- 深入解读MaaS技术架构:从模型服务到智能部署的全流程分析
Cc不爱吃洋葱
架构人工智能大语言模型大模型智能部署MaaS技术架构LLM
随着人工智能(AI)的迅速发展,MaaS(ModelasaService,模型即服务)技术架构应运而生。它通过将复杂的AI模型封装为标准化服务,降低了模型的开发和部署门槛,帮助企业快速实现业务场景的智能化升级。本文将深入解析MaaS技术架构,详细阐述其各个组成部分以及如何在实际应用中高效发挥其功能。一、使用方层:从应用接入到业务赋能MaaS技术架构的顶层是使用方层,它主要面向第三方应用,是企业与M
- 想要了解大模型,看懂这一篇就够了!大模型工作流程及核心参数介绍!
Gq.xxu
qwen3vllmtransforms大语言模型部署深度学习人工智能
若想深入探究大模型核心参数的效果与作用,就务必先弄清大模型的工作流程,明确核心参数在流程各阶段的效能与功能,知晓其具体含义。一,大模型的工作流程大模型运行时的工作原理可以概括为输入处理→特征提取→模型推理→结果生成四个核心阶段,整个过程融合了深度学习架构、自然语言处理技术以及分布式计算能力。从用户输入到大模型输出,整个工作的处理流程如下:输入文本→分词→嵌入+位置编码→Transformer多层处
- 深度学习-Tensor
Tensor张量:与numpy中的ndarray不同之处:tensor可以在GPU或其他专用硬件上运行,以加速计算。一、Tensor初始化1.直接从数据中创建data=[[1,2],[3,4]]x_data=torch.tensor(data)2.从numpy数组创建np_array=np.array(data)x_np=torch.from_numpy(np_array)3.从另一个Tensor
- 从0开始学习计算机视觉--Day08--卷积神经网络
之前我们提到,神经网络是通过全连接层对输入做降维处理,将输入的向量通过矩阵和激活函数进行降维,在神经元上输出激活值。而卷积神经网络中,用卷积层代替了全连接层。不同的是,这里的输入不再需要降维,而是可以保留输入的空间结构,例如输入的是32×32×3的图片,在全连接层中是3072×1的向量,而卷积层里则保持不变。这里的改变的地方是对于同样的WX的函数形式,这里是把5×5×3的权重矩阵(也叫卷积核)向量
- 基于存算一体架构的实时深度学习推理优化
瑕疵
热点资讯架构深度学习人工智能
博客主页:瑕疵的CSDN主页Gitee主页:瑕疵的gitee主页⏩文章专栏:《热点资讯》基于存算一体架构的实时深度学习推理优化基于存算一体架构的实时深度学习推理优化基于存算一体架构的实时深度学习推理优化引言存算一体架构的核心优势1.能效比突破2.实时性保障架构设计与实现技术1.存储单元创新2.硬件加速器设计3.电路级优化深度学习推理优化策略1.模型压缩技术2.硬件-软件协同优化3.运行时调度典型应
- 人工智能LLM | 基础配置 | 通过环境变量配置API-KEY 一文通教程
H-大叔
人工智能大模型实战与教程人工智能
在实战开发大语言模型的过程中,经常会遇到各种API-KEY的配置问题,例如GPTOpenAIKEY的配置,而且目前大部分都要求将其配置在环境变量中,下面将会讲解如何在Linux、macOS、Windows中配置,本文一文通教程。您可以使用配置环境变量的方法,避免在调用各种SDK时显式地配置API-KEY,从而降低泄漏风险。环境变量是操作系统中用于存储有关系统环境的信息的变量。您可以通过环境变量来配
- 【人工智能】ChatGPT、DeepSeek-R1、DeepSeek-V3 辨析
G皮T
#大语言模型人工智能LLM大语言模型chatgptdeepseekDeepSeek-R1DeepSeek-V3
ChatGPT、DeepSeek-R1、DeepSeek-V3辨析1.ChatGPT对比DeepSeek1.1技术相似点1.2主要差异1.3关键区别1.4如何选择1.5总结2.DeepSeek-R1对比DeepSeek-V32.1DeepSeek-R12.2DeepSeek-V32.3核心区别总结2.4如何选择3.R1和V3有什么含义3.1DeepSeekR1的"R"3.2DeepSeekV3的"
- 在学校研究学习的偏算法,秋招投递开发岗位还有希望吗
程序员
前言Thelasttime,Ihavelearned这是星球同学,在周五晚上答疑聊天的时候对我的提问:如果简历上的项目偏算法,但是自学了一些操作系统和计网的知识,秋招的时候投递偏开发的岗位有希望吗?简历上是否也要加上相关项目?估计也是很多朋友的疑问,毕竟很多同学读研,有些老师疯狂push,要成果,发论文。要想尽快发论文,那只能“研究”人工智能、算法的一些东西了。但是众所周知,算法要求很高,不仅要求
