meanme
meanme

DL4NLP---第一讲



第一讲：引言-自然语言处理与深度学习简介(Intro to NLP and Deep Learning)

推荐阅读材料：

  1. 线性代数相关知识点回顾：[Linear Algebra Review]
  2. 概率相关知识点回顾：[Probability Review]
  3. 凸优化相关知识点回顾: [Convex Optimization Review]
  4. 优化相关的另一篇介绍（来自于斯坦福CS231课程资料），随机梯度下降相关[More Optimization (SGD) Review]
  5. 语义向量空间模型的一篇综述[From Frequency to Meaning: Vector Space Models of Semantics]
  6. 课程第一部分的Notes，涉及第一讲和第二讲[Lecture Notes 1]
  7. python及numpy简介[python tutorial]
  8. 第一讲Slides[slides]
  9. 第一讲视频[video]

以下是第一讲的相关笔记，主要参考自课程的slides，视频和其他相关资料。

什么是自然语言处理（NLP）

  • 自然语言处理是一门交叉学科，包括计算机科学，人工智能和语言学
  • 目标：让计算机去处理或“理解”自然语言, 完成一些有用的任务例如问答系统，机器翻译
  • 完全理解或者表示语言的意义（甚至去定义它）都是一个虚幻的目标
  • 完美的理解语言是一个“AI-complete”的问题

自然语言处理的层次
DL4NLP---第一讲_第1张图片

自然语言处理的应用

  • 应用范围从简单到复杂
  • 拼写检查, 关键词提取&搜索，同义词查找&替换
  • 从网页中提取有用的信息例如产品价格，日期，地址，人名或公司名等
  • 分类，例如对教科书的文本进行分级，对长文本进行正负情绪判断
  • 机器翻译
  • 口语对话系统
  • 复杂的问答系统

工业届里的NLP应用

  • 搜索引擎
  • 在线广告
  • 自动的或辅助的翻译技术
  • 市场营销或者金融交易领域的情感分析
  • 语音识别

NLP为什么这么难

  • 语言在表达上就很复杂，使用的时候要综合考虑使用情境
  • Jane hit June and then she [fell/ran].
  • 歧义问题：“I made her duck”

什么是深度学习（DL）

  • 深度学习是机器学习的一个分支
  • 大多数机器学习方法很有效主要依靠人工精心设计的特征，例如下表是一个命名实体识别任务中设计的特征模板(Finkel, 2010)

    • DL4NLP---第一讲_第2张图片

  • 最终这些机器学习问题会变成优化问题：优化这些特征权重以达到最好的预测效果

机器学习 vs 深度学习

什么是深度学习（DL）续

  • 表示学习 or 表达学习（Representation Learning）尝试自动的学习合适的特征及其表征
  • 深度学习（Deep Learning) 算法尝试学习（多层次）的表征以及输出
  • 从一个“原生”的输入x(例如“单词”）

    • DL4NLP---第一讲_第3张图片

深度学习的历史

  • 这门课主要关注至今为止在解决NLP问题上有效果的深度学习技术
  • 关于深度学习模型的相关历史，推荐参考《Deep Learning in Neural Networks: An Overview》

探索深度学习的原因

  • 人工设计的特征常常定义过多，不完整并且需要花费大量的时间去设计和验证
  • 自动学习的特征容易自适应，并且可以很快的学习
  • 深度学习提供了一个弹性的，通用的学习框架用来表征自然的，视觉的和语言的信息。
  • 深度学习可以用来学习非监督的（来自于生文本）和有监督的（带有特别标记的文本，例如正向和负向标记）
  • 在2006年深度学习技术开始在一些任务中表现出众，为什么现在才热起来？
    • 深度学习技术受益于越来越多的数据
    • 更快的机器与更多核CPU/GPU对深度学习的普及起了很大的促进作用
    • 新的模型，算法和idea层出不穷

  • 通过深度学习技术提升效果首先发生在语音识别和机器视觉领域，然后开始过渡到NLP领域

面向语音识别的深度学习

  • “深度学习”在大数据集上的第一个突破性进展发生在语音识别领域
  • Paper：Context-Dependent Pre-trained Deep Neural Networks for Large Vocabulary Speech Recognition Dahl et al. (2010)

面向计算机视觉的深度学习

  • 很多深度学习研究小组把大量的精力放在计算机视觉上（直到现在也是）
  • 突破性的Paper: ImageNet Classification with Deep Convolutional Neural Networks by Krizhevsky et al. 2012

