- 计算机视觉中图像的基础认知
全栈你个大西瓜
人工智能计算机视觉人工智能图像基本属性RGB三通道彩色单通道灰度图像OpenCVMatplotlib
第一章:计算机视觉中图像的基础认知第二章:计算机视觉:卷积神经网络(CNN)基本概念(一)第三章:计算机视觉:卷积神经网络(CNN)基本概念(二)第四章:搭建一个经典的LeNet5神经网络一、图像/视频的基本属性在计算机视觉中,图像和视频的本质是多维数值矩阵。图像或视频数据的一些基本属性。宽度(W)和高度(H)定义了图像的像素分辨率,单位通常是像素。例如,一张1920x1080的图像有1920列(
- 【深度学习】计算机视觉(CV)-图像分类-ResNet(Residual Network,残差网络)
IT古董
深度学习人工智能深度学习计算机视觉分类
ResNet(ResidualNetwork,残差网络)是一种深度卷积神经网络(CNN)架构,由何恺明(KaimingHe)等人在2015年提出,最初用于ImageNet竞赛,并在分类任务上取得了冠军。ResNet的核心思想是残差学习(ResidualLearning),它通过跳跃连接(SkipConnections)解决了深度神经网络训练中的梯度消失和梯度爆炸问题,使得非常深的网络(如50层、1
- Python 循环神经网络(RNN)算法详解与应用案例
闲人编程
pythonpythonrnn算法循环神经网络深度学习文本生成
目录Python循环神经网络(RNN)算法详解与应用案例引言一、RNN的基本原理1.1RNN的结构1.2RNN的优势与挑战二、Python中RNN的面向对象实现2.1`RNNCell`类的实现2.2`RNNModel`类的实现2.3`Trainer`类的实现三、案例分析3.1序列预测3.1.1数据准备3.1.2模型训练3.1.3结果分析3.2文本生成3.2.1数据准备3.2.2模型训练3.2.3文
- DeepSeek 混合专家(MoE)架构技术原理剖析
计算机学长
通用大语言模型人工智能架构
DeepSeek混合专家(MoE)架构技术原理剖析在人工智能快速发展的当下,大规模语言模型不断突破创新,DeepSeek混合专家(MoE)架构脱颖而出,成为业内关注焦点。本文将深入剖析其技术原理,为大家揭开它的神秘面纱。一、MoE架构概述(一)基本概念混合专家(MixtureofExperts,MoE)架构,简单来说,就像是一个专家团队。在这个团队里,每个专家都是一个小型神经网络,各自擅长处理特定
- 使用多模态大语言模型进行深度学习的图像、文本和语音数据增强
数行天下
人工智能语言模型深度学习人工智能自然语言处理
在过去的五年里,研究方向已从传统的机器学习(ML)和深度学习(DL)方法转向利用大语言模型(LLMs),包括多模态方法,用于数据增强,以提高泛化能力,并在训练深度卷积神经网络时防止过拟合。然而,现有的综述文章主要集中于机器学习和深度学习技术或有限的模态(如文本或图像),在涵盖LLM方法的最新进展和多模态应用方面仍存在空白。本文通过探索利用多模态LLMs进行图像、文本和语音数据增强的最新文献,填补了
- 全面解析:AI大模型入门教程,让你的学习之路不再迷茫,这个大模型学习路线非常详细收藏这篇就够了!
