东方佑
东方佑

loss的相对曲率的测量

loss的相对曲率的测量

  • 代码
  • 代码解释

代码

from matplotlib import pyplot as plt
import  numpy  as np
loss=np.linspace(0,10,1000)
loss=8/(np

你可能感兴趣的:(NLP,深度学习)

  • 当大模型遇上Spark：解锁大数据处理新姿势 敏叔V587 spark大数据分布式
    大模型与Spark：技术初印象在当今数字化浪潮中，大模型和Spark无疑是备受瞩目的两大技术。它们各自在人工智能和大数据处理领域大放异彩，而当这两者相遇，又会碰撞出怎样的火花呢？让我们先来分别认识一下大模型和Spark。大模型，即大规模机器学习模型，是利用海量数据和强大算力训练出来的“大参数”模型。其发展历程可谓是一部科技创新的传奇史。从20世纪中叶人工智能概念的提出，到2006年深度学习技术崭露
  • AI剧本创作：电影和电视产业的新工具 AI大模型应用之禅 DeepSeekR1&AI大模型与大数据javapythonjavascriptkotlingolang架构人工智能
    1.背景介绍1.1问题由来随着人工智能(AI)技术的飞速发展，AI在电影和电视产业中的应用日益广泛。从剧本创作、场景渲染到演员表演辅助，AI正逐步成为影视制作的重要工具。特别是近年来兴起的自然语言处理(NLP)技术，更是将AI剧本创作推向了新的高度。AI剧本创作，即通过自然语言生成(NLG)技术，自动生成剧本、对话脚本等文本内容。这项技术能够显著提高编剧的效率，降低创作成本，同时也为新兴编剧群体提
  • TPU编程竞赛系列｜第八届集创赛“算能杯“报名开启！ 算能开发者社区 人工智能
    近日，第八届全国大学生集成电路创新创业大赛正式开幕，"算能杯"以基于TPU处理器的边缘计算系统设计为赛题，围绕算能提供的多款TPU硬件，展开软硬件协同设计，创新开发算法及探索新兴应用。我们诚邀全国高校的开发者加入这场科技盛宴，共同推动TPU领域的技术突破与创新发展！随着深度学习和物联网技术的深度融合，我们正迅速步入一个智能化的时代，为各种设备和系统提供了无限的可能性。在这个变革性的交汇点上，我们的
  • 产品经理的人工智能课 02 - 自然语言处理 平头某 人工智能产品经理自然语言处理
    产品经理的人工智能课02-自然语言处理1自然语言处理是什么2一个NLP算法的例子——n-gram模型3预处理与重要概念3.1分词Token3.2词向量化表示与Word2Vec4与大语言模型的交互过程参考链接大语言模型（LargeLanguageModels,LLMs）是自然语言处理（NLP）领域的一个重要分支和核心技术，两者关系密切。所以我们先了解一些自然语言处理的基础概念，为后续了解大语言模型做
  • Python中的GRU模型 NoABug pythongrutensorflow
    Python中的GRU模型近年来，深度学习的发展给人工智能带来了新的突破。其中，一种叫做长短时记忆网络（LSTM）的模型在很多领域都表现出了优秀的性能，但是LSTM也存在着一些问题，例如计算资源消耗大、内存占用高等问题。为了解决这些问题，研究人员提出了另一种递归神经网络模型：门控循环单元（GRU）。GRU模型和LSTM模型类似，都可以用于处理序列数据，例如自然语言处理和视频分析。两个模型的区别在于
  • 一文掌握什么是时间序列？时间序列研究的核心任务？目前最强大的时序分析与建模工具和项目？ 幸运 lucky 人工智能学习之路时间序列核心任务时序分析与建模工具和项目SOTA
    CSDN叶庭云：https://yetingyun.blog.csdn.net/什么是时间序列？时间序列是一系列按照时间顺序排列的数据点，这些数据点通常是随时间连续变化的测量值。时间序列分析是统计学中专门用于解析时间顺序数据的一套技术，旨在识别数据中的模式、趋势、季节性波动及其他潜在的周期性特征。然而，当前，机器学习与深度学习方法在这一领域的应用正日益受到青睐。时间序列数据可以来源于各种领域，如经
  • yolov11目标检测与跟踪+区域识别+车道线流量计数 QQ_1309399183 计算机视觉实战项目集锦YOLO目标检测人工智能计算机视觉yolo11目标价测与跟踪区域识别车流量统计
    概述本项目旨在利用最新的YOLOV11模型实现一个实时车辆检测与计数系统。该系统能够准确地检测并计算多车道（车道A、车道B、车道C）上的车辆数量，并为交通监控和管理提供宝贵的数据洞察。通过结合先进的计算机视觉技术和高效的深度学习模型，该系统能够大幅提升交通管理的效率和准确性。问题陈述在现代城市环境中，监控车流和进行车辆计数对于有效的交通管理至关重要。交通拥堵、事故频发等问题严重影响了城市的运行效率