- Apache SeaTunnel × Hive 深度集成指南:原理、配置与实践
数据库
在大数据处理的复杂生态中,数据的高效流转与整合是实现数据价值的关键。ApacheSeaTunnel作为一款高性能、分布式、易扩展的数据集成框架,能够快速实现海量数据的实时采集、转换和加载;而ApacheHive作为经典的数据仓库工具,为结构化数据的存储、查询和分析提供了坚实的基础。将ApacheSeaTunnel与Hive进行集成,能够充分发挥两者的优势,构建起高效的数据处理链路,满足企业多样化的
- 【AI论文】基于图像思维的多模态推理:理论基础、方法及未来前沿
东临碣石82
人工智能
摘要:近期,文本思维链(Chain-of-Thought,CoT)显著推动了多模态推理的进展。在这一范式下,模型在语言层面进行推理。然而,这种以文本为中心的方法将视觉信息视为静态的初始语境,从而在丰富的感知数据与离散的符号思维之间造成了根本性的“语义鸿沟”。人类认知往往超越语言的局限,将视觉作为动态的心理草图板加以利用。如今,人工智能领域也正经历着类似的演变,标志着从仅能对图像进行思考的模型向真正
- 【深度学习新浪潮】什么是上下文长度?
小米玄戒Andrew
深度学习新浪潮深度学习人工智能LLM语言模型大模型模型优化上下文长度
大型语言模型(LLM)的上下文长度是指模型在处理当前输入时能够有效利用的历史文本长度,通常以token(如单词、子词或标点)为单位衡量。例如,GPT-4支持128Ktoken的上下文,而Llama4Scout甚至达到了10Mtoken的惊人规模。这一指标直接影响模型在长文档理解、多轮对话等复杂任务中的表现。一、上下文长度的合理范围上下文长度的选择需结合具体应用场景:日常对话:通常需要8K–32Kt
- Manus AI与多语言手写识别
tonngw
人工智能
技术文章大纲:ManusAI与多语言手写识别引言手写识别技术的发展背景与市场需求ManusAI的定位与核心技术优势多语言场景下的挑战与机遇ManusAI的核心技术架构基于深度学习的端到端手写识别模型多模态数据融合(笔迹压力、书写轨迹等)自适应语言模型与字符集扩展机制多语言手写识别的关键技术非拉丁语系(中文、阿拉伯语等)的笔迹特征提取小样本语言数据的迁移学习策略上下文感知与语法纠错在低资源语言中的应
- DeepSeek 帮助自己的工作
引言简述人工智能助手在职场中的普及趋势DeepSeek作为智能创作助手的核心功能概述DeepSeek的核心能力信息检索与整合:基于用户意图精准搜索并生成答案多场景应用:技术文档撰写、数据分析、代码生成等交互优化:遵循用户指定的格式与内容规范职场应用场景与实操案例技术文档撰写自动生成API文档框架根据需求补充技术细节示例代码块与公式的规范化输出数据分析支持快速检索行业数据并生成可视化建议数学建模中的
- 设计模式之 迭代器模式
小白不太白950
设计模式成长之路设计模式迭代器模式java
迭代器模式(IteratorPattern)是一种行为型设计模式,它提供了一种顺序访问聚合对象元素的方法,而又不暴露该对象的内部表示。简单来说,迭代器模式的目的是将集合对象(例如列表、数组等)的遍历过程与集合的内部结构解耦,使得访问这些元素的方式更加灵活和通用。迭代器模式提供了一种统一的方式来遍历不同的数据集合,而不需要关心集合的具体实现。这样,客户端代码不需要知道集合的具体类型或如何存储其元素,
- Python机器学习与深度学习:决策树、随机森林、XGBoost与LightGBM、迁移学习、循环神经网络、长短时记忆网络、时间卷积网络、自编码器、生成对抗网络、YOLO目标检测等
WangYan2022
机器学习/深度学习Python机器学习深度学习随机森林迁移学习
融合最新技术动态与实战经验,旨在系统提升以下能力:①掌握ChatGPT、DeepSeek等大语言模型在代码生成、模型调试、实验设计、论文撰写等方面的实际应用技巧②深入理解深度学习与经典机器学习算法的关联与差异,掌握其理论基础③熟练运用PyTorch实现各类深度学习模型,包括迁移学习、循环神经网络(RNN)、长短时记忆网络(LSTM)、时间卷积网络(TCN)、自编码器、生成对抗网络(GAN)、YOL
- 2025——》import matplotlib.pyplot as plt/如何在Jupyter Notebook中使用Matplotlib库?
