- 使用Scikit-learn实现支持向量机分类器
清水白石008
pythonPython题库scikit-learn支持向量机python
使用Scikit-learn实现支持向量机分类器引言支持向量机(SupportVectorMachine,SVM)是一种强大的监督学习算法,广泛应用于分类和回归任务。SVM的核心思想是通过寻找一个最佳的超平面来分隔不同类别的数据点。本文将详细介绍如何使用Python的Scikit-learn库实现一个支持向量机分类器,包括数据准备、模型训练、评估和可视化等步骤。1.支持向量机的基本原理支持向量机的
- 蓝桥杯——入门训练
Luvsic
.Fibonacci数列if(n==1){return1;}if(n==2){return2;}intvalue[]=newint[4];value[1]=1;value[2]=1;for(inti=3;im?result-m:result);}returnvalue[n&3];}在这里插入代码片实现求第n个斐波那契数列数并模m2.求圆的面积java中Π的为Math.PI,并且结果保留n位小数,S
- C++蓝桥杯 入门训练之Fibonacci数列
Lurkerhunter
蓝桥杯算法c++
C++蓝桥杯题目讲解汇总(持续更新)Fibonacci数列资源限制时间限制:1.0s内存限制:256.0MB问题描述Fibonacci数列的递推公式为:Fn=Fn−1+Fn−2F_n=F_{n-1}+F_{n-2}Fn=Fn−1+Fn−2,其中F1=F2=1F_1=F_2=1F1=F2=1当n比较大时,FnF_nFn也非常大,现在我们想知道,FnF_nFn除以10007的余数是多少。输入格式输入包
- 开源LLMs导览:工作原理、顶级LLM列表对比
万俟淋曦
SomeInsights人工智能AI生成式人工智能大模型LLMchatgpt大语言模型
机器人、人工智能相关领域news/events(专栏目录)本文目录一、开源LLM是什么意思?二、开源LLM如何工作?2.1预训练2.2代币化2.3开源LLM的微调2.4输入编码2.5训练与优化2.6推理三、开源LLM对组织的好处3.1增强的数据安全和隐私3.2节约成本3.3减少供应商依赖性3.4代码透明度四、哪种LLM模式最好?4.1BERT4.2LLaMA(LargeLanguageModelM
- 【3D目标检测】YOLO3D 基于图像的3D目标检测算法
BILLY BILLY
YOLOv8系列3d目标检测YOLO
参考文档:https://ruhyadi.github.io/project/computer-vision/yolo3d/代码:https://github.com/ruhyadi/yolo3d-lightning本次分享将会从以下四个方面展开:物体检测模型中的算法选择单目摄像头下的物体检测神经网络训练预测参数的设计模型训练与距离测算1.物体检测模型中的算法选择物体检测(ObjectDetect
- 【AI知识点】三种不同架构的大语言模型(LLMs)的区别
AI完全体
AI知识点人工智能语言模型自然语言处理机器学习深度学习注意力机制自注意力机制
【AI论文解读】【AI知识点】【AI小项目】【AI战略思考】在自然语言处理(NLP)中,预训练语言模型(LLMs,LargeLanguageModels)通常基于不同的架构,如仅编码器的模型(Encoder-only)、编码器-解码器的模型(Encoder-Decoder),以及仅解码器的模型(Decoder-only)。这三种架构有着显著的区别,主要体现在功能、适用任务和性能上。下面从架构、功能
- Python软体中使用Scikit-learn库训练简单线性回归模型
清水白石008
Python题库pythonpythonscikit-learn线性回归
Python软体中使用Scikit-learn库训练简单线性回归模型1.引言作为数据科学家和机器学习从业者,我们经常需要处理各种类型的数据,并从中提取有价值的信息。其中,线性回归是最基础也是最常用的机器学习算法之一。它可以帮助我们预测连续型目标变量,在很多实际应用场景中都有广泛应用,比如房价预测、销量预测等。在本文中,我将使用Python的Scikit-learn库,介绍如何训练一个简单的线性回归
- 代码随想录算法训练营第四十一天-动态规划-股票-123.买卖股票的最佳时机III
taoyong001
算法动态规划c++leetcode
题目要求最多进行两次买卖,而且每次买卖的交易日期不能交叠,必须要独立题目的关键是拆分动规五部曲:动态数组定义dp[i][0]表示第i天不操作dp[i][1]表示第i天持有股票,可能会延续前一天已买入的状态,也可能是当天买入dp[i][2]表示第i天不持有,可能会延续前一天不持有状态,也可能是当天卖出dp[i][3]表示第i天第二次持有dp[i][4]表示第i天第二次不持有递推公式:dp[i][0]