  • 神经网络Neural Networks概述 种花家的码农 神经网络学习笔记神经网络人工智能机器学习
    人工智能（AI）是一类非常广泛的问题，它旨在通过计算机实现类似人类的智能。机器学习（ML）是解决人工智能问题的一个重要方法。深度学习（DL）则是机器学习的一个分支，它在很多领域突破了传统机器学习的瓶颈，将人工智能推向了新的高潮。深度学习是基于人工神经网络（ANN）技术的发展而不断突破和提升，推动了人工智能的发展。相对的另一领域是生物神经网络（BiologicalNeuralNetwork，BNN）
  • 2024年GitHub上最火的Python项目 Allen-Steven python相关应用python开发语言
    #收集了一些目前最火的python项目，和其相关实际应用场景。感兴趣的小伙伴可以了解一下。表格：项目名称简介GitHub星星数量主要应用领域PyTorch强大的深度学习框架，支持GPU加速。82K+机器学习、神经网络(github)(libhunt)Django高效的Web开发框架，促进快速开发。79K+Web开发(github)(libhunt)FastAPI高性能的Web框架，适合构建API。
  • 目前市场上深度学习简介及沿革发展 Allen-Steven python相关应用深度学习人工智能
    深度学习是人工智能和机器学习的重要分支，其模型种类繁多，涵盖多个领域，如计算机视觉、自然语言处理、语音识别等。以下是目前市场上主流的深度学习模型，以及它们的发展历史和逐步沿革。1.感知机（Perceptron）及其扩展发展历史1958年：感知机由FrankRosenblatt提出，这是最早的人工神经网络模型，旨在模拟生物神经网络。局限性：感知机无法处理线性不可分问题，这一问题由MarvinMins
  • 【学术投稿-2025年计算机视觉研究进展与应用国际学术会议 (ACVRA 2025)】从计算机基础到HTML开发：Web开发的第一步 禁默 前端前端html计算机视觉
    会议官网：www.acvra.org简介2025年计算机视觉研究进展与应用（ACVRA2025）将于2025年2月28-3月2日在中国广州召开，将汇聚世界各地的顶尖学者、研究人员和行业专家，聚焦计算机视觉领域的最新研究动态与应用成就。本次会议将探讨前沿技术，包括深度学习、多模态学习、图像和视频分析、3D重建等，以及其在智能交通、医疗影像、增强现实和自动化等多个实际应用中的创新转化。著名专家进行特邀
  • DeepSeek R1和V3区别 @Rocky 大模型语言模型
    DeepSeekR1和V3是深度求索（DeepSeek）推出的两款大模型，尽管基于相似的技术框架（如混合专家架构MoE），但在设计目标、训练方法、性能表现和应用场景上存在显著差异。以下是两者的主要区别：1.模型定位与核心能力DeepSeek-V3定位为通用型大语言模型，专注于自然语言处理（NLP）、知识问答和内容生成等任务。其优势在于高效的多模态处理能力（文本、图像、音频、视频）和较低的训练成本（
  • 模型蒸馏、量化、裁剪的概念和区别 我就是全世界 AI人工智能
    模型压缩概述1.1模型压缩的重要性随着深度学习技术的快速发展，神经网络模型在各种任务中取得了显著的成功。然而，这些模型通常具有大量的参数和复杂的结构，导致模型体积庞大、计算资源消耗高和推理时间长。这些问题限制了深度学习模型在资源受限设备（如移动设备、嵌入式系统）上的应用。模型压缩技术的出现，旨在解决上述问题，通过减少模型的大小和计算复杂度，同时保持或提高模型的性能。模型压缩的重要性主要体现在以下几
  • 深度学习篇---深度学习相关知识点&关键名词含义 Ronin-Lotus 深度学习篇深度学习人工智能机器学习pytorchpaddlepaddlepython
    文章目录前言第一部分:相关知识点一、基础铺垫层（必须掌握的核心基础）1.数学基础•线性代数•微积分•概率与统计2.编程基础3.机器学习基础二、深度学习核心层（神经网络与训练机制）1.神经网络基础2.激活函数（ActivationFunction）3.损失函数（LossFunction）4.优化算法（Optimization）5.反向传播（Backpropagation）6.正则化与调优三、进阶模型
  • 深度学习篇---深度学习中的超参数&张量转换&模型训练 Ronin-Lotus 深度学习篇深度学习人工智能paddlepaddlepytorch超参数张量转换模型训练
    文章目录前言第一部分：深度学习中的超参数1.学习率（LearningRate）定义重要性常见设置2.批处理大小（BatchSize）定义重要性常见设置3.迭代次数（NumberofEpochs）定义重要性常见设置4.优化器（Optimizer）定义重要性常见设置5.损失函数（LossFunction）定义重要性常见设置6.正则化（Regularization）定义重要性常见设置7.网络架构（Net