明—猿
NumPyjupytermatplotlibnumpyjupyter
importmatplotlib.pyplotasplt是Python中用于导入Matplotlib库的绘图模块pyplot并设置别名为plt的标准语句。Matplotlib是一个强大的可视化库,广泛用于数据可视化、图表绘制和科学绘图。以下是关于该语句的详细说明:一、语句解析importmatplotlib.pyplotmatplotlib是基础库,pyplot是其子模块,提供类似MATLAB的绘
- 人工智能-基础篇-23-智能体Agent到底是什么?怎么理解?(智能体=看+想+做)
weisian151
人工智能人工智能
1、智能体是什么?想象你有一个超级聪明的小助手,它能:自己看环境(比如看到天气、听到声音、读到数据);自己做决定(比如下雨了要关窗,电量低要去充电);自己动手干活(比如帮你订外卖、打扫房间、开车);越用越聪明(比如记住你的习惯,下次不用你提醒)。这个“小助手”就是智能体(Agent)——它是一个能自主感知、思考、行动并学习的系统,可以是软件(比如手机里的AI助手)、硬件(比如机器人),或者软硬结合
- 【AI大模型】神经网络反向传播:核心原理与完整实现
我爱一条柴ya
学习AI记录人工智能神经网络深度学习aiAI编程
一、反向传播的本质与意义反向传播(Backpropagation)是神经网络训练的核心算法,通过链式法则高效计算损失函数对网络参数的梯度,实现神经网络的优化学习。它的出现解决了神经网络训练中的关键瓶颈,使深度学习成为可能。为什么需要反向传播?参数规模爆炸:现代神经网络有数百万至数十亿参数手动计算不可行:复杂网络梯度计算量指数级增长高效优化需求:梯度下降算法需要精确的梯度计算二、前向传播与反向传播对
- 基于YOLOv8深度学习架构的智能农业巡检小车系统—面向农作物与杂草实时精准识别的创新实践
1.科技赋能智慧农业随着全球人口的持续增长和农业生产面临的挑战,精准农业已成为现代农业发展的必然趋势。其中,农作物与杂草的精准识别是实现自动化、智能化管理的关键一环。传统的人工除草效率低下,化学除草则可能带来环境问题。因此,开发高效、精准、环保的智能农业系统迫在眉睫。本文将深入探讨一款基于深度学习和智能硬件集成的农田作业智能小车系统。我们将重点聚焦于其硬件系统设计、软件系统架构、核心算法创新(特别
- 用matlab实现随机森林算法
showmethetime
算法matlab随机森林
用matlab实现随机森林算法,里面附有说明文档,参数可调节RandomForest_matlab/RandomForests/RF.mexw32,81920RandomForest_matlab/RandomForests/RF_demo.m,2536RandomForest_matlab/RandomForests/runRF.m,2616RandomForest_matlab/RandomF
- 多角色AI Agent:基于LLM的虚拟角色扮演系统
AI天才研究院
AI人工智能与大数据人工智能ai
多角色AIAgent:基于LLM的虚拟角色扮演系统关键词多角色AIAgentLargeLanguageModel(LLM)虚拟角色扮演系统人工智能自然语言处理程序设计摘要本文旨在探讨多角色AIAgent的基础知识以及其如何在虚拟角色扮演系统中发挥作用。我们将首先介绍多角色AIAgent的概念、历史背景和基本原理。随后,我们将深入探讨LLM(大语言模型)在虚拟角色扮演系统中的应用,包括其工作原理、核
- 【算法】解数独:C++ 实现与策略探讨
master_chenchengg
算法提升算法java开发语言
【算法】解数独:C++实现与策略探讨一、引言:C++算法技术的魔力与解数独的智慧二、技术概述:数独求解的艺术定义与技术框架核心特性和优势代码示例:基础回溯解法三、技术细节:解数独的逻辑与挑战原理解析难点分析四、实战应用:从游戏到人工智能应用场景解决方案展示五、优化与改进潜在问题改进建议六、常见问题与解决方案七、总结与展望一、引言:C++算法技术的魔力与解数独的智慧在算法领域,C++凭借其高效、灵活
