- 当语言模型”思考”时,它真的在推理吗?
qq_502428990
语言模型人工智能自然语言处理
最近,每当我看到ChatGPT一步步”推导”数学题,或是Claude条理分明地分析哲学问题时,总忍不住想起图灵测试那个古老的命题:我们是否又一次被表象迷惑了?这些看似严谨的推理过程,到底是一场精妙的模仿秀,还是真正智能的曙光?1.被误解的”思考者”走进任何科技论坛,你都能看到人们对GPT-4解题过程的惊叹:”看这一步一步的推导,它简直像人类一样在思考!”但作为一个长期观察语言模型的研究者,我不得不
- 大模型本地部署,拥有属于自己的ChatGpt
小妖同学学AI
chatgpt
ChatGpt以其强大的信息整合和对话能力惊艳了全球,在自然语言处理上面表现出了惊人的能力。不管用于文案撰写还是程序辅助开发都大大提高了我们的工作效率,但是其使用有一定的门槛,让我们大多数人都望而却步,今天我们利用ollama实现本地大模型的步骤,让我们轻松拥有自己的人工智能。Ollama作为一个轻量级的工具,可以帮助用户在本地运行这些大型语言模型,无需持续依赖云服务,既保护了数据隐私,又能减少网
- Spring AI 结合 MCP MySQL 实现对话式数据库查询
没刮胡子
软件开发技术实战专栏人工智能AISpring数据库spring人工智能spring-aimcp-servermysql
在现代应用开发中,将人工智能与数据库查询结合可以创造更自然、更智能的用户交互方式。下面我将详细介绍如何使用SpringAI框架结合MCP(可能指MySQL连接池或相关组件)实现对话中的数据库查询功能。什么是SpringAI和MCPMySQLSpringAI框架概述SpringAI是基于Spring生态的人工智能集成框架,它提供了:与大型语言模型(LLM)的集成能力对话管理和自然语言处理功能业务逻辑
- 【LangChain】langchain.chains.create_sql_query_chain() 函数:基于自然语言生成 SQL 查询的链(Chain)
彬彬侠
LangChainlangchainchainscreate_sql_quersql_databasesql
langchain.chains.create_sql_query_chain函数是LangChain库中的一个函数,用于创建基于自然语言生成SQL查询的链(Chain),结合语言模型(LLM)和数据库上下文生成可执行的SQL语句。本文基于LangChain0.3.x,详细介绍create_sql_query_chain的定义、参数、方法和典型场景,并提供一个独立示例,展示如何使用create_s
- AIGC领域Prompt工程:原理、方法与行业应用
AI天才研究院
ChatGPT计算AI大模型应用入门实战与进阶AIGCpromptai
AIGC领域Prompt工程:原理、方法与行业应用关键词:Prompt工程、大语言模型(LLM)、提示设计、少样本学习、AIGC应用、思维链(CoT)、提示优化摘要:随着AIGC(人工智能生成内容)技术的爆发式发展,大语言模型(如GPT-4、LLaMA、通义千问)的性能已达到前所未有的高度。然而,模型的强大能力能否被充分释放,很大程度上依赖于"提示(Prompt)"的设计质量。本文系统解析Prom
- 大语言模型中的思维链提示:解锁高效互动的秘密
t0_54program
大数据与人工智能语言模型人工智能自然语言处理个人开发
在当今的人工智能领域,大语言模型(LLMs)已然成为一颗耀眼的明星,它经过海量训练,能够理解并生成人类语言,在编程等诸多领域助力人们完成日常任务。然而,若想与这些模型实现高效沟通,掌握正确的请求方式至关重要,而思维链提示(Chainofthoughtprompting)便是与LLMs互动时最为高效的技术之一。什么是提示(Prompting)?LLMs基于海量数据集进行训练,以理解并生成类人文本。其
- 大模型系列——Ollama WebUI 简明教程
猫猫姐
大模型大模型人工智能
大模型系列——OllamaWebUI简明教程OpenWebUI,以前称为OllamaWebUI,支持各种大型语言模型(LLM)运行器,是本地部署并与语言模型交互的多功能工具。OpenWebUI,以前称为OllamaWebUI,是一个可扩展、功能丰富且用户友好的自托管Web界面,旨在完全离线运行。它支持各种大型语言模型(LLM)运行器,使其成为部署和与语言模型交互的多功能工具。OpenWebUI提供
- 微调大语言模型(生成任务),怎么评估它到底“变好”了?
