- Dify知识库构建流程及示例
cqbelt
ai笔记AI应用
总体流程1.数据预处理清洗:去除噪声、特殊字符、标准化格式。分词/标记化:拆分文本为单词或子词单元(如使用Tokenizer)。元数据关联:附加来源、时间戳等信息,支持多维度检索。2.文本分块固定长度分块:按字符或Token数切分,简单高效。语义分块:基于句子边界或主题分割(如NLP模型识别段落主旨)。重叠策略:相邻块间部分重叠,避免上下文断裂。3.向量化(Embedding)嵌入模型:调用预训练
- 【Image captioning-RS】论文12 Prior Knowledge-Guided Transformer for Remote Sensing Image Captioning
CV视界
Imagecaptioning学习transformer深度学习人工智能
1.摘要遥感图像(RSI)字幕生成旨在为遥感图像生成有意义且语法正确的句子描述。然而,相比于自然图像字幕,RSI字幕生成面临着由于RSI特性而产生的额外挑战。第一个挑战源于这些图像中存在大量物体。随着物体数量的增加,确定描述的主要焦点变得越来越困难。此外,RSI中的物体通常外观相似,进一步复杂化了准确描述的生成。为克服这些挑战,我们提出了一种基于先验知识的transformer(PKG-Trans
- 处理文本的原则
the only KIrsTEN
语音和文本处理(Python)
没有字符编码方案本身就是目的:它是一种启用计算机上有用的文本处理。•计算机预期支持的基本低级文本处理包括:使字符可见(包括连字、上下文形式等)渲染时断线(包括断字)修改外观,例如点大小、字距、下划线、倾斜和重量(轻,半,粗体等)确定“单词”和“句子”等单位在选择和突出显示文本等过程中与用户交互通过插入和删除接受键盘输入和编辑存储的文本比较操作中的文本,例如排序或确定排序顺序两串分析文本内容,例如拼
- Elasticsearch:为推理端点配置分块设置
Elastic 中国社区官方博客
ElasticsearchAIElasticelasticsearch大数据搜索引擎人工智能全文检索数据库ai
推理端点对一次可处理的文本量有限,具体取决于模型的输入容量。分块(Chunking)是指将输入文本拆分成符合这些限制的小块的过程,在将文档摄取到semantic_text字段时会进行分块。分块不仅有助于保持输入文本在可处理范围内,还能使内容更加易读。相比返回一整篇长文档,在搜索结果中提供最相关的文本片段更有价值。每个分块都会包含文本片段以及从中生成的对应嵌入。默认情况下,文档会被拆分为句子(sen
- Python个人学习笔记(2):编程入门知识与基础语法介绍
NEET_LH
樵夫老师Python零基础课程个人学习笔记python学习笔记
一、注释(一)作用1.对代码进行解释和说明避免自己忘了写的代码是做什么的——写给人看的,机器不运行不要去注释你代码做了什么,而要去注释我的代码为什么要这么做。用于记录思路、实现方法、代码功能注释很重要,大厂很重视,尤其日企2.调试代码报错的一篇代码,从下到上一句一句加#,依次运行,如果某行代码加了#后,程序运行成功,那么就是这行有问题,但这个方法不好。(二)注释方法1.单行注释==句子前加#快捷键
- 大模型工程师学习日记(十四):检索增强生成(RAG)
MMMMMMMay Love Code
学习langchain深度学习人工智能开发语言
如何递归分割文本递归分割(recursively),这个文本分割器是用于通用文本的推荐工具。它接受一个字符列表作为参数。它会按顺序尝试在这些字符上进行分割,直到块足够小。默认的字符列表是["\n\n","\n","",""]。这样做的效果是尽可能保持所有段落(然后是句子,再然后是单词)在一起,因为这些通常看起来是语义上相关的文本块。文本如何分割:根据字符列表。块大小如何衡量:根据字符数量。下面我们
- 多分类—微调DistilBERT对生物医学文本进行实验方法多分类:Automated Text Mining of Experimental Methodologies from Biomedical
小小帅AIGC
informationextraction人工智能自然语言处理语言模型多分类学术领域生物医学
AutomatedTextMiningofExperimentalMethodologiesfromBiomedicalLiterature从生物医学文献中自动挖掘实验方法文本paper:https://arxiv.org/abs/2404.13779github:本文做的就是微调DistilBERT去做多分类任务,训练自己的数据集,分类每个句子对应的实验方法。没有什么讲的。文章目录~1.背景动机
- 毕业论文AIGC高?5个方法有效降低AI率,消除AI痕迹!