- FastMCP:用于构建MCP服务器的开源Python框架
NetX行者
AI编程服务器开源python
在人工智能领域,模型上下文协议(ModelContextProtocol,简称MCP)作为一种标准化的协议,为大型语言模型(LLM)提供了丰富的上下文和工具支持。而FastMCP作为构建MCP服务器和客户端的Python框架,以其简洁的API设计、高效的开发体验以及强大的扩展能力,正逐渐成为开发者们的首选工具。一、FastMCP简介FastMCP是一个用于构建MCP服务器和客户端的Python框架
- Python打卡:Day40
#先继续之前的代码importtorchimporttorch.nnasnnimporttorch.optimasoptimfromtorch.utils.dataimportDataLoader,Dataset#DataLoader是PyTorch中用于加载数据的工具fromtorchvisionimportdatasets,transforms#torchvision是一个用于计算机视觉的库,
- Ubuntu下安装多版本CUDA及灵活切换全攻略
芯作者
D2:ubuntulinuxubuntu
——释放深度学习潜能,告别版本依赖的烦恼!**为什么需要多版本CUDA?在深度学习、科学计算等领域,不同框架(TensorFlow、PyTorch等)对CUDA版本的要求各异。同时升级框架或维护旧项目时,版本冲突频发。多版本CUDA共存+一键切换是高效开发的刚需!本文将手把手教你实现这一能力,并分享独创的“动态软链接+环境隔离”技巧,让版本管理行云流水!环境准备硬件要求NVIDIA显卡(支持CUD
- FDMA读写AXI BRAM交互:FPGA高速数据传输的核心技术
芯作者
D1:ZYNQ设计fpga开发
在图像处理系统中,当1080P视频流以每秒60帧的速度传输时,传统DMA每帧会浪费27%的带宽在地址管理上——而FDMA技术能将这些损失降至3%以内现代FPGA系统中,高效数据搬运往往是性能瓶颈的关键所在。当你在手机上流畅播放4K视频、在自动驾驶系统中实时处理激光雷达点云时,背后都依赖于FDMA(FlexibleDirectMemoryAccess)与AXIBRAM的高效交互技术。本文将深入探讨这
- Python在人工智能领域的实际应用:示例代码解析
辣条yyds
pythonpython人工智能开发语言
摘要:本文将通过几个典型的人工智能应用场景,展示Python在图像识别、自然语言处理、推荐系统等方面的高级用法。通过示例代码,带大家深入理解Python在人工智能领域的实际应用。正文:Python作为一门流行的编程语言,凭借其简洁的语法、丰富的库和框架,成为了人工智能(AI)领域的主流开发语言。下面,我们将通过几个示例,探讨Python在人工智能方向的实际应用。示例一:图像识别-使用OpenCV进
- Tansformer的Multi-Head Attention组件
数字化与智能化
大模型基础Transformer框架transformer多头注意力机制
一、Transformer的注意力机制Transformer的注意力机制是对传统序列建模方法的颠覆性创新。它通过全局并行的关联计算解决了RNN的效率与长距离依赖瓶颈,通过动态权重和多头设计增强了模型对复杂信息的捕捉能力,最终成为现代人工智能的核心技术基石。其意义不仅在于提升了模型性能,更在于提供了一种“计算关联”的通用思路,推动了人工智能向更高效、更通用的方向发展。在Transformer之前,循
- Python训练营打卡Day8(2025.4.27)
2301_80505456
python算法开发语言