  • 【PDF.js 文字选择功能优化】解决 PDF.js 文字文本选区选中时空白区域漂移错误整页全选的问题，支持前后拖动选区
    PDF.js文字选中功能优化，解决PDF文字选中漂移错误的问题，支持前后拖动修改选区。适用手机端、平板端、电脑端文字PDF选中文字高亮、下划线。官方版的选中功能移动端几乎不可用，优化后可以完成选区的精确选择。Demo及源码Demo和源码地址：https://demos.libertynlp.com功能演示视频：https://www.bilibili.com/video/BV1tJ4m1M7zs注
  • web端pdf.js实现pdf批注注释编辑（写入保存/高亮/下划线/插入图片/矩形/箭头/圆形/文本/画笔）
    基于pdf.js实现了pdf增加并编辑批注的js插件库，有高亮、下划线、插入图片、矩形、箭头、圆形、文本、画笔等工具，同时支持写入批注到pdf中并保存，为目前纯前端javascript最佳实现方案，仅使用了最新PDF.jsdist版本，可以十分方便的集成到任意web项目中。Demo地址Demo地址在：https://demos.libertynlp.com，下图左边是添加批注和编辑的示例，右边是功
  • Apache MXNet：灵活高效的深度学习库 零 度° python深度学习apachemxnet
    ApacheMXNet是一个开源的深度学习框架，适用于灵活的研究原型设计和生产。它提供了一个混合前端，可以无缝地在Gluon（动态图）和Symbolic（静态图）模式之间转换，以提供灵活性和速度。MXNet支持多种语言绑定，包括Python、Scala、Julia、Clojure、Java、C++、R和Perl，并且拥有一个活跃的工具和库生态系统，可以扩展MXNet的功能，支持计算机视觉、自然语言
  • 空间注意力模块（SAM）和时间注意力模块（TAM）详解及代码复现 清风AI 深度学习算法详解及代码复现深度学习人工智能神经网络python计算机视觉
    注意力机制原理注意力机制源于人类视觉系统的选择性注意能力，是深度学习领域的一项关键技术。它通过模拟人类视觉系统的选择性注意能力，使深度学习模型能够聚焦于图像中的关键信息。这种机制通过动态分配权重，突出重要特征，抑制无关信息，从而提高图像识别的准确性和效率。在神经网络中，注意力机制主要通过Softmax函数实现，它能够将输入特征映射到0到1之间的概率分布，从而实现特征的加权。空间注意力与时间注意力在
  • Apache MXNet 深度学习框架教程 娄妃元Kacey
    ApacheMXNet深度学习框架教程mxnetLightweight,Portable,FlexibleDistributed/MobileDeepLearningwithDynamic,Mutation-awareDataflowDepScheduler;forPython,R,Julia,Scala,Go,Javascriptandmore项目地址:https://gitcode.com/g
  • Ubuntu为julia安装深度学习框架MXNet（支持CUDA和OPenCV编译） 盼小辉丶 julia深度学习cmakelinuxmxnetjulialanguage深度学习
    Ubuntu为julia安装深度学习框架MXNet（支持CUDA和OPenCV编译）环境介绍与注意事项下载源文件安装依赖编译环境配置安装MXNet测试后记环境介绍与注意事项Ubuntu18.04julia1.5.3CUDA10.1（为了GPU支持，需要安装CUDA和cudnn，可以参考博客，若CUDA版本不同，参考此网站下载合适的MXNet版本）安装MXNet的julia绑定，经过多次测试，并不能
  • MXNet深度学习框架：高效与灵活性的结合 原机小子 深度学习mxnet人工智能
    标题：MXNet深度学习框架：高效与灵活性的结合MXNet是一个由Apache软件基金会支持的开源深度学习框架，以其高效性能和灵活性而闻名。它最初由亚马逊团队开发，并于2015年开源，迅速成为深度学习领域的一个重要工具。MXNet支持多种编程语言，包括Python、Java、Scala、R、C++等，能够运行在CPU、GPU和云平台上，满足不同场景下的需求。1.MXNet的核心特性MXNet的主要
  • T1:实现mnist手写数字识别 哈维羊 neo4j
    >-**本文为[365天深度学习训练营](https://mp.weixin.qq.com/s/0dvHCaOoFnW8SCp3JpzKxg)中的学习记录博客**>-**原作者：[K同学啊](https://mtyjkh.blog.csdn.net/)**写在最前：目标1.知道如何配置环境2.跑通模型（不报错）3.储存模型，供后续使用4.了解如何衡量模型训练结果是否是优秀一、环境配置编译器：PyC