我是宝库
AIGC人工智能经验分享论文抽检毕业论文AIGC检测学习方法
现在很多学校要求毕业论文基本都要检测AIGC了。AIGC是指人工智能生成的内容,现在无论是毕业论文还是期刊投稿,都会检测论文是否由AI生成的,比如知网、维普、万方、Turnitin、MasterAI率检测等。如果你的论文使用了AI工具辅助写作,自己提前进行AIGC检测,必要时降低AIGC率是很有必要的,那么,如何降低AIGC率呢?分享5种方法:1、改写句子结构。AI生成的句子通常比较长,句子结构僵
- 论文摘要生成器:用TextRank算法实现文献关键信息提取
Atlas Shepherd
python算法自然语言处理python信息可视化
我们基于python代码,使用PyQt5创建图形用户界面(GUI),同时支持中英文两种语言的文本论文文献关键信息提取。PyQt5:用于创建GUI应用程序。jieba:中文分词库,用于中文文本的处理。re:正则表达式模块,用于文本清理和句子分割。numpy:提供数值计算能力,如数组操作、矩阵运算等,主要用于TextRank算法的实现。importsysimportreimportjiebaimpor
- 句子改写器在线转换的原创性提升策略
hjehheje
算法人工智能python
在文本处理领域,"句子改写器在线转换"的原创性提升并非单纯依赖工具升级,而是需要融合算法优化、人工干预与策略设计的系统工程。以下从技术底层到应用层拆解核心方法,辅以实验数据验证其可行性:一、语义拓扑重构技术(SemanticTopologyReconstruction)原理突破传统同义词替换仅影响表层词汇(LexicalLevel),而STR技术通过依存句法分析,构建句子的语义网络拓扑图,对主谓宾
- DeepSeek源码解析(2)
白鹭凡
deepseekai
Tensor(张量)的介绍在计算机科学和机器学习领域,“张量”(Tensor)是一个数学概念,它被用来表示多维数组。在大模型(如深度学习模型)中,张量扮演着核心角色,具体来说:数据表示:张量用于表示输入数据、模型参数和中间计算结果。例如,在图像处理中,一张图片可以被表示为一个三维张量(高度、宽度、颜色通道数),而在自然语言处理中,一段文本可以被编码为一系列词向量组成的二维张量(句子长度、词向量维度
- ——当机器开始"思考",人类终于读懂了自己的大脑
人工智能机器学习
第一层突破:AI让我们看见"思维的源代码"想象一下,你正在教ChatGPT写诗——当它从"枯藤老树昏鸦"的堆砌,突然产出"月光在二进制河流里流淌"的句子时,这不仅是算法的胜利,更是一面照向人类思维的魔镜。科学家发现,AI学习语言的方式竟与婴儿惊人相似:✅模式捕捉:像人类从环境声音中提取词汇✅联想迭代:用已知概念嫁接新知识(比如用"电"理解"闪电网络")✅创造性错误:AI的"幻觉"对应人脑的直觉跳跃
- python基础题目练习19
码卡巴卡bug
python算法数据结构
说反话-加强版给定一句英语,要求你编写程序,将句中所有单词的顺序颠倒输出。输入格式:测试输入包含一个测试用例,在一行内给出总长度不超过500000的字符串。字符串由若干单词和若干空格组成,其中单词是由英文字母(大小写有区分)组成的字符串,单词之间用若干个空格分开。输出格式:每个测试用例的输出占一行,输出倒序后的句子,并且保证单词间只有1个空格。输入样例:HelloWorldHereICome输出样
- 关于自然语言处理(三)深度学习中的文字序列数据的分词操作
MatrixSparse
大模型人工智能自然语言处理深度学习人工智能
深度学习中的文字序列数据二维文字序列在文字数据中,样本与样本之间的联系是语义的联系,语义的联系即是词与词之间、字与字之间的联系,因此在文字序列中每个样本是一个单词或一个字(对英文来说大部分时候是一个单词,偶尔也可以是更小的语言单位,如字母或半词),故而在中文文字数据中,一张二维表往往是一个句子或一段话,而单个样本则表示单词或字。此时,不能够打乱顺序的维度是vocab_size,它代表了一个句子/一
- 【设计模式】——解释器模式(Interpreter Pattern)
J^T
设计模式C/C++解释器模式设计模式c++系统架构
目录引言一、解析器模式的基本概念核心思想解析器模式结构UML图应用场景二、解析器模式的优点与缺点优点缺点三、C++实现算术表达式解释器1.定义抽象表达式2.实现终结符表达式3.实现非终结符表达式4.构建和解释表达式四、总结引言在软件开发中,设计模式是解决常见软件设计问题的一种成熟方案。解释器模式(InterpreterPattern)是一种行为型设计模式,它提供了一种解释语言句子或表达式的方法。这
- Word2Vec向量化语句的计算原理
堕落年代
AIword2vec人工智能机器学习