    • DL4NLP---第一讲_第4张图片

Deep Learning + NLP = Deep NLP

  • 综合使用一些深度学习的方法来解决NLP的相关问题
  • 近几年在NLP的一些应用领域效果有了较大的提升
    • 层次：语音，词形，句法，语义
    • 应用：机器翻译，情感分析，问答系统

音位学层次的表示

  • 传统的方法：音素

  • 深度学习：通过声音特征并将这些特征表示为向量直接来预测音素（或词语）

形态学层次的表示

  • 传统的方法：语素，例如前缀，词干，后缀等
  • 深度学习：
    • 每个语素都用向量表示
    • 神经网络用于向量的两两合并
    • Thang et al. 2013

句法层次的表示

  • 传统的方法：将一个短语或句子划分到多个句法标记，例如NP，VP等

    • DL4NLP---第一讲_第5张图片

  • 深度学习
    • 每个单词或者短语都是一个向量
    • 神经网络用于向量的两两合并
    • Socher et al. 2011

      • DL4NLP---第一讲_第6张图片

语义层次的表示

  • 传统的方法： Lambda算子 or Lambda演算(Lambda calculus)
    • 非常精细的函数设计
    • 需要指定其他函数的输入
    • 没有相似性的概念或者模糊语言

  • 深度学习

    • 每个单词或者短语或者逻辑表达式都是一个向量
    • 神经网络用于向量的两两合并
    • Bowman et al. 2014

NLP应用：情感分析

  • 传统的方法：精选的情感词典+词袋模型（忽略词序）+人工设计的特征（很难覆盖所有的信息）
  • 深度学习：和上述词素，句法和语义相似的深度学习模型–>RNN
  • Demo: http://nlp.stanford.edu/sentiment/

    • DL4NLP---第一讲_第7张图片

NLP应用：问答系统

  • 传统的方法：用了非常多的特征工程去获取相关的知识，例如正则表达式，Berant et al. (2014)

  • 深度学习：和上述词素，句法，语义，情感分析相似的深度学习模型
  • 知识可以储备在向量中

NLP应用：机器翻译

  • 过去尝试过很多层次的机器翻译方法
  • 传统的机器翻译系统是一个非常大的复杂系统
  • 可以思考一下在深度学习中中间语（interlingua）对于翻译系统是如何起作用的？

    • DL4NLP---第一讲_第8张图片

  • 深度学习：
    • 源句子首先映射为向量，然后在输出的时候进行句子生成

      • DL4NLP---第一讲_第9张图片

    • Sequence to Sequence Learning with Neural Networks by Sutskever et al. 2014
    • 方法很新但是可以替换传统非常复杂的机器翻译架构

可以发现所有NLP层次的表示都涉及到向量（Vectors), 下一讲将讲到如何来学习词向量以及这些向量表示了什么？
DL4NLP---第一讲_第10张图片

注：原创文章，转载请注明出处“我爱自然语言处理”：http://www.52nlp.cn

本文链接地址：斯坦福大学深度学习与自然语言处理第一讲：引言



你可能感兴趣的:(NLP)

