- 文心大模型及百度大模型内容安全平台齐获信通院大模型安全认证
百度安全
百度安全
近日,文心大模型与百度大模型内容安全平台——红线大模型双双荣获中国信息通信研究院泰尔认证中心颁发的“大规模预训练模型(文本生成功能)安全认证证书”,且二者的认证级别皆“增强级”的最高级别。大规模预训练模型(文本生成功能)安全认证证书本次认证基于《电信和互联网大规模预训练模型安全评测指标和方法》(TLC073-2024),此标准由中国信息通信研究院牵头制定,旨在为大规模预训练模型提供安全评测的风险项
- 机器学习路径规划中的 net 和 netlist 分别是什么?
勤奋的大熊猫
MachineLearning机器学习人工智能自动寻路
机器学习路径规划中的net是什么?引言正文net含义netlist含义引言当我们使用机器学习训练自己的模型来进行自动寻路时,通常,我们会遇到一个名为net的词语,这里我们将对这个单词的意思进行解释。正文net含义net:中文翻译为网络,在机器学习中其中文应该翻译为连线任务。通常在连线任务中我们需要将给定的两个端点连接起来。比如给定的端点为:self.netlist=[('mmi:out1','mm
- Mamba-YOLOv8深度解析:基于状态空间模型的下一代目标检测架构(含完整代码与实战部署)文末含资料链接!
博导ai君
深度学习教学-附源码YOLO目标检测架构
文章目录前言一、技术背景与动机1.1传统架构的局限性1.2Mamba的创新优势二、Mamba-YOLOv8架构详解2.1整体架构设计2.2核心模块:VSSblock2.3SS2D模块工作原理三、完整实现流程3.1环境配置3.2代码集成步骤3.3训练与微调四、性能分析与优化4.1精度提升策略4.2推理加速方案4.3硬件适配技巧五、实战案例:无人机航拍检测5.1数据集准备5.2模型训练与评估六、未来研
- 制作一款打飞机游戏65:时间表修正
摩卡哈哈哈
游戏关卡设计
Boss阶段:我们还没有创建Boss,因此Boss阶段和Boss召唤小弟的问题还没有解决。敌人同步移动:敌人需要与背景地面同步移动,这可能需要一些调整。其他小修正:还有一些小问题需要修复,比如敌人的溅射效果等。我们将这些问题标记为“最终修正”,并将它们移到下一个目标中。我列出了一个详细的待办事项列表,并尝试将它们结构化,以便更清楚地知道我们在程序的哪些部分工作。特殊能力:游戏似乎有
- DB2中合理使用INCLUDE关键字创建索引
szial
DB2数据库DB2
DB2中合理使用INCLUDE关键字创建索引1.为何还需要INCLUDE?——从索引的两大痛点说起查询想“只读索引不回表”,却又不想把列都做键→联合索引空间膨胀,更新放大。唯一索引定位快,但只能返回键列数据→仍需I/O跳回数据页。INCLUDE的意义就在于:在保持唯一键简洁的同时,再带几列数据放进索引叶子页,让查询可以“即取即用”而不访问表。2.三个核心概念先厘清名称作用关键特征唯一索引(UNIQ
- Kimi Audio一个通用的音频基础模型处理各种任务如自动语音识别(ASR)、音频问答(AQA)、自动音频字幕(AAC)、语音情感识别(SER)、声音事件/场景分类(SEC/ASC)和端到端语音对话
skywalk8163
人工智能xcodeidekaggleKimiAudio
KimiAudio被设计为一个通用的音频基础模型,能够在一个统一的框架内处理各种音频处理任务。主要功能包括:通用功能:处理各种任务,如自动语音识别(ASR)、音频问答(AQA)、自动音频字幕(AAC)、语音情感识别(SER)、声音事件/场景分类(SEC/ASC)和端到端语音对话。最先进的性能:在众多音频基准测试中取得SOTA结果(见评估和技术报告)。大规模预训练:对超过1300万小时的各种音频数据
- 「日拱一码」017 深度学习常用库——TensorFlow
目录基础操作张量操作:tf.constant用于创建常量张量tf.Variable用于创建可训练的变量张量tf.reshape可改变张量的形状tf.concat可将多个张量沿指定维度拼接tf.split则可将张量沿指定维度分割数学运算:tf.add张量的加运算tf.subtract张量的减运算tf.multiply张量的乘运算tf.divide张量的除运算tf.pow计算张量的幂tf.sqrt计算
- OpenCV中超分辨率(Super Resolution)模块类cv::dnn_superres::DnnSuperResImpl
村北头的码农
OpenCVopencvdnn人工智能
操作系统:ubuntu22.04OpenCV版本:OpenCV4.9IDE:VisualStudioCode编程语言:C++11算法描述OpenCV中超分辨率(SuperResolution)模块的一个内部实现类。它属于dnn_superres模块,用于加载和运行基于深度学习的图像超分辨率模型。这个类是OpenCV中用于执行深度学习超分辨率推理的主要类。你可以用它来加载预训练的超分辨率模型(如ED
- 【AI大模型面试八股文】大模型训练中如何应对灾难性遗忘问题?
