- Bert模型学习笔记
文三路张同学
其他bert学习深度学习
Bert模型学习笔记Fromhttps://www.bilibili.com/video/BV1Ey4y1874yemmm讲实话这个视频太简单了,不建议看。可以看看李沐的视频:https://www.bilibili.com/video/BV1PL411M7eQ这篇文章主要是四个部分:bert的整体架构如何做预训练mlm+nsp如何微调bert(没看)代码解析(没看)Bert架构基础架构是Tran
- Bert学习笔记
缓释多巴胺。
大模型相关知识语言模型bert
一、Bert架构BERT使用了双向的TransformerGPT使用从左到右的单向信息ELMo把单独训练的从左到右及从右到左的LSTM模型进行合并二、Bert预训练任务2.1遮蔽语言模型MLM任务:随机屏蔽(masking)部分输入token,然后只预测那些被屏蔽的token。问题:预训练任务与微调任务不一致原因:在finetuning期间从未看到[MASK]token,预训练和finetunin
- 【第15届蓝桥杯C/C++B组省赛】试题&参赛经历&经验&个人题解
ylxc_tu
蓝桥杯c++算法c语言
文章目录补充试题A:握手问题试题B:小球反弹试题C:好数试题D:R格式试题E:宝石组合试题F:数字接龙试题G:爬山试题H:拔河我的感想补充现在是2024年9月22日20:43:28,距离4月份参加完省赛已经过了5个月,当时参加省赛的代码我在官网上模拟自测了一下,得分为70(满分150),这些代码虽然写的一坨,但是在四川省b组也能拿省一等奖进国赛,甚至当时的排名还比较靠前,希望对后续参加蓝桥杯的同学
- 如何从零开始训练大模型?(附AGI大模型路线图)
脱泥不tony
agi人工智能产品经理语言模型大数据学习AI大模型
1背景根据scalinglaw,模型越大,高质量数据越多,效果越好。但还有一个很直观的情况,随着预训练样本的质量不断提升,训练手段的优化。新的模型,往往效果能轻松反超参数量两倍于它的模型。例如,最新出的minicpm,微信内部评测效果也是非常棒的。跟规模相对接近的2b、7b模型比,得分比qwen2b高,和qwen7b比有的高有的低。这个是minicpm的详细技术文档。https://shengdi
- 鸿蒙全栈开发 D1
GH小杨
harmonyos华为typescript
鸿蒙全栈开发第一天第一部分:鸿蒙操作系统基础1.1鸿蒙发展史(深度解析)2012-01-012013-01-012014-01-012015-01-012016-01-012017-01-012018-01-012019-01-012020-01-012021-01-012022-01-012023-01-012024-01-01分布式技术预研微内核验证HarmonyOS1.0OpenHarmon
- Python小项目:利用tkinter开发测手速小游戏
PythonTkinter手速测试器开发全解析本文将通过工业级代码规范重构基础测速程序,融入防作弊机制与性能优化方案,打造专业级手速测试工具。以下为经过真实项目验证的增强版实现方案:一、基础代码缺陷分析原始版本存在三大核心问题:无随机触发机制(用户可预判操作时机)缺少多轮测试统计功能未防止连续点击作弊二、增强版方案设计系统架构流程图:stateDiagram-v2[*]-->待机状态待机状态-->
- Dolma:开源大规模语言模型预训练数据集与工具包
2401_87458718
语言模型人工智能自然语言处理
Dolma:开源大规模语言模型预训练数据集与工具包Dolma是由Allen人工智能研究所(AI2)开发的一个开源项目,旨在为大规模语言模型的预训练提供高质量的数据集和强大的数据处理工具。Dolma包含两个主要组成部分:Dolma数据集和Dolma工具包。Dolma数据集Dolma数据集是一个包含3万亿个token的开放数据集,涵盖了多样化的内容来源,包括网页内容、学术出版物、代码、书籍和百科全书材
- 大模型技术在网络安全领域的应用与发展
蓝色的香菇
web安全安全大模型
一、概述大模型技术,尤其是深度学习和自然语言处理领域的大型预训练模型,近年来在网络安全领域得到了广泛应用。这些模型通过其强大的数据处理能力和泛化能力,为网络安全带来了新的机遇和挑战。本文将对大模型技术在网络安全领域的应用进行全面分析,识别关键应用进展,并探讨其对网络安全领域的潜在影响。二、大模型技术在网络安全领域的应用安全运营网络日志分析:大模型可以通过分析大量网络日志,自动识别异常行为和潜在威胁