一、Word2Vec的核心理念Word2Vec由Google团队于2013年提出,是一种通过无监督学习生成词向量的模型。其核心思想是“相似的词拥有相似的上下文”,通过上下文关系捕捉词汇的语义和语法特征。生成的向量具有低维(通常100-300维)、连续且稠密的特点,解决了传统One-Hot编码的高维稀疏和语义缺失问题。二、向量化的核心步骤(以Skip-Gram模型为例)示例句子假设句子为:“Theq
- 大语言模型中的 Token:它们是什么,如何工作?
运维小子
语言模型人工智能自然语言处理
引言如果你使用过ChatGPT这样的AI工具,你可能会好奇:它是如何理解并生成文字的?大语言模型(LLM,LargeLanguageModel)并不是直接处理整个句子或文章,而是拆分成一个个Token(标记)来进行计算。那么,什么是Token?它们在大语言模型中起到什么作用?这篇文章将用通俗易懂的语言帮你解开这些谜团。1.什么是Token?在大语言模型的世界里,Token(标记)是文本的最小单位,
- 详解DeepSeek模型底层原理及和ChatGPT区别点
瞬间动力
语言模型机器学习AI编程云计算阿里云
一、DeepSeek大模型原理架构基础DeepSeek基于Transformer架构,Transformer架构主要由编码器和解码器组成,在自然语言处理任务中,通常使用的是Transformer的解码器部分。它的核心是自注意力机制(Self-Attention),这个机制允许模型在处理输入序列时,关注序列中不同位置的信息。例如,在处理句子“Thecatchasedthemouse”时,自注意力机制
- 语义向量模型全解:从基础到现在的deepseek中的语义向量主流模型
来自于狂人
人工智能语言模型
一、语义向量模型:自然语言处理的基石语义向量模型(SemanticVectorModel)是自然语言处理(NLP)的核心技术,它将词汇、句子或文档映射为高维向量,在数学空间中量化语义信息。通过向量距离(如余弦相似度)衡量语义的相似性,支撑了搜索引擎、情感分析、机器翻译等实际应用。1.1发展简史1980s~2000s:基于统计的浅层模型,如TF-IDF(直接表征词的重要性)、LSA(通过矩阵分解降维
- BERT 和 Milvus 构建智能问答系统的全面技术解析,涵盖从原理到实践的完整流程
结合BERT和Milvus构建智能问答系统的全面技术解析,涵盖从原理到实践的完整流程。下面Python代码示例和优化策略:一、技术栈协作原理BERT的语义编码能力BERT作为预训练语言模型,通过双向Transformer结构将文本转换为高维向量(如768维),捕捉上下文语义信息。例如,句子"Milvus是向量数据库"会被编码为类似[0.2,-1.3,0.5,...]的向量19。Milvus的向量检
- Transformer架构深度研究报告(二、分层原理)
jiaojieran
transformer深度学习人工智能
一、Transformer不同层作用剖析1.1低层作用在Transformer架构中,低层(1-3层)主要承担着局部语法建模的关键任务,其对语言基础结构的理解和处理为后续高层语义分析奠定了坚实基础。在词性标注(POStagging)任务中,低层通过对相邻词之间关系的细致捕捉,能够精准判断每个词的词性。例如在句子“Thedogrunsfast”中,对于“runs”这个词,低层模型会关注其与相邻词“d
- 百度搜索语法
羊羊一洋
百度
百度搜索作为中国最大的搜索引擎,其搜索语法与谷歌搜索类似,但也有一些特有的功能。以下是一些基本的百度搜索语法:1.双引号(`""`):用来搜索精确的短语或句子。例如,搜索`"人工智能"`会找到包含完整短语"人工智能"的结果。2.减号(-):用来排除搜索结果中的特定词汇。例如,搜索`手机-iphone`会找到包含"手机"但不包含"iphone"的结果。3.加号(+):用来确保搜索结果中包含特定的词汇
- 系统调用read和write的疑问
唯瑞主义
疑问篇linux
问题背景:现在我有一个中文文档,里面是一些中文的句子,然后我有一个charbuffer[1]的缓冲区,我通过read中文文档,然后把数据写入到标准输出中,此时终端却正常打印,而不是显示乱码。代码展示:#include"unistd.h"#include#include"stdio.h"#include"stdlib.h"intmain(){//打开intfd=open("test.txt",O_R
- 用Meta的开源工具打造AI驱动的应用:LASER、Faiss与聊天加载器示例
dgay_hua
人工智能faisspython