一叶千舟
AI大模型应用【八股文】人工智能深度学习
目录✅面试回答模板:一、什么是灾难性遗忘?举个通俗的例子:二、灾难性遗忘是怎么发生的?常见触发情境:三、我们为什么要关注灾难性遗忘?四、主流解决方案汇总✅1.固定部分参数(FeatureExtraction)✅2.正则化策略(Regularization)✅3.回放机制(Rehearsal/Replay)✅4.参数隔离(ParameterIsolation)✅5.使用提示学习(PromptLear
- 循环神经网络(RNN):序列数据处理的强大工具
LNL13
rnn人工智能深度学习
在人工智能和机器学习的广阔领域中,处理和理解序列数据一直是一个重要且具有挑战性的任务。循环神经网络(RecurrentNeuralNetwork,RNN)作为一类专门设计用于处理序列数据的神经网络,在诸多领域展现出了强大的能力。从自然语言处理中的文本生成、机器翻译,到时间序列分析中的股票价格预测、天气预测等,RNN都发挥着关键作用。本文将深入探讨RNN的工作原理、架构特点、训练方法、常见类型以及其
- AI大模型探索之路-训练篇15:大语言模型预训练之全量参数微调
寻道AI小兵
AI大模型预训练微调进阶AIGC人工智能语言模型自然语言处理pythonAI编程agi
系列篇章AI大模型探索之路-训练篇1:大语言模型微调基础认知AI大模型探索之路-训练篇2:大语言模型预训练基础认知AI大模型探索之路-训练篇3:大语言模型全景解读AI大模型探索之路-训练篇4:大语言模型训练数据集概览AI大模型探索之路-训练篇5:大语言模型预训练数据准备-词元化AI大模型探索之路-训练篇6:大语言模型预训练数据准备-预处理AI大模型探索之路-训练篇7:大语言模型Transforme
- BERT(Bidirectional Encoder Representations from Transformers)
jerwey
bert人工智能深度学习
BERT(BidirectionalEncoderRepresentationsfromTransformers)是由Google于2018年提出的一种基于Transformer架构的预训练语言模型,属于大型语言模型(LLM)的一种重要类型。其核心特点和技术定位如下:1.核心架构Encoder-Only结构:BERT仅使用Transformer的编码器(Encoder),通过多层堆叠捕捉文本的双向
- 大语言模型(LLM)按架构分类
jerwey
语言模型分类人工智能
大语言模型(LLM)按架构分类的深度解析1.仅编码器架构(Encoder-Only)原理双向注意力机制:通过Transformer编码器同时捕捉上下文所有位置的依赖关系#伪代码示例:BERT的MLM任务masked_input="The[MASK]satonthemat"output=encoder(masked_input)#预测[MASK]="cat"预训练任务:掩码语言建模(MLM):随机遮
- 【读代码】PDF-Extract-Kit深度解析:最好用的RAG开源PDF解析工具
kakaZhui
pdfAIGC大模型RAGAgentDeepSeek
一、基本介绍PDF-Extract-Kit是由OpenDataLab推出的开源工具包,专注于解决复杂PDF文档的内容解析难题。该项目集成了当前最先进的文档解析模型,通过模块化设计实现灵活的功能组合,支持布局检测、公式识别、表格解析等多项核心功能。其最大特点在于:多模态解析能力:支持文字、公式、表格、图像等元素的联合解析工业级鲁棒性:在模糊扫描件、水印文档等复杂场景下仍保持高准确率开箱即用体验:提供
- 【EI复现】基于深度强化学习的微能源网能量管理与优化策略研究(Python代码实现)
欢迎来到本博客❤️❤️博主优势:博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。⛳️座右铭:行百里者,半于九十。本文目录如下:目录1概述一、微能源网能量管理的基本概念与核心需求二、深度强化学习(DRL)在微能源网中的应用优势三、关键技术挑战四、现有基于DRL的优化策略案例五、相关研究文档的典型结构与撰写规范六、结论与未来方向2运行结果2.1有/无策略奖励2.2训练结果12.2训练结果23参考文献
- 使用 Ollama 部署 Deepseek
想知道哇