- 自定义数据集 使用tensorflow框架实现逻辑回归并保存模型,然后保存模型后再加载模型进行预测
知识鱼丸
machinelearning人工智能
在TensorFlow中实现逻辑回归、保存模型并加载模型进行预测的过程可以分为以下几个步骤:准备数据:创建或加载你的自定义数据集。构建逻辑回归模型。训练模型。保存模型。加载模型。使用加载的模型进行预测。importtensorflowastfimportnumpyasnp#1.准备数据#示例:生成一些随机数据np.random.seed(0)X_train=np.random.rand(100,3
- 使用PaddlePaddle实现逻辑回归:从训练到模型保存与加载
Luzem0319
paddlepaddle逻辑回归人工智能
1.引入必要的库首先,需要引入必要的库。PaddlePaddle用于构建和训练模型,pandas和numpy用于数据处理,matplotlib用于结果的可视化。importpaddleimportpandasaspdimportnumpyasnpimportmatplotlib.pyplotasplt2.加载自定义数据集假设有一个CSV文件custom_dataset.csv,其中包含特征(自变量
- 看深度求索如何思索自己的未来
tuan_zhang
东方艾艾与探宇计划绝密芯片计划战略欺骗太空探索人工智能算法攻坚工业软件
深度求索(DeepSeek)的崛起无疑是AI领域的一次现象级突破,但其未来能否持续"狂飙",需从技术、生态、商业和行业环境四个维度进行系统性分析:一、技术护城河的虚实验证1.动态优化技术的含金量:将模型迭代周期压缩至周级别需突破分布式训练瓶颈。其公布的训练效率提升数据(30%时间缩短、50%推理加速)若经第三方验证,可能重构行业技术标准。对比谷歌TPU+JAX框架实现的20%效率提升,深度求索的技
- LitGPT - 20多个高性能LLM,具有预训练、微调和大规模部署的recipes
伊织产研
#AI开源项目LitGPT预训练微调部署
文章目录一、关于LitGPT二、快速启动安装LitGPT高级安装选项从20多个LLM中进行选择三、工作流程1、所有工作流程2、微调LLM3、部署LLM4、评估LLM5、测试LLM6、预训练LLM7、继续预训练LLM四、最先进的功能五、训练方法示例六、项目亮点教程一、关于LitGPTLitGPT用于使用、微调、预训练和部署LLMLightning快速⚡⚡每个LLM都是从头开始实现的,没有抽象和完全控
- 大模型迎来2025开年大作:deepseek-R1与deepseek-R1-Zero
Funny_AI_LAB
大模型人工智能aillama语言模型
2025-01-20正式发布DeepSeek-R1,并同步开源模型权重。DeepSeek-R1遵循MITLicense,允许用户通过蒸馏技术借助R1训练其他模型。DeepSeek-R1上线API,对用户开放思维链输出,通过设置model='deepseek-reasoner'即可调用。DeepSeek官网与App即日起同步更新上线。论文地址:https://github.com/deepseek-
- 【AI人工智能】DeepSeek R1:你需要知道的一切
大名顶顶
人工智能人工智能AIDeepSeek程序员计算机编程开源
我们将在本博客中介绍的关于DeepSeekR1的所有你需要知道的一切内容,请坚持认真读完,必有收获:DeepSeekR1简要概述主要特点与能力开源与可访问性模型架构强化学习训练变体与精简模型使用案例与应用从专有模型迁移到开源模型1.DeepSeekR1简要概述大语言模型(LLM)研究领域正在迅速发展,每一个新模型都在推动机器能力的边界。DeepSeekR1是由DeepSeek于2025年1月20日
- DeepSeek R1 简易指南:架构、培训、本地部署和硬件要求
前端javascript
CSS技巧与案例详解vue2与vue3技巧合集VueUse源码解读DeepSeek团队近期发布的DeepSeek-R1技术论文展示了其在增强大语言模型推理能力方面的创新实践。该研究突破性地采用强化学习(ReinforcementLearning)作为核心训练范式,在不依赖大规模监督微调的前提下显著提升了模型的复杂问题求解能力。技术架构深度解析模型体系:DeepSeek-R1系列包含两大核心成员:D
- pytorch实现简单的情感分析算法
纠结哥_Shrek
pytorch人工智能python
在PyTorch中实现中文情感分析算法通常涉及以下几个步骤:数据预处理、模型定义、训练和评估。下面是一个简单的实现示例,使用LSTM模型进行中文情感分析。1.数据预处理首先,我们需要对中文文本进行分词,并将文本转换为数值形式(如词向量)。可以使用jieba进行分词,并使用torchtext或自定义的词汇表将词语转换为索引。importtorchimporttorch.nnasnnimporttor