茫茫人海一粒沙
语言模型人工智能自然语言处理
随着大语言模型(如GPT、LLaMA)的广泛应用,越来越多团队开始基于它们做微调,定制符合自己业务需求的模型。微调虽能让模型更贴合任务,但评估是否真的“变好”却不是简单的事。本文将系统介绍微调过程中和微调完成后,如何科学有效地评估模型效果,帮助你用对指标,做出准确判断。一、微调时的评估:关注训练过程中的模型表现1.验证集Loss(ValidationLoss)微调训练时,我们会准备一部分数据作为验
- 【AI大模型】26、算力受限下的模型工程:从LoRA到弹性智能系统的优化实践
无心水
AI大模型人工智能搜索引擎LoRA大语言模型微调模型压缩知识蒸馏量化技术
引言:算力瓶颈与模型工程的突围之路在人工智能领域,大语言模型的发展正呈现出参数规模爆炸式增长的趋势。从GPT-3的1750亿参数到PaLM的5400亿参数,模型能力的提升往往伴随着对算力资源的极度渴求。然而,对于大多数企业和研究者而言,动辄数百GB的显存需求、数十万块GPU的训练集群显然是难以企及的"算力鸿沟"。当面对"无米之炊"的困境时,模型工程技术成为突破算力瓶颈的核心路径——通过算法创新而非
- 【AI】为Cursor配置MCP服务器
自学也学好编程
AIMCP人工智能aiAI编程
title:【AI】为Cursor配置MCP服务器categories:AItags:CursorMCPAI编程开发工具AI一、Cursor与MCP服务简介Cursor是一款AI驱动的代码编辑器,通过集成大型语言模型(LLM)帮助开发者更高效地编写代码。而MCP(ModelContextProtocol)是由Anthropic推出的开放标准协议,它允许AI模型与外部工具、数据和系统无缝交互,极大扩
- 提示工程入门指南:如何有效地与大语言模型交互
止观止
大语言模型语言模型人工智能
本文深入拆解提示工程的核心概念、最佳实践和实用技巧。作为AI领域的热点技术,提示工程(PromptEngineering)能显著提升大语言模型(LargeLanguageModel,LLM)如DeepSeek的响应质量。文档结构概览引言:为什么需要提示工程?提示的定义与结构:上下文、指令、约束的完整解析提示工程原则:6项核心技巧有效vs无效提示对比:案例驱动的实操分析用户提示与系统提示:行为控制的
- Midscene.js介绍和使用
望华笙
测试工具ui前端
Midscene.js介绍和使用由于课程任务的需要,本人去寻找了AI+软件测试的相关应用,发现了Midscene这一便利的UI自动化测试工具。本篇博客主要对Midscene作了介绍,也给出了本人在使用Midscene过程中遇到的问题及摸索到的解决方案。Midscene.js是一个开源的基于多模态大型语言模型的UI自动化测试工具,它是由字节的web-infra团队开发。它能够智能地“解析”用户界面并
- Python开发AI智能体(三)———Langchain定义提示词模板
【本人】
Agent智能体python人工智能langchain语言模型
前言上篇文章给大家介绍AI项目检测平台LangSmish以及开源框架Langchain的使用,并且带领大家编写了一个案例。这篇文章将介绍在Langchain框架中如何定义提示词模板一、什么是提示词模板?提示词模板(PromptTemplate)是大语言模型(LLM)应用开发中的核心概念,本质是预定义的提示结构框架。它通过将静态文本与动态变量结合,实现标准化、可复用的提示生成机制。它提示词可以是一个
- 使用LangChain构建智能应用:从入门到实战
afTFODguAKBF
langchainpython
引言在当今的人工智能时代,构建智能应用程序已经成为越来越多开发者的目标。LangChain是一个强大的工具,可以帮助我们快速开发基于大型语言模型(LLM)的应用。本篇文章将带你了解如何从零开始使用LangChain,构建一个简单的LLM应用程序,并逐步探索更复杂的功能。主要内容构建简单的LLM应用使用LangChain,我们可以快速构建一个简单的LLM应用程序。接下来,我将带你一步步实现。什么是L
- 论文阅读:2025 arxiv Qwen3 Technical Report