大语言模型人工智能语言模型
使用Ollama部署Deepseek模型Ollama与传统部署方法的主要区别特性传统部署方法(之前的文章)Ollama方法部署复杂度高(需要手动设置环境、依赖和量化)低(简化的命令行界面)技术要求需要Python和机器学习库知识基本命令行知识即可灵活性高度可定制(训练参数、模型结构等)相对较低,但足够大多数使用场景资源管理手动管理(需自行优化内存使用)自动处理(内置优化)API集成需要自行实现内置
- 第G1周:生成对抗网络(GAN)入门
本文为365天深度学习训练营原作者:K同学啊基础任务:1.了解什么是生成对抗网络2.生成对抗网络结构是怎么样的3.学习本文代码,并跑通代码进阶任务:调用训练好的模型生成新图像一、理论基础生成对抗网络(GenerativeAdversarialNetworks,GAN)是近年来深度学习领域的一个热点方向。GAN并不指代某一个具体的神经网络,而是指一类基于博弈思想而设计的神经网络。GAN由两个分别被称
- YOLOv11安全检测项目_人员、安全帽、安全服、普通服装、头部、模糊服装、模糊头部目标检测
qq1309399183
计算机视觉实战项目集合YOLO目标检测人工智能深度学习计算机视觉
YOLOv10与YOLOv11安全检测项目项目概述Safety本项目基于SF数据集(50,559张图像/7类别)对YOLOv10和YOLOv11模型进行对比研究,重点优化安全帽、安全服及模糊目标的工业场景检测性能。核心要素组件配置说明模型架构YOLOv10vsYOLOv11双模型对比数据集[SF)检测类别人员、安全帽、安全服、普通服装、头部、模糊服装、模糊头部训练参数•迭代周期:100epochs
- AI大模型定义与应用概述
水云桐程序员
人工智能ai大模型
AI大模型,也成为基础模型或大规模预训练模型,指的是在海量数据上通过深度学习技术进行预训练的超大型人工智能模型。常见类型大型语言模型:这是目前最主流和成熟的大模型类型。擅长文本生成、文本理解、机器翻译、对话系统、代码生成与解释等。代表案例:GPT系列、通义千问、文心一言、KimiChat等。多模态大模型:擅长同时处理和生成多种模态的信息,如文生图、图生文、图文问答、视频理解、音频生成等。代表案例:
- 人工智能训练知识学习-TTS(智能语音合成)
笨鸟笃行
人工智能学习
人机对话——TTS(TextToSpeech)概念:TTS技术,即文本转语音技术,是一种将文字内容转换为语音输出的技术。它通过计算机程序和算法,将文本信息转化为自然流畅的语音信号,让用户能够听到文字内容,而无需手动阅读。(即将文本转换为语音输出)TTS技术的工作原理(一)文本预处理当TTS系统接收到一段文本输入时,首先会对文本进行预处理。这包括分词、词性标注、语义理解等操作。例如,在中文文本中,系
- DeepSpeed zero1,zero2,zero3和FSDP区别详解
ALGORITHM LOL
python分布式
1.基本概念DeepSpeedZeROZeRO是由MicrosoftDeepSpeed团队开发的一种内存优化技术,旨在通过分片模型状态来训练超大模型,减少每个GPU的内存占用,同时避免传统模型并行(如张量并行或流水线并行)所需的代码修改。ZeRO分为三个阶段(Stage1、Stage2、Stage3),每阶段逐步增加分片的范围,从而进一步降低内存需求。FSDP(FullyShardedDataPa
- 计算机导论与计算机组成原理关系,计算机组成原理
一、课程简介课程中文名称:《计算机组成原理与汇编语言》课程英文名称:Computerprincipleandassemblylanguage课程编号:ZYB08003课程性质:专业必修课学时数:54学时(其中授课学时,课堂实验学时,讨论学时,自学学时)学分:3学分适用专业:计算机科学与技术课程的主要任务本课程的作用是通过课堂理论学习和实际操作训练,使学生掌握计算机硬件组成的基本原理、汇编语言程序设
- Day44
1.预训练概念:在大规模数据上训练模型学习通用知识,再迁移到下游任务微调2.常见模型:图像有AlexNet、ResNet、ViT;NLP有BERT、GPT3.图像模型发展:从手工特征到深度学习,从CNN到Transformer、多模态4.预训练策略:数据增强、自监督/监督训练、模型微调、多模态学习作业1.importtorchimporttorch.nnasnnimporttorch.optima