AGI大模型老王
人工智能学习大模型AI大模型大模型学习大模型教程大模型入门
前言AI大模型,作为当前人工智能领域的热点,凭借其强大的处理复杂数据和任务的能力,受到广泛的关注和应用。无论你是技术小白还是有一定基础的开发者,本教程都将带你从入门到实践,逐步掌握AI大模型的核心技术。基础知识大模型概述定义:AI大模型是一种拥有海量参数和强大计算能力的神经网络模型,能够处理复杂的数据和任务。应用:广泛应用于自然语言处理、图像识别、生成等领域。学习大模型的意义提升技术能力:掌握大模
- 神经网络常见激活函数 12-Swish函数
亲持红叶
神经网络常见激活函数神经网络机器学习人工智能
Swish函数+导函数Swish函数Swish(x)=x⋅σ(βx)=x1+e−βx\begin{aligned}\rmSwish(x)&=x\cdot\sigma(\betax)\\&=\frac{x}{1+e^{-\betax}}\end{aligned}Swish(x)=x⋅σ(βx)=1+e−βxxSwish函数导数ddxSwish=(x⋅σ(βx))′=σ(βx)+x⋅(σ(βx))′∵
- 【Stable Diffusion部署至GNU/Linux】安装流程
星星点点洲
stablediffusion
以下是安装StableDiffusion的步骤,以Ubuntu22.04LTS为例子。显卡与计算架构介绍CUDA是NVIDIAGPU的专用并行计算架构技术层级说明CUDAToolkit提供GPU编译器(nvcc)、数学库(cuBLAS)等开发工具cuDNN深度神经网络加速库(需单独下载)GPU驱动包含CUDADriver(需与CUDAToolkit版本匹配)CUDA与NIDIA:硬件指令集绑定:N
- 深度学习(1)-简单神经网络示例
yyc_audio
深度学习人工智能
我们来看一个神经网络的具体实例:使用Python的Keras库来学习手写数字分类。在这个例子中,我们要解决的问题是,将手写数字的灰度图像(28像素×28像素)划分到10个类别中(从0到9)。我们将使用MNIST数据集,图2-1给出了MNIST数据集的一些样本。在机器学习中,分类问题中的某个类别叫作类(class),数据点叫作样本(sample),与某个样本对应的类叫作标签(label)。你不需要现
- 人工智能的本质解构:从二进制桎梏到造物主悖论
Somnolence.·.·.·.
人工智能人工智能ai
一、数学牢笼中的困兽:人工智能的0-1本质人工智能的底层逻辑是数学暴力的具象化演绎。晶体管开关的物理震荡被抽象为布尔代数的0-1序列,冯·诺依曼架构将思维简化为存储器与运算器的机械对话。即使深度神经网络看似模拟人脑突触,其本质仍是矩阵乘法的迭代游戏——波士顿动力机器人的空翻动作不过是微分方程求解的物理引擎呈现,AlphaGo的围棋神话只是蒙特卡洛树搜索的概率统计。这种基于有限离散数学的架构,注定人
- 文本生成型人工智能:逻辑算法与文字组合的重构艺术
Somnolence.·.·.·.
人工智能人工智能算法重构人机交互aichatgpt
引言在数字化浪潮的推动下,文本生成型人工智能(如GPT系列、Claude、Deepseek等)正逐步从技术工具演化为人类社会的"数字镜像"。其本质并非简单的文字堆砌,而是基于算法逻辑对海量语言数据的学习与重组。这一过程既模仿了人类的思维模式,又受制于技术基础设施的物理边界。以下从三个维度解析其运行逻辑与技术哲学。一、数据训练:从概率统计到仿生逻辑的跨越文本生成型AI的核心在于通过神经网络模型对语言
- 麒麟SoC的详细架构组成介绍
小蘑菇二号
麒麟
目录麒麟SoC的主要组成部分1.应用处理器(ApplicationProcessor,AP)2.图形处理单元(GPU)3.神经网络处理单元(NPU)4.图像信号处理器(ISP)5.调制解调器(Modem,基带芯片)6.多媒体编解码器7.安全模块8.连接模块9.存储控制器10.电源管理单元(PMIC)典型麒麟SoC示例Kirin9000总结麒麟(Kirin)是华为自主研发的一系列高性能系统级芯片(S
- AI 大模型创业:如何利用市场优势?