https://arxiv.org/pdf/2505.09388https://www.doubao.com/chat/9918384373236738文章目录论文翻译Qwen3技术报告摘要1引言论文翻译Qwen3技术报告Qwen团队摘要在这项工作中,我们介绍了Qwen模型家族的最新版本Qwen3。Qwen3包含一系列大型语言模型(LLM),旨在提升性能、效率和多语言能力。Qwen3系列包括密集型
- 干货!大模型时代一定要收藏的 20 个LLM 中文数据集
OpenBayes
资源上新人工智能语言模型数据库机器学习
自ChatGPT重磅推出以来,大语言模型(largelanguageModel,LLM)以其卓越的学习能力在各个领域引起轰动。大模型的训练和调优离不开优质庞大的数据支撑,精心构建的数据集不仅为大模型提供了充分的燃料,还为大模型在垂直领域的应用和性能提升提供了可能。本文整理了一些适用于大模型训练调优的热门中文公开数据集(按照首字母A-Z顺序排列),以供大家了解和使用。温馨提示:本文列举的所有数据集,
- 探秘阿里云Tair KVCache:大模型推理的加速引擎
云资源服务商
阿里云云计算人工智能
一、引言近年来,人工智能领域发展迅猛,大语言模型(LLM)不断取得突破,其应用场景也日益广泛。从智能客服到内容生成,从智能写作到智能翻译,大语言模型正在深刻地改变着我们的生活和工作方式。随着模型规模的不断扩大和推理需求的日益增长,大模型推理过程中的显存瓶颈问题逐渐凸显,成为制约其发展和应用的关键因素。在大模型推理中,KVCache技术作为一种优化手段,通过缓存历史Token的Key/Value向量
- Prompt Engineering for Large Language Models
三月七꧁ ꧂
论文合集llm+promptprompt语言模型人工智能自然语言处理pdfjavascript前端
题目大型语言模型的快速工程简介 随着OpenAI的ChatGPT和Google的Bard等软件的普及,大语言模型(LLM)已经渗透到生活和工作的许多方面。例如,ChatGPT可用于提供定制食谱,建议替换缺失的成分。它可用于起草研究提案、用多种编程语言编写工作代码、在语言之间翻译文本、协助政策制定等等(Gao2023)。用户通过“提示”或自然语言指令与大型语言模型进行交互。精心设计的提示可以带
- 潜入思维的海洋:SoftCoT++如何让语言模型更聪明
步子哥
智能涌现语言模型人工智能自然语言处理
在人工智能的浩瀚星空下,大型语言模型(LLMs)如同一颗颗璀璨的恒星,照亮了从文本生成到复杂推理的广阔领域。然而,这些模型在推理任务中往往像是在迷雾中航行——尽管它们能抵达目的地,却常常因为固定的思维路径而错过更优的航线。2025年5月,一篇题为《SoftCoT++:Test-TimeScalingwithSoftChain-of-ThoughtReasoning》的论文如同一盏明灯,照亮了如何让
- 企业级AI开发利器:Spring AI框架深度解析与实战_spring ai实战
AI大模型-海文
人工智能springpython算法开发语言java机器学习
企业级AI开发利器:SpringAI框架深度解析与实战一、前言:Java生态的AI新纪元在人工智能技术爆发式发展的今天,Java开发者面临着一个新的挑战:如何将大语言模型(LLMs)和生成式AI(GenAI)无缝融入企业级应用。传统的Java生态缺乏统一的AI集成方案,开发者往往需要为不同AI供应商(如OpenAI、阿里云、HuggingFace)编写大量重复的接口适配代码,这不仅增加了开发成本,
- PyTorch教程:LSTM语言模型的动态量化技术解析
怀灏其Prudent
PyTorch教程:LSTM语言模型的动态量化技术解析tutorialsPyTorchtutorials.项目地址:https://gitcode.com/gh_mirrors/tuto/tutorials前言在深度学习模型部署过程中,模型大小和推理速度是两个至关重要的考量因素。PyTorch提供的动态量化技术能够在不显著影响模型准确率的前提下,有效减小模型体积并提升推理速度。本文将深入解析如何对
- 大语言模型(LLM)量化基础知识(一)
-派神-
RAGNLPChatGPT语言模型人工智能自然语言处理
承接各类AI相关应用开发项目(包括但不限于大模型微调、RAG、AI智能体、NLP、机器学习算法、运筹优化算法、数据分析EDA等)!!!有意愿请私信!!!随着大型语言模型(LLM)的参数数量的增长,与其支持硬件(加速器内存)增长速度之间的差距越来越大,如下图所示:上图显示,从2017年到2022年,语言模型的大小显著增加:2017年:Transformer模型(0.05B参数)2018年:GPT(0
