- 预测股票走势的ai模型
roxxo
AI模型人工智能深度学习金融
AI股票走势预测模型用深度学习+时间序列分析来构建一个股票预测AI,基于历史数据预测未来走势。1.关键功能✅AI选股(基于财务数据+技术指标)✅股票走势预测(LSTM/Transformer)✅智能筛选高增长潜力股✅可视化分析2.关键技术数据来源:YahooFinance/AlphaVantage财务分析:PE、EPS、ROE、PB、成交量机器学习选股:随机森林/XGBoost深度学习预测:LST
- ubuntu18安装pyenv
Ramulet
Pythonnpmpycharmcentos
安装依赖sudoapt-getinstalllibprotobuf-devlibleveldb-devlibsnappy-devlibopencv-devlibboost-all-devlibhdf5-serial-devlibgflags-devlibgoogle-glog-devliblmdb-devprotobuf-compiler-ysudoapt-getinstallbzip2-ysud
- 配置easy3d环境经验总结
Aurora-vv
基础配置操作c++
该平台依赖boost库,cgal库和QT,下载需求版本后,boost直接安装,cgal解压后即可,qt安装之前的博客有。需注意的是该平台使用的是X64版本,如果cmake时不指定64位使用32位的话,会编译不通过mapple。需要修改CMAKE_INSTALL_PREFIX路径,默认的C:\ProgramFiles(x86)会导致生成install时没有管理员权限。cmake编译环境是config
- 光伏储能直流系统MATLAB仿真(PV光伏阵列+Boost DCDC变换器+负载+双向DCDC变换器+锂离子电池系统)
wlz249
matlab开发语言
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概述光伏储能直流系统MATLAB仿真研究一、引言二、光伏储能直流系统的基本构成(一)PV光伏阵列(二)BoostDC/DC变换器(三)负载(四)双向DC/DC变换器(五)锂离子电池系统(六)控制模块(七)观测模块三、MATLAB仿真模型建立(一)光伏阵列模型(二)B
- windows下使用msys2中的库安装pcl
乞力马扎罗山的雪B
windowsc++
windows下只是想用下pcl,直接装PCL的allinone,用MSVC!!!直接装PCL的allinone,用MSVC!!!直接装PCL的allinone,用MSVC!!!5min搞定,下面别看了1.msys2安装以及配置下载安装:https://www.msys2.org/安装C++环境,toolchain,cmake等2.msys2下能使用的一些库当前的版本:eigen3.4boost1
- spark通过降低cores数量来提高成功率,错误记录之memory limit
BackToMeNow
Spark基础与提高Hivesparkhive内存优化physicalmemory
错误复现当数据量达到几百G约一亿条进行计算时,在原本的资源分配条件下失败的几率很高,失败的错误基本如下ContainerkilledbyYARNforexceedingmemorylimits.16.9GBof16GBphysicalmemoryused.Considerboostingspark.yarn.executor.memoryOverhead通常来讲,我们设计资源分配时一般指调整这几个
- 运行HQL时,报错:Container killed by YARN for exceeding memory limits
Michael312917
HiveonSparkhive
1出现问题现象搭建HiveOnSpark模式,运行HQL时:出现如下错误:ExecutorLostFailure(executor4exitedcausedbyoneoftherunningtasks)Reason:ContainerkilledbyYARNforexceedingmemorylimits.4.5GBof4.5GBphysicalmemoryused.Considerboostin
- python 调用 c_Python调用C模块(一):C api方式
weixin_40006779
python调用c
接前面Python与C相互调用(见http://www.linuxidc.com/Linux/2012-02/55040.htm),继续一点一点学习,顺便记录下笔记。大致计划如下(测试平台仅限于Windows和Linux,编译器限于MSVC、Mingw及linuxgcc):传统方式调用C模块用ctypes调用C动态库如有精力和兴趣,简单熟悉一下swig、boost.python,sip,shibo
- 基于光伏交直流混合微电网离网模式的双下垂控制Matlab Simulink仿真研究
BIdOeVNkOZSO
matlab算法开发语言
光伏交直流混合微电网离网(孤岛)模式双下垂控制Matlab/Simulink仿真模型交直流混合微电网结构:1.直流微电网,由光伏板+Boost变换器组成,最大输出功率10kW。2.交流微电网,由光伏板+Boost变换器+LCL逆变器组成,最大输出功率15kW。3.互联变换器(ILC),由LCL逆变器组成,用于连接交直流微电网。模型内容:1.直流微电网采用下垂控制,控制方式为电压电流双闭环,直流母线
- boost::asio教程(三) :boost udp编程
令狐掌门
C++boost库开发教程udp网络协议boostasioc++boost
boost::asio教程(一):tcpserver与tcpclient boost::asio教程(二):异步tcp boost::asio教程(三):boostudp编程 前面两篇主要讲了boostasiotcp编程,这一节来介绍boostudp编程,先来看看udp用到的类和方法.ip::udp::socket 与tcp类似,在tcp时用到的socket是ip::tcp::sock