- pytorch基于 Transformer 预训练模型的方法实现词嵌入(tiansz/bert-base-chinese)
纠结哥_Shrek
pytorchtransformerbert
以下是一个完整的词嵌入(WordEmbedding)示例代码,使用modelscope下载tiansz/bert-base-chinese模型,并通过transformers加载模型,获取中文句子的词嵌入。frommodelscope.hub.snapshot_downloadimportsnapshot_downloadfromtransformersimportBertTokenizer,Be
- LLM-预训练:深入理解 Megatron-LM(2)原理介绍
u013250861
#LLM/训练人工智能
最近在基于Megatron-LM的代码来训练大语言模型,本人觉得Megatron的代码很具有学习意义,于是大量参考了网上很多对Megatron代码的解读文章和NVIDAMegatron团队公开发布的2篇论文,并结合最近Megatron-LM代码库的更新,整理成了这几篇系列文章。Megatron-LM代码版本:23.06https://github.com/NVIDIA/Megatron-LM/tr
- 机器学习-期末复习题
泡椒鸡jo
期末复习机器学习python
给人脸打上标签再让模型进行学习训练的方法,属于()强化学习B.半监督学习C.监督学习D.无监督学习在机器学习中,用计算机处理一副图像,维度是:上万维B.二维C.三维D.一维以下关于降维的说法不正确的是?A.降维是将训练样本从高维空间转换到低维空间B.降维不会对数据产生损伤C.通过降维可以更有效地发掘有意义的数据结构D.降维将有助于实现数据可视化将原始数据进行集成、变换、维度规约、数值规约是在以
- pytorch基于GloVe实现的词嵌入
纠结哥_Shrek
pytorch人工智能python
PyTorch实现GloVe(GlobalVectorsforWordRepresentation)的完整代码,使用中文语料进行训练,包括共现矩阵构建、模型定义、训练和测试。1.GloVe介绍基于词的共现信息(不像Word2Vec使用滑动窗口预测)适合较大规模的数据(比Word2Vec更稳定)学习出的词向量能捕捉语义信息(如类比关系)importtorchimporttorch.nnasnnimp
- 深度学习-笔记1
深度学习神经网络
刚开始接触深度学习相关内容,在这儿做一个笔记:网址:https://gitee.com/paddlepaddle/PaddleNLPpaddle-nlp是一个自然语言处理NLP方面的工具包(代码库)ERNIEERNIE是百度基于BERT改进的预训练大模型,结合了Transformer架构和知识增强机制。整体上可以分为预训练模型层和任务适配层,预训练模型层负责学习通用的语言知识和语义表示,任务适配层
- AI 计算的未来:去中心化浪潮与全球竞争格局重塑
智识微光Intelligence
人工智能机器学习大数据
引言人工智能(AI)正以前所未有的速度发展,尤其是大模型训练和推理效率的提升,使得AI计算成本迅速下降,呈现出向去中心化演进的趋势。最新的DeepSeekr1模型,以仅600万美元的训练成本,达到了OpenAIo1级别的性能,表明AI技术正迈向更具普惠性的阶段。这一趋势不仅对AI产业格局产生深远影响,还将改变计算基础设施、全球科技竞争力分布,甚至可能影响人工超级智能(ASI)的未来发展。因此,AI
- 聊聊AI中的“蒸馏”技术
自由鬼
行业发展IT应用探讨产品分析对比人工智能深度学习机器学习
一、什么是“蒸馏”技术“蒸馏”技术实际上是指知识蒸馏(KnowledgeDistillation),这是一种用于压缩和优化大模型的机器学习方法。其核心思想类似于传统蒸馏:大模型(教师模型)包含丰富的知识,而小模型(学生模型)通过学习大模型的输出,从而在保持高性能的同时降低计算成本。1.知识蒸馏的过程教师模型(TeacherModel)训练先训练一个大规模基础模型,这个模型能力很强,但计算开销大。生
- AI协助探索AI新构型的自动化创新概念
liron71
人工智能
训练AI自生成输出模块化代码,生成元代码级别的AI功能单元代码,然后再由AI组织为另一个AI,实现AI开发AI的能力;用AI协助探索迭代新构型AI将会出现,并成为一种新的技术路线潮流。有限结点,无限的连接形式,也是实现一种复杂性的方式。扩展结点、增加参数,是另一种外延式的实现复杂性的方式,这种方式,也可以看作是有限结点、动态连接形式,是等效的,当连接权重置值0,就相当于连接消除,连接构型中相当于没
- 大模型蒸馏与大模型微调技术有啥差别?
