- Android 绘图工具与实战(具体例子)
Chasing stars
Androidcanvas
绘图工具与实战参考链接:https://www.runoob.com/w3cnote/android-tutorial-drawable-tool.html三大绘图工具:1)Paint(画笔):就是画笔,用于设置绘制风格,如:线宽(笔触粗细),颜色,透明度和填充风格等直接使用无参构造方法就可以创建Paint实例:Paintpaint=newPaint();我们可以通过下述方法来设置Paint(画笔
- 性能测试中的IO风险诊断有哪些?
Feng.Lee
漫谈测试php服务器前端
应用系统离不开IO(数据读写),IO的读写性能直接影响系统性能,而磁盘IO系统的短板。CPU处理频率较磁盘的物理操作更快几个数量级,CPU从磁盘读取数据和从内存中读取数据的差别是秒到毫秒的区别。IO比较繁忙时,如果IO得不到满足会导致应用的阻塞(也叫IO等待或非空闲等待)。针对IO场景的模型,我们要考虑的有IO的TPS,平均IO数据,平均队列长度,平均服务时间,平均等待时间,IO利用率(磁盘Bus
- 本地部署DeepSeek 多模态大模型Janus-Pro-7B
网络安全我来了
人工智能AI人工智能
本地部署Janus-Pro-7B的完整指南在今天,AI无处不在,它深刻改变了我们与世界的互动方式。是否曾想过,如何能够将强大的多模态大模型,如DeepSeek的Janus-Pro-7B,部署到本地使其为你所用呢?本篇文章将带你逐步了解Janus-Pro-7B的特点和部署过程,并解决你可能遇到的各种问题。1.Janus-Pro-7B简介1.1模型特点与创新在众多AI模型中,Janus-Pro-7B犹
- 数据挖掘常用算法优缺点分析
天波烟客00
数据挖掘数据挖掘机器学习
领取机器学习视频教程:http://www.admin444.com/P-c8129a48常用的机器学习、数据挖掘方法有分类,回归,聚类,推荐,图像识别等。在实际应用中,一般都是采用启发式学习方式来实验。偏差&方差偏差:描述的是预测值(估计值)的期望与真实值之间的差距,偏差越大,越偏离真实数据。偏差bias其实是模型太简单而带来的估计不准确的部分---欠拟合方差:描述的是预测值的变化范围、离散程度
- AI大模型基于LLM的Agent架构图解
AI产品经理
人工智能深度学习语言模型学习
Agent定义Agent是什么?Agent是一种能够自主决策、采取行动以达到某种目标的实体。AIAgent的确定义:基于人工智能(尤其是大模型)技术,能够感知和理解环境,并采取行动以完成目标的智能实体。Agent能干什么?AIAgent主要依托LLM模型和具体的业务场景来调用相应的工具来完成任务目标,智能化程度和行业贴合度会更明显。典型案例有什么?智能核保应用,如果解决方案搭载AIAgent能力,
- 什么是LLM?看这一篇就够了!
Python程序员罗宾
人工智能语言模型AIGC自然语言处理
前言自从2022年12月ChatGPT横空面世以来,AI领域获得了十足的关注和资本,其实AI的概念在早些年也火过一波,本轮AI热潮相比于之前的AI,最大的区别在于:生成式。本文主要介绍大语言模型(LargeLanguageModel,简称LLM)。大语言模型介绍什么是大语言模型(LLM)通过海量文本训练的、能识别人类语言、执行语言类任务、拥有大量参数的模型,称之为大语言模型。GPT、LLaMA、M
- 寒假刷题Day18
komo莫莫da
算法leetcode数据结构
一、16.最接近的三数之和这一题有负数,没有单调性,不能“大了右指针左移,小了左指针右移,最后存值域求差绝对值”。classSolution{public:intthreeSumClosest(vector&nums,inttarget){ranges::sort(nums);intans,n=nums.size();intmin_diff=INT_MAX;for(inti=0;i0&&x==nu
- 导电树脂胶
卓晴
科学-技术-探究mongodb数据库嵌入式硬件
导电胶水导电树脂胶水01导电树脂胶一、前言 这个导电树脂胶水是几年前购买的。现在已经过去了很长时间。 之前测量它的导通电阻非常大。 下面,再测量一下这个导电树脂的导电性能。二、测量结果 下面测试刚才涂抹在纸片上的导电树脂。可以看到似乎剩下的是一些碳粉形成的导电层。 利用数值万用表进行测量。 数字万用表可以测量20M欧姆以内的电阻。 可以看到导电数值图层的电阻大约为20k欧姆,并随着测量表笔靠近
- 在Windows上用Llama Factory微调Llama 3的基本操作
蛐蛐蛐
深度学习Python技巧科研工具llama