- 大模型读过的书,终将成为人类的新血肉:一场知识炼金术的深度剖析
黑巧克力可减脂
AIGCAIGC人工智能
“吾生也有涯,而知也无涯。以有涯随无涯,殆已!”庄子千年前的慨叹,在信息爆炸的今天更显沉重。人类个体穷尽一生,所能阅读、理解、吸收的书籍不过沧海一粟。然而,一种前所未有的“数字读者”正在悄然改变这一困境——大语言模型以其近乎贪婪的“阅读”能力,正对浩如烟海的书籍进行前所未有的批量处理与深度总结。这并非冰冷的机械扫描,而是一场静默却影响深远的知识炼金术。巨量“吞噬”:大模型如何“阅读”万卷书?数据洪
- 配置不当的MCP服务器使AI代理系统面临入侵风险
FreeBuf-
服务器人工智能运维
风险概述:默认配置暴露命令执行漏洞数百台用于连接大语言模型(LLM)与第三方服务、数据源及工具的模型上下文协议(ModelContextProtocol,MCP)服务器存在默认配置缺陷,可能导致用户面临未授权的操作系统命令执行等风险。随着代理型AI(AgenticAI)的兴起,MCP服务器正迅速成为增强AI模型推理上下文的关键工具。但安全研究人员警告,大量公开共享的MCP服务器存在不安全配置,攻击
- 从实验到生产:DeepSeek大模型工程化部署的关键步骤与风险控制
一ge科研小菜菜
人工智能人工智能
个人主页:一ge科研小菜鸡-CSDN博客期待您的关注一、引言:大模型部署迈入“工程化时代”随着DeepSeek等开源大语言模型(LLM)的发展,大模型不再是AI实验室的专属工具,越来越多的企业正尝试将其纳入业务生产系统,应用于客服问答、合同审查、数据分析、自动写作等场景。但模型的能力≠可用的系统。从模型下载到模型上线,中间隔着“部署的鸿沟”:资源配置、服务稳定性、响应效率、安全控制、上线合规……一
- 【人工智能】微调的秘密武器:释放大模型的无限潜能
蒙娜丽宁
Python杂谈人工智能人工智能
《PythonOpenCV从菜鸟到高手》带你进入图像处理与计算机视觉的大门!解锁Python编程的无限可能:《奇妙的Python》带你漫游代码世界在人工智能迅猛发展的今天,大规模语言模型(LLMs)以其强大的通用能力席卷各行各业。然而,如何让这些通用模型在特定领域或任务中发挥最大潜力?答案是微调(Fine-tuning)。本文深入探讨微调的理论基础、技术细节与实践方法,揭示其作为解锁大模型隐藏潜力
- 利用人工智能做python爬虫
在Python爬虫领域,人工智能(AI)可以从多个维度赋能,提升爬虫的效率、智能性和应对复杂反爬策略的能力。下面从数据提取、反反爬、自动化脚本生成等方面,介绍如何结合AI技术实现更强大的Python爬虫:一、利用大语言模型辅助爬虫开发1.代码生成与优化大语言模型(如GPT系列、文心一言、通义千问等)可以根据自然语言描述快速生成Python爬虫代码。例如,你可以向模型输入“写一个Python爬虫,抓
- VLLM:虚拟大型语言模型(Virtual Large Language Model)
大霸王龙
语言模型人工智能自然语言处理
VLLM:虚拟大型语言模型(VirtualLargeLanguageModel)VLLM指的是一种基于云计算的大型语言模型的虚拟实现。它通常是指那些由多个服务器组成的分布式计算环境中的复杂机器学习模型,这些模型能够处理和理解大量的文本数据。VLLM的核心是“大型语言模型”,这是一种通过深度神经网络训练的算法,能够在理解和生成人类语言方面表现出极高的能力。解释:虚拟:意味着这个模型不是在单个物理设备
- vLLM(Virtual Large Language Model) 框架:一个开源的高性能推理和服务的框架
彬彬侠
大模型vLLM高性能推理PagedAttentionpython大模型
vLLM(VirtualLargeLanguageModel)是一个开源的高性能推理和服务的框架,专为大语言模型(LLM)设计,旨在优化推理速度、内存效率和吞吐量。它通过创新的内存管理和调度技术(如PagedAttention)解决了传统LLM推理中的内存瓶颈和性能问题,广泛应用于对话系统、文本生成、实时翻译等场景。以下是对vLLM框架的详细介绍,包括其核心特性、工作原理、架构、优势、局限性以及使
- 解决OpenAI API国内使用难题:从注册、支付到代码集成的完整教程
技术程序猿华锋
AIGC资讯gpt-3ai