- 【价值洼地的狩猎机制】
调皮的芋头
机器学习
大资本构建价值掠夺网络的本质,是一场精密设计的系统性剥削工程。其运作逻辑远超普通市场行为,而是通过技术霸权、制度漏洞与认知操控三位一体的组合拳,实现对目标领域的深度殖民化控制:一、价值洼地的狩猎机制1.量子级数据建模摩根士丹利开发的"经济熵变监测系统",实时抓取全球2.3亿个数据节点(包括电力消耗、集装箱空置率、社交媒体情绪指数等),通过深度学习预测区域经济断裂点。例如2014年预判委内瑞拉石油危
- AI语言模型的技术之争:DeepSeek与ChatGPT的架构与训练揭秘
m0_74825466
面试学习路线阿里巴巴chatgpt人工智能语言模型
-CSDN博客目录第一章:DeepSeek与ChatGPT的基础概述1.1DeepSeek简介1.2ChatGPT简介第二章:模型架构对比2.1Transformer架构:核心相似性2.2模型规模与参数第三章:训练方法与技术3.1预训练与微调:基础训练方法3.2强化学习与奖励建模3.3知识蒸馏与量化技术第四章:训练数据与应用4.1训练数据集:数据源的差异4.2特定领域任务:应用场景的差异第五章:代
- 2021-07-19王汕7.19国际黄金今日行情趋势分析,期货原油白银最新操作建议
ws65626
黄金行情走势分析刚刚过去的一周,现货黄金冲高回落,美联储主席多次发表鸽派言论、多个国家新冠疫情回升,一度帮助金价创一个月新高至1834.12美元/盎司,散户和机构也看涨后市,但美国零售销售等数据表现靓丽,仍使投资者坚定美联储未来逐步收紧货币政策的预期,黄金多头有所顾忌,金价最终回吐大部分涨幅,收报1812.05美元,周线涨幅仅0.2%。KitcoNews上周五(7月16日)最新公布的黄金周度调查显
- 大模型(LLM)的若干科普之问(七):如何隔离LLM微调结果?
人工干智能
大模型编程Python的高级知识LLM
一、微调大模型LLM的微调是指在预训练好的大型语言模型基础上,通过特定任务的数据进行进一步训练,以提升模型在该任务上的性能。以下是微调的关键点:预训练模型:大模型LLM(如GPT、BERT等)通过大量通用文本进行预训练,学习语言的基本结构和知识。微调目的:使模型适应特定任务或领域,如文本分类、机器翻译、问答系统等。微调过程:数据准备:收集与任务相关的标注数据。模型调整:在预训练模型上继续训练,通常
- 20250303-代码笔记-train_n100
唐小旭
代码学习笔记笔记
文章目录前言一、参数1.MachineEnvironmentConfig2.PathConfig3.Imports4.Parameters环境参数(`env_params`):模型参数(model_params):优化器参数(`optimizer_params`):训练器参数(trainer_params):加载预训练模型的设置(`model_load`):日志文件参数(`logger_param
- [Machine Learning] K-means算法
进阶的小蜉蝣
machinelearning算法kmeans机器学习
HuBERT预训练过程中会用到K-means算法,本文简单介绍一下K-means算法的基本流程。简单地讲,K-means就是给特征向量集进行聚类。给定一个特征向量集{X}和目标聚类数N,K-means会不断迭代,直到X被分成N类,且每一类的中心点不再明显变化。先看一个简单例子:fromsklearn.clusterimportKMeansimportnumpyasnpimportmatplotli
- 对“预训练”的理解
衣衣困
深度学习神经网络自然语言处理
预训练有什么用传统的机器学习是偏数学的,对数据的量不做过多要求,而深度学习的项目通常是有大量的数据可供使用。在平常的任务或者项目中,我们可能并没有大量数据,只有少量数据,在这时我们就可以通过“借用”有大数据支持的模型的参数,作为基准,这样就能提高效率和准确率。因为他们神经网络的浅层是相似的,也就是说,在任务相似的情况下,可以用已有的模型即“预训练”好的模型参数实现小数据量的模型训练。预训练可以节省
- 零基础也能看懂的ChatGPT等大模型入门解析!大模型入门到精通,看这篇就够了!