SuperAGI2025
计算机软件编程原理与应用实践javapythonjavascriptkotlingolang架构人工智能
AI大模型创业:如何利用市场优势?1.背景介绍随着人工智能技术的不断发展,大模型(LargeModels)在商业化应用中日益受到关注。大模型是指在特定领域中应用广泛、参数量巨大的神经网络模型,如BERT、GPT-3、DALL-E等。这些大模型通过在大规模数据集上进行预训练,具备强大的泛化能力和适应性,能够广泛应用于自然语言处理(NLP)、计算机视觉(CV)、生成对抗网络(GAN)等多个领域。然而,
- 字节跳动实习生和校招生内推
飞300
pythonjavascriptphp业界资讯算法
机器学习算法实习生-平台治理1、2026届硕士及以上学位在读,计算机等相关专业优先;2、有扎实的代码能力,熟悉深度学习/图神经网络/机器学习框架,如Pytorch、Tensorflow、DGL、Pyg、Sklearn等;3、熟悉机器学习/图学习/序列学习算法中的一项或者多项,如图建模、时序信号建模、节点/子图分类、社区挖掘、表征学习、自监督/半监督学习等,有一定深度和广度;4、熟悉相关算法在数据挖
- DQN的原理和代码实现
SmallerFL
NLP&机器学习DQN强化学习深度学习
文章目录1.概述2.DQN的训练步骤2.1初始化2.2训练循环2.3终止条件2.4评估3.代码示例1.概述深度Q网络(DeepQ-Network,DQN)是强化学习中的一种重要算法,由GoogleDeepMind于2013年提出。DQN结合了Q学习和深度学习,通过使用神经网络来近似Q值函数,解决了传统Q学习在高维状态空间中的问题。2.DQN的训练步骤2.1初始化环境:定义环境(例如,Atari游戏
- 【python语言应用】最新全流程Python编程、机器学习与深度学习实践技术应用(帮助你快速了解和入门 Python)
赵钰老师
python机器学习深度学习python机器学习深度学习数据分析人工智能
近年来,人工智能领域的飞速发展极大地改变了各个行业的面貌。当前最新的技术动态,如大型语言模型和深度学习技术的发展,展示了深度学习和机器学习技术的强大潜力,成为推动创新和提升竞争力的关键。特别是PyTorch,凭借其灵活性和高效性,成为科研人员和工程师的首选工具。理解和掌握深度学习的基础知识,深入了解其与经典机器学习算法的区别与联系,并系统掌握包括迁移学习、循环神经网络(RNN)、长短时记忆网络(L
- 点云从入门到精通技术详解100篇-基于 CBCT 与口内扫描数据的牙齿点云配准
格图素书
深度学习计算机视觉数学建模人工智能
目录前言国内外研究现状传统牙齿配准点云配准2牙齿数据的深度学习点云配准基础2.1牙齿数据获取方法2.1.1口腔印模2.1.2辐射成像2.1.3口内扫描2.2深度学习网络2.2.1全连接神经网络2.2.2卷积神经网络2.2.3孪生神经网络2.3点云数据配准基础2.3.1点云数据格式2.3.2点云旋转表达2.3.3传统点云配准方法3基于PCRNet的PCR-SA牙齿点云配准3.1CBCT-IOS牙齿配
- PyTorch入门实战:从零搭建你的第一个神经网络
不打滑的西瓜皮
机器学习深度学习人工智能神经网络pythonpytorchpycharm
目录一、PyTorch简介:为什么选择它?二、环境搭建:5分钟快速安装三、核心概念:张量与自动求导1.张量(Tensor):深度学习的数据基石2.自动求导(Autograd):神经网络训练的核心四、实战:手写数字识别(MNIST)1.数据集加载与预处理2.构建卷积神经网络(CNN)3.训练与评估五、下一步学习建议一、PyTorch简介:为什么选择它?PyTorch是当前最热门的深度学习框架之一,由
- 基于深度学习YOLOv8的海洋动物检测系统(Python+PySide6界面+训练代码)
深度学习&目标检测实战项目
深度学习YOLOpython目标检测人工智能开发语言
引言近年来,计算机视觉技术在各行各业中得到了广泛的应用,特别是在智能监控、自动驾驶、医疗诊断等领域。深度学习,尤其是卷积神经网络(CNN)的出现,极大地提高了计算机处理图像和视频的能力。在这一领域,YOLO(YouOnlyLookOnce)系列模型以其高效且准确的目标检测能力,成为了当下最为流行的深度学习模型之一。在海洋生物保护、海洋环境监测等应用中,快速识别和检测海洋动物种类对于科学研究和保护工
- Bengio新作Aaren:探索Transformer性能与RNN效率的融合
AI记忆
深度学习论文与相关应用transformerrnn深度学习AarenBengio
论文链接:https://arxiv.org/pdf/2405.13956一、摘要总结:本文提出了一种新的注意力机制,名为Aaren,它将注意力视为一种特殊的递归神经网络(RNN),能够高效地计算其多对一RNN输出。Aaren不仅能够并行训练,而且能够在推理时高效地更新新令牌,仅需要常数内存。实验表明,Aaren在四个流行的序列问题设置(强化学习、事件预测、时间序列分类和时间序列预测)的38个数据
- 发文新思路!双通道CNN的惊人突破,准确率接近100%!