对于国内开发者而言,接入并使用OpenAIAPI是探索大型语言模型能力的重要途径。然而,在实际操作中,开发者普遍会遇到注册流程受阻、支付渠道不便等挑战。本文旨在提供一份清晰、完整的技术操作指南,系统性地介绍两种获取和使用OpenAIAPIKey的主流方式,并重点强调APIKey的安全管理与成本优化策略,帮助开发者扫清障碍,高效、安全地将OpenAI的能力集成到自己的项目中。核心安全提示:APIKe
- 戴尔笔记本win8系统改装win7系统
sophia天雪
win7戴尔改装系统win8
戴尔win8 系统改装win7 系统详述
第一步:使用U盘制作虚拟光驱:
1)下载安装UltraISO:注册码可以在网上搜索。
2)启动UltraISO,点击“文件”—》“打开”按钮,打开已经准备好的ISO镜像文
- BeanUtils.copyProperties使用笔记
bylijinnan
java
BeanUtils.copyProperties VS PropertyUtils.copyProperties
两者最大的区别是:
BeanUtils.copyProperties会进行类型转换,而PropertyUtils.copyProperties不会。
既然进行了类型转换,那BeanUtils.copyProperties的速度比不上PropertyUtils.copyProp
- MyEclipse中文乱码问题
0624chenhong
MyEclipse
一、设置新建常见文件的默认编码格式,也就是文件保存的格式。
在不对MyEclipse进行设置的时候,默认保存文件的编码,一般跟简体中文操作系统(如windows2000,windowsXP)的编码一致,即GBK。
在简体中文系统下,ANSI 编码代表 GBK编码;在日文操作系统下,ANSI 编码代表 JIS 编码。
Window-->Preferences-->General -
- 发送邮件
不懂事的小屁孩
send email
import org.apache.commons.mail.EmailAttachment;
import org.apache.commons.mail.EmailException;
import org.apache.commons.mail.HtmlEmail;
import org.apache.commons.mail.MultiPartEmail;
- 动画合集
换个号韩国红果果
htmlcss
动画 指一种样式变为另一种样式 keyframes应当始终定义0 100 过程
1 transition 制作鼠标滑过图片时的放大效果
css
.wrap{
width: 340px;height: 340px;
position: absolute;
top: 30%;
left: 20%;
overflow: hidden;
bor
- 网络最常见的攻击方式竟然是SQL注入
蓝儿唯美
sql注入
NTT研究表明,尽管SQL注入(SQLi)型攻击记录详尽且为人熟知,但目前网络应用程序仍然是SQLi攻击的重灾区。
信息安全和风险管理公司NTTCom Security发布的《2015全球智能威胁风险报告》表明,目前黑客攻击网络应用程序方式中最流行的,要数SQLi攻击。报告对去年发生的60亿攻击 行为进行分析,指出SQLi攻击是最常见的网络应用程序攻击方式。全球网络应用程序攻击中,SQLi攻击占
- java笔记2
a-john
java
类的封装:
1,java中,对象就是一个封装体。封装是把对象的属性和服务结合成一个独立的的单位。并尽可能隐藏对象的内部细节(尤其是私有数据)
2,目的:使对象以外的部分不能随意存取对象的内部数据(如属性),从而使软件错误能够局部化,减少差错和排错的难度。
3,简单来说,“隐藏属性、方法或实现细节的过程”称为——封装。
4,封装的特性:
4.1设置
- [Andengine]Error:can't creat bitmap form path “gfx/xxx.xxx”
aijuans
学习Android遇到的错误
最开始遇到这个错误是很早以前了,以前也没注意,只当是一个不理解的bug,因为所有的texture,textureregion都没有问题,但是就是提示错误。
昨天和美工要图片,本来是要背景透明的png格式,可是她却给了我一个jpg的。说明了之后她说没法改,因为没有png这个保存选项。