大模型微调实战
chatgpt百度人工智能大数据wps学习大模型
近两年,大语言模型LLM(LargeLanguageModel)越来越受到各行各业的广泛应用及关注。对于非相关领域研发人员,虽然不需要深入掌握每一个细节,但了解其基本运作原理是必备的技术素养。本文笔者结合自己的理解,用通俗易懂的语言对复杂的概念进行了总结,与大家分享~什么是ChatGPT?GPT对应的是三个关键概念:生成式(Generative)、预训练(Pre-Training)和Transfo
- DeepSeek 各版本的区别
dushky
ai语言模型AI编程
DeepSeek各版本的区别主要体现在参数规模、架构设计、性能表现、硬件需求以及适用场景等方面,具体对比如下:一、参数规模与模型架构基础版(DeepSeek-V3)参数规模:6710亿参数(671B),采用混合专家(MoE)架构,每个Token激活约37B参数。定位:通用NLP任务,如智能客服、内容创作、知识问答等,强调高性价比和可扩展性。训练数据:14.8万亿Token预训练,推理速度较快(每秒
- 【技术分享】以利尔达MB960/860模组为例,教你快速接入MQTT协议(下)
利尔达科技
物联网模组物联网MQTT模组
随着5G时代的来临,万物互联的伟大构想正在成为现实。2021年全球智能物联网处于爆发式增长通道,设备数量超过250亿台。海量的设备接入和设备管理对网络带宽、通信协议以及平台服务架构都带来了很大挑战。通信协议作为联通物与物的桥梁,在物联网架构中起着关键作用。上周我们已经在《【技术分享】以利尔达MB960/860模组为例,教你快速接入MQTT协议(上)》一文中介绍了MQTT协议的基础知识,本周将介绍接
- PyTorch 中结合迁移学习和强化学习的完整实现方案
小赖同学啊
人工智能pytorch迁移学习人工智能
结合迁移学习(TransferLearning)和强化学习(ReinforcementLearning,RL)是解决复杂任务的有效方法。迁移学习可以利用预训练模型的知识加速训练,而强化学习则通过与环境的交互优化策略。以下是如何在PyTorch中结合迁移学习和强化学习的完整实现方案。1.场景描述假设我们有一个任务:训练一个机器人手臂抓取物体。我们可以利用迁移学习从一个预训练的视觉模型(如ResNet
- 什么是预训练?
卡卡大怪兽
自然语言处理
一、介绍预训练模型诞生背景:对于某种特殊任务只存在少量的相关训练数据,以至于模型不能从中学习到有用的规律(标注资源稀缺,无大数据支持)举例:想对一批法律领域的文件进行关系抽取,就需要投入大量的精力(意味着时间和金钱的大量投入)在法律领域的文件中进行关系抽取的标注,然后将标注好的数据“喂”给模型进行训练。但是即使是标注了几百万条这样的数据(实际情况中,在一个领域内标注几百万条几乎不可能,因为成本非常
- MLM: 掩码语言模型的预训练任务
XianxinMao
语言模型人工智能自然语言处理
MLM:掩码语言模型的预训练任务掩码语言模型(MaskedLanguageModel,MLM)是一种用于训练语言模型的预训练任务,其核心目标是帮助模型理解和预测语言中的上下文关系。以下是对这一概念的详细说明:基本定义:MLM是一种通过将输入文本中的部分词语随机掩盖(即用掩码标记替代),让模型在观察到其他未掩盖词语的情况下,预测这些被掩盖词的任务。任务流程:首先,将一段文本输入到模型中。该文本的一部
- Linux stdin、stdout和stderr详解
linux
一、标准流介绍在计算机编程中,标准流是计算机程序开始执行时与其环境之间预连接的输入和输出通信通道。这三种输入/输出(I/O)连接称为标准输入(stdin)、标准输出(stdout)和标准错误(stderr)。最初I/O是通过物理连接的系统控制台(通过键盘输入,通过监视器输出)发生的,但是标准流抽象了这一点。当通过交互式shell执行命令时,流通常连接到shell运行的文本终端,但可以通过重定向或管
- 预训练模型微调与下游任务迁移学习技术
AGI大模型与大数据研究院
计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
1.背景介绍机器学习技术近年来在计算机视觉、自然语言处理等领域取得了飞速发展,这离不开大规模预训练模型的贡献。预训练模型通过在海量数据上的自监督学习,学习到了丰富的特征表示,为下游任务提供了强大的初始化。而对预训练模型进行有效的微调,可以充分利用预训练知识,在有限数据上快速达到出色的性能。此外,迁移学习技术也为模型在不同任务间的知识复用提供了有效途径。本文将详细介绍预训练模型微调与下游任务迁移学习
- 什么是预训练语言模型下游任务?