kcarly
大模型知识乱炖杂谈大模型蒸馏大模型微调大模型AI
大模型蒸馏与大模型微调是当前人工智能领域中两种重要的技术手段,它们在模型优化、性能提升和资源利用方面各有特点。以下将从定义、技术原理、应用场景及优缺点等方面对这两种技术进行深入对比。一、定义与基本概念大模型蒸馏(KnowledgeDistillation)蒸馏是一种将大型复杂模型(教师模型)的知识迁移到小型模型(学生模型)的技术。通过训练学生模型模仿教师模型的行为,实现模型压缩和性能保留的目标。蒸
- 从 0 到 1,DEEPseek 大模型瞬间 “霸榜” AI 赛道的秘密
羑悻的小杀马特.
人工智能deepseekAI大模型
大家都知道,科技发展特别快,AI更是突飞猛进。DeepSeek大模型,就像一匹黑马,在AI领域迅速冒尖。它和我们常用的搜索引擎、聊天机器人都有联系,到底有多大能耐?让我们一起揭开它的神秘面纱。deepseek官网传送门:DeepSeek下面就对本文标题来剖析一下:目录一·本篇背景:二.技术实力:突破创新的基石:2.1强大的模型能力:2.1.1高效的训练方法:2.2.2优化的推理速度:三·市场策略:
- 基于深度学习的大规模模型训练
SEU-WYL
深度学习dnn深度学习人工智能dnn
基于深度学习的大规模模型训练涉及训练具有数百万甚至数十亿参数的深度神经网络,以处理复杂的任务,如自然语言处理、计算机视觉和语音识别。以下是关于基于深度学习的大规模模型训练的详细介绍:1.背景和动机数据和模型规模增长:随着数据量和模型复杂度的增加,传统的单机或小规模集群训练难以满足需求。计算资源需求:大规模模型训练需要大量计算资源和存储,单一设备无法满足。任务复杂性:处理复杂任务(如GPT-3、BE
- 「DeepSeek接班OpenAI」,最新开源的R1推理模型,让AI圈爆了
人工智能学家
人工智能
来源:前沿科技分享圈近日,AI领域迎来了一次重大突破,DeepSeek正式推出了其最新研发的开源推理模型——DeepSeek-R1。这一模型在数学、代码和自然语言推理等关键任务上的表现,已经能够与OpenAI的o1正式版相媲美,引发了AI研究者和从业者的广泛关注。多阶段训练:创新的模型架构DeepSeek-R1的训练方式采用了多阶段循环的策略,具体包括基础训练、强化学习(RL)、微调等多个阶段。这
- 【学习心得】Python好库推荐——PEFT
小oo呆
【学习心得】人工智能python语言模型
一、PEFT是什么?PEFT(Parameter-EfficientFine-Tuning)是一种在深度学习中进行参数高效微调的技术。这种技术主要应用于大型预训练模型的微调过程中,目的是在保持模型性能的同时减少所需的计算资源和时间。通过PEFT,可以有效地调整模型以适应特定任务或数据集,而无需对整个模型的所有参数进行全面微调。二、PEFT使用场景在计算资源有限的情况下,如边缘设备、移动设备或低成本
- 深度学习训练模型损失Loss为NaN或者无穷大(INF)原因及解决办法
余弦的倒数
学习笔记机器学习深度学习pytorch深度学习人工智能机器学习
文章目录一、可能原因==1.学习率过高====2.batchsize过大==3.梯度爆炸4.损失函数不稳定5.数据预处理问题6.数据标签与输入不匹配7.模型初始化问题8.优化器设置问题9.数值问题==10.模型结构设计缺陷==二、调试步骤三、常见预防措施一、可能原因1.学习率过高原因:学习率过高可能导致梯度爆炸,权重更新幅度过大,导致模型参数变为无穷大或NaN。学习率设置过大是常见问题,它会让参数