沃恩智慧
深度学习人工智能cnn人工智能神经网络
双通道CNN作为一种创新的卷积神经网络架构,正引领深度学习领域的新趋势。其核心优势在于并行卷积层设计,能够同时处理更多特征信息,从而显著提升模型的特征表示能力和识别精度。这种架构不仅提高了计算效率,还有效降低了过拟合风险,使其在复杂视觉任务中表现卓越。例如,最新的研究提出了一种名为DDTransUNet的混合网络,结合了Transformer和CNN的优势,通过双分支编码器和双重注意力机制,有效解
- 基于华为自研NPU Ascend 910的TensorFlow 1.x训练脚本迁移和使能混合精度记录
Tianyi Li 1997
华为云tensorflow华为人工智能深度学习python
简介基于TesorFlow1.x以Sess.run形式搭建入门级——手写数字分类网络,并迁移到华为自研NPUAscend910,同时使能混合精度。硬件介绍华为自研NPUAscend910,即昇腾910AI处理器(简称NPU),根据官方介绍,是在2019年发布的人工智能(AI)专用的神经网络处理器,其算力高达256T,最新款算力高达310T,是业界主流芯片算力的2倍。当前业界大多数训练脚本基于Ten
- 超级实用!一个基于python的简化版深度学习框架,包括深度学习神经网络的设计和深度学习模型的设计,适用于中小型项目的开发和实现
大懒猫软件
深度学习python神经网络numpypytorch人工智能
一、运用Python技术开发深度学习框架需要具备的基础知识总结开发一个基于Python的深度学习框架是一个复杂的任务,需要具备多方面的基础知识。以下是一些关键领域的总结,帮助你更好地准备和理解开发深度学习框架所需的知识。1.Python编程基础语法和数据结构:掌握Python的基本语法、数据类型(如列表、字典、元组等)和控制流(如循环、条件语句等)。函数和模块:理解函数的定义和使用,以及如何组织代
- 焦损函数(Focal Loss)与RetinaNet目标检测模型详解
人工智能
焦损函数(FocalLoss)与RetinaNet目标检测模型详解阅读时长:19分钟发布时间:2025-02-14近日热文:全网最全的神经网络数学原理(代码和公式)直观解释欢迎关注知乎和公众号的专栏内容LLM架构专栏知乎LLM专栏知乎【柏企】公众号【柏企科技说】【柏企阅文】目前,精度最高的目标检测器大多基于由R-CNN推广的两阶段方法,即对稀疏的候选目标位置集应用分类器。相比之下,在规则、密集的可
- 一个AI应用的开发、上线流程解析
終不似少年遊*
人工智能ai应用ckptonnx模型文件部署推理
目录1.模型文件格式1.1CheckPoint(ckpt)文件格式1.2.pth文件格式1.3.mindir文件格式1.4.onnx文件格式2.推理(Inference)2.1.pth(PyTorch模型格式)2.2.mindir(MindSpore模型格式)2.3.onnx(开放神经网络交换格式)2.4实际例子:自动驾驶系统中的推理模块3.APP与网页4.运维中心与本地部署SDK5.RAG(Re
- 【深入探讨 ResNet:解决深度神经网络训练问题的革命性架构】
机器学习司猫白
深度学习人工智能resnet神经网络残差
深入探讨ResNet:解决深度神经网络训练问题的革命性架构随着深度学习的快速发展,卷积神经网络(CNN)已经成为图像识别、目标检测等计算机视觉任务的主力军。然而,随着网络层数的增加,训练深层网络变得愈加困难,主要问题是“梯度消失”和“梯度爆炸”问题。幸运的是,ResNet(ResidualNetworks)通过引入“残差学习”概念,成功地解决了这些问题,极大地推动了深度学习的发展。本文将详细介绍R
- LowCode 低代码平台集成 AI 大模型会产生怎样的化学反应?
