- 极客时间-《搞定音频技术》-学习笔记
Mark White
音视频学习笔记
极客时间-《搞定音频技术》-学习笔记语音基础知识https://www.zhangzhenhu.com/audio/feature.html序章-0作者说这个语音技术啊,未来肯定前景大好啊,大家都来学习,然后给出了课程的脑图音频基础什么是声音声音的三要素是指响度、音调和音色,它们都是声音的主观属性,用来描述声音的特征。响度指声音的强弱,音调指声音的高低,音色指声音的质量或特征。响度(Loudnes
- LLM归因的几种评估方式
liliangcsdn
深度学习人工智能语言模型算法
参考ASurveyofLargeLanguageModelsAttribution,LLM归因有以下几种有效的评估方式。1人工评估归因错误的检测难度大,所以评估主要依赖人工评价进行归因检测。人工评估虽然精度高,但成本高也耗时。标注过程中还需要标注员谨慎对待,而且需要手工验证。为提高可靠性,针对一个(问题,答案,归因文本),可能需要多个标注员同时进行标注,只有大部分人认为正确归因,该(问题,答案,归
- TryHackMe-进攻性渗透测试-09_Internal
Sugobet
apache服务器网络安全web安全jenkins
Internal工作范围客户要求工程师对提供的虚拟环境进行外部、Web应用程序和内部评估。客户要求提供有关评估的最少信息,希望从恶意行为者的眼睛进行参与(黑盒渗透测试)。客户端要求您保护两个标志(未提供位置)作为利用证明:user.txtroot.txt此外,客户还提供了以下范围津贴:确保修改主机文件以反映内部文件.thm此参与中允许使用任何工具或技术找到并记下发现的所有漏洞将发现的标志提交到仪表
- 人脸识别接口&sdk,两张人脸相似度比对
人工智能时代,人脸识别技术正在被广泛应用于金融支付、安防监控、身份验证等多个领域,基于深度学习算法于海量样本训练,人脸识别接口以高精度、低延迟的特性出现在大众视野,成为开发者和企业用户集成人脸识别功能的首要选择之一。人脸识别接口技术服务原理:格式转换:支持BMP、JPG、PNG、TIF等多种常见图像格式;尺寸调整与压缩:建议图像大小控制在200KB左右,确保传输效率与识别质量;图像增强:自动旋转、
- 【教程4>第7章>第26节】基于FPGA的RS(204,188)译码verilog实现10——RS译码模块整体实现与性能仿真评估
fpga和matlab
#第7章·通信—信道编译码fpga开发RSverilogRS译码教程4
本课程学习成果预览目录1.软件版本2.RS译码模块整体实现介绍2.1伴随式计算(SyndromeCalculation)2.2擦除位置处理(ErasureHandling)2.3多项式乘法(PolynomialMultiplication)2.4欧几里得算法(EuclideanAlgorithm)2.5钱搜索(ChienSearch)3.RS译码模块整体FPGA实现4.RS译码仿真测试5.视频操作
- Llama改进之——分组查询注意力
愤怒的可乐
#NLP项目实战自然语言处理llama深度学习人工智能分组查询注意力旋转位置编码
引言今天介绍LLAMA2模型引入的关于注意力的改进——分组查询注意力(Grouped-queryattention,GQA)1。Transformer中的多头注意力在解码阶段来说是一个性能瓶颈。多查询注意力2通过共享单个key和value头,同时不减少query头来提升性能。多查询注意力可能导致质量下降和训练不稳定,因此常用的是分组查询注意力。然后我们结合上篇文章3探讨的旋转位置编码,将选择位置编
- 强化学习RLHF详解
贝塔西塔
强化学习大模型人工智能深度学习机器学习算法语言模型
RLHF(ReinforcementLearningfromHumanFeedback)模型详解一、背景1.传统强化学习的局限性传统的强化学习(ReinforcementLearning,RL)依赖于预定义的奖励函数(RewardFunction),但在复杂任务(如自然语言生成、机器人控制)中,设计精确的奖励函数极为困难。例如:模糊目标:生成“高质量文本”难以量化,无法用简单的指标(如BLEU、R