MetaPlatforms(原Facebook)在AI技术领域持续创新,推出了多个优秀的开源工具,比如用于多语言句子嵌入的LASER、用于高效相似性搜索的Faiss,以及用于加载和处理Messenger和WhatsApp聊天记录的工具。这些工具可以帮助开发者快速构建AI驱动的应用。在本文中,我们将深入介绍这些工具的功能,并通过可运行的代码示例展示如何将它们应用到实际项目中。技术背景介绍LASER(
- 笔记:大模型Tokens是啥?为啥大模型按Tokens收费?
瞬间动力
硅基蒸馏easyui前端javascript人工智能tooneapi阿里云
一、Token的定义与示例1.核心概念Token是自然语言处理中的最小文本单位,代表模型处理文本时的一次计算单元。英文场景:1个token≈1个单词或标点符号。示例:句子"Hello,world!"拆分为["Hello",",","world","!"],共4个token。中文场景:1个token≈1个汉字或词语。示例:短语"深度求索"拆分为["深","度","求","索"],共4个token;若
- Empowering LLMs with Logical Reasoning: 从“语言大师”到“逻辑大师”的进化之路
步子哥
人工智能
“逻辑是智慧的骨架,而语言是智慧的血肉。让大语言模型(LLMs)既能说会道,又能逻辑严谨,是AI发展的下一座高峰。”开篇:语言模型的“逻辑盲区”近年来,大语言模型(LLMs)在自然语言处理(NLP)任务中取得了令人瞩目的成就。从生成流畅的文章到翻译复杂的句子,这些模型似乎无所不能。然而,当我们试图让它们回答逻辑推理问题时,却发现它们的表现常常令人失望。比如,某顶尖LLM在回答以下问题时出现了自相矛
- 论文笔记:Enhancing Sentence Embeddings in Generative Language Models
UQI-LIUWJ
论文阅读语言模型人工智能
2024ICIC1INTRO对于文本嵌入,过去几年的相关研究主要集中在像BERT和RoBERTa这样的判别模型上。这些模型固有的语义空间各向异性,往往需要通过大量数据集进行微调,才能生成高质量的句子嵌入。——>需要较大的训练批次,这会消耗大量的计算资源一些前沿的工作将焦点转向了最近开发的生成模型,期望利用其先进的文本理解能力,直接对输入句子进行编码,而无需额外的反向传播由于句子表示和自回归语言建模
- 【深度学习】Transformer入门:通俗易懂的介绍
知识靠谱
深度学习深度学习transformer人工智能
【深度学习】Transformer入门:通俗易懂的介绍一、引言二、从前的“读句子”方式三、Transformer的“超级阅读能力”四、Transformer是怎么做到的?五、Transformer的“多视角”能力六、Transformer的“位置记忆”七、Transformer的“翻译流程”八、Transformer为什么这么厉害?九、Transformer的应用十、总结一、引言在自然语言处理(N
- Python|基于Kimi大模型,实现对文本进行批量润色处理(4)
写python的鑫哥
AI大模型实战应用人工智能python大模型kimi语言模型润色prompt
前言本文是该专栏的第4篇,后面会持续分享AI大模型干货知识,记得关注。有的时候,我们在处理文本数据的时候,会需要对文本内容做润色处理。在介绍之前,我们先来了解“什么是润色”。文本润色,是指对已经完成的文本进行修改和改进的过程,目的是提高文本的可读性、流畅度和表达效果。这个过程可能包括纠正语法错误、调整句子结构、增强语言的表达力、统一风格和语调、改善逻辑连贯性等。润色后的文本应该更加清晰、准确、吸引
- 当你给大模型一段输入之后,它是怎么得到答案的
牛不才
000-大模型chatgptAIGC文心一言gptllamaagiprompt
1.先把问题“嚼碎”(输入处理)比如你问:“太阳为什么东升西落?”切分知识点:模型会把这句话拆解成词汇单元(比如:“太阳”“为什么”“东”“升”“西”“落”),就像你背单词时先拆解句子。2.动用毕生所学(模型“回想”知识)大模型并不是真有一个“数据库”,而是依靠训练时海量的知识联结:(类似人类的经验积累)内在规律:从上学过的教材、论文、百科中记住过“地球自转导致太阳视运动”这个常识。猜测套路:统计
- html
周华华
html
js
1,数组的排列
var arr=[1,4,234,43,52,];
for(var x=0;x<arr.length;x++){
for(var y=x-1;y<arr.length;y++){
if(arr[x]<arr[y]){
&
- 【Struts2 四】Struts2拦截器
bit1129
struts2拦截器