我就看了一下,和她要了psd的文件,还好我有一点
- 自己写的一个繁体到简体的转换程序
asialee
java转换繁体filter简体
今天调研一个任务,基于java的filter实现繁体到简体的转换,于是写了一个demo,给各位博友奉上,欢迎批评指正。
实现的思路是重载request的调取参数的几个方法,然后做下转换。
- android意图和意图监听器技术
百合不是茶
android显示意图隐式意图意图监听器
Intent是在activity之间传递数据;Intent的传递分为显示传递和隐式传递
显式意图:调用Intent.setComponent() 或 Intent.setClassName() 或 Intent.setClass()方法明确指定了组件名的Intent为显式意图,显式意图明确指定了Intent应该传递给哪个组件。
隐式意图;不指明调用的名称,根据设
- spring3中新增的@value注解
bijian1013
javaspring@Value
在spring 3.0中,可以通过使用@value,对一些如xxx.properties文件中的文件,进行键值对的注入,例子如下:
1.首先在applicationContext.xml中加入:
<beans xmlns="http://www.springframework.
- Jboss启用CXF日志
sunjing
logjbossCXF
1. 在standalone.xml配置文件中添加system-properties:
<system-properties> <property name="org.apache.cxf.logging.enabled" value=&
- 【Hadoop三】Centos7_x86_64部署Hadoop集群之编译Hadoop源代码
bit1129
centos
编译必需的软件
Firebugs3.0.0
Maven3.2.3
Ant
JDK1.7.0_67
protobuf-2.5.0
Hadoop 2.5.2源码包
Firebugs3.0.0
http://sourceforge.jp/projects/sfnet_findbug
- struts2验证框架的使用和扩展
白糖_
框架xmlbeanstruts正则表达式
struts2能够对前台提交的表单数据进行输入有效性校验,通常有两种方式:
1、在Action类中通过validatexx方法验证,这种方式很简单,在此不再赘述;
2、通过编写xx-validation.xml文件执行表单验证,当用户提交表单请求后,struts会优先执行xml文件,如果校验不通过是不会让请求访问指定action的。
本文介绍一下struts2通过xml文件进行校验的方法并说
- 记录-感悟
braveCS
感悟
再翻翻以前写的感悟,有时会发现自己很幼稚,也会让自己找回初心。
2015-1-11 1. 能在工作之余学习感兴趣的东西已经很幸福了;
2. 要改变自己,不能这样一直在原来区域,要突破安全区舒适区,才能提高自己,往好的方面发展;
3. 多反省多思考;要会用工具,而不是变成工具的奴隶;
4. 一天内集中一个定长时间段看最新资讯和偏流式博
- 编程之美-数组中最长递增子序列
bylijinnan
编程之美
import java.util.Arrays;
import java.util.Random;
public class LongestAccendingSubSequence {
/**
* 编程之美 数组中最长递增子序列
* 书上的解法容易理解
* 另一方法书上没有提到的是,可以将数组排序(由小到大)得到新的数组,
* 然后求排序后的数组与原数
- 读书笔记5
chengxuyuancsdn
重复提交struts2的token验证
1、重复提交
2、struts2的token验证
3、用response返回xml时的注意
1、重复提交
(1)应用场景
(1-1)点击提交按钮两次。
(1-2)使用浏览器后退按钮重复之前的操作,导致重复提交表单。
(1-3)刷新页面
(1-4)使用浏览器历史记录重复提交表单。
(1-5)浏览器重复的 HTTP 请求。
(2)解决方法
(2-1)禁掉提交按钮
(2-2)
- [时空与探索]全球联合进行第二次费城实验的可能性
comsci
二次世界大战前后,由爱因斯坦参加的一次在海军舰艇上进行的物理学实验 -费城实验
至今给我们大家留下很多迷团.....