  • 深度学习学习笔记 --- 动量momentum 杨鑫newlfe MachineLearning深度学习动量momentum梯度下降
    一、动量momentum的由来训练网络时，通常先对网络的初始值按照某种分布进行初始化，如：高斯分布。初始化权值操作对最终的网络性能影响比较大，合适的网络初始权值操作能够使损失函数在训练过程中收敛速度快，从而获得更好的优化结果。但是按照分布随机初始化网络权值时，存在一些不确定的因素，并不能保证每一次初始化操作都能使得网络的初始值处在一个合理的状态。不恰当的初始权值可能使网络的损失函数在训练过程中先去
  • 在深度学习中，样本不均衡问题是一个常见的挑战，尤其是在你的老虎机任务中，某些的中奖倍数较高 zhangfeng1133 深度学习人工智能
    在深度学习中，样本不均衡问题是一个常见的挑战，尤其是在你的老虎机任务中，某些的中奖倍数较高在深度学习中，样本不均衡问题是一个常见的挑战，尤其是在你的老虎机任务中，某些的中奖倍数较高而其他的中奖倍数较低。这种不均衡会导致模型偏向于高频样本（低中奖倍数的），而忽略低频样本（高中奖倍数的）。以下是SMOTE过采样和损失函数加权的具体实现方法：1.SMOTE过采样SMOTE（SyntheticMinori
  • 深度可分离卷积_主干网络系列(6) - Xception: 使用深度可分离卷积的深度学习 weixin_39630106 深度可分离卷积
    论文地址：Xception:DeepLearningwithDepthwiseSeparableConvolutions工程代码：Github链接0.摘要该论文对Inception模块做了新的解释，认为Inception模块是常规卷积神经网络到深度可分离卷积神经网络的过渡手段，基于这种思想，深度可分离卷积可以看作一个具有最大数量tower的Inception模块(tower是指Inception模
  • TfidfVectorizer htuhxf 自然语言处理nlptf-idf文本特征python
    TF-IDF/TermFrequency-InverseDocumentFrequency作用：是自然语言处理NLP中常用的文本特征提取工具，用于将文本数据转换为数据向量。核心思想：是通过统计词频和逆文档频率来量化词语在文本中的重要性。TF−IDF(t,d)=TF(t,d)∗IDF(t)TF-IDF_{(t,d)}=TF_{(t,d)}*IDF_{(t)}TF−IDF(t,d)=TF(t,d)∗I
  • 深度学习No module named ‘torchvision.transforms.functional_tensor‘问题解决 winrisef YOLO深度学习人工智能pythonconda
    问题在进行深度学习训练过程中出现ModuleNotFoundError:Nomodulenamed'torchvision.transforms.functional_tensor'报错，多方查阅资料后得到了解决方案。关于我的环境：CUDA==12.1torch==2.4.1GPU==4090D原先进行深度学习用的CUDA11.3，torch1.2.1，但是在训练时出现nvrtc:error:in
  • 深度学习与搜索引擎优化的结合：DeepSeek的创新与探索 云边有个稻草人 热门文章深度学习搜索引擎人工智能DeepSeek
    目录引言1.传统搜索引擎的局限性2.深度学习在搜索引擎中的作用3.DeepSeek实现搜索引擎优化的关键技术3.1神经网络与搜索引擎优化3.2自然语言处理与查询理解3.3深度强化学习与搜索结果排序4.DeepSeek的深度学习架构4.1查询解析与语义理解4.2搜索排名与相关性排序4.3个性化推荐与用户行为分析5、总结引言随着人工智能（AI）技术的迅速发展，深度学习（DeepLearning）和自然
  • 探索深度学习：开启智能新时代 顾漂亮 深度学习人工智能机器学习
    目录深度学习究竟是什么？深度学习的“三驾马车”：数据、模型与算力深度学习的前沿模型架构深度学习在各领域的深度应用深度学习的挑战与应对策略深度学习的未来展望在当今科技飞速发展的时代，深度学习无疑是最炙手可热的领域之一。它宛如一把神奇的钥匙，开启了通往智能世界的大门，从语音识别到图像分类，从自动驾驶到医疗诊断，深度学习的身影无处不在，正深刻地改变着我们的生活与工作方式。深度学习究竟是什么？深度学习隶属
  • 戴尔笔记本win8系统改装win7系统 sophia天雪 win7戴尔改装系统win8
