TARO_ZERO
TARO_ZERO

大语言模型的技术发展历程，从N-gram到DeepSeek-R1

本文主要从技术角度回顾自然语言处理NLP领域的发展历程，介绍各个模型的思路和创新点，聚焦NLP经典模型和技术突破的理解，不深入数学推导过程

前言

根据整个自然语言处理NLP领域的技术发展，可以将其分为四个技术阶段：统计语言模型，神经网络模型，预训练语言模型PLM，大型语言模型LLM

下文将按照这四个主要发展阶段各自介绍涌现出的经典模型和技术

统计语言模型阶段

统计语言模型主要依靠统计学方法，通过前文预测后续的单词，代表模型即N-gram

N-gram

核心思想是通过统计词序列的概率来预测下一个词，当前词的概率只依赖于前N−1个词

例如，当需要预测“狗坐在__”之后的下一个字词是，根据语料库中出现的次数，“狗坐在地（板上）”是出现频率最高的，那么我们就可以选择“地”作为预测的下一个字词

可以类比输入法里的后续字词推荐，会根据你此前输入的文本统计下一个字的概率并排序

很显然，这种方法无法捕捉长距离依赖关系，且数据稀疏问题严重

神经网络模型阶段

神经网络模型阶段一般会将任务拆分为词嵌入（embedding）和神经网络两个步骤，前者将单词转化为可以被计算处理的向量，后者在具体的任务上训练好模型

词嵌入模型

对于输入的字符（token），我们需要将他们处理成可以被计算机处理运算的数字形式，也就是向量，最开始我们使用独热码one-hot，但显然在字符数量增多以后独热码的存储和计算都极其不方便，我们考虑在实数域内的多维向量，这样可以在固定的维数内表征所有字符

对于输入模型中的字符，我们希望转化后的词向量能够尽可能全面的表征字符的语义特征，并让字符向量之间相互关联，用一个经典的例子来说明，“ 国王 - 男人 + 女人 = 女王 ”，越精准全面的词向量表征越有利于后续的下游任务处理

由此我们诞生了word2vec和GloVe等经典词嵌入模型

Word2vec

word2vec模型的思想很简单，每个单词都对应一个向量，那么一个句子中上下文的单词向量应该可以预测出中心词的概率，同理，一个句子的中心词应该也可以用来预测其上下文单词出现的概率，这分别是CBoW和Skip-gram的思路

基于这一思想，定义好表征上下文/中心词单词出现概率的计算方法（softmax）和表征计算误差的损失函数后，就可以通过迭代运算得到每个字符的向量表征

GloVe

与word2vec使用上下文窗口来预测不同，GloVe使用全局单词共现矩阵来计算词向量

基于这些词嵌入模型后，在下游任务的处理上，既可以直接使用训练好的模型参数进行处理，也可以利用模型重新学习一个embedding层，此后的语言任务基本都采用词嵌入+后续模型这个模式来完成（包括大语言模型）

序列模型

将单词转化为词向量后，在下游任务中，就需要用神经网络模型来基于单词序列解决特定语言任务，例如文本分类和机器翻译等

RNN系列模型

循环神经网络RNN系列模型曾是神经网络阶段NLP领域的主流模型，一经提出就受到广泛的使用，其思路来自于顺序文本的语义连贯性，根据输入文本顺序处理运算每个字符的词向量，同时每层使用相同的神经网络，训练同一个参数矩阵，通过上层结果和新的输入变量共同预测结果

大语言模型的技术发展历程，从N-gram到DeepSeek-R1_第1张图片

RNN网络每层输出预测的概率向量y_t，由隐藏向量h_t经过概率公式转化而来，h_t则由前一个字符的隐藏向量h_{t-1}以及当前字符的词向量x_t共同矩阵运算得到

大语言模型的技术发展历程，从N-gram到DeepSeek-R1_第2张图片

由于基础的RNN无法记忆太早之前的单词信息，模型往往不能在长句中维持精准性，GRU和LSTM模型又在每个神经元进行了进一步的改进，加入了各种门控参数，优化了每个神经元内更新隐藏向量的算法

编码器-解码器模型 

RNN系列模型的输出结果是隐藏层向量或者概率预测向量，在处理文本分类等分类任务时可以直接接入一个分类器完成训练，在处理机器翻译等生成任务时则不能直接得到输出结果，由此诞生了编码器-解码器模型

