj
hive数据导出
Hive几种导出数据方式
1.拷贝文件
如果数据文件恰好是用户需要的格式,那么只需要拷贝文件或文件夹就可以。
hadoop fs –cp source_path target_path
2.导出到本地文件系统
--不能使用insert into local directory来导出数据,会报错
--只能使用
- 编程之美
dcj3sjt126com
编程PHP重构
我个人的 PHP 编程经验中,递归调用常常与静态变量使用。静态变量的含义可以参考 PHP 手册。希望下面的代码,会更有利于对递归以及静态变量的理解
header("Content-type: text/plain");
function static_function () {
static $i = 0;
if ($i++ < 1
- Android保存用户名和密码
dcj3sjt126com
android
转自:http://www.2cto.com/kf/201401/272336.html
我们不管在开发一个项目或者使用别人的项目,都有用户登录功能,为了让用户的体验效果更好,我们通常会做一个功能,叫做保存用户,这样做的目地就是为了让用户下一次再使用该程序不会重新输入用户名和密码,这里我使用3种方式来存储用户名和密码
1、通过普通 的txt文本存储
2、通过properties属性文件进行存
- Oracle 复习笔记之同义词
eksliang
Oracle 同义词Oracle synonym
转载请出自出处:http://eksliang.iteye.com/blog/2098861
1.什么是同义词
同义词是现有模式对象的一个别名。
概念性的东西,什么是模式呢?创建一个用户,就相应的创建了 一个模式。模式是指数据库对象,是对用户所创建的数据对象的总称。模式对象包括表、视图、索引、同义词、序列、过
- Ajax案例
gongmeitao
Ajaxjsp
数据库采用Sql Server2005
项目名称为:Ajax_Demo
1.com.demo.conn包
package com.demo.conn;
import java.sql.Connection;import java.sql.DriverManager;import java.sql.SQLException;
//获取数据库连接的类public class DBConnec
- ASP.NET中Request.RawUrl、Request.Url的区别
hvt
.netWebC#asp.nethovertree
如果访问的地址是:http://h.keleyi.com/guestbook/addmessage.aspx?key=hovertree%3C&n=myslider#zonemenu那么Request.Url.ToString() 的值是:http://h.keleyi.com/guestbook/addmessage.aspx?key=hovertree<&
- SVG 教程 (七)SVG 实例,SVG 参考手册
天梯梦
svg
SVG 实例 在线实例
下面的例子是把SVG代码直接嵌入到HTML代码中。
谷歌Chrome,火狐,Internet Explorer9,和Safari都支持。
注意:下面的例子将不会在Opera运行,即使Opera支持SVG - 它也不支持SVG在HTML代码中直接使用。 SVG 实例
SVG基本形状
一个圆
矩形
不透明矩形
一个矩形不透明2
一个带圆角矩
- 事务管理
luyulong
javaspring编程事务
事物管理
spring事物的好处
为不同的事物API提供了一致的编程模型
支持声明式事务管理
提供比大多数事务API更简单更易于使用的编程式事务管理API
整合spring的各种数据访问抽象
TransactionDefinition
定义了事务策略
int getIsolationLevel()得到当前事务的隔离级别
READ_COMMITTED
- 基础数据结构和算法十一:Red-black binary search tree
sunwinner
AlgorithmRed-black
The insertion algorithm for 2-3 trees just described is not difficult to understand; now, we will see that it is also not difficult to implement. We will consider a simple representation known
- centos同步时间
stunizhengjia
linux集群同步时间
做了集群,时间的同步就显得非常必要了。 以下是查到的如何做时间同步。 在CentOS 5不再区分客户端和服务器,只要配置了NTP,它就会提供NTP服务。 1)确认已经ntp程序包: # yum install ntp 2)配置时间源(默认就行,不需要修改) # vi /etc/ntp.conf server pool.ntp.o
- ITeye 9月技术图书有奖试读获奖名单公布
ITeye管理员
ITeye
ITeye携手博文视点举办的9月技术图书有奖试读活动已圆满结束,非常感谢广大用户对本次活动的关注与参与。 9月试读活动回顾:http://webmaster.iteye.com/blog/2118112本次技术图书试读活动的优秀奖获奖名单及相应作品如下(优秀文章有很多,但名额有限,没获奖并不代表不优秀):
《NFC:Arduino、Andro