Struts2框架是基于拦截器实现的,可以对某个Action进行拦截,然后某些逻辑处理,拦截器相当于AOP里面的环绕通知,即在Action方法的执行之前和之后根据需要添加相应的逻辑。事实上,即使struts.xml没有任何关于拦截器的配置,Struts2也会为我们添加一组默认的拦截器,最常见的是,请求参数自动绑定到Action对应的字段上。
Struts2中自定义拦截器的步骤是:
- make:cc 命令未找到解决方法
daizj
linux命令未知make cc
安装rz sz程序时,报下面错误:
[root@slave2 src]# make posix
cc -O -DPOSIX -DMD=2 rz.c -o rz
make: cc:命令未找到
make: *** [posix] 错误 127
系统:centos 6.6
环境:虚拟机
错误原因:系统未安装gcc,这个是由于在安
- Oracle之Job应用
周凡杨
oracle job
最近写服务,服务上线后,需要写一个定时执行的SQL脚本,清理并更新数据库表里的数据,应用到了Oracle 的 Job的相关知识。在此总结一下。
一:查看相关job信息
1、相关视图
dba_jobs
all_jobs
user_jobs
dba_jobs_running 包含正在运行
- 多线程机制
朱辉辉33
多线程
转至http://blog.csdn.net/lj70024/archive/2010/04/06/5455790.aspx
程序、进程和线程:
程序是一段静态的代码,它是应用程序执行的蓝本。进程是程序的一次动态执行过程,它对应了从代码加载、执行至执行完毕的一个完整过程,这个过程也是进程本身从产生、发展至消亡的过程。线程是比进程更小的单位,一个进程执行过程中可以产生多个线程,每个线程有自身的
- web报表工具FineReport使用中遇到的常见报错及解决办法(一)
老A不折腾
web报表finereportjava报表报表工具
FineReport使用中遇到的常见报错及解决办法(一)
这里写点抛砖引玉,希望大家能把自己整理的问题及解决方法晾出来,Mark一下,利人利己。
出现问题先搜一下文档上有没有,再看看度娘有没有,再看看论坛有没有。有报错要看日志。下面简单罗列下常见的问题,大多文档上都有提到的。
1、address pool is full:
含义:地址池满,连接数超过并发数上
- mysql rpm安装后没有my.cnf
林鹤霄
没有my.cnf
Linux下用rpm包安装的MySQL是不会安装/etc/my.cnf文件的,
至于为什么没有这个文件而MySQL却也能正常启动和作用,在这儿有两个说法,
第一种说法,my.cnf只是MySQL启动时的一个参数文件,可以没有它,这时MySQL会用内置的默认参数启动,
第二种说法,MySQL在启动时自动使用/usr/share/mysql目录下的my-medium.cnf文件,这种说法仅限于r
- Kindle Fire HDX root并安装谷歌服务框架之后仍无法登陆谷歌账号的问题
aigo
root
原文:http://kindlefireforkid.com/how-to-setup-a-google-account-on-amazon-fire-tablet/
Step 4: Run ADB command from your PC
On the PC, you need install Amazon Fire ADB driver and instal
- javascript 中var提升的典型实例
alxw4616
JavaScript
// 刚刚在书上看到的一个小问题,很有意思.大家一起思考下吧
myname = 'global';
var fn = function () {
console.log(myname); // undefined
var myname = 'local';
console.log(myname); // local
};
fn()
// 上述代码实际上等同于以下代码
m
- 定时器和获取时间的使用
百合不是茶
时间的转换定时器
定时器:定时创建任务在游戏设计的时候用的比较多
Timer();定时器
TImerTask();Timer的子类 由 Timer 安排为一次执行或重复执行的任务。
定时器类Timer在java.util包中。使用时,先实例化,然后使用实例的schedule(TimerTask task, long delay)方法,设定
- JDK1.5 Queue
bijian1013
javathreadjava多线程Queue
JDK1.5 Queue
LinkedList:
LinkedList不是同步的。如果多个线程同时访问列表,而其中至少一个线程从结构上修改了该列表,则它必须 保持外部同步。(结构修改指添加或删除一个或多个元素的任何操作;仅设置元素的值不是结构修改。)这一般通过对自然封装该列表的对象进行同步操作来完成。如果不存在这样的对象,则应该使用 Collections.synchronizedList 方