这篇博客参考了一些文章,例如:教程:利用LLaMA_Factory微调llama3:8b大模型_llama3模型微调保存-CSDN博客也可以参考LlamaFactory的Readme:GitHub-hiyouga/LLaMA-Factory:UnifyEfficientFine-Tuningof100+LLMsUnifyEfficientFine-Tuningof100+LLMs.Contribu
- 因果关系推断与机器学习
hhhh106
读书笔记大数据
因果关系定义设X和Y是两个随机变量。定义X是Y的因,即因果关系X→Y存在,当且仅当Y的取值一定会随X的取值变化而发生变化。两个变量X、Y之间有相关性往往不是我们能判断它们之间有因果关系的依据。其中包括三种情况:X是Y的因、X是Y的果、X与Y有共同原因(commoncause)。对于第三种情况,我们把这种不是因果关系的相关性叫作虚假相关(spuriouscorrelation)。机器学习模型是强大的
- 【llm对话系统】大模型 Llama 源码分析之并行训练方案
kakaZhui
llama人工智能AIGCchatgpt
1.引言训练大型语言模型(LLM)需要巨大的计算资源和内存。为了高效地训练这些模型,我们需要采用各种并行策略,将计算和数据分布到多个GPU或设备上。Llama作为当前最流行的开源大模型之一,其训练代码中采用了多种并行技术。本文将深入Llama的训练代码,分析其并行训练方案,主要关注参数并行和部分结构参数共享。2.并行训练策略概述常见的并行训练策略包括:数据并行(DataParallelism,DP
- 【llm对话系统】大模型 Llama 源码分析之 LoRA 微调
kakaZhui
llama深度学习pytorchAIGCchatgpt
1.引言微调(Fine-tuning)是将预训练大模型(LLM)应用于下游任务的常用方法。然而,直接微调大模型的所有参数通常需要大量的计算资源和内存。LoRA(Low-RankAdaptation)是一种高效的微调方法,它通过引入少量可训练参数,固定预训练模型的权重,从而在保持性能的同时大大减少了计算开销。本文将深入分析LoRA的原理,并结合Llama源码解读其实现逻辑,最后探讨LoRA的优势。2
- 【llm对话系统】大模型 Llama 源码分析之 Flash Attention
kakaZhui
llama人工智能AIGCchatgpt
1.写在前面近年来,基于Transformer架构的大型语言模型(LLM)在自然语言处理(NLP)领域取得了巨大的成功。Transformer的核心组件是自注意力(Self-Attention)机制,它允许模型捕捉输入序列中不同位置之间的关系。然而,标准的自注意力机制的计算复杂度与序列长度的平方成正比,这使得它在处理长序列时效率低下。为了解决这个问题,FlashAttention被提出,它是一种高
- 使用 ChatPremAI 和 LangChain 构建高级聊天模型功能
hgSdaegva
python
##使用ChatPremAI和LangChain构建高级聊天模型功能###技术背景介绍随着生成式AI的快速发展,诸如ChatGPT等大型语言模型逐渐成为开发智能应用的核心组件。然而,如何高效利用这些模型,并将其部署到生产环境中,仍然是开发者面临的一大挑战。ChatPremAI是一款整合所有核心功能的生成式AI平台,通过与LangChain的完美结合,为开发者提供了灵活且功能强大的接口以实现复杂功能
- 【深度学习】因果推断与机器学习的高级实践 数学建模_问题根因 分析 机器学习
2401_84239830
程序员深度学习机器学习数学建模
现阶段深度学习有三大特征:数据驱动:即数据训练,将数据输入到模型中进行训练;关联学习:模型基于给定训练数据集,进行关联学习;概率输出:即最后的输出,判断这个图片有“狗“的概率是多少。以数据驱动、关联学习、概率输出为特征的深度学习存在什么问题呢?以一个简单的图片识别问题为例:识别一张图片中是否有狗。在很多预测问题中,我们拿到的数据集往往都是有偏的,比如我们拿到的数据中有80%的图片中狗都在草地上,这
- Qpython+Flask监控添加发送语音中文信息功能
eybk
flaskpython后端
对Qpython+Flask实现对小孩学习的监控-CSDN博客中html页面进行改造,利用Ajax,提交一段文字,发送到数据库,再在服务器,发送该段文件给手机端,然手机端TTS朗读出来,增加了父母监控小孩学习,自定义提醒小孩的功能。一、index.html的更改。实时**学习情况图//设置定时器,每20秒(20000毫秒)刷新一次页面setInterval(function(){location.