- 解锁数据潜能——亮数据Web数据集,精准、全面、即时
程序猿追
其他领域嵌入式效率性能优化科技计算机外设
解锁数据潜能——亮数据Web数据集,精准、全面、即时在数据驱动的时代,获取高质量的网络数据成为许多企业与研究机构的核心需求。亮数据推出的Web数据集产品,试图通过技术手段解决传统数据采集中的痛点,为使用者提供更高效的数据支持方案。该数据集的核心优势体现在三个维度:数据精准度、覆盖全面性和更新即时性。在精准度方面,通过动态IP网络与智能解析算法的结合,有效降低了传统爬虫常遇到的反爬干扰,使获取的数据
- YOLOv8 轴承缺陷检测 使用YOLOv8进行训练、评估和可视化预测结果 包含1440张图片的轴承缺陷检测数据集 YOLO格式或XML格式
OICQQ67658008
YOLOxml深度学习轴承缺陷数据检测算法人工智能
轴承缺陷检测4类1440张names:[‘aocao’,‘aoxian’,‘cashang’,‘huahen’]名称::[‘凹槽’,‘凹陷’,‘卡伤’,‘划痕’]共1440张,8:1:1比例划分train:1152张,val:144张,test:144张标注文件为YOLO适用的txt格式或xml格式。可以直接用于模型训练。YOLOv8轴承缺陷检测importosimporttorchfromIPy
- 企业如何有效评估YashanDB的实施效果
数据库
随着数据不断增长和业务需求的变化,企业在数据库系统的选择和实施上面临诸多挑战,例如性能瓶颈、数据一致性等问题。YashanDB作为一种新兴的数据库技术,具备高性能、高可用性与可扩展性,吸引了许多企业的关注。然而,如何评估其实施效果,以及是否真正能推动企业业务发展,是IT决策者亟需解决的问题。本文将围绕YashanDB的实施效果评估方法展开探讨,帮助技术人员和企业管理者从技术角度深入理解这一过程及其
- 企业如何利用YashanDB实现数据资产价值最大化
数据库
在当今数据驱动的经济环境中,企业面临着如何有效优化数据管理以提升业务竞争力的挑战。尤其是数据库技术的应用能力,往往会直接影响到数据处理效率和决策支持的速度。因此,企业需要寻找有效的战略,比如"如何优化查询速度?"来实现数据资产的最大化。从而提升组织的决策质量及用户体验,有效推动业务创新。YashanDB体系架构与核心技术优势YashanDB作为一款现代化的数据库管理系统,其体系架构灵活多样,支持单
- 【Agent实战】用“前置编码器+LLM”复刻ChatGPT附件功能
kakaZhui
大模型Agent入门与代码实战chatgpt人工智能LLMAgentAIGCDeepSeek
1.引言:多模态LLM解耦原生多模态LLM将多种模态的处理能力“内化”于一个庞大的模型中,是技术的前沿。而我们这里讨论的“前置编码器+LLM”方案,则是一种解耦的设计哲学:LLM专注于语言:让强大的文本LLM继续做它最擅长的事情——理解和生成高质量的文本、进行逻辑推理和遵循复杂指令。前置编码器专注于转换:为每种文件类型构建或调用专门的、最优的工具(模型或库)来将其转换为高质量的文本表示。这种方案的
- ChatGPT、DeepSeek等大语言模型技术教程
随着人工智能技术的快速发展,大语言模型如ChatGPT和DeepSeek在科研领域的应用正在为科研人员提供强大的支持。这些模型通过深度学习和大规模语料库训练,能够帮助科研人员高效地筛选文献、生成论文内容、进行数据分析和优化机器学习模型。ChatGPT和DeepSeek能够快速理解和生成复杂的语言,帮助研究人员在撰写论文时提高效率,不仅生成高质量的文章内容,还能优化论文结构和语言表达。在数据分析方面
- U单元测试.py