- 百度文心大模型 4.5 系列全面开源 英特尔同步支持端侧部署
2025年6月30日,百度如期兑现2月14日的预告,正式开源文心大模型4.5(ERNIE4.5)系列,涵盖10款不同参数规模的模型,包括470亿参数混合专家(MoE)模型、30亿参数MoE模型及3亿参数稠密型模型,实现预训练权重与推理代码的完全开放。这一举措标志着国内大模型技术向生态化、普惠化迈出关键一步。开源矩阵与授权机制:兼顾商业应用与技术共享文心大模型4.5系列基于ApacheLicense
- 百度文心大模型4.5系列正式开源,开源会给百度带来什么?
6月30日,百度正式开源文心大模型4.5系列模型,百度的大动作我们该如何分析呢?首先,从平台经济与网络效应的角度来看,百度开源文心大模型4.5系列有助于迅速扩大用户基础,增强开发者粘性,构建以飞桨为核心的技术生态。接入用户越多,数据反馈越丰富,模型迭代越快,形成“技术—用户—数据”的正向循环,提升生态壁垒。其次,从成本分摊与创新激励的角度来看,开源能有效降低百度在模型后训练、部署等环节的边际成本,
- 【大模型面试】大模型Prompt Engineer面试题及参考答案
大模型知识
prompt人工智能开发语言pythonchatgpt深度学习大模型
一、基础概念类1.什么是大模型?大模型通常指具有庞大参数规模的机器学习模型,尤其是在自然语言处理(NLP)和计算机视觉等领域。这些模型能够学习到大量数据中的复杂模式和特征,具备强大的泛化能力,可在多种任务上表现出色,如GPT系列、BERT等。2.大模型与传统机器学习模型的区别是什么?传统机器学习模型参数规模相对较小,往往针对特定任务进行设计和训练,需要较多人工特征工程。而大模型参数数量庞大,通过在
- 大规模预训练语言模型的参数高效微调
人工智能咨询培训老师叶梓转载标明出处大规模预训练语言模型(PLMs)在特定下游任务上的微调和存储成本极高,这限制了它们在实际应用中的可行性。为了解决这一问题,来自清华大学和北京人工智能研究院的研究团队探索了一种优化模型中一小部分参数的方法,同时保持其他参数不变,以大幅降低计算和存储成本。研究团队提出了“delta-tuning”这一概念,将优化的参数部分称为“delta”,即在训练过程中被“改变”
- LLaVA-1.5:强大的多模态大模型(包含论文代码详解)
Sherlock Ma
AIGC多模态大模型pythonaiAIGC人工智能深度学习
1.概述LLaVA是一个由威斯康星大学麦迪逊分校、微软研究院和哥伦比亚大学的研究人员开发的大型语言和视觉助手。它是一个端到端训练的大型多模态模型,结合了视觉编码器和语言模型,用于通用的视觉和语言理解。微软研究院、威斯康星大学的研究人员在LLaVA基础之上,继续开源了LLaVA-1.5版本。与前一代相比,LLaVA-1.5引入了跨模态连接器和特定格式的学术视觉问答数据集,全面提升了多模态理解和生成能
- Segment Anything in High Quality之SAM-HQ论文阅读
qq_41627642
深度学习论文阅读论文阅读
摘要最近的SegmentAnythingModel(SAM)在扩展分割模型规模方面取得了重大突破,具备强大的零样本能力和灵活的提示机制。尽管SAM在训练时使用了11亿个掩码,其掩码预测质量在许多情况下仍不理想,尤其是对于结构复杂的目标。我们提出了HQ-SAM,使SAM能够精确地分割任意目标,同时保留其原有的可提示设计、高效性和零样本泛化能力。我们的设计充分复用并保留了SAM预训练的模型权重,仅引入
- 代码随想录算法训练营第二十二天|LeetCode 77 组合,LeetCode 216 组合总和 III,LeetCode 450 删除二叉搜索树中的节点
二师兄呀1001
代码随想录算法训练营算法leetcode职场和发展
1.LeetCode77组合题目链接:77.组合classSolution:defcombine(self,n:int,k:int)->List[List[int]]:defbacktracking(n,k,startIndex,path,result):iflen(path)==k:result.append(path[:])returnforiinrange(startIndex,n-(k-l