由编码器将输入序列压缩成指定长度的向量，解码器再将向量转化成输出序列

在解码器中，每一层的计算不仅依赖上一层，还依赖编码器的结果向量和上一层输出的单词，最终按顺序逐个输出字符

注意力机制

人类在处理大量信息时会更加关注更具价

你可能感兴趣的:(语言模型,自然语言处理,深度学习,gpt)

  • 大语言模型技术系列讲解：大模型应用了哪些技术 知世不是芝士 语言模型人工智能自然语言处理chatgpt大模型
    为了弄懂大语言模型原理和技术细节，笔者计划展开系列学习，并将所学内容从简单到复杂的过程给大家做分享，希望能够体系化的认识大模型技术的内涵。本篇文章作为第一讲，先列出大模型使用到了哪些技术，目的在于对大模型使用的技术有个整体认知。后续我们讲一一详细讲解这些技术概念并解剖其背后原理。正文开始大语言模型（LLMs）在人工智能领域通常指的是参数量巨大、能够处理复杂任务的深度学习模型。这些模型使用的技术主要
  • 大模型算法工程师面试宝典：精选面试题及参考答案全解析，助你备战AI算法工程师岗位！ 大模型入门学习 人工智能产品经理大数据机器学习程序员大模型大模型学习
    大模型应该算是目前当之无愧的最有影响力的AI技术。它正在革新各个行业，包括自然语言处理、机器翻译、内容创作和客户服务等，正成为未来商业环境的重要组成部分。截至目前大模型已超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关面试也是越来越卷。我今天给大家分享一篇大模型的面试题总结，内容较长，喜欢记得收藏、关注、点赞。ii.为什么会出现LLMs复读机问题？出现LLMs复读机问题可能
  • LLM---大语言模型技术研究报告
    摘要大语言模型（LLMs）已从技术突破走向产业规模化落地。2025年，全球LLMs进入“模型即服务”（MaaS）时代，参数量级突破万亿级，多模态能力、智能体协作、专业化细分成为主流趋势。中国大模型领域在DeepSeek、通义千问、讯飞星火等头部模型推动下，实现技术突破与场景创新。本报告基于截至2025年7月的最新数据，系统梳理LLMs的技术演进、应用场景、挑战与未来方向。一、大语言模型的演进与突破
  • 解释LLM怎么预测下一个词语的 ZhangJiQun&MXP 教学2024大模型以及算力2021AIpython语言模型python深度学习人工智能机器学习
    解释LLM怎么预测下一个词语的通过上文词的向量进行映射在Transformer架构的大语言模型（如GPT系列、BERT等）中，词语会先被转化为词向量。在预测下一个词时，模型会基于之前所有词的向量表示（并非仅仅上一个词，但上一个词的向量是重要信息来源之一）进行计算。以GPT-2为例，在生成文本时，它会将输入文本中每个词对应的词向量依次输入到模型的多层Transformer编码器-解码器结构中。每一层
  • 大语言模型：是逐字生成还是一次多词？ ZhangJiQun&MXP 教学2024大模型以及算力2021AIpython算法prompt人工智能自然语言处理均值算法
    大语言模型（LLM）既可以按顺序逐个生成单词（token），也能实现一次生成多个token核心差异源于解码策略与模型架构设计一、常规“逐个生成”模式（基础逻辑）多数入门级演示或简单文本生成中，LLM会默认按“生成一个token→拼接回输入→再生成下一个”的流程，本质是自回归（Auto-Regressive）机制的基础应用。比如用小语言模型续写“今天天气____”：模型先基于“今天天气”预测第一个t
  • 微软：LLM训练数据组织框架DELT 大模型任我行 大模型-模型训练人工智能自然语言处理语言模型论文笔记
    标题：DataEfficacyforLanguageModelTraining来源：arXiv,2506.21545摘要数据是语言模型（LM）训练的基础。最近的研究一直致力于数据效率，其目的是通过选择训练数据的最小或最优子集来最大限度地提高性能。数据过滤、采样和选择等技术在这一领域起着至关重要的作用。为了补充这一点，我们定义了数据效能，它侧重于通过优化训练数据的组织来最大限度地提高性能，目前尚未得
  • 思维树(Tree of Thoughts): 超越链式思维的AI推理新范式 司南锤 LLM人工智能
    引言在人工智能快速发展的今天，大语言模型(LLM)的推理能力一直是研究的热点。从最初的直接问答，到链式思维(ChainofThoughts,CoT)的出现，再到如今的思维树(TreeofThoughts,TOT)，AI的推理方式正在变得越来越接近人类的思维过程。思维树作为一种全新的推理框架，不仅继承了链式思维的优势，更通过树状结构的探索和回溯机制，实现了更加复杂和深入的推理过程。本文将深入探讨TO
  • 【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