前言:在软件开发过程中,代码的质量至关重要,而单元测试是确保代码质量的有效手段之一。目录一、初识单元测试二、Python单元测试利器unittest(一)基本结构(二)常用断言方法三、编写你的第一个Python单元测试(一)创建被测试代码(二)创建测试文件(三)编写测试用例(四)运行测试四、深入理解单元测试的魔力总结一、初识单元测试写代码时,难免会担心功能出错。单元测试就像是给代码的一次次“小考”
- DDD领域驱动设计深度解析
目录DDD领域驱动设计深度解析DDD凝聚了软件工程的智慧DDD领域驱动设计的历史什么是领域Domain领域驱动设计领域驱动设计几大原则详解领域驱动模型的概念领域驱动设计的挑战DDD领域驱动设计深度解析DDD凝聚了软件工程的智慧许多人对微服务设计中经常提及的DDD非常推崇,觉得这是最新的架构设计趋势和解决微服务业务划分的终极方法。实际上,DDD概念最早在2004年就提出来了,微服务的前身SOA的概念
- 【架构基础】系统性能基础知识
Programmer Liu
架构基础系统架构
一、系统性能概述在当今数字化时代,各类系统(如计算机系统、网络系统、软件应用系统等,以下统称系统)的性能优劣直接影响着用户体验、业务效率以及企业的竞争力。深入理解系统性能基础知识,对于系统开发、运维和优化人员而言至关重要。本文将围绕性能指标、性能计算、性能设计、性能评估四个核心方面展开,帮助读者全面掌握系统性能的关键要点。二、性能指标性能指标是衡量系统性能优劣的具体量化标准,不同类型的系统关注的性
- 深入理解 Spring 单元测试:@SpringBootTest、@Value 注入、@MockBean 使用实战与陷阱
drebander
springspring单元测试
Spring是目前最流行的Java企业级开发框架之一,而良好的单元测试是高质量代码的重要保障。尤其在实际开发中,我们经常会碰到诸如@Autowired空指针、Nacos配置项@Value注入失败、Mapper测试困难等问题。本文将围绕Spring单元测试的完整体系,结合以下关键要点进行讲解:@SpringBootTest的作用与最佳实践@Autowired注入空指针的常见原因与解决@Value注入
- 欧盟AI法案、中国《生成式AI管理办法》规范数据隐私与算法歧视
DK_Allen
大模型人工智能算法
一、全球AI治理框架:双轨并行1.欧盟《AI法案》(2025全面生效)风险等级监管要求典型场景不可接受风险全面禁止社会评分系统、实时生物识别(公共场所)高风险强制注册+第三方评估+人工监督医疗诊断、关键基础设施管理有限风险透明度披露(AI生成内容标注)聊天机器人、深度伪造最小风险无限制垃圾邮件过滤、游戏AI处罚机制:最高罚金≈全球营收6%(或3000万欧元,取较高者)典型判例:ClearviewA
- 基于人体骨架动作识别的神经信息处理技术(2 相关工作-2.4提高信号质量)
路由跳变
动作识别人工智能
2相关工作在本节中,我们将回顾本论文的相关工作。我们根据文献的功能将文献分为四类,包括1)数据集,2)提取空间特征,3)捕获时间模式,4)提高信号质量。对于每个组件,我们将其进一步分解为细分区域。最后,我们展示了现有方法在不同数据集上的SOTA改进。总之,该分类法如下:1)数据集2)提取空间特征利用拓扑结构、设计空间操作符、分离通道功能、学习参数化拓扑、分区层次结构。3)捕获时间模式提取多尺度特征
- 西南交通大学【机器学习实验1】
实验目的理解和掌握回归问题和分类问题模型评估方法,学会使用均方误差、最大绝对误差、均方根误差指标评估回归模型,学会使用错误率、精度、查全率、查准率、F1指标评价分类模型。实验内容给定回归问题的真实标签和多个算法的预测结果,编程实现MSE、MAE、RMSE三种评测指标,对模型进行对比分析。给定二分类问题真实标签和多个算法的预测结果,编程实现混淆矩阵评测,采用错误率、精度、查全率、查准率、F1指标对结
- 用sklearn库中的算法对数据集进行训练和auc评估(个人学习笔记)
ZD困困困
python机器学习