衣衣困
语言模型人工智能自然语言处理
问题:Word2Vec模型是预训练模型吗?由于训练的特性,word2Vec模型一定是与训练模型。给定一个词先使用独热编码然后使用预训练好的Q矩阵得到这个词的词向量。这里指的是词向量本身就是预训练的语言模型。什么是下游任务?在自然语言处理(NLP)和机器学习领域,下游任务(downstreamtasks)指的是使用已经训练好的模型或表示(如词向量、预训练的模型等)来解决的具体任务。这些任务通常依赖于
- 微调(Fine-tuning)
路野yue
人工智能深度学习
微调(Fine-tuning)是自然语言处理(NLP)和深度学习中的一种常见技术,用于将预训练模型(Pre-trainedModel)适配到特定任务上。它的核心思想是:在预训练模型的基础上,通过少量任务相关的数据进一步训练模型,使其更好地适应目标任务。1.微调的核心思想预训练模型:像BERT、GPT这样的模型,已经在大量通用文本数据上进行了预训练,学习到了丰富的语言知识(如语法、语义、上下文关系等
- AI Agent,大模型重要落地方向
IT猫仔
人工智能语言模型架构搜索引擎机器学习
01什么是AIAgent?OpenAI将AIAgent定义为,以大语言模型为大脑驱动,具有自主理解感知、规划、记忆和使用工具的能力,能自动化执行完成复杂任务的系统。在计算机、人工智能专业技术领域,一般将agent译为“智能体”,即是在一定的环境中体现出自治性、反应性、社会性、预动性、思辨性(慎思性)、认知性等一种或多种智能特征的软件或硬件实体。它具有记忆、规划、行动和使用工具四个主要模块。通过四个
- Deepseek开源周第五天:3FS-AI界的"数据高速公路"
deepseek
Deepseek开源周第五天:3FS-AI界的"数据高速公路"前言上周deepseek宣布,将在本周陆续发布五个开源项目,这些库已经在生产环境中经过了记录、部署和实战测试。今天是deepseek开源周的第五天,deepseek发布了两个开源项目,分别是https://github.com/deepseek-ai/3FShttps://github.com/deepseek-ai/smallpond
- 013、Python+fastapi,第一个后台管理项目走向第13步:建立python+fastapi项目,创建cache模块
浪淘沙jkp
学习fastapi学习
一、说明在今天学习RuoYi-Vue3-FastAPI的代码过程中,我遇到了几个问题,下面说说自己的感想二、自定义的log装饰器源码中是log_annotation.py,代码也没什么好说的,这个知识点到处都是文章,可以在csdn上搜索学习,python中wraps函数用法详情_python@wraps函数-CSDN博客https://blog.csdn.net/weixin_44799217/a
- 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
- Go 并发编程:如何实现一个并发安全的 map
后端go面试并发编程并发
上周发布的文章「Go并发控制:sync.Map详解」有读者反馈说我写的太难了,上来就挑战源码,对新手不够友好。所以这篇文章算作补充,从入门到进阶的顺序讲解一下在Go中如何自己实现一个并发安全的map。内置map首先,我们来测试一下Go语言内置map并发安全性,示例如下:https://github.com/jianghushinian/blog-go-example/tree/main/sync/
- LeetCode[Math] - #66 Plus One