- 数据挖掘常用算法
kaiyuanheshang
AI数据挖掘算法人工智能
文章目录基于机器学习~~线性/逻辑回归~~树模型~~贝叶斯~~~~聚类~~集成算法神经网络~~支持向量机~~~~降维算法~~基于机器学习线性/逻辑回归类似单层神经网络y=k*x+b树模型优点可以做可视化分析速度快结果稳定依赖前期对业务和数据的理解贝叶斯贝叶斯依赖先验概率,先验知识越准,结果越好聚类集成算法xgboostlightbgm神经网络在文本、视觉领域效果非常好。但是过程黑盒,缺乏解释性支持
- 相机-雷达联合标定direct_visual_lidar_calibration开源算法编译踩坑记录
HyperZhu
ROSUbuntu算法相机-雷达联合标定
基于场景的相机-雷达联合标定编译记录direct_visual_lidar_calibration编译1.本机环境Ubuntu18.04+Melodic相关依赖版本:Cmake-3.18.0gcc-8.4.0pcl-1.13.02.相关依赖#Installdependenciessudoaptinstalllibomp-devlibboost-all-devlibglm-devlibglfw3-d
- 细说机器学习算法之ROC曲线用于模型评估
Melancholy 啊
机器学习算法人工智能数据挖掘python
系列文章目录第一章:Pyhton机器学习算法之KNN第二章:Pyhton机器学习算法之K—Means第三章:Pyhton机器学习算法之随机森林第四章:Pyhton机器学习算法之线性回归第五章:Pyhton机器学习算法之有监督学习与无监督学习第六章:Pyhton机器学习算法之朴素贝叶斯第七章:Pyhton机器学习算法之XGBoost第八章:Pyhton机器学习算法之GBDT第九章:Pyhton机器学
- 分类算法:梯度提升树(GBT)算法原理
kkchenjj
数据挖掘机器学习算法分类数据挖掘
分类算法:梯度提升树(GBT)算法原理1.简介1.1梯度提升树的起源与发展梯度提升树(GradientBoostingTree,GBT)是一种强大的机器学习算法,它基于提升方法的原理,通过迭代地构建一系列弱分类器并组合它们来形成一个强分类器。GBT的起源可以追溯到Freund和Schapire在1996年提出的AdaBoost算法,但真正将梯度提升应用于树模型的是JeromeH.Friedman在
- 梯度提升用于高效的分类与回归
纠结哥_Shrek
分类回归数据挖掘
使用决策树(DecisionTree)实现梯度提升(GradientBoosting)主要是模拟GBDT(GradientBoostingDecisionTrees)的原理,即:第一棵树拟合原始数据计算残差(负梯度方向)用新的树去拟合残差累加所有树的预测值重复步骤2-4,直至达到指定轮数下面是一个纯Python+PyTorch实现GBDT(梯度提升决策树)的代码示例。1.纯Python实现梯度提升
- boostrap组件
柒染
csshtml5html
Bootstrap来自Twitter(推特),是目前最受欢迎的前端框架。Bootstrap是基于HTML,css,JavaScript的,它简洁灵活,使得web开发更加快速。框架:顾名思义就是一套架构,它有一套比较完整的网页功能解决方案,而且控制权在框架本身,有预制的样式库,组件和插件。使用者要按照框架所规定的某种规范进行开发。这是我所学到的用CSS基础,所以我要分享给你们,希望可以帮助到你们。组
- xgboost-spark-scala
maokunnn
DMxgboostsparkscala
今天学习写scala,拿xgboost试一下~先记一下xgboost调参要点:7.xgboost中比较重要的参数介绍(1)objective[default=reg:linear]定义学习任务及相应的学习目标,可选的目标函数如下:“reg:linear”–线性回归。“reg:logistic”–逻辑回归。“binary:logistic”–二分类的逻辑回归问题,输出为概率。“binary:logi
- C++|开源日志库log4cpp和glog
奇树谦
C/C++/qtc++开源开发语言
文章目录`log4cpp`和`glog`对比1.**功能对比**2.**易用性和配置**3.**性能**4.**线程安全**5.**日志输出**6.**功能扩展**7.**适用场景**8.**总结**其它开源C++日志库1.**spdlog**2.**easylogging++**3.**Boost.Log**4.**loguru**5.**PocoLogging**6.**QtLogging(Q
- xgboost在spark集群使用指南
一颗小草333
算法mapreducespark数据挖掘
简介XGBoost是一个优化的分布式梯度增强库,具有高效、灵活和可移植性。在梯度增强框架下实现了机器学习算法。XGBoost提供了一种并行树增强(也称为GBDT、GBM),可以快速、准确地解决许多数据科学问题。相同的代码在主要的分布式环境(Hadoop、SGE、MPI)上运行,可以解决数十亿个示例的训练问题。xgb相对于gbt所做的改进:1.2.3.XGBoost可以使用R、python、java
- 6 回归集成:xgb、lgb、cat
汀沿河
#2比赛常用的代码回归数据挖掘人工智能
这个代码是从kaggle上拷贝过来的:如何使用三个树模型模块化训练;文本特征如何做,如何挖掘;时间特征的处理;模型权重集成;importpandasaspdimportmathimportnumpyasnpimportjoblibimportoptunafromlightgbmimportLGBMRegressorfromcatboostimportCatBoostRegressorfromxgb
- 龙珠训练营机器学习task04
a_little_pig_
python