- WebServices应用集成框架ESB(Enterprise Service Bus 企业服务总线)
songyuhong
技术service框架webservicejbossweb服务中间件
给大家介绍一个好东东,在进行系统间集成时经常利用WebService,但是从建立WebService和调用的重复性和维护性的工作量都相当大,所以接下来我将宴请大家干看不吃一顿丰盛的WebService应用框架技术大餐。首先简单介绍一下,ESB全称为EnterpriseServiceBus,即企业服务总线。它是传统中间件技术与XML、Web服务等技术结合的产物。ESB提供了网络中最基本的连接中枢,是
- JVM运行时数据区常见知识点&面试题总结
栗子酱-
后端开发面试题#JVM面试题jvmjava开发语言面试springboot
目录运行时数据区前言面试题JVM内存区域/运行时数据区?说一下JDK1.6、1.7、1.8内存区域的变化?为什么使用元空间替代永久代作为方法区的实现?Java堆的内存分区了解吗?运行时常量池?字符串常量池了解吗?为什么将字符串常量池移动到堆中?运行时数据区前言已经找到工作了,分享秋招时的笔记。祝大家都能顺利找到自己心仪的工作。面试题JVM内存区域/运行时数据区?JVM运行时数据区包括程序计数器、虚
- 白话DeepSeek-R1论文(三)| DeepSeek-R1蒸馏技术:让小模型“继承”大模型的推理超能力
明哲AI
AIGC人工智能机器学习深度学习大模型Deepseek算法蒸馏
最近有不少朋友来询问Deepseek的核心技术,陆续针对DeepSeek-R1论文中的核心内容进行解读,并且用大家都能听懂的方式来解读。这是第三篇趣味解读。DeepSeek-R1蒸馏技术:让小模型“继承”大模型的推理超能力当大模型成为“老师”,小模型也能变“学霸”想象一下,一位经验丰富的数学老师(大模型)将自己解题的思维过程一步步拆解,手把手教给学生(小模型)。学生通过模仿老师的思路和技巧,最终也
- 如何防御暴力攻击(Brute Force Attack)?
安全防护
在不断变化的网络安全世界中,了解各种类型的攻击是保护自己或企业的第一步。其中一个常见的威胁是暴力攻击。让我们深入了解什么是暴力攻击,它是如何工作的,以及如何防止它。什么是暴力攻击顾名思义,暴力攻击依赖于暴力破解,这意味着它不利用任何软件漏洞或使用复杂的技术。相反,它依赖于纯粹的计算能力来彻底尝试所有的可能性。暴力攻击是一种反复试验的方法,用于获取诸如个人识别号码(PINs)、用户名、密码或其他类型
- 【16届蓝桥杯寒假刷题营】第1期DAY2
qystca
算法数据结构蓝桥杯
1.能选取元素的最多个数-蓝桥云课问题描述给定一个长度为n的数组a,小蓝希望从数组中选择若干个元素(可以不连续),并将它们重新排列,使得这些元素能够形成一个先严格递增然后严格递减的子序列(可以没有递增部分或递减部分)。你需要求出在满足这个条件下,最多可以选择多少个元素。输入格式第一行包含一个正整数n,表示数组的长度。(1≤n≤10^5)第二行包含n个整数a1,a2,...,an-1,an。(1≤a
- JavaSE笔记总结
火车驶向云外.11
java开发语言
一、Java简介1、三大平台JavaSE:Java标准版,用于桌面应用开发,为今后从事JavaEE开发打基础(C语言和C++语言占有优势)。JavaME:小型版的Java语言,用于嵌入式电子设备或者小型移动设备。JavaEE:企业版,web方向的网站开发和服务器开发,这个领域Java第一。2、Java能做什么?桌面应用开发企业级应用开发移动应用开发科学计算大数据开发游戏开发3、Java的特性面向对
- 汉诺塔(Hanoi Tower)问题求解
火车驶向云外.11
java算法leetcode
汉诺塔问题:相传在古印度圣庙中,有一种被称为汉诺塔(Hanoi)的游戏。该游戏是在一块铜板装置上,有三根杆(编号A、B、C),在A杆自下而上、由大到小按顺序放置64个金盘(如图1)。游戏的目标:把A杆上的金盘全部移到C杆上,并仍保持原有顺序叠好。操作规则:每次只能移动一个盘子,并且在移动过程中三根杆上都始终保持大盘在下,小盘在上,操作过程中盘子可以置于A、B、C任一杆上。——百度百科汉诺塔(Han
- 5G承载网中的前传、中传与回传
杂化轨道VSEPR
5G通信技术5g