  • 论文翻译：EMNLP-2023 CCF-B Multi-step Jailbreaking Privacy Attacks on ChatGPT CSPhD-winston-杨帆 LLMs-安全论文翻译chatgpt
    Multi-stepJailbreakingPrivacyAttacksonChatGPThttps://arxiv.org/pdf/2304.05197多步骤越狱隐私攻击对ChatGPT的影响https://openreview.net/forum?id=ls4Pfsl2jZ文章目录多步骤越狱隐私攻击对ChatGPT的影响摘要1引言2相关工作3对ChatGPT的数据提取攻击3.1数据收集3.2攻
  • EMNLP2023 | 长篇论文接受列表 AINLPer 国际会议EMNLP2023
    来源:AINLPer公众号（每日干货分享！！）编辑:ShuYini校稿:ShuYini时间:2023-10-03引言EMNLP2023于12月10日在新加坡落下帷幕，此次会议顺利举行。今年EMNLP2023的投稿论文数量将近5000篇，长论文接收率为23.3%，短论文接收率为14%，整体接收率为21.3%。下面是作者整理的长篇论文接受列表，因平台限制不能给出每篇论文的连接。如果有需要，欢迎关注AI
  • EMNLP2023 | 短篇论文接受列表，含全部论文下载 AINLPer 国际会议EMNLP2023
    来源:AINLPer公众号（每日干货分享！！）编辑:ShuYini校稿:ShuYini时间:2023-12-12引言EMNLP2023于12月10日在新加坡落下帷幕，此次会议顺利举行。今年EMNLP2023的投稿论文数量将近5000篇，长论文接收率为23.3%，短论文接收率为14%，整体接收率为21.3%。下面是作者整理的短篇论文接受列表，因平台限制不能给出每篇论文的连接。如果有需要，欢迎关注AI
  • 今日arXiv精选 | 15篇EMNLP 2021最新论文 PaperWeekly smsanimationfirebug3dnagios
    关于#今日arXiv精选这是「AI学术前沿」旗下的一档栏目，编辑将每日从arXiv中精选高质量论文，推送给读者。BeyondPreservedAccuracy:EvaluatingLoyaltyandRobustnessofBERTCompressionComment:AcceptedtoEMNLP2021(mainconference)Link:http://arxiv.org/abs/2109
  • 今日arXiv精选 | 12篇EMNLP 2021最新论文 PaperWeekly 人工智能firebugnagios3danimation
    关于#今日arXiv精选这是「AI学术前沿」旗下的一档栏目，编辑将每日从arXiv中精选高质量论文，推送给读者。YoushouldevaluateyourlanguagemodelonmarginallikelihoodovertokenisationsComment:acceptedatEMNLP2021Link:http://arxiv.org/abs/2109.02550AbstractNe
  • 论文翻译：EMNLP-2023.CCF-A.Alon Jacovi.Stop Uploading Test Data in Plain Text: Practical Strategies for CSPhD-winston-杨帆 论文翻译LLMs-数据污染人工智能
    StopUploadingTestDatainPlainText:PracticalStrategiesforMitigatingDataContaminationbyEvaluationBenchmarkshttps://arxiv.org/pdf/2305.10160停止上传明文测试数据：实用的策略以减轻评估基准造成的数据污染文章目录停止上传明文测试数据：实用的策略以减轻评估基准造成的数据污染
  • 论文阅读：2024 EMNLP Findings Authorship Obfuscation in Multilingual Machine-Generated Text Detection CSPhD-winston-杨帆 论文阅读论文阅读
    总目录大模型安全相关研究：https://blog.csdn.net/WhiffeYF/article/details/142132328文章目录Abstract（摘要）1Introduction（引言）2RelatedWork（相关工作）2.1MGTDetection（MGT检测）2.2MGTObfuscation（MGT混淆）6Conclusion（结论）Limitations（局限性）Aut
  • 论文阅读：2023 EMNLP Hidding the Ghostwriters: An Adversarial Evaluation of AI-Generated Student Essay De CSPhD-winston-杨帆 论文阅读论文阅读人工智能
    总目录大模型安全相关研究：https://blog.csdn.net/WhiffeYF/article/details/142132328文章目录Abstract（摘要）1Introduction（引言）5RelatedWork（相关工作）6Conclusion（结论）HiddingtheGhostwriters:AnAdversarialEvaluationofAI-GeneratedStude