AI天才研究院
DeepSeekR1&大数据AI人工智能大模型架构师必知必会系列ChatGPT低代码人工智能
LowCode低代码平台集成AI大模型会产生怎样的化学反应?低代码平台(LowCodePlatform)是一种新型的应用开发方式,它将应用开发的过程简化为“拖拽组件、配置属性、生成代码”的方式,使得应用开发变得更加简单和快捷。而AI大模型(AIBigModel)则是一种利用深度学习技术构建的大规模神经网络,它可以对海量数据进行训练和预测,从而实现各种智能化的应用。本文将探讨低代码平台集成AI大模型
- 【机器学习】探索未来科技的前沿:人工智能、机器学习与大模型
E绵绵
Everything人工智能科技机器学习大模型pythonAIGC应用
文章目录引言一、人工智能:从概念到现实1.1人工智能的定义1.2人工智能的发展历史1.3人工智能的分类1.4人工智能的应用二、机器学习:人工智能的核心技术2.1机器学习的定义2.2机器学习的分类2.3机器学习的实现原理2.4机器学习的应用2.5机器学习的示例代码2.6解释代码三、大模型:推动AI前沿发展的关键技术3.1大模型的定义3.2大模型的发展历程3.3深度学习与神经网络3.4大模型的优势与挑
- 26、深度学习-自学之路-NLP自然语言处理-理解加程序,怎么把现实的词翻译给机器识别。
小宇爱
深度学习-自学之路深度学习自然语言处理人工智能
一、怎么能让机器能够理解我们的语言呢,我们可以利用神经网络干很多的事情,那么我们是不是也可以用神经元做自然语言处理呢,现在很多的实际应用已经说明了这个问题,可以这么做。那我们考虑一下该怎么做,首先我们应该把我们现实中的每一个单词都用一个词向量来进行表示:importnumpyasnponehots={}onehots['cat']=np.array([1,0,0,0])onehots['the']
- 25、深度学习-自学之路-卷积神经网络基于MNIST数据集的程序展示
小宇爱
深度学习-自学之路深度学习cnn人工智能
importkeras#添加Keraskuimportsys,numpyasnpfromkeras.utilsimportnp_utilsimportosfromkeras.datasetsimportmnistprint("licheng:"+"20"+'\n')np.random.seed(1)(x_train,y_train),(x_test,y_test)=mnist.load_data(
- Java序列化进阶篇
g21121
java序列化
1.transient
类一旦实现了Serializable 接口即被声明为可序列化,然而某些情况下并不是所有的属性都需要序列化,想要人为的去阻止这些属性被序列化,就需要用到transient 关键字。
- escape()、encodeURI()、encodeURIComponent()区别详解
aigo
JavaScriptWeb
原文:http://blog.sina.com.cn/s/blog_4586764e0101khi0.html
JavaScript中有三个可以对字符串编码的函数,分别是: escape,encodeURI,encodeURIComponent,相应3个解码函数:,decodeURI,decodeURIComponent 。
下面简单介绍一下它们的区别
1 escape()函
- ArcgisEngine实现对地图的放大、缩小和平移
Cb123456
添加矢量数据对地图的放大、缩小和平移Engine
ArcgisEngine实现对地图的放大、缩小和平移:
个人觉得是平移,不过网上的都是漫游,通俗的说就是把一个地图对象从一边拉到另一边而已。就看人说话吧.