从4G到5G,承载网的成分也发生了变化4G的承载网主要由BBU、RRU、馈线与天线系统共同组成,到了5G这里接入网被重新分为三个实体,分别是CU、DU,与AAU。CU:集成式的处理单元DU:分布式的处理单元AAU:ActiveAntennaUnit有源天线单元AAU属于前传的部分,分散在各地的AAU通过离自己最近的DU,然后许多个DU再将自己的数据发送给自己区域的CU,通过CU将数据注入核心网里面
- AI真的能理解我们这个现实物理世界吗?深度剖析原理、实证及未来走向
AI_DL_CODE
人工智能深度学习AIAI理解世界
摘要:当下,AI与深度学习广泛渗透生活各领域,大模型与海量数据加持下,其是否理解现实物理世界引发热议。文章开篇抛出疑问,随后深入介绍AI深度学习基础,包含神经网络架构、反向传播算法。继而列举AI在物理场景识别、实验数据分析中显露的“理解”迹象,也点明常识性错误、极端场景失效这类反例。从信息论、物理启发式算法剖析理论支撑,探讨融合物理知识路径,并延展至跨学科应用、评估维度、伦理社会问题,最终展望AI
- YOLOv10改进策略【Neck】| HS-FPN:高级筛选特征融合金字塔,加强细微特征的检测
Limiiiing
YOLOv10改进专栏YOLO深度学习计算机视觉目标检测
一、本文介绍本文将HS-FPN结构融入YOLOv10以优化目标检测网络模型。HS-FPN借助通道注意力机制及独特的多尺度融合策略,有效应对目标尺寸差异及特征稀缺问题。在YOLOv10中应用HS-FPN时,其利用高级特征筛选低级特征,增强特征表达,助力模型精准定位和识别目标,减少因尺度变化及特征不足导致的检测误差,显著提升YOLOv10在各项检测任务中的准确性与稳定性。专栏目录:YOLOv10改进目
- 手机直连低轨卫星通信:架构、关键技术和未来展望
罗思付之技术屋
综合技术探讨及方案专栏智能手机架构
【摘要】借助低轨卫星星座全时全域覆盖优势,手机直连卫星通信预期成为6G重要特征之一。首先介绍了手机直连卫星的测试验证、标准化与商业项目发展现状。其次,介绍了基于透明转发、部分可再生处理、完全可再生处理、集成接入和回传的四种手机直连低轨卫星网络架构及组网方式。通过分析手机直连低轨卫星网络场景下高移动性与大传输时延等带来的接入与传输问题,提出对地面移动通信体制进行适应性改进的关键技术方案。最后,探讨了
- CF 230A.Dragons(Java实现)
Dr_Si
java开发语言
题目分析(桐老爷,泪目)题目讲很多字,其实就是打怪升级,初始战斗力>龙的战斗力就能击败龙并炼化经验增加战斗力,然后打下一条龙,如果打不过了就寄思路分析首先我还是想到键值对,分别存储龙的战斗力和给的经验,一个n条龙,然后循环判断战斗力胜负,如果胜则+战斗力,并挑战下一条,负则结束战斗。但是这里忽略了一个点,题目说的是不限顺序所以需要从小到大的战斗力依次去挑战,因此我在外面套了一个list,用sort
- 使用Transformer模型实现股票走势预测:深入解析和实操案例(基于Python和PyTorch)
AI_DL_CODE
pythontransformerpytorch股票预测
摘要:本文讨论了Transformer模型在股票市场预测中的应用,突出其自注意力机制在捕捉长期趋势和周期性变化方面的优势。文章详细介绍了模型理论、架构,并分析了其在股价预测中的优势和挑战。通过实操案例,展示了如何使用Python和PyTorch进行模型构建、训练和评估,包括数据预处理和性能评价。结果证实Transformer模型能有效预测股价,但需注意过拟合和数据量问题。未来研究将着眼于模型优化和
- [250125] DeepSeek 发布开源大模型 R1,性能比肩 OpenAI o1 | 希捷推出高达 36TB 的硬盘
x-cmd
dailyblog开源deepseekllmopenaiai硬件存储
DeepSeek发布开源大模型R1,性能比肩OpenAIo1DeepSeek正式发布了DeepSeek-R1大模型,并同步开源了模型权重,其性能对标OpenAIo1正式版。主要亮点:开源模型,MIT许可证:DeepSeek-R1遵循MITLicense,允许用户自由使用、修改、分发,甚至商用,并允许通过蒸馏技术基于R1训练其他模型。API开放调用:用户可以通过DeepSeekAPI调用R1模型,设
- Nginx负载均衡
510888780
nginx应用服务器
Nginx负载均衡一些基础知识:
nginx 的 upstream目前支持 4 种方式的分配
1)、轮询(默认)