  • 云原生环境下部署大语言模型服务：以 DeepSeek 为例的实战教程 一ge科研小菜菜 人工智能Python编程语言语言模型人工智能自然语言处理
    个人主页：一ge科研小菜鸡-CSDN博客期待您的关注一、引言随着DeepSeek、Qwen、ChatGLM等大语言模型（LLM）的开放与普及，企业将其私有化部署并服务化的需求愈发迫切。然而，从HuggingFace下载模型，到提供一个结构化、稳定、可调用的API，并不是一个简单过程。它涉及：模型推理框架（如vLLM）的集成；WebAPI封装（FastAPI等）；容器化部署与资源调度；可扩展性设计与
  • 基于深度学习的草莓成熟度检测系统：YOLOv5 + UI界面 + 数据集 YOLO实战营 深度学习YOLO实战项目深度学习YOLOui人工智能目标跟踪
    引言随着农业科技的发展，智能化的农业生产方式正逐步替代传统农业。果实的成熟度检测对于农业生产的管理至关重要，尤其是在果蔬的采摘、分拣和运输过程中。草莓作为一种广泛种植且受消费者喜爱的水果，其成熟度检测一直是农业智能化的重要研究方向。传统的草莓成熟度检测方法大多依赖人工经验，劳动强度大且容易出现误差，因此，基于计算机视觉和深度学习的草莓成熟度自动检测系统成为了一种理想选择。深度学习技术，尤其是卷积神
  • 用Firecrawl轻松获取网站数据，提升AI应用的效率！ 人工智能我来了 人工智能AI人工智能
    Firecrawl：助力AI应用的强大工具！在数字化信息爆炸的时代，如何高效地从海量网页中提取有用数据变得尤其重要。Firecrawl的问世，为我们揭开了一种便捷的方法来应对这一挑战。它不仅能够将整个网站的数据转化为适用于大语言模型（LLM）的markdown或结构化数据，还能通过单一的API实现数据抓取、爬取和提取。从此，清晰、整洁的数据触手可及。什么是Firecrawl？Firecrawl是一
  • 数字人矩阵源码--基于深度学习的数字人面部表情合成 我~18339948121 数字人源码数字人矩阵源码123数字人源码矩阵深度学习线性代数人工智能flasktornadopython
    AI正在席卷全球，数字人市场需求增长，用AI数字分身一天就能生产出几十条高质量短视频，你只需要上传一段视频，甚至都不用开口说话，直接复制粘贴文案，就能得到一个属于你的数字分身。深度学习数字人面部表情合成的关键技术3D面部建模与参数化建立高精度3D面部模型是表情合成的基础，常用Blendshape或面部动作编码系统（FACS）作为参数化控制方法。Blendshape通过线性组合基础表情形状生成新表情
  • 数字人视频剪辑与数字人分身源码开发的的核心技术解析 微~18339948121 数字人分身源码数字人剪辑源码数字人源码djangopygamevirtualenvplotlyscikit-learnflasktornado
    数字人视频剪辑与分身的核心技术解析数字人视频剪辑和分身技术是近年来人工智能与计算机视觉领域的热点，涉及虚拟形象生成、动作驱动、语音合成等多项技术。以下从技术实现、应用场景和工具选择三个方面展开分析。数字人视频剪辑的关键技术视频剪辑中数字人的核心在于动态形象的生成与编辑。基于深度学习的生成对抗网络（GAN）和3D建模技术可实现高保真虚拟形象构建。典型流程包括：人物建模：通过多视角图像或视频数据重建3
  • 探秘AI的秘密：leaked-system-prompts 人工智能我来了 人工智能AI人工智能
    揭秘：揭秘系统提示合集背后的秘密在当今这个人工智能技术迅速发展的时代，了解和使用大型语言模型（LLM）已成为技术爱好者、开发者和研究人员的共同目标。而作为核心组成部分，系统提示（systemprompts）的设计和应用直接影响了LLM的表现和功能。今天，我们将为大家揭示一个神秘而又充满吸引力的项目——“leaked-system-prompts”。这个项目为我们打开了一扇窥探这些大型语言模型系统提
  • 打造 AI 产品的前端架构：响应式、流式、智能交互三合一
    关键点AI产品前端挑战：AI产品前端需要处理流式响应、上下文管理、多模型切换和复杂的用户交互，同时保证高性能和响应式体验。流式响应：通过Server-SentEvents（SSE）或WebSocket实现实时数据流，提升用户感知的响应速度。多模型切换：支持动态切换AI模型（如GPT-4、Grok），并优化上下文缓存和token预估。会话持久化：通过本地存储或后端数据库保存用户会话，支持编辑和恢复功
  • 深入探索 Vanna：让数据库交互更智能 从零开始学习人工智能 数据库交互