Cwind
javaLeetCode题解AlgorithmMath
原题链接:#66 Plus One
要求:
给定一个用数字数组表示的非负整数,如num1 = {1, 2, 3, 9}, num2 = {9, 9}等,给这个数加上1。
注意:
1. 数字的较高位存在数组的头上,即num1表示数字1239
2. 每一位(数组中的每个元素)的取值范围为0~9
难度:简单
分析:
题目比较简单,只须从数组
- JQuery中$.ajax()方法参数详解
AILIKES
JavaScriptjsonpjqueryAjaxjson
url: 要求为String类型的参数,(默认为当前页地址)发送请求的地址。
type: 要求为String类型的参数,请求方式(post或get)默认为get。注意其他http请求方法,例如put和 delete也可以使用,但仅部分浏览器支持。
timeout: 要求为Number类型的参数,设置请求超时时间(毫秒)。此设置将覆盖$.ajaxSetup()方法的全局
- JConsole & JVisualVM远程监视Webphere服务器JVM
Kai_Ge
JVisualVMJConsoleWebphere
JConsole是JDK里自带的一个工具,可以监测Java程序运行时所有对象的申请、释放等动作,将内存管理的所有信息进行统计、分析、可视化。我们可以根据这些信息判断程序是否有内存泄漏问题。
使用JConsole工具来分析WAS的JVM问题,需要进行相关的配置。
首先我们看WAS服务器端的配置.
1、登录was控制台https://10.4.119.18
- 自定义annotation
120153216
annotation
Java annotation 自定义注释@interface的用法 一、什么是注释
说起注释,得先提一提什么是元数据(metadata)。所谓元数据就是数据的数据。也就是说,元数据是描述数据的。就象数据表中的字段一样,每个字段描述了这个字段下的数据的含义。而J2SE5.0中提供的注释就是java源代码的元数据,也就是说注释是描述java源
- CentOS 5/6.X 使用 EPEL YUM源
2002wmj
centos
CentOS 6.X 安装使用EPEL YUM源1. 查看操作系统版本[root@node1 ~]# uname -a Linux node1.test.com 2.6.32-358.el6.x86_64 #1 SMP Fri Feb 22 00:31:26 UTC 2013 x86_64 x86_64 x86_64 GNU/Linux [root@node1 ~]#
- 在SQLSERVER中查找缺失和无用的索引SQL
357029540
SQL Server
--缺失的索引
SELECT avg_total_user_cost * avg_user_impact * ( user_scans + user_seeks ) AS PossibleImprovement ,
last_user_seek ,
 
- Spring3 MVC 笔记(二) —json+rest优化
7454103
Spring3 MVC
接上次的 spring mvc 注解的一些详细信息!
其实也是一些个人的学习笔记 呵呵!
- 替换“\”的时候报错Unexpected internal error near index 1 \ ^
adminjun
java“\替换”
发现还是有些东西没有刻子脑子里,,过段时间就没什么概念了,所以贴出来...以免再忘...