本文为个人学习笔记,仅供学习参考,欢迎讨论,要是有哪里写的不对或有疑问的欢迎讨论。题目:运用已给数据集进行模型训练,使用逻辑回归、决策树、随机森林和AdaBoost几个算法进行训练,并打印各个算法训练后的auc评价指标。文章目录1.导入数据集①read_csv():读取数据并以某字符分隔。②merge():合并③drop():删除行或列④tolist():将数组或矩阵转换为列表⑤train_tes
- OCCT 预览显示与永久显示设计哲学: 非破坏性编辑 (Non-destructive Editing) 设计模式
在现代三维建模和计算机辅助设计(CAD)领域,用户的每一次操作都可能涉及复杂且耗时的计算。如何为用户提供一个既能实时响应、又能确保数据安全的操作环境,是软件架构设计的核心挑战之一。预览与永久应用分离的机制,正是非破坏性编辑(Non-destructiveEditing)这一核心设计模式的经典体现。非破坏性编辑,顾名思义,是指在编辑过程中,用户的任何尝试性操作都不会立即、永久地改变或破坏原始数据。系
- DeepSeek 大模型:工单系统优化与企业提效关键
合力亿捷-小亿
人工智能
随着信息化时代的到来,企业对运营效率的需求日益增强,工单系统作为重要的运营管理工具,其优化程度直接影响到企业的响应速度与服务质量。DeepSeek大模型通过强大的数据处理能力,为工单系统提供了多维度的优化方案,从分类、派发到内容填充、优先级排序,再到知识管理,全面提升了工单处理的智能化与自动化水平,帮助企业在提升客户满意度的同时,也实现了自身运营效率的跃升。一、工单分类与派发1.精准分类工单分类是
- 学习笔记(29):训练集与测试集划分详解:train_test_split 函数深度解析
宁儿数据安全
#机器学习学习笔记深度学习
学习笔记(29):训练集与测试集划分详解:train_test_split函数深度解析一、为什么需要划分训练集和测试集?在机器学习中,模型需要经历两个核心阶段:训练阶段:用训练集数据学习特征与目标值的映射关系(如线性回归的权重)。测试阶段:用测试集评估模型在未见过的数据上的表现,避免“过拟合”(模型只记住训练数据的噪声,无法泛化到新数据)。类比场景:学生通过“练习题”(训练集)学习知识,再通过“考
- “山河”应急指挥决策AI智能体 - 全生命周期构建实施说明
由数入道
人工智能认知框架
引言:从蓝图到现实的AI工程化之路“山河”项目不仅是一个软件项目,更是一个智能化的数字生命体。其复杂性要求我们必须超越传统的开发模式。严格遵循《AI驱动的全生命周期软件工程范式》,将“山河”的构建过程本身,打造为AI赋能软件开发的典范。第一部分:战略与准备目标:搭建“山河”项目的核心基础设施,完成一个关键数据流(如气象数据)的端到端打通,并验证AI辅助开发流程的有效性。1.体系定义与规划(SP,A
- 机器学习在智能金融风险评估中的应用:信用评分与欺诈检测
Blossom.118
机器学习与人工智能机器人机器学习人工智能python深度学习sklearn计算机视觉
在金融行业,风险评估是确保金融机构稳健运营的关键环节。随着大数据和机器学习技术的快速发展,金融机构开始探索如何利用机器学习算法来提高风险评估的准确性和效率。本文将探讨机器学习在智能金融风险评估中的应用,特别是信用评分和欺诈检测方面的最新进展,并分析其带来的机遇和挑战。一、智能金融风险评估中的信用评分(一)传统信用评分方法的局限性传统的信用评分主要依赖于人工规则和简单的统计模型,如逻辑回归。这些方法
- 机器学习在智能制造业中的应用:质量检测与设备故障预测
Blossom.118
机器学习与人工智能机器学习人工智能深度学习神经网络机器人sklearntensorflow
随着工业4.0和智能制造的推进,制造业正经历着一场深刻的数字化转型。智能制造业通过整合物联网(IoT)、大数据和机器学习等先进技术,实现从生产计划到质量控制的全流程优化。机器学习技术在智能制造业中的应用尤为突出,尤其是在质量检测和设备故障预测方面。本文将探讨机器学习在智能制造业中的应用,并分析其带来的机遇和挑战。一、智能制造业中的质量检测(一)传统质量检测方法的局限性传统的质量检测主要依赖于人工检
- EN 13501标准介绍
独二.