    深入探索Vanna：让数据库交互更智能在数字化时代，与数据库进行高效交互是许多开发者、数据分析师和企业面临的挑战。传统的SQL查询编写不仅需要对数据库结构有深入的了解，还需要花费大量的时间和精力来调试和优化。Vanna，一个基于Python的开源工具，通过结合检索增强（RetrievalAugmentation）和大型语言模型（LLM），为这一问题提供了一个创新的解决方案。本文将深入探讨Vanna
  • 引导语言的魔法：从简单指令到智能对话的艺术 步子哥 智能涌现AGI通用人工智能人工智能python机器学习
    大型语言模型（LLMs）就像一台精密的预测机器，依靠输入的提示（prompt）生成令人惊叹的输出。然而，撰写一个高效的提示并非易事——它需要科学与艺术的结合。无论是要求模型生成代码、回答问题，还是创作故事，提示的设计决定了输出的质量。本文将深入探讨提示工程（PromptEngineering）的奥秘，带你从基础配置到高级技巧，揭示如何通过精心设计的提示，引导LLMs生成准确、有趣且实用的结果。准备
  • 第10课：《ChatGPT提示工程》—— Guidelines（入门） Soyoger chatgptPrompt提示性工程大模型
    前面关于Prompt介绍了那么多理论的知识点，从本节内容开始进入代码实战，提供一些提示的指南，帮助你获得想要的结果。特别地，介绍了两个关键原则，即如何编写提示来有效地促使工程师，鼓励你随时运行代码自己查看输出是什么样子的，并改变确切的提示，尝试几种不同的变化，以获得有关提示的输入和输出的经验。在开始实战之前，假设我们已经申请了ChatGPT的账号，并获取到了APIkey，如果没有账号的，建议先注册
  • 语言的钥匙：提示工程的艺术与驾驭AI的智慧 田园Coder 人工智能科普人工智能科普
    当大型语言模型（LLM）如GPT-4展现出令人惊叹的通用能力，却又伴随着“幻觉”、“黑箱”和“不可控”等阴影时，一个核心问题变得无比迫切：人类如何有效地与这些庞然大物沟通，引导它们可靠、安全、精准地完成任务？答案并非在于重新训练这头计算巨兽（成本高昂且周期漫长），而在于掌握一门新兴的关键技艺——提示工程（PromptEngineering）。提示工程，简而言之，就是精心设计输入给模型的自然语言指令
  • 探索生成式 AI Agent：12类，40+个AI Agent实例应用场景的宝藏库 和老莫一起学AI 人工智能产品经理职场和发展面试自然语言处理ai大模型
    在人工智能的璀璨星空中，生成式AI智能体（GenAIAgents）无疑是最耀眼的星辰之一，正以前所未有的速度改变着我们与技术互动的方式。今天，我将分享GitHub上一个宝藏级的项目——“NirDiamant/GenAI_Agents”，这里汇聚了从基础到高级的各种GenAI智能体技术教程与实现案例，堪称一座智能体开发的知识宝库。1.适合初学者的智能体简单会话智能体概览通过集成语言模型、提示模板和历
  • VSCode-Copilot的系统提示词 youngqqcn AIvscodecopilotide
    title:VSCode-Copilot系统提示词date:2025-07-0211:05categories:技术tags:AI人工智能LLM大语言模型提示词Microsoft开源了VSCodeCopilotChat,以下是其系统提示词的摘录。https://github.com/microsoft/vscode-copilot-chat/blob/main/src/extension/prom
  • 深入剖析AI大模型：关于模型训练 chilavert318 熬之滴水穿石人工智能
    今天说的是模型训练，在AI模型里，它是点亮智慧星辰的关键引擎。今天将围绕开源预训练模型的使用、数据与模型的集成、模型的部署管理，以及大规模模型的可扩展性与效率提升展开，带大家开启一场深入浅出的模型训练实战之旅。一、使用开源预训练模型1、如何利用开源模型（如BERT、GPT）进行微调开源预训练模型就像是已经搭建好框架的摩天大楼，BERT、GPT等模型便是其中声名赫赫的标志性建筑。它们经过海量数据的“
  • 微调 || RAG，项目落地怎么选？LLM应用选型指南，适用场景全解析 认知超载 AI人工智能
    基本定义微调：是指利用更小、更具针对性的数据集对经过预先训练的大语言模型进一步训练的过程。在这个过程中，模型基于新数据集修改权重和参数，学习特定于任务的模式，同时保留来自最初预训练模型的知识。RAG：即检索增强生成，是将检索大量外部知识的过程与文本生成结合在一起的一种方法。它会从大型外部数据库中检索与输入问题相关的信息，将这些信息作为上下文提供给大语言模型，辅助其生成回答。微调适用场景1.特定领域
  • 百度颠覆了自己，飞算JavaAI造福了中国程序员！ 飞算JavaAI开发助手 百度