每个请求按时间顺序逐一分配到不同的后端服务器,如果后端服务器down掉,能自动剔除。
2)、weight
指定轮询几率,weight和访问比率成正比
- RedHat 6.4 安装 rabbitmq
bylijinnan
erlangrabbitmqredhat
在 linux 下安装软件就是折腾,首先是测试机不能上外网要找运维开通,开通后发现测试机的 yum 不能使用于是又要配置 yum 源,最后安装 rabbitmq 时也尝试了两种方法最后才安装成功
机器版本:
[root@redhat1 rabbitmq]# lsb_release
LSB Version: :base-4.0-amd64:base-4.0-noarch:core
- FilenameUtils工具类
eksliang
FilenameUtilscommon-io
转载请出自出处:http://eksliang.iteye.com/blog/2217081 一、概述
这是一个Java操作文件的常用库,是Apache对java的IO包的封装,这里面有两个非常核心的类FilenameUtils跟FileUtils,其中FilenameUtils是对文件名操作的封装;FileUtils是文件封装,开发中对文件的操作,几乎都可以在这个框架里面找到。 非常的好用。
- xml文件解析SAX
不懂事的小屁孩
xml
xml文件解析:xml文件解析有四种方式,
1.DOM生成和解析XML文档(SAX是基于事件流的解析)
2.SAX生成和解析XML文档(基于XML文档树结构的解析)
3.DOM4J生成和解析XML文档
4.JDOM生成和解析XML
本文章用第一种方法进行解析,使用android常用的DefaultHandler
import org.xml.sax.Attributes;
- 通过定时任务执行mysql的定期删除和新建分区,此处是按日分区
酷的飞上天空
mysql
使用python脚本作为命令脚本,linux的定时任务来每天定时执行
#!/usr/bin/python
# -*- coding: utf8 -*-
import pymysql
import datetime
import calendar
#要分区的表
table_name = 'my_table'
#连接数据库的信息
host,user,passwd,db =
- 如何搭建数据湖架构?听听专家的意见
蓝儿唯美
架构
Edo Interactive在几年前遇到一个大问题:公司使用交易数据来帮助零售商和餐馆进行个性化促销,但其数据仓库没有足够时间去处理所有的信用卡和借记卡交易数据
“我们要花费27小时来处理每日的数据量,”Edo主管基础设施和信息系统的高级副总裁Tim Garnto说道:“所以在2013年,我们放弃了现有的基于PostgreSQL的关系型数据库系统,使用了Hadoop集群作为公司的数
- spring学习——控制反转与依赖注入
a-john
spring
控制反转(Inversion of Control,英文缩写为IoC)是一个重要的面向对象编程的法则来削减计算机程序的耦合问题,也是轻量级的Spring框架的核心。 控制反转一般分为两种类型,依赖注入(Dependency Injection,简称DI)和依赖查找(Dependency Lookup)。依赖注入应用比较广泛。
- 用spool+unixshell生成文本文件的方法
aijuans
xshell
例如我们把scott.dept表生成文本文件的语句写成dept.sql,内容如下:
set pages 50000;
set lines 200;
set trims on;
set heading off;
spool /oracle_backup/log/test/dept.lst;
select deptno||','||dname||','||loc
- 1、基础--名词解析(OOA/OOD/OOP)
asia007
学习基础知识
OOA:Object-Oriented Analysis(面向对象分析方法)
是在一个系统的开发过程中进行了系统业务调查以后,按照面向对象的思想来分析问题。OOA与结构化分析有较大的区别。OOA所强调的是在系统调查资料的基础上,针对OO方法所需要的素材进行的归类分析和整理,而不是对管理业务现状和方法的分析。
OOA(面向对象的分析)模型由5个层次(主题层、对象类层、结构层、属性层和服务层)
- 浅谈java转成json编码格式技术