在拆分字符串时遇到通过 \ 来拆分,可是用所以想通过转义 \\ 来拆分的时候会报异常
public class Main {
/*
- POJ 1035 Spell checker(哈希表)
aijuans
暴力求解--哈希表
/*
题意:输入字典,然后输入单词,判断字典中是否出现过该单词,或者是否进行删除、添加、替换操作,如果是,则输出对应的字典中的单词
要求按照输入时候的排名输出
题解:建立两个哈希表。一个存储字典和输入字典中单词的排名,一个进行最后输出的判重
*/
#include <iostream>
//#define
using namespace std;
const int HASH =
- 通过原型实现javascript Array的去重、最大值和最小值
ayaoxinchao
JavaScriptarrayprototype
用原型函数(prototype)可以定义一些很方便的自定义函数,实现各种自定义功能。本次主要是实现了Array的去重、获取最大值和最小值。
实现代码如下:
<script type="text/javascript">
Array.prototype.unique = function() {
var a = {};
var le
- UIWebView实现https双向认证请求
bewithme
UIWebViewhttpsObjective-C
什么是HTTPS双向认证我已在先前的博文 ASIHTTPRequest实现https双向认证请求
中有讲述,不理解的读者可以先复习一下。本文是用UIWebView来实现对需要客户端证书验证的服务请求,网上有些文章中有涉及到此内容,但都只言片语,没有讲完全,更没有完整的代码,让人困扰不已。但是此知
- NoSQL数据库之Redis数据库管理(Redis高级应用之事务处理、持久化操作、pub_sub、虚拟内存)
bijian1013
redis数据库NoSQL
3.事务处理
Redis对事务的支持目前不比较简单。Redis只能保证一个client发起的事务中的命令可以连续的执行,而中间不会插入其他client的命令。当一个client在一个连接中发出multi命令时,这个连接会进入一个事务上下文,该连接后续的命令不会立即执行,而是先放到一个队列中,当执行exec命令时,redis会顺序的执行队列中
- 各数据库分页sql备忘
bingyingao
oraclesql分页
ORACLE
下面这个效率很低
SELECT * FROM ( SELECT A.*, ROWNUM RN FROM (SELECT * FROM IPAY_RCD_FS_RETURN order by id desc) A ) WHERE RN <20;
下面这个效率很高
SELECT A.*, ROWNUM RN FROM (SELECT * FROM IPAY_RCD_
- 【Scala七】Scala核心一:函数
bit1129
scala
1. 如果函数体只有一行代码,则可以不用写{},比如
def print(x: Int) = println(x)
一行上的多条语句用分号隔开,则只有第一句属于方法体,例如
def printWithValue(x: Int) : String= println(x); "ABC"
上面的代码报错,因为,printWithValue的方法
- 了解GHC的factorial编译过程
bookjovi
haskell
GHC相对其他主流语言的编译器或解释器还是比较复杂的,一部分原因是haskell本身的设计就不易于实现compiler,如lazy特性,static typed,类型推导等。
关于GHC的内部实现有篇文章说的挺好,这里,文中在RTS一节中详细说了haskell的concurrent实现,里面提到了green thread,如果熟悉Go语言的话就会发现,ghc的concurrent实现和Go有点类
- Java-Collections Framework学习与总结-LinkedHashMap
BrokenDreams
LinkedHashMap
前面总结了java.util.HashMap,了解了其内部由散列表实现,每个桶内是一个单向链表。那有没有双向链表的实现呢?双向链表的实现会具备什么特性呢?来看一下HashMap的一个子类——java.util.LinkedHashMap。
- 读《研磨设计模式》-代码笔记-抽象工厂模式-Abstract Factory
bylijinnan
abstract
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/
package design.pattern;
/*
* Abstract Factory Pattern
* 抽象工厂模式的目的是:
* 通过在抽象工厂里面定义一组产品接口,方便地切换“产品簇”
* 这些接口是相关或者相依赖的
- 压暗面部高光
cherishLC
PS
方法一、压暗高光&重新着色
当皮肤很油又使用闪光灯时,很容易在面部形成高光区域。
下面讲一下我今天处理高光区域的心得:
皮肤可以分为纹理和色彩两个属性。其中纹理主要由亮度通道(Lab模式的L通道)决定,色彩则由a、b通道确定。
处理思路为在保持高光区域纹理的情况下,对高光区域着色。具体步骤为:降低高光区域的整体的亮度,再进行着色。
如果想简化步骤,可以只进行着色(参看下面的步骤1
- Java VisualVM监控远程JVM
crabdave
visualvm
Java VisualVM监控远程JVM
JDK1.6开始自带的VisualVM就是不错的监控工具.
这个工具就在JAVA_HOME\bin\目录下的jvisualvm.exe, 双击这个文件就能看到界面
通过JMX连接远程机器, 需要经过下面的配置:
1. 修改远程机器JDK配置文件 (我这里远程机器是linux).