布线安全防火网络大数据信息与通信
1.什么是EN13501?EN13501是欧洲防火标准(Euroclass),用于对建筑材料的防火性能进行分类。该标准适用于电缆、建筑板材、隔热材料、地板、天花板等,广泛应用于建筑行业、电缆布线、数据中心、智能楼宇以及其他需要防火安全的领域。EN13501-1是该系列标准中专门针对建筑产品的防火性能分类标准,其中EN13501-6主要用于电缆的防火性能评估。2.EN13501-1防火分类体系EN1
- 【深度学习-Day 33】从零到一:亲手构建你的第一个卷积神经网络(CNN)
吴师兄大模型
深度学习入门到精通深度学习cnn人工智能python大模型卷积神经网络(CNN)机器学习
Langchain系列文章目录01-玩转LangChain:从模型调用到Prompt模板与输出解析的完整指南02-玩转LangChainMemory模块:四种记忆类型详解及应用场景全覆盖03-全面掌握LangChain:从核心链条构建到动态任务分配的实战指南04-玩转LangChain:从文档加载到高效问答系统构建的全程实战05-玩转LangChain:深度评估问答系统的三种高效方法(示例生成、手
- 52-【JavaScript-Day 52】告别“野路子”代码:ESLint、Prettier与Web安全入门
吴师兄大模型
javascript开发语言ecmascriptjava人工智能大模型ESLint
Langchain系列文章目录01-玩转LangChain:从模型调用到Prompt模板与输出解析的完整指南02-玩转LangChainMemory模块:四种记忆类型详解及应用场景全覆盖03-全面掌握LangChain:从核心链条构建到动态任务分配的实战指南04-玩转LangChain:从文档加载到高效问答系统构建的全程实战05-玩转LangChain:深度评估问答系统的三种高效方法(示例生成、手
- Spring中@Value注解,需要注意的地方
无量
springbean@Valuexml
Spring 3以后,支持@Value注解的方式获取properties文件中的配置值,简化了读取配置文件的复杂操作
1、在applicationContext.xml文件(或引用文件中)中配置properties文件
<bean id="appProperty"
class="org.springframework.beans.fac
- mongoDB 分片
开窍的石头
mongodb
mongoDB的分片。要mongos查询数据时候 先查询configsvr看数据在那台shard上,configsvr上边放的是metar信息,指的是那条数据在那个片上。由此可以看出mongo在做分片的时候咱们至少要有一个configsvr,和两个以上的shard(片)信息。
第一步启动两台以上的mongo服务
&nb
- OVER(PARTITION BY)函数用法
0624chenhong
oracle
这篇写得很好,引自
http://www.cnblogs.com/lanzi/archive/2010/10/26/1861338.html
OVER(PARTITION BY)函数用法
2010年10月26日
OVER(PARTITION BY)函数介绍
开窗函数 &nb
- Android开发中,ADB server didn't ACK 解决方法
一炮送你回车库
Android开发
首先通知:凡是安装360、豌豆荚、腾讯管家的全部卸载,然后再尝试。
一直没搞明白这个问题咋出现的,但今天看到一个方法,搞定了!原来是豌豆荚占用了 5037 端口导致。
参见原文章:一个豌豆荚引发的血案——关于ADB server didn't ACK的问题
简单来讲,首先将Windows任务进程中的豌豆荚干掉,如果还是不行,再继续按下列步骤排查。
&nb
- canvas中的像素绘制问题
换个号韩国红果果
JavaScriptcanvas
pixl的绘制,1.如果绘制点正处于相邻像素交叉线,绘制x像素的线宽,则从交叉线分别向前向后绘制x/2个像素,如果x/2是整数,则刚好填满x个像素,如果是小数,则先把整数格填满,再去绘制剩下的小数部分,绘制时,是将小数部分的颜色用来除以一个像素的宽度,颜色会变淡。所以要用整数坐标来画的话(即绘制点正处于相邻像素交叉线时),线宽必须是2的整数倍。否则会出现不饱满的像素。
2.如果绘制点为一个像素的
- 编码乱码问题
灵静志远
javajvmjsp编码
1、JVM中单个字符占用的字节长度跟编码方式有关,而默认编码方式又跟平台是一一对应的或说平台决定了默认字符编码方式;2、对于单个字符:ISO-8859-1单字节编码,GBK双字节编码,UTF-8三字节编码;因此中文平台(中文平台默认字符集编码GBK)下一个中文字符占2个字节,而英文平台(英文平台默认字符集编码Cp1252(类似于ISO-8859-1))。
3、getBytes()、getByte
- java 求几个月后的日期
darkranger
calendargetinstance
Date plandate = planDate.toDate();
SimpleDateFormat df = new SimpleDateFormat("yyyy-MM-dd");
Calendar cal = Calendar.getInstance();
cal.setTime(plandate);
// 取得三个月后时间
cal.add(Calendar.M
- 数据库设计的三大范式(通俗易懂)
aijuans
数据库复习
关系数据库中的关系必须满足一定的要求。满足不同程度要求的为不同范式。数据库的设计范式是数据库设计所需要满足的规范。只有理解数据库的设计范式,才能设计出高效率、优雅的数据库,否则可能会设计出错误的数据库.