    在当今这个科技日新月异的时代，企业纷纷寻求技术突破，以期在激烈的市场竞争中脱颖而出。百度，作为中国互联网行业的领军企业之一，凭借其强大的科技实力和创新能力，在人工智能等多个领域取得了显著成就，并正在逐步颠覆自身的传统形象。百度自成立之初，就将技术创新视为企业的生命线。从最初的搜索引擎技术，到如今的深度学习、自然语言处理、计算机视觉等前沿领域，百度始终走在技术革新的前沿。其自主研发的飞桨深度学习平台
  • 【深度学习:进阶篇】--4.2.词嵌入和NLP 西柚小萌新吖(●ˇ∀ˇ●) #深度学习深度学习自然语言处理人工智能
    在RNN中词使用one_hot表示的问题假设有10000个词每个词的向量长度都为10000，整体大小太大没能表示出词与词之间的关系例如Apple与Orange会更近一些，Man与Woman会近一些，取任意两个向量计算内积都为0目录1.词嵌入1.1.特点1.3.word2vec介绍1.3.Word2Vec案例1.3.1.训练语料1.3.2.步骤1.3.3.代码2.测试代码1.词嵌入定义：指把一个维数
  • 【深度学习】卷积神经网络(CNN)原理 chaser&upper 深度学习神经网络卷积计算机视觉
    【深度学习】卷积神经网络原理1.卷积神经网络的组成2.卷积层2.1卷积运算过程3.padding-零填充3.1ValidandSame卷积3.2奇数维度的过滤器4.stride-步长5.多通道卷积5.1多卷积核（多个Filter）6.卷积总结7.池化层(Pooling)8.全连接层9.总结1.卷积神经网络的组成定义卷积神经网络由一个或多个卷积层、池化层以及全连接层等组成。与其他深度学习结构相比，卷
  • 深度学习学习经验——卷积神经网络（CNN） Linductor 深度学习学习经验深度学习学习cnn
    卷积神经网络卷积神经网络（CNN）1.卷积神经网络的基本组成2.卷积操作3.激活函数（ReLU）4.池化操作5.全连接层6.卷积神经网络的完整实现项目示例项目目标1.加载数据2.卷积层：图像的特征探测器2.1第一个卷积层3.激活函数：增加非线性4.池化层：信息压缩器5.多层卷积和池化：逐层提取更高层次的特征6.全连接层：分类器7.模型训练和测试完整的项目示例代码总结卷积神经网络（CNN）卷积神经网
  • 零基础起步：基于GpuGeek的文本生成模型实战 昊昊该干饭了 人工智能nlp深度学习gpu算力gru
    在自然语言处理（NLP）领域，文本生成任务广泛应用于问答系统、智能摘要、内容创作等方向。本文将带领读者使用GpuGeek平台，从注册、上传数据到实例部署与训练，完整构建一个基于GPT2模型的文本生成系统，实战掌握AI模型的云端开发流程。目录一、GpuGeek平台使用流程详解1.注册与登录2.数据上传3.创建训练实例4.启动与使用实例5.关闭实例（手动&自动）二、文本生成实战任务：微调GPT-21.
  • 大模型智能运维详解：技术架构、落地挑战与行业实践 FreeTools FreeAiGuard运维架构人工智能运维开发科技
    大模型智能运维详解：技术架构、落地挑战与行业实践作者：开源大模型智能运维FreeAiOps在数字化转型加速的背景下，企业IT系统复杂度呈指数级增长，传统运维模式面临效率低下、故障定位困难、成本高昂等瓶颈。大模型技术的出现为智能运维提供了突破性解决方案，其通过自然语言处理、多模态数据分析与自动化决策能力，正在重塑运维工作的底层逻辑。本文将从技术原理、落地挑战、行业实践三个维度，系统解析大模型智能运维
  • Instrct-GPT 强化学习奖励模型 Reward modeling 的训练过程原理实例化详解 John_今天务必休息一天 2_大语言模型基础#2.2生成式预训练语言模型GPTgptlog4j语言模型人工智能自然语言处理算法
    Instrct-GPT强化学习奖励模型Rewardmodeling的训练过程原理实例化详解一、批次处理的本质：共享上下文的比较对捆绑（1）为什么同一prompt的比较对必须捆绑？（2）InstructGPT的优化方案二、输入输出与损失函数的具体构造（1）输入输出示例（2）人工标注数据的处理（3）损失函数的计算过程（4）反向传播的核心逻辑三、为什么不需要人工标注分值？（1）排序数据的天然属性（2）避
  • Spring4.1新特性——综述 jinnianshilongnian spring 4.1
    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
  • Schema与数据类型优化 annan211 数据结构mysql
    目前商城的数据库设计真是一塌糊涂，表堆叠让人不忍直视，无脑的架构师，说了也不听。 在数据库设计之初，就应该仔细揣摩可能会有哪些查询，有没有更复杂的查询，而不是仅仅突出 很表面的业务需求，这样做会让你的数据库性能成倍提高，当然，丑陋的架构师是不会这样去考虑问题的。 选择优化的数据类型 1 更小的通常更好 更小的数据类型通常更快，因为他们占用更少的磁盘、内存和cpu缓存，