具体实现:
一、引入命名空间
using ESRI.ArcGIS.Geometry;
using ESRI.ArcGIS.Controls;
二、代码实现.
- Java集合框架概述
天子之骄
Java集合框架概述
集合框架
集合框架可以理解为一个容器,该容器主要指映射(map)、集合(set)、数组(array)和列表(list)等抽象数据结构。
从本质上来说,Java集合框架的主要组成是用来操作对象的接口。不同接口描述不同的数据类型。
简单介绍:
Collection接口是最基本的接口,它定义了List和Set,List又定义了LinkLi
- 旗正4.0页面跳转传值问题
何必如此
javajsp
跳转和成功提示
a) 成功字段非空forward
成功字段非空forward,不会弹出成功字段,为jsp转发,页面能超链接传值,传输变量时需要拼接。接拼接方式list.jsp?test="+strweightUnit+"或list.jsp?test="+weightUnit+&qu
- 全网唯一:移动互联网服务器端开发课程
cocos2d-x小菜
web开发移动开发移动端开发移动互联程序员
移动互联网时代来了! App市场爆发式增长为Web开发程序员带来新一轮机遇,近两年新增创业者,几乎全部选择了移动互联网项目!传统互联网企业中超过98%的门户网站已经或者正在从单一的网站入口转向PC、手机、Pad、智能电视等多端全平台兼容体系。据统计,AppStore中超过85%的App项目都选择了PHP作为后端程
- Log4J通用配置|注意问题 笔记
7454103
DAOapachetomcatlog4jWeb
关于日志的等级 那些去 百度就知道了!
这几天 要搭个新框架 配置了 日志 记下来 !做个备忘!
#这里定义能显示到的最低级别,若定义到INFO级别,则看不到DEBUG级别的信息了~!
log4j.rootLogger=INFO,allLog
# DAO层 log记录到dao.log 控制台 和 总日志文件
log4j.logger.DAO=INFO,dao,C
- SQLServer TCP/IP 连接失败问题 ---SQL Server Configuration Manager
darkranger
sqlcwindowsSQL ServerXP
当你安装完之后,连接数据库的时候可能会发现你的TCP/IP 没有启动..
发现需要启动客户端协议 : TCP/IP
需要打开 SQL Server Configuration Manager...
却发现无法打开 SQL Server Configuration Manager..??
解决方法: C:\WINDOWS\system32目录搜索framedyn.
- [置顶] 做有中国特色的程序员
aijuans
程序员
从出版业说起 网络作品排到靠前的,都不会太难看,一般人不爱看某部作品也是因为不喜欢这个类型,而此人也不会全不喜欢这些网络作品。究其原因,是因为网络作品都是让人先白看的,看的好了才出了头。而纸质作品就不一定了,排行榜靠前的,有好作品,也有垃圾。 许多大牛都是写了博客,后来出了书。这些书也都不次,可能有人让为不好,是因为技术书不像小说,小说在读故事,技术书是在学知识或温习知识,有些技术书读得可
- document.domain 跨域问题
avords
document
document.domain用来得到当前网页的域名。比如在地址栏里输入:javascript:alert(document.domain); //www.315ta.com我们也可以给document.domain属性赋值,不过是有限制的,你只能赋成当前的域名或者基础域名。比如:javascript:alert(document.domain = "315ta.com");
- 关于管理软件的一些思考
houxinyou
管理
工作好多看年了,一直在做管理软件,不知道是我最开始做的时候产生了一些惯性的思维,还是现在接触的管理软件水平有所下降.换过好多年公司,越来越感觉现在的管理软件做的越来越乱.