学习笔记为阿里云天池龙珠计划机器学习训练营的学习内容,学习链接为:https://tianchi.aliyun.com/competition/entrance/231702/introduction?spm=5176.20222472.J_3678908510.8.8f5e67c2RKrT98总体思路:分别使用LightGBM,xgboost,gbdt,catboost建立多个个体学习器(加入b
- LGBMRegressor CatBoostRegressor XGBRegressor回归
兔兔爱学习兔兔爱学习
竞赛代码实践回归数据挖掘
importpandasaspd#导入csv文件的库importnumpyasnp#进行矩阵运算的库importpolarsaspl#和pandas类似,但是处理大型数据集有更好的性能.#用于对一组元素计数,一个存在默认值的字典,访问不存在的值时抛出的是默认值fromcollectionsimportCounter,defaultdictimportre#用于正则表达式提取fromscipy.st
- ubuntu20.04安装使用direct_visual_lidar_calibration标定雷达和相机
小负不负
数码相机
官方链接GitHub-koide3/direct_visual_lidar_calibration:Atoolboxfortarget-lessLiDAR-cameracalibration[ROS1/ROS2]官方安装方式Installation-direct_visual_lidar_calibration安装依赖sudoaptinstalllibomp-devlibboost-all-dev
- a. UFS write booster buffer(技术 1)
>Andre<
UFS4.0解读网络服务器运维
1.概述TLCNAND的写入性能明显低于SLCNAND,因为TLCbits需要更多的编程步骤,并且具有更高的纠错概率。为了提高写入性能,部分TLCNAND(正常存储器)被配置为SLCNAND,并暂时或永久地用作写入缓冲区。使用SLCNAND作为WriteBoosterBuffer,可以以更低的延迟处理写请求,并提高整体写性能。分配给用户区域的TLCNAND的某些部分被分配为WriteBooster
- Multi-Head Latent Attention: Boosting Inference Efficiency
连理o
LLM
ContentsIntroductionMethodLow-RankKey-ValueJointCompressionDecoupledRotaryPositionEmbeddingReferencesIntroduction作者提出Multi-headLatentAttention(MLA),通过将KV压缩为CompressedLatentKV,在减小KVcache的同时保持模型精度Method
- linux安装mysql5.7
万猿丛中最秃的帅哥
linuxmysqllinuxmysql数据库
1、安装boost库boost_1_59_0连接:链接:https://pan.baidu.com/s/1sNY1niWTFjrLccPbMmcp5w提取码:pdj9在根目录的opt目录创建临时文件储存目录mkdir-p/opt/package进入临时目录cd/opt/package上传压缩包到服务器解压tar–xvzfboost_1_59_0.tar.gz进入boost目录cdboost_1_5
- ATB是什么?
人工智能深度学习
1ATB介绍AscendTransformerBoost加速库(下文简称为ATB加速库)是一款高效、可靠的加速库,基于华为AscendAI处理器,专门为Transformer类模型的训练和推理而设计。ATB加速库采用了一系列优化策略,包括算法优化、硬件优化和软件优化,能够显著提升Transformer模型的训练和推理速度,同时降低能耗和成本。具体来说,ATB加速库通过优化矩阵乘法等核心算子和注意力
- 探索高效串口通信:C++跨平台串口库serial
郎锴钦
探索高效串口通信:C++跨平台串口库serial【下载地址】C跨平台串口库serial本仓库提供了一个C++跨平台串口库`serial`的资源文件。该库基于[wjwwood/serial](https://github.com/wjwwood/serial/tree/boostless)项目进行修改,删除了不必要的文件,使得该库无需`catkin`,只需`cmake`即可使用项目地址:https:
- 机器学习笔记——Boosting中常用算法(GBDT、XGBoost、LightGBM)迭代路径
好评笔记
机器学习笔记机器学习boosting人工智能深度学习AI算法工程师
大家好,这里是好评笔记,公主号:Goodnote,专栏文章私信限时Free。本文主要阐述Boosting中常用算法(GBDT、XGBoost、LightGBM)的迭代路径。文章目录XGBoost相对GBDT的改进引入正则化项,防止过拟合损失函数L(yi,y^i)L(y_i,\hat{y}_i)L(yi,y^i)正则化项Ω(fm)\Omega(f_m)Ω(fm)使用二阶导数信息,加速收敛一阶导数与二
- Python机器学习之XGBoost从入门到实战(基本理论说明)
雪域枫蓝
PythonAtificialIntelligence机器学习python分布式
Xgboost从基础到实战XGBoost:eXtremeGradientBoosting*应用机器学习领域的一个强有力的工具*GradientBootingMachines(GBM)的优化表现,快速有效—深盟分布式机器学习开源平台(DistributedmachinelearningCommunity,DMLC)的分支—DMLC也开源流行的深度学习库mxnet*GBM:Machine:机器学习模型
- 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