    戴尔win8 系统改装win7 系统详述 第一步：使用U盘制作虚拟光驱：         1）下载安装UltraISO：注册码可以在网上搜索。         2）启动UltraISO，点击“文件”—》“打开”按钮，打开已经准备好的ISO镜像文
  • BeanUtils.copyProperties使用笔记 bylijinnan java
    BeanUtils.copyProperties VS PropertyUtils.copyProperties 两者最大的区别是： BeanUtils.copyProperties会进行类型转换，而PropertyUtils.copyProperties不会。 既然进行了类型转换，那BeanUtils.copyProperties的速度比不上PropertyUtils.copyProp
  • MyEclipse中文乱码问题 0624chenhong MyEclipse
    一、设置新建常见文件的默认编码格式，也就是文件保存的格式。 在不对MyEclipse进行设置的时候，默认保存文件的编码，一般跟简体中文操作系统（如windows2000，windowsXP）的编码一致，即GBK。 在简体中文系统下，ANSI 编码代表 GBK编码;在日文操作系统下，ANSI 编码代表 JIS 编码。 Window-->Preferences-->General -
  • 发送邮件 不懂事的小屁孩 send email
    import org.apache.commons.mail.EmailAttachment; import org.apache.commons.mail.EmailException; import org.apache.commons.mail.HtmlEmail; import org.apache.commons.mail.MultiPartEmail;
  • 动画合集 换个号韩国红果果 htmlcss
    动画 指一种样式变为另一种样式 keyframes应当始终定义0 100 过程 1 transition  制作鼠标滑过图片时的放大效果 css .wrap{ width: 340px;height: 340px; position: absolute; top: 30%; left: 20%; overflow: hidden; bor
  • 网络最常见的攻击方式竟然是SQL注入 蓝儿唯美 sql注入
    NTT研究表明，尽管SQL注入（SQLi）型攻击记录详尽且为人熟知，但目前网络应用程序仍然是SQLi攻击的重灾区。 信息安全和风险管理公司NTTCom Security发布的《2015全球智能威胁风险报告》表明，目前黑客攻击网络应用程序方式中最流行的，要数SQLi攻击。报告对去年发生的60亿攻击 行为进行分析，指出SQLi攻击是最常见的网络应用程序攻击方式。全球网络应用程序攻击中，SQLi攻击占
  • java笔记2 a-john java
    类的封装： 1，java中，对象就是一个封装体。封装是把对象的属性和服务结合成一个独立的的单位。并尽可能隐藏对象的内部细节（尤其是私有数据） 2，目的：使对象以外的部分不能随意存取对象的内部数据（如属性），从而使软件错误能够局部化，减少差错和排错的难度。 3，简单来说，“隐藏属性、方法或实现细节的过程”称为——封装。 4，封装的特性：       4.1设置
  • [Andengine]Error：can't creat bitmap form path “gfx/xxx.xxx” aijuans 学习Android遇到的错误
            最开始遇到这个错误是很早以前了，以前也没注意，只当是一个不理解的bug，因为所有的texture，textureregion都没有问题，但是就是提示错误。 昨天和美工要图片，本来是要背景透明的png格式，可是她却给了我一个jpg的。说明了之后她说没法改，因为没有png这个保存选项。 我就看了一下，和她要了psd的文件，还好我有一点
  • 自己写的一个繁体到简体的转换程序 asialee java转换繁体filter简体
              今天调研一个任务，基于java的filter实现繁体到简体的转换，于是写了一个demo，给各位博友奉上，欢迎批评指正。          实现的思路是重载request的调取参数的几个方法，然后做下转换。          
  • android意图和意图监听器技术 百合不是茶 android显示意图隐式意图意图监听器
    Intent是在activity之间传递数据;Intent的传递分为显示传递和隐式传递   显式意图：调用Intent.setComponent() 或 Intent.setClassName() 或 Intent.setClass()方法明确指定了组件名的Intent为显式意图，显式意图明确指定了Intent应该传递给哪个组件。   隐式意图;不指明调用的名称,根据设