在我看来,管理软件不论是以前的结构化编程,还是现在的面向对象编程,不管是CS模式,还是BS模式.模块的划分是很重要的.当然,模块的划分有很多种方式.我只是以我自己的划分方式来说一下.
做为管理软件,就像现在讲究MVC这
- NoSQL数据库之Redis数据库管理(String类型和hash类型)
bijian1013
redis数据库NoSQL
一.Redis的数据类型
1.String类型及操作
String是最简单的类型,一个key对应一个value,string类型是二进制安全的。Redis的string可以包含任何数据,比如jpg图片或者序列化的对象。
Set方法:设置key对应的值为string类型的value
- Tomcat 一些技巧
征客丶
javatomcatdos
以下操作都是在windows 环境下
一、Tomcat 启动时配置 JAVA_HOME
在 tomcat 安装目录,bin 文件夹下的 catalina.bat 或 setclasspath.bat 中添加
set JAVA_HOME=JAVA 安装目录
set JRE_HOME=JAVA 安装目录/jre
即可;
二、查看Tomcat 版本
在 tomcat 安装目
- 【Spark七十二】Spark的日志配置
bit1129
spark
在测试Spark Streaming时,大量的日志显示到控制台,影响了Spark Streaming程序代码的输出结果的查看(代码中通过println将输出打印到控制台上),可以通过修改Spark的日志配置的方式,不让Spark Streaming把它的日志显示在console
在Spark的conf目录下,把log4j.properties.template修改为log4j.p
- Haskell版冒泡排序
bookjovi
冒泡排序haskell
面试的时候问的比较多的算法题要么是binary search,要么是冒泡排序,真的不想用写C写冒泡排序了,贴上个Haskell版的,思维简单,代码简单,下次谁要是再要我用C写冒泡排序,直接上个haskell版的,让他自己去理解吧。
sort [] = []
sort [x] = [x]
sort (x:x1:xs)
| x>x1 = x1:so
- java 路径 配置文件读取
bro_feng
java
这几天做一个项目,关于路径做如下笔记,有需要供参考。
取工程内的文件,一般都要用相对路径,这个自然不用多说。
在src统计目录建配置文件目录res,在res中放入配置文件。
读取文件使用方式:
1. MyTest.class.getResourceAsStream("/res/xx.properties")
2. properties.load(MyTest.
- 读《研磨设计模式》-代码笔记-简单工厂模式
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/
package design.pattern;
/*
* 个人理解:简单工厂模式就是IOC;
* 客户端要用到某一对象,本来是由客户创建的,现在改成由工厂创建,客户直接取就好了
*/
interface IProduct {
- SVN与JIRA的关联
chenyu19891124
SVN
SVN与JIRA的关联一直都没能装成功,今天凝聚心思花了一天时间整合好了。下面是自己整理的步骤:
一、搭建好SVN环境,尤其是要把SVN的服务注册成系统服务
二、装好JIRA,自己用是jira-4.3.4破解版
三、下载SVN与JIRA的插件并解压,然后拷贝插件包下lib包里的三个jar,放到Atlassian\JIRA 4.3.4\atlassian-jira\WEB-INF\lib下,再
- JWFDv0.96 最新设计思路
comsci
数据结构算法工作企业应用公告
随着工作流技术的发展,工作流产品的应用范围也不断的在扩展,开始进入了像金融行业(我已经看到国有四大商业银行的工作流产品招标公告了),实时生产控制和其它比较重要的工程领域,而
- vi 保存复制内容格式粘贴
daizj
vi粘贴复制保存原格式不变形
vi是linux中非常好用的文本编辑工具,功能强大无比,但对于复制带有缩进格式的内容时,粘贴的时候内容错位很严重,不会按照复制时的格式排版,vi能不能在粘贴时,按复制进的格式进行粘贴呢? 答案是肯定的,vi有一个很强大的命令可以实现此功能 。
在命令模式输入:set paste,则进入paste模式,这样再进行粘贴时
- shell脚本运行时报错误:/bin/bash^M: bad interpreter 的解决办法
dongwei_6688
shell脚本
出现原因:windows上写的脚本,直接拷贝到linux系统上运行由于格式不兼容导致
解决办法:
1. 比如文件名为myshell.sh,vim myshell.sh
2. 执行vim中的命令 : set ff?查看文件格式,如果显示fileformat=dos,证明文件格式有问题
3. 执行vim中的命令 :set fileformat=unix 将文件格式改过来就可以了,然后:w
- 高一上学期难记忆单词
dcj3sjt126com
wordenglish
honest 诚实的;正直的
argue 争论
classical 古典的
hammer 锤子
share 分享;共有
sorrow 悲哀;悲痛
adventure 冒险
error 错误;差错
closet 壁橱;储藏室
pronounce 发音;宣告
repeat 重做;重复
majority 大多数;大半
native 本国的,本地的,本国
- hibernate查询返回DTO对象,DTO封装了多个pojo对象的属性
frankco
POJOhibernate查询DTO
DTO-数据传输对象;pojo-最纯粹的java对象与数据库中的表一一对应。
简单讲:DTO起到业务数据的传递作用,pojo则与持久层数据库打交道。
有时候我们需要查询返回DTO对象,因为DTO
- Partition List
hcx2013
partition
Given a linked list and a value x, partition it such that all nodes less than x come before nodes greater than or equal to x.
You should preserve the original relative order of th
- Spring MVC测试框架详解——客户端测试
jinnianshilongnian
上一篇《Spring MVC测试框架详解——服务端测试》已经介绍了服务端测试,接下来再看看如果测试Rest客户端,对于客户端测试以前经常使用的方法是启动一个内嵌的jetty/tomcat容器,然后发送真实的请求到相应的控制器;这种方式的缺点就是速度慢;自Spring 3.2开始提供了对RestTemplate的模拟服务器测试方式,也就是说使用RestTemplate测试时无须启动服务器,而是模拟一
- 关于推荐个人观点
liyonghui160com
推荐系统关于推荐个人观点
回想起来,我也做推荐了3年多了,最近公司做了调整招聘了很多算法工程师,以为需要多么高大上的算法才能搭建起来的,从实践中走过来,我只想说【不是这样的】
第一次接触推荐系统是在四年前入职的时候,那时候,机器学习和大数据都是没有的概念,什么大数据处理开源软件根本不存在,我们用多台计算机web程序记录用户行为,用.net的w
- 不间断旋转的动画
pangyulei
动画
CABasicAnimation* rotationAnimation;
rotationAnimation = [CABasicAnimation animationWithKeyPath:@"transform.rotation.z"];
rotationAnimation.toValue = [NSNumber numberWithFloat: M
- 自定义annotation
sha1064616837
javaenumannotationreflect
对象有的属性在页面上可编辑,有的属性在页面只可读,以前都是我们在页面上写死的,时间一久有时候会混乱,此处通过自定义annotation在类属性中定义。越来越发现Java的Annotation真心很强大,可以帮我们省去很多代码,让代码看上去简洁。
下面这个例子 主要用到了
1.自定义annotation:@interface,以及几个配合着自定义注解使用的几个注解
2.简单的反射
3.枚举
- Spring 源码
up2pu
spring
1.Spring源代码
https://github.com/SpringSource/spring-framework/branches/3.2.x
注:兼容svn检出
2.运行脚本
import-into-eclipse.bat
注:需要设置JAVA_HOME为jdk 1.7
build.gradle
compileJava {
sourceCompatibilit
- 利用word分词来计算文本相似度
yangshangchuan
wordword分词文本相似度余弦相似度简单共有词
word分词提供了多种文本相似度计算方式:
方式一:余弦相似度,通过计算两个向量的夹角余弦值来评估他们的相似度
实现类:org.apdplat.word.analysis.CosineTextSimilarity
用法如下:
String text1 = "我爱购物";
String text2 = "我爱读书";
String text3 =