 
- Saiku去掉登录模块
daizj
saiku登录olapBI
1、修改applicationContext-saiku-webapp.xml
<security:intercept-url pattern="/rest/**" access="IS_AUTHENTICATED_ANONYMOUSLY" />
<security:intercept-url pattern=&qu
- 浅析 Flex中的Focus
dsjt
htmlFlexFlash
关键字:focus、 setFocus、 IFocusManager、KeyboardEvent
焦点、设置焦点、获得焦点、键盘事件
一、无焦点的困扰——组件监听不到键盘事件
原因:只有获得焦点的组件(确切说是InteractiveObject)才能监听到键盘事件的目标阶段;键盘事件(flash.events.KeyboardEvent)参与冒泡阶段,所以焦点组件的父项(以及它爸
- Yii全局函数使用
dcj3sjt126com
yii
由于YII致力于完美的整合第三方库,它并没有定义任何全局函数。yii中的每一个应用都需要全类别和对象范围。例如,Yii::app()->user;Yii::app()->params['name'];等等。我们可以自行设定全局函数,使得代码看起来更加简洁易用。(原文地址)
我们可以保存在globals.php在protected目录下。然后,在入口脚本index.php的,我们包括在
- 设计模式之单例模式二(解决无序写入的问题)
come_for_dream
单例模式volatile乱序执行双重检验锁
在上篇文章中我们使用了双重检验锁的方式避免懒汉式单例模式下由于多线程造成的实例被多次创建的问题,但是因为由于JVM为了使得处理器内部的运算单元能充分利用,处理器可能会对输入代码进行乱序执行(Out Of Order Execute)优化,处理器会在计算之后将乱序执行的结果进行重组,保证该
- 程序员从初级到高级的蜕变
gcq511120594
框架工作PHPandroidhtml5
软件开发是一个奇怪的行业,市场远远供不应求。这是一个已经存在多年的问题,而且随着时间的流逝,愈演愈烈。
我们严重缺乏能够满足需求的人才。这个行业相当年轻。大多数软件项目是失败的。几乎所有的项目都会超出预算。我们解决问题的最佳指导方针可以归结为——“用一些通用方法去解决问题,当然这些方法常常不管用,于是,唯一能做的就是不断地尝试,逐个看看是否奏效”。
现在我们把淫浸代码时间超过3年的开发人员称为
- Reverse Linked List
hcx2013
list
Reverse a singly linked list.
/**
* Definition for singly-linked list.
* public class ListNode {
* int val;
* ListNode next;
* ListNode(int x) { val = x; }
* }
*/
p
- Spring4.1新特性——数据库集成测试
jinnianshilongnian
spring 4.1
目录
Spring4.1新特性——综述
Spring4.1新特性——Spring核心部分及其他
Spring4.1新特性——Spring缓存框架增强
Spring4.1新特性——异步调用和事件机制的异常处理
Spring4.1新特性——数据库集成测试脚本初始化
Spring4.1新特性——Spring MVC增强
Spring4.1新特性——页面自动化测试框架Spring MVC T
- C# Ajax上传图片同时生成微缩图(附Demo)
liyonghui160com
1.Ajax无刷新上传图片,详情请阅我的这篇文章。(jquery + c# ashx)
2.C#位图处理 System.Drawing。
3.最新demo支持IE7,IE8,Fir
- Java list三种遍历方法性能比较
pda158
java
从c/c++语言转向java开发,学习java语言list遍历的三种方法,顺便测试各种遍历方法的性能,测试方法为在ArrayList中插入1千万条记录,然后遍历ArrayList,发现了一个奇怪的现象,测试代码例如以下:
package com.hisense.tiger.list;
import java.util.ArrayList;
import java.util.Iterator;
- 300个涵盖IT各方面的免费资源(上)——商业与市场篇
shoothao
seo商业与市场IT资源免费资源
A.网站模板+logo+服务器主机+发票生成
HTML5 UP:响应式的HTML5和CSS3网站模板。
Bootswatch:免费的Bootstrap主题。
Templated:收集了845个免费的CSS和HTML5网站模板。
Wordpress.org|Wordpress.com:可免费创建你的新网站。
Strikingly:关注领域中免费无限的移动优
- localStorage、sessionStorage
uule
localStorage
W3School 例子
HTML5 提供了两种在客户端存储数据的新方法:
localStorage - 没有时间限制的数据存储
sessionStorage - 针对一个 session 的数据存储
之前,这些都是由 cookie 完成的。但是 cookie 不适合大量数据的存储,因为它们由每个对服务器的请求来传递,这使得 cookie 速度很慢而且效率也不