  • 第一节 HTML概要学习 chenke htmlWebcss
    第一节 HTML概要学习 1. 什么是HTML HTML是英文Hyper Text Mark-up Language(超文本标记语言)的缩写，它规定了自己的语法规则，用来表示比“文本”更丰富的意义，比如图片，表格，链接等。浏览器（IE,FireFox等）软件知道HTML语言的语法，可以用来查看HTML文档。目前互联网上的绝大部分网页都是使用HTML编写的。 打开记事本 输入一下内
  • MyEclipse里部分习惯的更改 Array_06 eclipse
    继续补充中---------------------- 1.更改自己合适快捷键windows-->prefences-->java-->editor-->Content Assist-->      Activation triggers for java的右侧“.”就可以改变常用的快捷键 选中 Text
  • 近一个月的面试总结 cugfy 面试
    本文是在学习中的总结，欢迎转载但请注明出处：http://blog.csdn.net/pistolove/article/details/46753275 前言       打算换个工作，近一个月面试了不少的公司，下面将一些面试经验和思考分享给大家。另外校招也快要开始了，为在校的学生提供一些经验供参考，希望都能找到满意的工作。 
  • HTML5一个小迷宫游戏 357029540 html5
         通过《HTML5游戏开发》摘抄了一个小迷宫游戏，感觉还不错，可以画画，写字，把摘抄的代码放上来分享下，喜欢的同学可以拿来玩玩！ <html> <head> <title>创建运行迷宫</title> <script type="text/javascript"
  • 10步教你上传githib数据 张亚雄 git
    官方的教学还有其他博客里教的都是给懂的人说得，对已我们这样对我大菜鸟只能这么来锻炼，下面先不玩什么深奥的，先暂时用着10步干净利索。等玩顺溜了再用其他的方法。 操作过程（查看本目录下有哪些文件NO.1）ls （跳转到子目录NO.2）cd+空格+目录 （继续NO.3）ls （匹配到子目录NO.4）cd+ 目录首写字母+tab键+（首写字母“直到你所用文件根就不再按TAB键了”） （查看文件
  • MongoDB常用操作命令大全 adminjun mongodb操作命令
    成功启动MongoDB后，再打开一个命令行窗口输入mongo，就可以进行数据库的一些操作。输入help可以看到基本操作命令，只是MongoDB没有创建数据库的命令，但有类似的命令 如：如果你想创建一个“myTest”的数据库，先运行use myTest命令，之后就做一些操作（如：db.createCollection('user')）,这样就可以创建一个名叫“myTest”的数据库。 一
  • bat调用jar包并传入多个参数 aijuans
    下面的主程序是通过eclipse写的： 1.在Main函数接收bat文件传递的参数（String[] args）  如：   String ip =args[0];          String user=args[1];       &nbs
  • Java中对类的主动引用和被动引用 ayaoxinchao java主动引用对类的引用被动引用类初始化
      在Java代码中，有些类看上去初始化了，但其实没有。例如定义一定长度某一类型的数组，看上去数组中所有的元素已经被初始化，实际上一个都没有。对于类的初始化，虚拟机规范严格规定了只有对该类进行主动引用时，才会触发。而除此之外的所有引用方式称之为对类的被动引用，不会触发类的初始化。虚拟机规范严格地规定了有且仅有四种情况是对类的主动引用，即必须立即对类进行初始化。四种情况如下：1.遇到ne
  • 导出数据库 提示 outfile disabled BigBird2012 mysql
    在windows控制台下，登陆mysql，备份数据库：   mysql>mysqldump -u root -p test test > D:\test.sql 使用命令 mysqldump 格式如下： mysqldump -u root -p *** DBNAME > E:\\test.sql。 注意：执行该命令的时候不要进入mysql的控制台再使用，这样会报
  • Javascript 中的 && 和 || bijian1013 JavaScript&&||