百合不是茶
json编码java转成json编码
json编码;是一个轻量级的数据存储和传输的语言
在java中需要引入json相关的包,引包方式在工程的lib下就可以了
JSON与JAVA数据的转换(JSON 即 JavaScript Object Natation,它是一种轻量级的数据交换格式,非
常适合于服务器与 JavaScript 之间的数据的交
- web.xml之Spring配置(基于Spring+Struts+Ibatis)
bijian1013
javaweb.xmlSSIspring配置
指定Spring配置文件位置
<context-param>
<param-name>contextConfigLocation</param-name>
<param-value>
/WEB-INF/spring-dao-bean.xml,/WEB-INF/spring-resources.xml,
/WEB-INF/
- Installing SonarQube(Fail to download libraries from server)
sunjing
InstallSonar
1. Download and unzip the SonarQube distribution
2. Starting the Web Server
The default port is "9000" and the context path is "/". These values can be changed in &l
- 【MongoDB学习笔记十一】Mongo副本集基本的增删查
bit1129
mongodb
一、创建复本集
假设mongod,mongo已经配置在系统路径变量上,启动三个命令行窗口,分别执行如下命令:
mongod --port 27017 --dbpath data1 --replSet rs0
mongod --port 27018 --dbpath data2 --replSet rs0
mongod --port 27019 -
- Anychart图表系列二之执行Flash和HTML5渲染
白糖_
Flash
今天介绍Anychart的Flash和HTML5渲染功能
HTML5
Anychart从6.0第一个版本起,已经逐渐开始支持各种图的HTML5渲染效果了,也就是说即使你没有安装Flash插件,只要浏览器支持HTML5,也能看到Anychart的图形(不过这些是需要做一些配置的)。
这里要提醒下大家,Anychart6.0版本对HTML5的支持还不算很成熟,目前还处于
- Laravel版本更新异常4.2.8-> 4.2.9 Declaration of ... CompilerEngine ... should be compa
bozch
laravel
昨天在为了把laravel升级到最新的版本,突然之间就出现了如下错误:
ErrorException thrown with message "Declaration of Illuminate\View\Engines\CompilerEngine::handleViewException() should be compatible with Illuminate\View\Eng
- 编程之美-NIM游戏分析-石头总数为奇数时如何保证先动手者必胜
bylijinnan
编程之美
import java.util.Arrays;
import java.util.Random;
public class Nim {
/**编程之美 NIM游戏分析
问题:
有N块石头和两个玩家A和B,玩家A先将石头随机分成若干堆,然后按照BABA...的顺序不断轮流取石头,
能将剩下的石头一次取光的玩家获胜,每次取石头时,每个玩家只能从若干堆石头中任选一堆,
- lunce创建索引及简单查询
chengxuyuancsdn
查询创建索引lunce
import java.io.File;
import java.io.IOException;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.document.Docume
- [IT与投资]坚持独立自主的研究核心技术
comsci
it
和别人合作开发某项产品....如果互相之间的技术水平不同,那么这种合作很难进行,一般都会成为强者控制弱者的方法和手段.....