知识点见示例代码字典的简单介绍标签编码连续特征的处理:归一化和标准化至此,常见的预处理方式都说完了作业:对心脏病数据集的特征用上述知识完成,一次性用所有的处理方式完成预处理,尝试手动完成,多敲几遍代码。由于所给数据集已是处理过的数据集,以下将按所给数据集的处理情况对连续特征进行归一化和标准化。首先观察数据,需处理数据共有5列,分别是:age,trestbps,chol,thalach,oldpea
- 深入详解 AI 与深度学习:从零开始掌握 BERT 模型架构
拉不拉斯AICoding
技术探索人工智能深度学习bert
深入详解AI与深度学习:从零开始掌握BERT模型架构引言在自然语言处理(NLP)领域,BERT(BidirectionalEncoderRepresentationsfromTransformers)是近年来最具影响力的模型之一。它通过双向上下文理解彻底改变了NLP任务的处理方式。本文将从基础概念到核心原理、应用场景和实践技巧,深入浅出地讲解BERT,帮助初学者快速掌握这一技术。一、BERT的核心
- [黑洞与暗粒子]没有光的世界
comsci
无论是相对论还是其它现代物理学,都显然有个缺陷,那就是必须有光才能够计算
但是,我相信,在我们的世界和宇宙平面中,肯定存在没有光的世界....
那么,在没有光的世界,光子和其它粒子的规律无法被应用和考察,那么以光速为核心的
&nbs
- jQuery Lazy Load 图片延迟加载
aijuans
jquery
基于 jQuery 的图片延迟加载插件,在用户滚动页面到图片之后才进行加载。
对于有较多的图片的网页,使用图片延迟加载,能有效的提高页面加载速度。
版本:
jQuery v1.4.4+
jQuery Lazy Load v1.7.2
注意事项:
需要真正实现图片延迟加载,必须将真实图片地址写在 data-original 属性中。若 src
- 使用Jodd的优点
Kai_Ge
jodd
1. 简化和统一 controller ,抛弃 extends SimpleFormController ,统一使用 implements Controller 的方式。
2. 简化 JSP 页面的 bind, 不需要一个字段一个字段的绑定。
3. 对 bean 没有任何要求,可以使用任意的 bean 做为 formBean。
使用方法简介
- jpa Query转hibernate Query
120153216
Hibernate
public List<Map> getMapList(String hql,
Map map) {
org.hibernate.Query jpaQuery = entityManager.createQuery(hql);
if (null != map) {
for (String parameter : map.keySet()) {
jp
- Django_Python3添加MySQL/MariaDB支持
2002wmj
mariaDB
现状
首先,
[email protected] 中默认的引擎为 django.db.backends.mysql 。但是在Python3中如果这样写的话,会发现 django.db.backends.mysql 依赖 MySQLdb[5] ,而 MySQLdb 又不兼容 Python3 于是要找一种新的方式来继续使用MySQL。 MySQL官方的方案
首先据MySQL文档[3]说,自从MySQL
- 在SQLSERVER中查找消耗IO最多的SQL
357029540
SQL Server
返回做IO数目最多的50条语句以及它们的执行计划。
select top 50
(total_logical_reads/execution_count) as avg_logical_reads,
(total_logical_writes/execution_count) as avg_logical_writes,
(tot
- spring UnChecked 异常 官方定义!