- Linux的Initrd机制
被触发
linux
Linux 的 initrd 技术是一个非常普遍使用的机制,linux2.6 内核的 initrd 的文件格式由原来的文件系统镜像文件转变成了 cpio 格式,变化不仅反映在文件格式上, linux 内核对这两种格式的 initrd 的处理有着截然的不同。本文首先介绍了什么是 initrd 技术,然后分别介绍了 Linux2.4 内核和 2.6 内核的 initrd 的处理流程。最后通过对 Lin
- maven本地仓库路径修改
bitcarter
maven
默认maven本地仓库路径:C:\Users\Administrator\.m2
修改maven本地仓库路径方法:
1.打开E:\maven\apache-maven-2.2.1\conf\settings.xml
2.找到
 
- XSD和XML中的命名空间
darrenzhu
xmlxsdschemanamespace命名空间
http://www.360doc.com/content/12/0418/10/9437165_204585479.shtml
http://blog.csdn.net/wanghuan203/article/details/9203621
http://blog.csdn.net/wanghuan203/article/details/9204337
http://www.cn
- Java 求素数运算
周凡杨
java算法素数
网络上对求素数之解数不胜数,我在此总结归纳一下,同时对一些编码,加以改进,效率有成倍热提高。
第一种:
原理: 6N(+-)1法 任何一个自然数,总可以表示成为如下的形式之一: 6N,6N+1,6N+2,6N+3,6N+4,6N+5 (N=0,1,2,…)
- java 单例模式
g21121
java
想必单例模式大家都不会陌生,有如下两种方式来实现单例模式:
class Singleton {
private static Singleton instance=new Singleton();
private Singleton(){}
static Singleton getInstance() {
return instance;
}
- Linux下Mysql源码安装
510888780
mysql
1.假设已经有mysql-5.6.23-linux-glibc2.5-x86_64.tar.gz
(1)创建mysql的安装目录及数据库存放目录
解压缩下载的源码包,目录结构,特殊指定的目录除外:
- 32位和64位操作系统
墙头上一根草
32位和64位操作系统
32位和64位操作系统是指:CPU一次处理数据的能力是32位还是64位。现在市场上的CPU一般都是64位的,但是这些CPU并不是真正意义上的64 位CPU,里面依然保留了大部分32位的技术,只是进行了部分64位的改进。32位和64位的区别还涉及了内存的寻址方面,32位系统的最大寻址空间是2 的32次方= 4294967296(bit)= 4(GB)左右,而64位系统的最大寻址空间的寻址空间则达到了
- 我的spring学习笔记10-轻量级_Spring框架
aijuans
Spring 3
一、问题提问:
→ 请简单介绍一下什么是轻量级?