- 多线程编程之卫生间
周凡杨
java并发卫生间线程厕所
如大家所知,火车上车厢的卫生间很小,每次只能容纳一个人,一个车厢只有一个卫生间,这个卫生间会被多个人同时使用,在实际使用时,当一个人进入卫生间时则会把卫生间锁上,等出来时打开门,下一个人进去把门锁上,如果有一个人在卫生间内部则别人的人发现门是锁的则只能在外面等待。问题分析:首先问题中有两个实体,一个是人,一个是厕所,所以设计程序时就可以设计两个类。人是多数的,厕所只有一个(暂且模拟的是一个车厢)。
- How to Install GUI to Centos Minimal
sunjing
linuxInstallDesktopGUI
http://www.namhuy.net/475/how-to-install-gui-to-centos-minimal.html
I have centos 6.3 minimal running as web server. I’m looking to install gui to my server to vnc to my server. You can insta
- Shell 函数
daizj
shell函数
Shell 函数
linux shell 可以用户定义函数,然后在shell脚本中可以随便调用。
shell中函数的定义格式如下:
[function] funname [()]{
action;
[return int;]
}
说明:
1、可以带function fun() 定义,也可以直接fun() 定义,不带任何参数。
2、参数返回
- Linux服务器新手操作之一
周凡杨
Linux 简单 操作
1.whoami
当一个用户登录Linux系统之后,也许他想知道自己是发哪个用户登录的。
此时可以使用whoami命令。
[ecuser@HA5-DZ05 ~]$ whoami
e
- 浅谈Socket通信(一)
朱辉辉33
socket
在java中ServerSocket用于服务器端,用来监听端口。通过服务器监听,客户端发送请求,双方建立链接后才能通信。当服务器和客户端建立链接后,两边都会产生一个Socket实例,我们可以通过操作Socket来建立通信。
首先我建立一个ServerSocket对象。当然要导入java.net.ServerSocket包
ServerSock
- 关于框架的简单认识
西蜀石兰
框架
入职两个月多,依然是一个不会写代码的小白,每天的工作就是看代码,写wiki。
前端接触CSS、HTML、JS等语言,一直在用的CS模型,自然免不了数据库的链接及使用,真心涉及框架,项目中用到的BootStrap算一个吧,哦,JQuery只能算半个框架吧,我更觉得它是另外一种语言。
后台一直是纯Java代码,涉及的框架是Quzrtz和log4j。
都说学前端的要知道三大框架,目前node.
- You have an error in your SQL syntax; check the manual that corresponds to your
林鹤霄
You have an error in your SQL syntax; check the manual that corresponds to your MySQL server version for the right syntax to use near 'option,changed_ids ) values('0ac91f167f754c8cbac00e9e3dc372
- MySQL5.6的my.ini配置
aigo
mysql
注意:以下配置的服务器硬件是:8核16G内存
[client]
port=3306
[mysql]
default-character-set=utf8
[mysqld]
port=3306
basedir=D:/mysql-5.6.21-win
- mysql 全文模糊查找 便捷解决方案
alxw4616
mysql
mysql 全文模糊查找 便捷解决方案
2013/6/14 by 半仙
[email protected]
目的: 项目需求实现模糊查找.
原则: 查询不能超过 1秒.
问题: 目标表中有超过1千万条记录. 使用like '%str%' 进行模糊查询无法达到性能需求.
解决方案: 使用mysql全文索引.