关于费城实验的详细过程,大家可以在网络上搜索一下,我这里就不详细描述了
在这里,我的意思是,现在
- easy connect 之 ORA-12154: TNS: 无法解析指定的连接标识符
daizj
oracleORA-12154
用easy connect连接出现“tns无法解析指定的连接标示符”的错误,如下:
C:\Users\Administrator>sqlplus username/
[email protected]:1521/orcl
SQL*Plus: Release 10.2.0.1.0 – Production on 星期一 5月 21 18:16:20 2012
Copyright (c) 198
- 简单排序:归并排序
dieslrae
归并排序
public void mergeSort(int[] array){
int temp = array.length/2;
if(temp == 0){
return;
}
int[] a = new int[temp];
int
- C语言中字符串的\0和空格
dcj3sjt126com
c
\0 为字符串结束符,比如说:
abcd (空格)cdefg;
存入数组时,空格作为一个字符占有一个字节的空间,我们
- 解决Composer国内速度慢的办法
dcj3sjt126com
Composer
用法:
有两种方式启用本镜像服务:
1 将以下配置信息添加到 Composer 的配置文件 config.json 中(系统全局配置)。见“例1”
2 将以下配置信息添加到你的项目的 composer.json 文件中(针对单个项目配置)。见“例2”
为了避免安装包的时候都要执行两次查询,切记要添加禁用 packagist 的设置,如下 1 2 3 4 5
- 高效可伸缩的结果缓存
shuizhaosi888
高效可伸缩的结果缓存
/**
* 要执行的算法,返回结果v
*/
public interface Computable<A, V> {
public V comput(final A arg);
}
/**
* 用于缓存数据
*/
public class Memoizer<A, V> implements Computable<A,
- 三点定位的算法
haoningabc
c算法
三点定位,
已知a,b,c三个顶点的x,y坐标
和三个点都z坐标的距离,la,lb,lc
求z点的坐标
原理就是围绕a,b,c 三个点画圆,三个圆焦点的部分就是所求
但是,由于三个点的距离可能不准,不一定会有结果,
所以是三个圆环的焦点,环的宽度开始为0,没有取到则加1
运行
gcc -lm test.c
test.c代码如下
#include "stdi
- epoll使用详解
jimmee
clinux服务端编程epoll
epoll - I/O event notification facility在linux的网络编程中,很长的时间都在使用select来做事件触发。在linux新的内核中,有了一种替换它的机制,就是epoll。相比于select,epoll最大的好处在于它不会随着监听fd数目的增长而降低效率。因为在内核中的select实现中,它是采用轮询来处理的,轮询的fd数目越多,自然耗时越多。并且,在linu
- Hibernate对Enum的映射的基本使用方法
linzx0212
enumHibernate
枚举
/**
* 性别枚举
*/
public enum Gender {
MALE(0), FEMALE(1), OTHER(2);
private Gender(int i) {
this.i = i;
}
private int i;
public int getI
- 第10章 高级事件(下)
onestopweb
事件
index.html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/
- 孙子兵法
roadrunners
孙子兵法
始计第一
孙子曰:
兵者,国之大事,死生之地,存亡之道,不可不察也。
故经之以五事,校之以计,而索其情:一曰道,二曰天,三曰地,四曰将,五
曰法。道者,令民于上同意,可与之死,可与之生,而不危也;天者,阴阳、寒暑
、时制也;地者,远近、险易、广狭、死生也;将者,智、信、仁、勇、严也;法
者,曲制、官道、主用也。凡此五者,将莫不闻,知之者胜,不知之者不胜。故校
之以计,而索其情,曰
- MySQL双向复制
tomcat_oracle
mysql
本文包括:
主机配置
从机配置
建立主-从复制
建立双向复制
背景
按照以下简单的步骤:
参考一下:
在机器A配置主机(192.168.1.30)
在机器B配置从机(192.168.1.29)
我们可以使用下面的步骤来实现这一点
步骤1:机器A设置主机
在主机中打开配置文件 ,
- zoj 3822 Domination(dp)
阿尔萨斯
Mina
题目链接:zoj 3822 Domination
题目大意:给定一个N∗M的棋盘,每次任选一个位置放置一枚棋子,直到每行每列上都至少有一枚棋子,问放置棋子个数的期望。
解题思路:大白书上概率那一张有一道类似的题目,但是因为时间比较久了,还是稍微想了一下。dp[i][j][k]表示i行j列上均有至少一枚棋子,并且消耗k步的概率(k≤i∗j),因为放置在i+1~n上等价与放在i+1行上,同理