轻量级(Leightweight)是相对于一些重量级的容器来说的,比如Spring的核心是一个轻量级的容器,Spring的核心包在文件容量上只有不到1M大小,使用Spring核心包所需要的资源也是很少的,您甚至可以在小型设备中使用Spring。
 
- mongodb 环境搭建及简单CURD
antlove
WebInstallcurdNoSQLmongo
一 搭建mongodb环境
1. 在mongo官网下载mongodb
2. 在本地创建目录 "D:\Program Files\mongodb-win32-i386-2.6.4\data\db"
3. 运行mongodb服务 [mongod.exe --dbpath "D:\Program Files\mongodb-win32-i386-2.6.4\data\
- 数据字典和动态视图
百合不是茶
oracle数据字典动态视图系统和对象权限
数据字典(data dictionary)是 Oracle 数据库的一个重要组成部分,这是一组用于记录数据库信息的只读(read-only)表。随着数据库的启动而启动,数据库关闭时数据字典也关闭 数据字典中包含
数据库中所有方案对象(schema object)的定义(包括表,视图,索引,簇,同义词,序列,过程,函数,包,触发器等等)
数据库为一
- 多线程编程一般规则
bijian1013
javathread多线程java多线程
如果两个工两个以上的线程都修改一个对象,那么把执行修改的方法定义为被同步的,如果对象更新影响到只读方法,那么只读方法也要定义成同步的。
不要滥用同步。如果在一个对象内的不同的方法访问的不是同一个数据,就不要将方法设置为synchronized的。
- 将文件或目录拷贝到另一个Linux系统的命令scp
bijian1013
linuxunixscp
一.功能说明 scp就是security copy,用于将文件或者目录从一个Linux系统拷贝到另一个Linux系统下。scp传输数据用的是SSH协议,保证了数据传输的安全,其格式如下: scp 远程用户名@IP地址:文件的绝对路径
- 【持久化框架MyBatis3五】MyBatis3一对多关联查询
bit1129
Mybatis3
以教员和课程为例介绍一对多关联关系,在这里认为一个教员可以叫多门课程,而一门课程只有1个教员教,这种关系在实际中不太常见,通过教员和课程是多对多的关系。
示例数据:
地址表:
CREATE TABLE ADDRESSES
(
ADDR_ID INT(11) NOT NULL AUTO_INCREMENT,
STREET VAR
- cookie状态判断引发的查找问题
bitcarter
formcgi
先说一下我们的业务背景:
1.前台将图片和文本通过form表单提交到后台,图片我们都做了base64的编码,并且前台图片进行了压缩
2.form中action是一个cgi服务
3.后台cgi服务同时供PC,H5,APP
4.后台cgi中调用公共的cookie状态判断方法(公共的,大家都用,几年了没有问题)
问题:(折腾两天。。。。)
1.PC端cgi服务正常调用,cookie判断没
- 通过Nginx,Tomcat访问日志(access log)记录请求耗时
ronin47
一、Nginx通过$upstream_response_time $request_time统计请求和后台服务响应时间
nginx.conf使用配置方式:
log_format main '$remote_addr - $remote_user [$time_local] "$request" ''$status $body_bytes_sent "$http_r
- java-67- n个骰子的点数。 把n个骰子扔在地上,所有骰子朝上一面的点数之和为S。输入n,打印出S的所有可能的值出现的概率。
bylijinnan
java
public class ProbabilityOfDice {
/**
* Q67 n个骰子的点数
* 把n个骰子扔在地上,所有骰子朝上一面的点数之和为S。输入n,打印出S的所有可能的值出现的概率。
* 在以下求解过程中,我们把骰子看作是有序的。
* 例如当n=2时,我们认为(1,2)和(2,1)是两种不同的情况
*/
private stati
- 看别人的博客,觉得心情很好
Cb123456
博客心情
以为写博客,就是总结,就和日记一样吧,同时也在督促自己。今天看了好长时间博客:
职业规划:
http://www.iteye.com/blogs/subjects/zhiyeguihua
android学习:
1.http://byandby.i
- [JWFD开源工作流]尝试用原生代码引擎实现循环反馈拓扑分析
comsci
工作流
我们已经不满足于仅仅跳跃一次,通过对引擎的升级,今天我测试了一下循环反馈模式,大概跑了200圈,引擎报一个溢出错误
在一个流程图的结束节点中嵌入一段方程,每次引擎运行到这个节点的时候,通过实时编译器GM模块,计算这个方程,计算结果与预设值进行比较,符合条件则跳跃到开始节点,继续新一轮拓扑分析,直到遇到
- JS常用的事件及方法
cwqcwqmax9
js
事件 描述
onactivate 当对象设置为活动元素时触发。
onafterupdate 当成功更新数据源对象中的关联对象后在数据绑定对象上触发。
onbeforeactivate 对象要被设置为当前元素前立即触发。
onbeforecut 当选中区从文档中删除之前在源对象触发。
onbeforedeactivate 在 activeElement 从当前对象变为父文档其它对象之前立即
- 正则表达式验证日期格式
dashuaifu
正则表达式IT其它java其它
正则表达式验证日期格式
function isDate(d){
var v = d.match(/^(\d{4})-(\d{1,2})-(\d{1,2})$/i);
if(!v) {
this.focus();
return false;
}
}
<input value="2000-8-8" onblu
- Yii CModel.rules() 方法 、validate预定义完整列表、以及说说验证
dcj3sjt126com
yii
public array rules () {return} array 要调用 validate() 时应用的有效性规则。 返回属性的有效性规则。声明验证规则,应重写此方法。 每个规则是数组具有以下结构:array('attribute list', 'validator name', 'on'=>'scenario name', ...validation
- UITextAttributeTextColor = deprecated in iOS 7.0
dcj3sjt126com
ios
In this lesson we used the key "UITextAttributeTextColor" to change the color of the UINavigationBar appearance to white. This prompts a warning "first deprecated in iOS 7.0."