            准备两个对象用于下面的讨论 var alice = { name: "alice", toString: function () { return this.name; } } var smith = { name: "smith",
  • [Zookeeper学习笔记之四]Zookeeper Client Library会话重建 bit1129 zookeeper
    为了说明问题，先来看个简单的示例代码：   package com.tom.zookeeper.book; import com.tom.Host; import org.apache.zookeeper.WatchedEvent; import org.apache.zookeeper.ZooKeeper; import org.apache.zookeeper.Wat
  • 【Scala十一】Scala核心五：case模式匹配 bit1129 scala
    package spark.examples.scala.grammars.caseclasses object CaseClass_Test00 { def simpleMatch(arg: Any) = arg match { case v: Int => "This is an Int" case v: (Int, String)
  • 运维的一些面试题 yuxianhua linux
    1、Linux挂载Winodws共享文件夹   mount -t cifs //1.1.1.254/ok /var/tmp/share/ -o username=administrator,password=yourpass 或 mount -t cifs -o username=xxx,password=xxxx //1.1.1.1/a /win    
  • Java lang包-Boolean BrokenDreams boolean
             Boolean类是Java中基本类型boolean的包装类。这个类比较简单，直接看源代码吧。 public final class Boolean implements java.io.Serializable,
  • 读《研磨设计模式》-代码笔记-命令模式-Command 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.util.ArrayList; import java.util.Collection; import java.util.List; /** * GOF 在《设计模式》一书中阐述命令模式的意图：“将一个请求封装
  • matlab下GPU编程笔记 cherishLC matlab
    不多说，直接上代码 gpuDevice % 查看系统中的gpu,,其中的DeviceSupported会给出matlab支持的GPU个数。 g=gpuDevice(1); %会清空 GPU 1中的所有数据,,将GPU1 设为当前GPU reset(g) %也可以清空GPU中数据。 a=1; a=gpuArray(a); %将a从CPU移到GPU中 onGP
  • SVN安装过程 crabdave SVN
    SVN安装过程   subversion-1.6.12   ./configure --prefix=/usr/local/subversion --with-apxs=/usr/local/apache2/bin/apxs --with-apr=/usr/local/apr --with-apr-util=/usr/local/apr --with-openssl=/
  • sql　行列转换 daizj sql行列转换行转列列转行
    行转列的思想是通过case when 来实现 列转行的思想是通过union all 来实现 下面具体例子： 假设有张学生成绩表(tb)如下: Name Subject Result 张三 语文　　74 张三 数学　　83 张三 物理　　93 李四 语文　　74 李四 数学　　84 李四 物理　　94 */ /* 想变成 姓名   &
  • MySQL--主从配置 dcj3sjt126com mysql
    linux下的mysql主从配置： 说明：由于MySQL不同版本之间的(二进制日志)binlog格式可能会不一样，因此最好的搭配组合是Master的MySQL版本和Slave的版本相同或者更低， Master的版本肯定不能高于Slave版本。（版本向下兼容） mysql1  : 192.168.100.1    //master mysq
  • 关于yii 数据库添加新字段之后model类的修改 dcj3sjt126com Model