所以弱者,在遇到技术难题的时候,最好不要一开始就去寻求强者的帮助,因为在我们这颗星球上,生物都有一种控制其
- flashback transaction闪回事务查询
daizj
oraclesql闪回事务
闪回事务查询有别于闪回查询的特点有以下3个:
(1)其正常工作不但需要利用撤销数据,还需要事先启用最小补充日志。
(2)返回的结果不是以前的“旧”数据,而是能够将当前数据修改为以前的样子的撤销SQL(Undo SQL)语句。
(3)集中地在名为flashback_transaction_query表上查询,而不是在各个表上通过“as of”或“vers
- Java I/O之FilenameFilter类列举出指定路径下某个扩展名的文件
游其是你
FilenameFilter
这是一个FilenameFilter类用法的例子,实现的列举出“c:\\folder“路径下所有以“.jpg”扩展名的文件。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
- C语言学习五函数,函数的前置声明以及如何在软件开发中合理的设计函数来解决实际问题
dcj3sjt126com
c
# include <stdio.h>
int f(void) //括号中的void表示该函数不能接受数据,int表示返回的类型为int类型
{
return 10; //向主调函数返回10
}
void g(void) //函数名前面的void表示该函数没有返回值
{
//return 10; //error 与第8行行首的void相矛盾
}
in
- 今天在测试环境使用yum安装,遇到一个问题: Error: Cannot retrieve metalink for repository: epel. Pl
dcj3sjt126com
centos
今天在测试环境使用yum安装,遇到一个问题:
Error: Cannot retrieve metalink for repository: epel. Please verify its path and try again
处理很简单,修改文件“/etc/yum.repos.d/epel.repo”, 将baseurl的注释取消, mirrorlist注释掉。即可。
&n
- 单例模式
shuizhaosi888
单例模式
单例模式 懒汉式
public class RunMain {
/**
* 私有构造
*/
private RunMain() {
}
/**
* 内部类,用于占位,只有
*/
private static class SingletonRunMain {
priv
- Spring Security(09)——Filter
234390216
Spring Security
Filter
目录
1.1 Filter顺序
1.2 添加Filter到FilterChain
1.3 DelegatingFilterProxy
1.4 FilterChainProxy
1.5
- 公司项目NODEJS实践0.1
逐行分析JS源代码
mongodbnginxubuntunodejs
一、前言
前端如何独立用nodeJs实现一个简单的注册、登录功能,是不是只用nodejs+sql就可以了?其实是可以实现,但离实际应用还有距离,那要怎么做才是实际可用的。
网上有很多nod
- java.lang.Math
liuhaibo_ljf
javaMathlang
System.out.println(Math.PI);
System.out.println(Math.abs(1.2));
System.out.println(Math.abs(1.2));
System.out.println(Math.abs(1));
System.out.println(Math.abs(111111111));
System.out.println(Mat
- linux下时间同步
nonobaba
ntp
今天在linux下做hbase集群的时候,发现hmaster启动成功了,但是用hbase命令进入shell的时候报了一个错误 PleaseHoldException: Master is initializing,查看了日志,大致意思是说master和slave时间不同步,没办法,只好找一种手动同步一下,后来发现一共部署了10来台机器,手动同步偏差又比较大,所以还是从网上找现成的解决方
- ZooKeeper3.4.6的集群部署
roadrunners
zookeeper集群部署
ZooKeeper是Apache的一个开源项目,在分布式服务中应用比较广泛。它主要用来解决分布式应用中经常遇到的一些数据管理问题,如:统一命名服务、状态同步、集群管理、配置文件管理、同步锁、队列等。这里主要讲集群中ZooKeeper的部署。
1、准备工作
我们准备3台机器做ZooKeeper集群,分别在3台机器上创建ZooKeeper需要的目录。
数据存储目录
- Java高效读取大文件
tomcat_oracle
java
读取文件行的标准方式是在内存中读取,Guava 和Apache Commons IO都提供了如下所示快速读取文件行的方法: Files.readLines(new File(path), Charsets.UTF_8); FileUtils.readLines(new File(path)); 这种方法带来的问题是文件的所有行都被存放在内存中,当文件足够大时很快就会导致
- 微信支付api返回的xml转换为Map的方法
xu3508620
xmlmap微信api
举例如下:
<xml>
<return_code><![CDATA[SUCCESS]]></return_code>
<return_msg><![CDATA[OK]]></return_msg>
<appid><