- http认证原理和https
bijian1013
httphttps
一.基础介绍
在URL前加https://前缀表明是用SSL加密的。 你的电脑与服务器之间收发的信息传输将更加安全。
Web服务器启用SSL需要获得一个服务器证书并将该证书与要使用SSL的服务器绑定。
http和https使用的是完全不同的连接方式,用的端口也不一样,前者是80,后
- 【Java范型五】范型继承
bit1129
java
定义如下一个抽象的范型类,其中定义了两个范型参数,T1,T2
package com.tom.lang.generics;
public abstract class SuperGenerics<T1, T2> {
private T1 t1;
private T2 t2;
public abstract void doIt(T
- 【Nginx六】nginx.conf常用指令(Directive)
bit1129
Directive
1. worker_processes 8;
表示Nginx将启动8个工作者进程,通过ps -ef|grep nginx,会发现有8个Nginx Worker Process在运行
nobody 53879 118449 0 Apr22 ? 00:26:15 nginx: worker process
- lua 遍历Header头部
ronin47
lua header 遍历
local headers = ngx.req.get_headers()
ngx.say("headers begin", "<br/>")
ngx.say("Host : ", he
- java-32.通过交换a,b中的元素,使[序列a元素的和]与[序列b元素的和]之间的差最小(两数组的差最小)。
bylijinnan
java
import java.util.Arrays;
public class MinSumASumB {
/**
* Q32.有两个序列a,b,大小都为n,序列元素的值任意整数,无序.
*
* 要求:通过交换a,b中的元素,使[序列a元素的和]与[序列b元素的和]之间的差最小。
* 例如:
* int[] a = {100,99,98,1,2,3
- redis
开窍的石头
redis
在redis的redis.conf配置文件中找到# requirepass foobared
把它替换成requirepass 12356789 后边的12356789就是你的密码
打开redis客户端输入config get requirepass
返回
redis 127.0.0.1:6379> config get requirepass
1) "require
- [JAVA图像与图形]现有的GPU架构支持JAVA语言吗?
comsci
java语言
无论是opengl还是cuda,都是建立在C语言体系架构基础上的,在未来,图像图形处理业务快速发展,相关领域市场不断扩大的情况下,我们JAVA语言系统怎么从这么庞大,且还在不断扩大的市场上分到一块蛋糕,是值得每个JAVAER认真思考和行动的事情
- 安装ubuntu14.04登录后花屏了怎么办
cuiyadll
ubuntu
这个情况,一般属于显卡驱动问题。
可以先尝试安装显卡的官方闭源驱动。
按键盘三个键:CTRL + ALT + F1
进入终端,输入用户名和密码登录终端:
安装amd的显卡驱动
sudo
apt-get
install
fglrx
安装nvidia显卡驱动
sudo
ap
- SSL 与 数字证书 的基本概念和工作原理
darrenzhu
加密ssl证书密钥签名
SSL 与 数字证书 的基本概念和工作原理
http://www.linuxde.net/2012/03/8301.html
SSL握手协议的目的是或最终结果是让客户端和服务器拥有一个共同的密钥,握手协议本身是基于非对称加密机制的,之后就使用共同的密钥基于对称加密机制进行信息交换。
http://www.ibm.com/developerworks/cn/webspher
- Ubuntu设置ip的步骤
dcj3sjt126com
ubuntu
在单位的一台机器完全装了Ubuntu Server,但回家只能在XP上VM一个,装的时候网卡是DHCP的,用ifconfig查了一下ip是192.168.92.128,可以ping通。
转载不是错:
Ubuntu命令行修改网络配置方法
/etc/network/interfaces打开后里面可设置DHCP或手动设置静态ip。前面auto eth0,让网卡开机自动挂载.