7454103
spring
如果你接触过spring的 事物管理!那么你必须明白 spring的 非捕获异常! 即 unchecked 异常! 因为 spring 默认这类异常事物自动回滚!!
public static boolean isCheckedException(Throwable ex)
{
return !(ex instanceof RuntimeExcep
- mongoDB 入门指南、示例
adminjun
javamongodb操作
一、准备工作
1、 下载mongoDB
下载地址:http://www.mongodb.org/downloads
选择合适你的版本
相关文档:http://www.mongodb.org/display/DOCS/Tutorial
2、 安装mongoDB
A、 不解压模式:
将下载下来的mongoDB-xxx.zip打开,找到bin目录,运行mongod.exe就可以启动服务,默
- CUDA 5 Release Candidate Now Available
aijuans
CUDA
The CUDA 5 Release Candidate is now available at http://developer.nvidia.com/<wbr></wbr>cuda/cuda-pre-production. Now applicable to a broader set of algorithms, CUDA 5 has advanced fe
- Essential Studio for WinRT网格控件测评
Axiba
JavaScripthtml5
Essential Studio for WinRT界面控件包含了商业平板应用程序开发中所需的所有控件,如市场上运行速度最快的grid 和chart、地图、RDL报表查看器、丰富的文本查看器及图表等等。同时,该控件还包含了一组独特的库,用于从WinRT应用程序中生成Excel、Word以及PDF格式的文件。此文将对其另外一个强大的控件——网格控件进行专门的测评详述。
网格控件功能
1、
- java 获取windows系统安装的证书或证书链
bewithme
windows
有时需要获取windows系统安装的证书或证书链,比如说你要通过证书来创建java的密钥库 。
有关证书链的解释可以查看此处 。
public static void main(String[] args) {
SunMSCAPI providerMSCAPI = new SunMSCAPI();
S
- NoSQL数据库之Redis数据库管理(set类型和zset类型)
bijian1013
redis数据库NoSQL
4.sets类型
Set是集合,它是string类型的无序集合。set是通过hash table实现的,添加、删除和查找的复杂度都是O(1)。对集合我们可以取并集、交集、差集。通过这些操作我们可以实现sns中的好友推荐和blog的tag功能。
sadd:向名称为key的set中添加元
- 异常捕获何时用Exception,何时用Throwable
bingyingao
用Exception的情况
try {
//可能发生空指针、数组溢出等异常
} catch (Exception e) {
 
- 【Kafka四】Kakfa伪分布式安装
bit1129
kafka
在http://bit1129.iteye.com/blog/2174791一文中,实现了单Kafka服务器的安装,在Kafka中,每个Kafka服务器称为一个broker。本文简单介绍下,在单机环境下Kafka的伪分布式安装和测试验证 1. 安装步骤
Kafka伪分布式安装的思路跟Zookeeper的伪分布式安装思路完全一样,不过比Zookeeper稍微简单些(不
- Project Euler
bookjovi
haskell
Project Euler是个数学问题求解网站,网站设计的很有意思,有很多problem,在未提交正确答案前不能查看problem的overview,也不能查看关于problem的discussion thread,只能看到现在problem已经被多少人解决了,人数越多往往代表问题越容易。
看看problem 1吧:
Add all the natural num
- Java-Collections Framework学习与总结-ArrayDeque
BrokenDreams
Collections
表、栈和队列是三种基本的数据结构,前面总结的ArrayList和LinkedList可以作为任意一种数据结构来使用,当然由于实现方式的不同,操作的效率也会不同。
这篇要看一下java.util.ArrayDeque。从命名上看
- 读《研磨设计模式》-代码笔记-装饰模式-Decorator
bylijinnan
java设计模式
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/
import java.io.BufferedOutputStream;
import java.io.DataOutputStream;
import java.io.FileOutputStream;
import java.io.Fi
- Maven学习(一)
chenyu19891124
Maven私服
学习一门技术和工具总得花费一段时间,5月底6月初自己学习了一些工具,maven+Hudson+nexus的搭建,对于maven以前只是听说,顺便再自己的电脑上搭建了一个maven环境,但是完全不了解maven这一强大的构建工具,还有ant也是一个构建工具,但ant就没有maven那么的简单方便,其实简单点说maven是一个运用命令行就能完成构建,测试,打包,发布一系列功
- [原创]JWFD工作流引擎设计----节点匹配搜索算法(用于初步解决条件异步汇聚问题) 补充
comsci
算法工作PHP搜索引擎嵌入式
本文主要介绍在JWFD工作流引擎设计中遇到的一个实际问题的解决方案,请参考我的博文"带条件选择的并行汇聚路由问题"中图例A2描述的情况(http://comsci.iteye.com/blog/339756),我现在把我对图例A2的一个解决方案公布出来,请大家多指点
节点匹配搜索算法(用于解决标准对称流程图条件汇聚点运行控制参数的算法)
需要解决的问题:已知分支
- Linux中用shell获取昨天、明天或多天前的日期
daizj
linuxshell上几年昨天获取上几个月
在Linux中可以通过date命令获取昨天、明天、上个月、下个月、上一年和下一年
# 获取昨天
date -d 'yesterday' # 或 date -d 'last day'
# 获取明天
date -d 'tomorrow' # 或 date -d 'next day'
# 获取上个月
date -d 'last month'
#
- 我所理解的云计算
dongwei_6688
云计算
在刚开始接触到一个概念时,人们往往都会去探寻这个概念的含义,以达到对其有一个感性的认知,在Wikipedia上关于“云计算”是这么定义的,它说:
Cloud computing is a phrase used to describe a variety of computing co
- YII CMenu配置
dcj3sjt126com
yii
Adding id and class names to CMenu
We use the id and htmlOptions to accomplish this. Watch.