  • spring3中新增的@value注解 bijian1013 javaspring@Value
            在spring 3.0中，可以通过使用@value，对一些如xxx.properties文件中的文件，进行键值对的注入，例子如下： 1.首先在applicationContext.xml中加入：  <beans xmlns="http://www.springframework.
  • Jboss启用CXF日志 sunjing logjbossCXF
    1. 在standalone.xml配置文件中添加system-properties：     <system-properties>        <property name="org.apache.cxf.logging.enabled" value=&
  • 【Hadoop三】Centos7_x86_64部署Hadoop集群之编译Hadoop源代码 bit1129 centos
      编译必需的软件 Firebugs3.0.0 Maven3.2.3 Ant JDK1.7.0_67 protobuf-2.5.0 Hadoop 2.5.2源码包       Firebugs3.0.0   http://sourceforge.jp/projects/sfnet_findbug
  • struts2验证框架的使用和扩展 白糖_ 框架xmlbeanstruts正则表达式
    struts2能够对前台提交的表单数据进行输入有效性校验，通常有两种方式： 1、在Action类中通过validatexx方法验证，这种方式很简单，在此不再赘述； 2、通过编写xx-validation.xml文件执行表单验证，当用户提交表单请求后，struts会优先执行xml文件，如果校验不通过是不会让请求访问指定action的。 本文介绍一下struts2通过xml文件进行校验的方法并说
  • 记录-感悟 braveCS 感悟
    再翻翻以前写的感悟，有时会发现自己很幼稚，也会让自己找回初心。   2015-1-11 1. 能在工作之余学习感兴趣的东西已经很幸福了； 2. 要改变自己，不能这样一直在原来区域，要突破安全区舒适区，才能提高自己，往好的方面发展； 3. 多反省多思考；要会用工具，而不是变成工具的奴隶； 4. 一天内集中一个定长时间段看最新资讯和偏流式博
  • 编程之美-数组中最长递增子序列 bylijinnan 编程之美
    import java.util.Arrays; import java.util.Random; public class LongestAccendingSubSequence { /** * 编程之美 数组中最长递增子序列 * 书上的解法容易理解 * 另一方法书上没有提到的是，可以将数组排序（由小到大）得到新的数组， * 然后求排序后的数组与原数
  • 读书笔记5 chengxuyuancsdn 重复提交struts2的token验证
    1、重复提交 2、struts2的token验证 3、用response返回xml时的注意 1、重复提交 (1)应用场景 (1-1)点击提交按钮两次。 (1-2)使用浏览器后退按钮重复之前的操作，导致重复提交表单。 (1-3)刷新页面 (1-4)使用浏览器历史记录重复提交表单。 (1-5)浏览器重复的 HTTP 请求。 (2)解决方法 (2-1)禁掉提交按钮 (2-2)
  • [时空与探索]全球联合进行第二次费城实验的可能性 comsci
         二次世界大战前后,由爱因斯坦参加的一次在海军舰艇上进行的物理学实验 -费城实验   至今给我们大家留下很多迷团.....      关于费城实验的详细过程,大家可以在网络上搜索一下,我这里就不详细描述了      在这里,我的意思是,现在
  • easy connect 之 ORA-12154: TNS: 无法解析指定的连接标识符 daizj oracleORA-12154
    用easy connect连接出现“tns无法解析指定的连接标示符”的错误，如下： C:\Users\Administrator>sqlplus username/[email protected]:1521/orcl SQL*Plus: Release 10.2.0.1.0 – Production on 星期一 5月 21 18:16:20 2012 Copyright (c) 198
  • 简单排序:归并排序 dieslrae 归并排序