1.全文索引 : MySQL支持全文索引和搜索功能。MySQL中的全文索
- 自定义数据结构 链表(单项 ,双向,环形)
百合不是茶
单项链表双向链表
链表与动态数组的实现方式差不多, 数组适合快速删除某个元素 链表则可以快速的保存数组并且可以是不连续的
单项链表;数据从第一个指向最后一个
实现代码:
//定义动态链表
clas
- threadLocal实例
bijian1013
javathreadjava多线程threadLocal
实例1:
package com.bijian.thread;
public class MyThread extends Thread {
private static ThreadLocal tl = new ThreadLocal() {
protected synchronized Object initialValue() {
return new Inte
- activemq安全设置—设置admin的用户名和密码
bijian1013
javaactivemq
ActiveMQ使用的是jetty服务器, 打开conf/jetty.xml文件,找到
<bean id="adminSecurityConstraint" class="org.eclipse.jetty.util.security.Constraint">
<p
- 【Java范型一】Java范型详解之范型集合和自定义范型类
bit1129
java
本文详细介绍Java的范型,写一篇关于范型的博客原因有两个,前几天要写个范型方法(返回值根据传入的类型而定),竟然想了半天,最后还是从网上找了个范型方法的写法;再者,前一段时间在看Gson, Gson这个JSON包的精华就在于对范型的优雅简单的处理,看它的源代码就比较迷糊,只其然不知其所以然。所以,还是花点时间系统的整理总结下范型吧。
范型内容
范型集合类
范型类
- 【HBase十二】HFile存储的是一个列族的数据
bit1129
hbase
在HBase中,每个HFile存储的是一个表中一个列族的数据,也就是说,当一个表中有多个列簇时,针对每个列簇插入数据,最后产生的数据是多个HFile,每个对应一个列族,通过如下操作验证
1. 建立一个有两个列族的表
create 'members','colfam1','colfam2'
2. 在members表中的colfam1中插入50*5
- Nginx 官方一个配置实例
ronin47
nginx 配置实例
user www www;
worker_processes 5;
error_log logs/error.log;
pid logs/nginx.pid;
worker_rlimit_nofile 8192;
events {
worker_connections 4096;}
http {
include conf/mim
- java-15.输入一颗二元查找树,将该树转换为它的镜像, 即在转换后的二元查找树中,左子树的结点都大于右子树的结点。 用递归和循环
bylijinnan
java
//use recursion
public static void mirrorHelp1(Node node){
if(node==null)return;
swapChild(node);
mirrorHelp1(node.getLeft());
mirrorHelp1(node.getRight());
}
//use no recursion bu
- 返回null还是empty
bylijinnan
javaapachespring编程
第一个问题,函数是应当返回null还是长度为0的数组(或集合)?
第二个问题,函数输入参数不当时,是异常还是返回null?
先看第一个问题
有两个约定我觉得应当遵守:
1.返回零长度的数组或集合而不是null(详见《Effective Java》)
理由就是,如果返回empty,就可以少了很多not-null判断:
List<Person> list
- [科技与项目]工作流厂商的战略机遇期
comsci
工作流
在新的战略平衡形成之前,这里有一个短暂的战略机遇期,只有大概最短6年,最长14年的时间,这段时间就好像我们森林里面的小动物,在秋天中,必须抓紧一切时间存储坚果一样,否则无法熬过漫长的冬季。。。。
在微软,甲骨文,谷歌,IBM,SONY
- 过度设计-举例
cuityang
过度设计
过度设计,需要更多设计时间和测试成本,如无必要,还是尽量简洁一些好。
未来的事情,比如 访问量,比如数据库的容量,比如是否需要改成分布式 都是无法预料的
再举一个例子,对闰年的判断逻辑:
1、 if($Year%4==0) return True; else return Fasle;
2、if ( ($Year%4==0 &am
- java进阶,《Java性能优化权威指南》试读
darkblue086
java性能优化
记得当年随意读了微软出版社的.NET 2.0应用程序调试,才发现调试器如此强大,应用程序开发调试其实真的简单了很多,不仅仅是因为里面介绍了很多调试器工具的使用,更是因为里面寻找问题并重现问题的思想让我震撼,时隔多年,Java已经如日中天,成为许多大型企业应用的首选,而今天,这本《Java性能优化权威指南》让我再次找到了这种感觉,从不经意的开发过程让我刮目相看,原来性能调优不是简单地看看热点在哪里,