Ins
- 判断一个数是质数的几种方法
EmmaZhao
Mathpython
质数也叫素数,是只能被1和它本身整除的正整数,最小的质数是2,目前发现的最大的质数是p=2^57885161-1【注1】。
判断一个数是质数的最简单的方法如下:
def isPrime1(n):
for i in range(2, n):
if n % i == 0:
return False
return True
但是在上面的方法中有一些冗余的计算,所以
- SpringSecurity工作原理小解读
坏我一锅粥
SpringSecurity
SecurityContextPersistenceFilter
ConcurrentSessionFilter
WebAsyncManagerIntegrationFilter
HeaderWriterFilter
CsrfFilter
LogoutFilter
Use
- JS实现自适应宽度的Tag切换
ini
JavaScripthtmlWebcsshtml5
效果体验:http://hovertree.com/texiao/js/3.htm
该效果使用纯JavaScript代码,实现TAB页切换效果,TAB标签根据内容自适应宽度,点击TAB标签切换内容页。
HTML文件代码:
<!DOCTYPE html>
<html xmlns="http://www.w3.org/1999/xhtml"
- Hbase Rest API : 数据查询
kane_xie
RESThbase
hbase(hadoop)是用java编写的,有些语言(例如python)能够对它提供良好的支持,但也有很多语言使用起来并不是那么方便,比如c#只能通过thrift访问。Rest就能很好的解决这个问题。Hbase的org.apache.hadoop.hbase.rest包提供了rest接口,它内嵌了jetty作为servlet容器。
启动命令:./bin/hbase rest s
- JQuery实现鼠标拖动元素移动位置(源码+注释)
明子健
jqueryjs源码拖动鼠标
欢迎讨论指正!
print.html代码:
<!DOCTYPE html>
<html>
<head>
<meta http-equiv=Content-Type content="text/html;charset=utf-8">
<title>发票打印</title>
&l
- Postgresql 连表更新字段语法 update
qifeifei
PostgreSQL
下面这段sql本来目的是想更新条件下的数据,可是这段sql却更新了整个表的数据。sql如下:
UPDATE tops_visa.visa_order
SET op_audit_abort_pass_date = now()
FROM
tops_visa.visa_order as t1
INNER JOIN tops_visa.visa_visitor as t2
ON t1.
- 将redis,memcache结合使用的方案?
tcrct
rediscache
公司架构上使用了阿里云的服务,由于阿里的kvstore收费相当高,打算自建,自建后就需要自己维护,所以就有了一个想法,针对kvstore(redis)及ocs(memcache)的特点,想自己开发一个cache层,将需要用到list,set,map等redis方法的继续使用redis来完成,将整条记录放在memcache下,即findbyid,save等时就memcache,其它就对应使用redi
- 开发中遇到的诡异的bug
wudixiaotie
bug
今天我们服务器组遇到个问题:
我们的服务是从Kafka里面取出数据,然后把offset存储到ssdb中,每个topic和partition都对应ssdb中不同的key,服务启动之后,每次kafka数据更新我们这边收到消息,然后存储之后就发现ssdb的值偶尔是-2,这就奇怪了,最开始我们是在代码中打印存储的日志,发现没什么问题,后来去查看ssdb的日志,才发现里面每次set的时候都会对同一个key