    public void mergeSort(int[] array){ int temp = array.length/2; if(temp == 0){ return; } int[] a = new int[temp]; int
  • C语言中字符串的\0和空格 dcj3sjt126com c
       \0 为字符串结束符，比如说：                       abcd (空格)cdefg； 存入数组时，空格作为一个字符占有一个字节的空间，我们
  • 解决Composer国内速度慢的办法 dcj3sjt126com Composer
    用法： 有两种方式启用本镜像服务： 1 将以下配置信息添加到 Composer 的配置文件 config.json 中（系统全局配置）。见“例1” 2 将以下配置信息添加到你的项目的 composer.json 文件中（针对单个项目配置）。见“例2” 为了避免安装包的时候都要执行两次查询，切记要添加禁用 packagist 的设置，如下 1 2 3 4 5
  • 高效可伸缩的结果缓存 shuizhaosi888 高效可伸缩的结果缓存
    /** * 要执行的算法，返回结果v */ public interface Computable<A, V> { public V comput(final A arg); }   /** * 用于缓存数据 */ public class Memoizer<A, V> implements Computable<A,
  • 三点定位的算法 haoningabc c算法
    三点定位， 已知a,b,c三个顶点的x,y坐标 和三个点都z坐标的距离，la，lb,lc 求z点的坐标 原理就是围绕a,b,c 三个点画圆，三个圆焦点的部分就是所求 但是，由于三个点的距离可能不准，不一定会有结果， 所以是三个圆环的焦点，环的宽度开始为0，没有取到则加1 运行 gcc -lm test.c test.c代码如下 #include "stdi
  • epoll使用详解 jimmee clinux服务端编程epoll
    epoll - I/O event notification facility在linux的网络编程中，很长的时间都在使用select来做事件触发。在linux新的内核中，有了一种替换它的机制，就是epoll。相比于select，epoll最大的好处在于它不会随着监听fd数目的增长而降低效率。因为在内核中的select实现中，它是采用轮询来处理的，轮询的fd数目越多，自然耗时越多。并且，在linu
  • Hibernate对Enum的映射的基本使用方法 linzx0212 enumHibernate
      枚举   /** * 性别枚举 */ public enum Gender { MALE(0), FEMALE(1), OTHER(2); private Gender(int i) { this.i = i; } private int i; public int getI
  • 第10章 高级事件（下） onestopweb 事件
    index.html <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/
  • 孙子兵法 roadrunners 孙子兵法
    始计第一 孙子曰： 兵者，国之大事，死生之地，存亡之道，不可不察也。 故经之以五事，校之以计，而索其情：一曰道，二曰天，三曰地，四曰将，五 曰法。道者，令民于上同意，可与之死，可与之生，而不危也；天者，阴阳、寒暑 、时制也；地者，远近、险易、广狭、死生也；将者，智、信、仁、勇、严也；法 者，曲制、官道、主用也。凡此五者，将莫不闻，知之者胜，不知之者不胜。故校 之以计，而索其情，曰
  • MySQL双向复制 tomcat_oracle mysql
    本文包括: 主机配置 从机配置 建立主-从复制 建立双向复制   背景 按照以下简单的步骤: 参考一下： 在机器A配置主机(192.168.1.30) 在机器B配置从机(192.168.1.29) 我们可以使用下面的步骤来实现这一点   步骤1：机器A设置主机 在主机中打开配置文件 ,
  • zoj 3822 Domination(dp) 阿尔萨斯 Mina
    题目链接：zoj 3822 Domination 题目大意：给定一个N∗M的棋盘，每次任选一个位置放置一枚棋子，直到每行每列上都至少有一枚棋子，问放置棋子个数的期望。 解题思路：大白书上概率那一张有一道类似的题目，但是因为时间比较久了，还是稍微想了一下。dp[i][j][k]表示i行j列上均有至少一枚棋子，并且消耗k步的概率（k≤i∗j）,因为放置在i+1~n上等价与放在i+1行上，同理
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他