//in your view
$this->widget('zii.widgets.CMenu', array(
'id'=>'myMenu',
'items'=>$this-&g
- 设计模式之静态代理与动态代理
come_for_dream
设计模式
静态代理与动态代理
代理模式是java开发中用到的相对比较多的设计模式,其中的思想就是主业务和相关业务分离。所谓的代理设计就是指由一个代理主题来操作真实主题,真实主题执行具体的业务操作,而代理主题负责其他相关业务的处理。比如我们在进行删除操作的时候需要检验一下用户是否登陆,我们可以删除看成主业务,而把检验用户是否登陆看成其相关业务
- 【转】理解Javascript 系列
gcc2ge
JavaScript
理解Javascript_13_执行模型详解
摘要: 在《理解Javascript_12_执行模型浅析》一文中,我们初步的了解了执行上下文与作用域的概念,那么这一篇将深入分析执行上下文的构建过程,了解执行上下文、函数对象、作用域三者之间的关系。函数执行环境简单的代码:当调用say方法时,第一步是创建其执行环境,在创建执行环境的过程中,会按照定义的先后顺序完成一系列操作:1.首先会创建一个
- Subsets II
hcx2013
set
Given a collection of integers that might contain duplicates, nums, return all possible subsets.
Note:
Elements in a subset must be in non-descending order.
The solution set must not conta
- Spring4.1新特性——Spring缓存框架增强
jinnianshilongnian
spring4
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
- shell嵌套expect执行命令
liyonghui160com
一直都想把expect的操作写到bash脚本里,这样就不用我再写两个脚本来执行了,搞了一下午终于有点小成就,给大家看看吧.
系统:centos 5.x
1.先安装expect
yum -y install expect
2.脚本内容:
cat auto_svn.sh
#!/bin/bash
- Linux实用命令整理
pda158
linux
0. 基本命令 linux 基本命令整理
1. 压缩 解压 tar -zcvf a.tar.gz a #把a压缩成a.tar.gz tar -zxvf a.tar.gz #把a.tar.gz解压成a
2. vim小结 2.1 vim替换 :m,ns/word_1/word_2/gc  
- 独立开发人员通向成功的29个小贴士
shoothao
独立开发
概述:本文收集了关于独立开发人员通向成功需要注意的一些东西,对于具体的每个贴士的注解有兴趣的朋友可以查看下面标注的原文地址。
明白你从事独立开发的原因和目的。
保持坚持制定计划的好习惯。
万事开头难,第一份订单是关键。
培养多元化业务技能。
提供卓越的服务和品质。
谨小慎微。
营销是必备技能。
学会组织,有条理的工作才是最有效率的。
“独立
- JAVA中堆栈和内存分配原理
uule
java
1、栈、堆
1.寄存器:最快的存储区, 由编译器根据需求进行分配,我们在程序中无法控制.2. 栈:存放基本类型的变量数据和对象的引用,但对象本身不存放在栈中,而是存放在堆(new 出来的对象)或者常量池中(字符串常量对象存放在常量池中。)3. 堆:存放所有new出来的对象。4. 静态域:存放静态成员(static定义的)5. 常量池:存放字符串常量和基本类型常量(public static f