目前,主要有六种范式:第一范式、第二范式、第三范式、BC范式、第四范式和第五范式。满足最低要求的叫第一范式,简称1NF。在第一范式基础上进一步满足一些要求的为第二范式,简称2NF。其余依此类推。
- 想学工作流怎么入手
atongyeye
jbpm
工作流在工作中变得越来越重要,很多朋友想学工作流却不知如何入手。 很多朋友习惯性的这看一点,那了解一点,既不系统,也容易半途而废。好比学武功,最好的办法是有一本武功秘籍。研究明白,则犹如打通任督二脉。
系统学习工作流,很重要的一本书《JBPM工作流开发指南》。
本人苦苦学习两个月,基本上可以解决大部分流程问题。整理一下学习思路,有兴趣的朋友可以参考下。
1 首先要
- Context和SQLiteOpenHelper创建数据库
百合不是茶
androidContext创建数据库
一直以为安卓数据库的创建就是使用SQLiteOpenHelper创建,但是最近在android的一本书上看到了Context也可以创建数据库,下面我们一起分析这两种方式创建数据库的方式和区别,重点在SQLiteOpenHelper
一:SQLiteOpenHelper创建数据库:
1,SQLi
- 浅谈group by和distinct
bijian1013
oracle数据库group bydistinct
group by和distinct只了去重意义一样,但是group by应用范围更广泛些,如分组汇总或者从聚合函数里筛选数据等。
譬如:统计每id数并且只显示数大于3
select id ,count(id) from ta
- vi opertion
征客丶
macoprationvi
进入 command mode (命令行模式)
按 esc 键
再按 shift + 冒号
注:以下命令中 带 $ 【在命令行模式下进行】,不带 $ 【在非命令行模式下进行】
一、文件操作
1.1、强制退出不保存
$ q!
1.2、保存
$ w
1.3、保存并退出
$ wq
1.4、刷新或重新加载已打开的文件
$ e
二、光标移动
2.1、跳到指定行
数字
- 【Spark十四】深入Spark RDD第三部分RDD基本API
bit1129
spark
对于K/V类型的RDD,如下操作是什么含义?
val rdd = sc.parallelize(List(("A",3),("C",6),("A",1),("B",5))
rdd.reduceByKey(_+_).collect
reduceByKey在这里的操作,是把
- java类加载机制
BlueSkator
java虚拟机
java类加载机制
1.java类加载器的树状结构
引导类加载器
^
|
扩展类加载器
^
|
系统类加载器
java使用代理模式来完成类加载,java的类加载器也有类似于继承的关系,引导类是最顶层的加载器,它是所有类的根加载器,它负责加载java核心库。当一个类加载器接到装载类到虚拟机的请求时,通常会代理给父类加载器,若已经是根加载器了,就自己完成加载。
虚拟机区分一个Cla
- 动态添加文本框
BreakingBad
文本框
<script> var num=1; function AddInput() { var str=""; str+="<input 
- 读《研磨设计模式》-代码笔记-单例模式
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/
public class Singleton {
}
/*
* 懒汉模式。注意,getInstance如果在多线程环境中调用,需要加上synchronized,否则存在线程不安全问题
*/
class LazySingleton
- iOS应用打包发布常见问题
chenhbc
iosiOS发布iOS上传iOS打包
这个月公司安排我一个人做iOS客户端开发,由于急着用,我先发布一个版本,由于第一次发布iOS应用,期间出了不少问题,记录于此。
1、使用Application Loader 发布时报错:Communication error.please use diagnostic mode to check connectivity.you need to have outbound acc
- 工作流复杂拓扑结构处理新思路
comsci
设计模式工作算法企业应用OO
我们走的设计路线和国外的产品不太一样,不一样在哪里呢? 国外的流程的设计思路是通过事先定义一整套规则(类似XPDL)来约束和控制流程图的复杂度(我对国外的产品了解不够多,仅仅是在有限的了解程度上面提出这样的看法),从而避免在流程引擎中处理这些复杂的图的问题,而我们却没有通过事先定义这样的复杂的规则来约束和降低用户自定义流程图的灵活性,这样一来,在引擎和流程流转控制这一个层面就会遇到很
- oracle 11g新特性Flashback data archive
daizj
oracle
1. 什么是flashback data archive
Flashback data archive是oracle 11g中引入的一个新特性。Flashback archive是一个新的数据库对象,用于存储一个或多表的历史数据。Flashback archive是一个逻辑对象,概念上类似于表空间。实际上flashback archive可以看作是存储一个或多个表的所有事务变化的逻辑空间。
- 多叉树:2-3-4树