1. 以D
- php包管理工具推荐
dcj3sjt126com
PHPComposer
http://www.phpcomposer.com/
Composer是 PHP 用来管理依赖(dependency)关系的工具。你可以在自己的项目中声明所依赖的外部工具库(libraries),Composer 会帮你安装这些依赖的库文件。
中文文档
入门指南
下载
安装包列表
Composer 中国镜像
- Gson使用四(TypeAdapter)
eksliang
jsongsonGson自定义转换器gsonTypeAdapter
转载请出自出处:http://eksliang.iteye.com/blog/2175595 一.概述
Gson的TypeAapter可以理解成自定义序列化和返序列化 二、应用场景举例
例如我们通常去注册时(那些外国网站),会让我们输入firstName,lastName,但是转到我们都
- JQM控件之Navbar和Tabs
gundumw100
htmlxmlcss
在JQM中使用导航栏Navbar是简单的。
只需要将data-role="navbar"赋给div即可:
<div data-role="navbar">
<ul>
<li><a href="#" class="ui-btn-active&qu
- 利用归并排序算法对大文件进行排序
iwindyforest
java归并排序大文件分治法Merge sort
归并排序算法介绍,请参照Wikipeida
zh.wikipedia.org/wiki/%E5%BD%92%E5%B9%B6%E6%8E%92%E5%BA%8F
基本思想:
大文件分割成行数相等的两个子文件,递归(归并排序)两个子文件,直到递归到分割成的子文件低于限制行数
低于限制行数的子文件直接排序
两个排序好的子文件归并到父文件
直到最后所有排序好的父文件归并到输入
- iOS UIWebView URL拦截
啸笑天
UIWebView
本文译者:candeladiao,原文:URL filtering for UIWebView on the iPhone说明:译者在做app开发时,因为页面的javascript文件比较大导致加载速度很慢,所以想把javascript文件打包在app里,当UIWebView需要加载该脚本时就从app本地读取,但UIWebView并不支持加载本地资源。最后从下文中找到了解决方法,第一次翻译,难免有
- 索引的碎片整理SQL语句
macroli
sql
SET NOCOUNT ON
DECLARE @tablename VARCHAR (128)
DECLARE @execstr VARCHAR (255)
DECLARE @objectid INT
DECLARE @indexid INT
DECLARE @frag DECIMAL
DECLARE @maxfrag DECIMAL
--设置最大允许的碎片数量,超过则对索引进行碎片
- Angularjs同步操作http请求with $promise
qiaolevip
每天进步一点点学习永无止境AngularJS纵观千象
// Define a factory
app.factory('profilePromise', ['$q', 'AccountService', function($q, AccountService) {
var deferred = $q.defer();
AccountService.getProfile().then(function(res) {
- hibernate联合查询问题
sxj19881213
sqlHibernateHQL联合查询
最近在用hibernate做项目,遇到了联合查询的问题,以及联合查询中的N+1问题。
针对无外键关联的联合查询,我做了HQL和SQL的实验,希望能帮助到大家。(我使用的版本是hibernate3.3.2)
1 几个常识:
(1)hql中的几种join查询,只有在外键关联、并且作了相应配置时才能使用。
(2)hql的默认查询策略,在进行联合查询时,会产
- struts2.xml
wuai
struts
<?xml version="1.0" encoding="UTF-8" ?>
<!DOCTYPE struts PUBLIC
"-//Apache Software Foundation//DTD Struts Configuration 2.3//EN"
"http://struts.apache