    rules: array('新字段','safe','on'=>'search') 1、array('新字段', 'safe')//这个如果是要用户输入的话，要加一下， 2、array('新字段', 'numerical'),//如果是数字的话 3、array('新字段', 'length', 'max'=>100),//如果是文本 1、2、3适当的最少要加一条，新字段才会被
  • sublime text3 中文乱码解决 dyy_gusi Sublime Text
    sublime text3中文乱码解决 原因：缺少转换为UTF-8的插件 目的：安装ConvertToUTF8插件包 第一步：安装能自动安装插件的插件，百度“Codecs33”，然后按照步骤可以得到以下一段代码： import urllib.request,os,hashlib; h = 'eb2297e1a458f27d836c04bb0cbaf282' + 'd0e7a30980927
  • 概念了解：CGI，FastCGI，PHP-CGI与PHP-FPM geeksun PHP
    CGI CGI全称是“公共网关接口”(Common Gateway Interface)，HTTP服务器与你的或其它机器上的程序进行“交谈”的一种工具，其程序须运行在网络服务器上。 CGI可以用任何一种语言编写，只要这种语言具有标准输入、输出和环境变量。如php,perl,tcl等。 FastCGI FastCGI像是一个常驻(long-live)型的CGI，它可以一直执行着，只要激活后，不
  • Git push 报错 "error: failed to push some refs to " 解决 hongtoushizi git
    Git push 报错 "error: failed to push some refs to " . 此问题出现的原因是：由于远程仓库中代码版本与本地不一致冲突导致的。 由于我在第一次git pull --rebase 代码后，准备push的时候，有别人往线上又提交了代码。所以出现此问题。 解决方案： 1： git pull    2：
  • 第四章 Lua模块开发 jinnianshilongnian nginxlua
    在实际开发中，不可能把所有代码写到一个大而全的lua文件中，需要进行分模块开发；而且模块化是高性能Lua应用的关键。使用require第一次导入模块后，所有Nginx 进程全局共享模块的数据和代码，每个Worker进程需要时会得到此模块的一个副本（Copy-On-Write），即模块可以认为是每Worker进程共享而不是每Nginx Server共享；另外注意之前我们使用init_by_lua中初
  • java.lang.reflect.Proxy liyonghui160com
      1.简介   Proxy 提供用于创建动态代理类和实例的静态方法 （1）动态代理类的属性 代理类是公共的、最终的，而不是抽象的 未指定代理类的非限定名称。但是，以字符串 "$Proxy" 开头的类名空间应该为代理类保留 代理类扩展 java.lang.reflect.Proxy 代理类会按同一顺序准确地实现其创建时指定的接口
  • Java中getResourceAsStream的用法 pda158 java
    1.Java中的getResourceAsStream有以下几种： 1. Class.getResourceAsStream(String path) ： path 不以’/'开头时默认是从此类所在的包下取资源，以’/'开头则是从ClassPath根下获取。其只是通过path构造一个绝对路径，最终还是由ClassLoader获取资源。 　　2. Class.getClassLoader.get
  • spring 包官方下载地址（非maven） sinnk spring
    SPRING官方网站改版后，建议都是通过 Maven和Gradle下载，对不使用Maven和Gradle开发项目的，下载就非常麻烦，下给出Spring Framework jar官方直接下载路径:   http://repo.springsource.org/libs-release-local/org/springframework/spring/   s
  • Oracle学习笔记(7) 开发PLSQL子程序和包 vipbooks oraclesql编程
        哈哈，清明节放假回去了一下，真是太好了，回家的感觉真好啊！现在又开始出差之旅了，又好久没有来了，今天继续Oracle的学习！      这是第七章的学习笔记，学习完第六章的动态SQL之后，开始要学习子程序和包的使用了……，希望大家能多给俺一些支持啊！     编程时使用的工具是PLSQL
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他