dieslrae
树
平衡树多叉树,每个节点最多有4个子节点和3个数据项,2,3,4的含义是指一个节点可能含有的子节点的个数,效率比红黑树稍差.一般不允许出现重复关键字值.2-3-4树有以下特征:
1、有一个数据项的节点总是有2个子节点(称为2-节点)
2、有两个数据项的节点总是有3个子节点(称为3-节
- C语言学习七动态分配 malloc的使用
dcj3sjt126com
clanguagemalloc
/*
2013年3月15日15:16:24
malloc 就memory(内存) allocate(分配)的缩写
本程序没有实际含义,只是理解使用
*/
# include <stdio.h>
# include <malloc.h>
int main(void)
{
int i = 5; //分配了4个字节 静态分配
int * p
- Objective-C编码规范[译]
dcj3sjt126com
代码规范
原文链接 : The official raywenderlich.com Objective-C style guide
原文作者 : raywenderlich.com Team
译文出自 : raywenderlich.com Objective-C编码规范
译者 : Sam Lau
- 0.性能优化-目录
frank1234
性能优化
从今天开始笔者陆续发表一些性能测试相关的文章,主要是对自己前段时间学习的总结,由于水平有限,性能测试领域很深,本人理解的也比较浅,欢迎各位大咖批评指正。
主要内容包括:
一、性能测试指标
吞吐量、TPS、响应时间、负载、可扩展性、PV、思考时间
http://frank1234.iteye.com/blog/2180305
二、性能测试策略
生产环境相同 基准测试 预热等
htt
- Java父类取得子类传递的泛型参数Class类型
happyqing
java泛型父类子类Class
import java.lang.reflect.ParameterizedType;
import java.lang.reflect.Type;
import org.junit.Test;
abstract class BaseDao<T> {
public void getType() {
//Class<E> clazz =
- 跟我学SpringMVC目录汇总贴、PDF下载、源码下载
jinnianshilongnian
springMVC
----广告--------------------------------------------------------------
网站核心商详页开发
掌握Java技术,掌握并发/异步工具使用,熟悉spring、ibatis框架;
掌握数据库技术,表设计和索引优化,分库分表/读写分离;
了解缓存技术,熟练使用如Redis/Memcached等主流技术;
了解Ngin
- the HTTP rewrite module requires the PCRE library
流浪鱼
rewrite
./configure: error: the HTTP rewrite module requires the PCRE library.
模块依赖性Nginx需要依赖下面3个包
1. gzip 模块需要 zlib 库 ( 下载: http://www.zlib.net/ )
2. rewrite 模块需要 pcre 库 ( 下载: http://www.pcre.org/ )
3. s
- 第12章 Ajax(中)
onestopweb
Ajax
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/
- Optimize query with Query Stripping in Web Intelligence
blueoxygen
BO
http://wiki.sdn.sap.com/wiki/display/BOBJ/Optimize+query+with+Query+Stripping+in+Web+Intelligence
and a very straightfoward video
http://www.sdn.sap.com/irj/scn/events?rid=/library/uuid/40ec3a0c-936
- Java开发者写SQL时常犯的10个错误
tomcat_oracle
javasql
1、不用PreparedStatements 有意思的是,在JDBC出现了许多年后的今天,这个错误依然出现在博客、论坛和邮件列表中,即便要记住和理解它是一件很简单的事。开发者不使用PreparedStatements的原因可能有如下几个: 他们对PreparedStatements不了解 他们认为使用PreparedStatements太慢了 他们认为写Prepar
- 世纪互联与结盟有感
阿尔萨斯
10月10日,世纪互联与(Foxcon)签约成立合资公司,有感。
全球电子制造业巨头(全球500强企业)与世纪互联共同看好IDC、云计算等业务在中国的增长空间,双方迅速果断出手,在资本层面上达成合作,此举体现了全球电子制造业巨头对世纪互联IDC业务的欣赏与信任,另一方面反映出世纪互联目前良好的运营状况与广阔的发展前景。
众所周知,精于电子产品制造(世界第一),对于世纪互联而言,能够与结盟