- 网络学习笔记初识OSI七层模型与TCP协议
dcj3sjt126com
学习笔记
协议:在计算机网络中通信各方面所达成的、共同遵守和执行的一系列约定 计算机网络的体系结构:计算机网络的层次结构和各层协议的集合。 两类服务: 面向连接的服务通信双方在通信之前先建立某种状态,并在通信过程中维持这种状态的变化,同时为服务对象预先分配一定的资源。这种服务叫做面向连接的服务。 面向无连接的服务通信双方在通信前后不建立和维持状态,不为服务对象
- mac中用命令行运行mysql
dcj3sjt126com
mysqllinuxmac
参考这篇博客:http://www.cnblogs.com/macro-cheng/archive/2011/10/25/mysql-001.html 感觉workbench不好用(有点先入为主了)。
1,安装mysql
在mysql的官方网站下载 mysql 5.5.23 http://www.mysql.com/downloads/mysql/,根据我的机器的配置情况选择了64
- MongDB查询(1)——基本查询[五]
eksliang
mongodbmongodb 查询mongodb find
MongDB查询
转载请出自出处:http://eksliang.iteye.com/blog/2174452 一、find简介
MongoDB中使用find来进行查询。
API:如下
function ( query , fields , limit , skip, batchSize, options ){.....}
参数含义:
query:查询参数
fie
- base64,加密解密 经融加密,对接
y806839048
经融加密对接
String data0 = new String(Base64.encode(bo.getPaymentResult().getBytes(("GBK"))));
String data1 = new String(Base64.decode(data0.toCharArray()),"GBK");
// 注意编码格式,注意用于加密,解密的要是同
- JavaWeb之JSP概述
ihuning
javaweb
什么是JSP?为什么使用JSP?
JSP表示Java Server Page,即嵌有Java代码的HTML页面。使用JSP是因为在HTML中嵌入Java代码比在Java代码中拼接字符串更容易、更方便和更高效。
JSP起源
在很多动态网页中,绝大部分内容都是固定不变的,只有局部内容需要动态产生和改变。
如果使用Servl
- apple watch 指南
啸笑天
apple
1. 文档
WatchKit Programming Guide(中译在线版 By @CocoaChina) 译文 译者 原文 概览 - 开始为 Apple Watch 进行开发 @星夜暮晨 Overview - Developing for Apple Watch 概览 - 配置 Xcode 项目 - Overview - Configuring Yo
- java经典的基础题目
macroli
java编程
1.列举出 10个JAVA语言的优势 a:免费,开源,跨平台(平台独立性),简单易用,功能完善,面向对象,健壮性,多线程,结构中立,企业应用的成熟平台, 无线应用 2.列举出JAVA中10个面向对象编程的术语 a:包,类,接口,对象,属性,方法,构造器,继承,封装,多态,抽象,范型 3.列举出JAVA中6个比较常用的包 Java.lang;java.util;java.io;java.sql;ja
- 你所不知道神奇的js replace正则表达式
qiaolevip
每天进步一点点学习永无止境纵观千象regex
var v = 'C9CFBAA3CAD0';
console.log(v);
var arr = v.split('');
for (var i = 0; i < arr.length; i ++) {
if (i % 2 == 0) arr[i] = '%' + arr[i];
}
console.log(arr.join(''));
console.log(v.r
- [一起学Hive]之十五-分析Hive表和分区的统计信息(Statistics)
superlxw1234
hivehive分析表hive统计信息hive Statistics
关键字:Hive统计信息、分析Hive表、Hive Statistics
类似于Oracle的分析表,Hive中也提供了分析表和分区的功能,通过自动和手动分析Hive表,将Hive表的一些统计信息存储到元数据中。
表和分区的统计信息主要包括:行数、文件数、原始数据大小、所占存储大小、最后一次操作时间等;
14.1 新表的统计信息
对于一个新创建
- Spring Boot 1.2.5 发布
wiselyman
spring boot
Spring Boot 1.2.5已在7月2日发布,现在可以从spring的maven库和maven中心库下载。
这个版本是一个维护的发布版,主要是一些修复以及将Spring的依赖提升至4.1.7(包含重要的安全修复)。
官方建议所有的Spring Boot用户升级这个版本。
项目首页 | 源