  • 《深度剖析：BERT与GPT——自然语言处理架构的璀璨双星》 程序猿阿伟 自然语言处理bertgpt
    在自然语言处理（NLP）的广袤星空中，BERT（BidirectionalEncoderRepresentationsfromTransformers）与GPT（GenerativePretrainedTransformer）系列模型宛如两颗最为耀眼的星辰，引领着NLP技术不断迈向新的高度。它们基于独特的架构设计，以强大的语言理解与生成能力，彻底革新了NLP的研究与应用范式，成为学界和业界竞相探索
  • 初识TensorFlow：机器学习与深度学习的探索 韩锋裂变营销 TensorFlow机器学习深度学习传统编程数据标记
    初识TensorFlow：机器学习与深度学习的探索背景简介当我们谈论创建人工智能（AI）时，机器学习（ML）和深度学习是重要的起点。面对众多的选择和术语，新手很容易感到不知所措。这本书旨在通过编写代码来实现机器学习和深度学习的概念，构建模型使其行为更接近人类。从计算机视觉到自然语言处理（NLP），这些模型成为了合成的，或者说人造的智能。本篇博客将基于第一章的内容，探讨什么是机器学习，以及如何使用T
  • 利用人工智能AI进行机器加工编程语言之间的翻译 CoderIsArt 机器学习与深度学习人工智能机器语言翻译
    利用人工智能（AI）进行编程语言之间的翻译（例如从标准G代码编译成特定厂家的加工语言）是一个复杂的任务，但可以通过以下步骤实现。这种方法结合了自然语言处理（NLP）、机器翻译（MT）和领域特定规则的技术。1.问题分析目标：将标准G代码翻译成特定厂家的加工语言。挑战：G代码和厂家加工语言的语法和语义差异。厂家加工语言可能有特定的指令、参数或格式。需要保证翻译后的代码在目标设备上能够正确执行。2.解决
  • AI 大模型的技术架构与应用解析 慌ZHANG AI模型人工智能
    1.引言人工智能（AI）大模型正在重塑全球科技生态，以ChatGPT、DeepSeek、Grok为代表的AI语言模型在自然语言处理（NLP）、智能对话、内容生成等领域展现了卓越的能力。这些模型基于Transformer架构，依托超大规模的参数、海量数据和强大的计算资源，使得机器对文本的理解、推理和生成能力达到了前所未有的水平。本文将详细解析AI大模型的核心技术架构、训练方法、数据处理流程，并探讨其
  • DeepSeek R1后，AI应用、职业与行业！ datawhale
    长琴DatawhaleDatawhale经验作者：长琴，Datawhale成员突然就想写点应用、开发相关的东西，一方面是不断有企业和朋友问我他们可以用DeepSeek做什么，怎么用；另一方面是这个方向的职业、行业也在不知不觉中慢慢改变。干脆顺便一起梳理一下，记录在案。行业变化主要从就业、应用和研究三个方面展开讨论。就业其实DeepSeek（或者ChatGPT）爆火后，最着急的应该是一线的NLP、L
  • 解读目前AI就业岗位——大语言模型（LLM）应用工程师学习路线、就业前景及岗位全解析 AI敲代码的手套 AI岗位介绍人工智能语言模型学习
    文章目录前言什么是大语言模型（LLM）应用工程师？岗位职责就业前景如何？行业分布：岗位薪资：未来发展学习路线及所需技能1.基础技能学习2.深入AI技术3.专攻自然语言处理（NLP）4.掌握大语言模型（LLM）开发5.项目部署与性能优化适合本科/研究生什么专业的学生？本科推荐专业研究生推荐方向面试问题总结1.技术基础2.实践问题3.编程面试4.系统设计如何快速入门？1.学习课程：薪资的决定性因素总结
  • 具身系列——NLP工程师切入机器人和具身智能方向 music&movie 多模态Agent自然语言处理机器人人工智能
    职位高频词汇：VLM调优经验、核心算法（Diffusion、RL、VIT）、pytorch、仿真环境（IsaacGym、Mujoco、webots）基于当前具身智能行业发展趋势和岗位需求，以下是为NLP工程师设计的转型路径与策略，结合最新招聘信息和技术趋势：一、技能迁移与知识重构（3-6个月）核心能力复用深度学习基础：迁移Transformer架构经验到多模态场景（视觉-语言-动作融合）大模型微调
  • NLP高频面试题（十三）——什么是大模型幻觉，如何解决大模型幻觉 Chaos_Wang_ NLP常见面试题自然语言处理人工智能
    深入理解大模型幻觉及其解决方案所谓大模型幻觉，是指LLM在生成文本时出现看似流畅合理但实际上却偏离事实甚至无中生有的内容。这不仅严重影响了模型输出的可靠性，在某些敏感领域（如医疗、法律）可能造成严重后果。本文将深入分析大模型幻觉产生的原因、分类与检测方法，并提出有效的解决策略，帮助更好地理解并应对这一挑战。一、什么是大模型幻觉？大模型幻觉（Hallucination）是指大型语言模型在生成文本时，
  • 《深入浅出LLM基础篇》（四）：主流大模型介绍 GoAI 深入浅出AI深入浅出LLM自然语言处理NLP大模型LLM人工智能llamachatglm
    AI学习星球推荐：GoAI的学习社区知识星球是一个致力于提供《机器学习|深度学习|CV|NLP|大模型|多模态|AIGC》各个最新AI方向综述、论文等成体系的学习资料，配有全面而有深度的专栏内容，包括不限于前沿论文解读、资料共享、行业最新动态以、实践教程、求职相关（简历撰写技巧、面经资料与心得）多方面综合学习平台，强烈推荐AI小白及AI爱好者学习，性价比非常高！加入星球➡️点击链接✨专栏介
  • Elasticsearch 入门到精通-Ansj分词器的安装和使用 王stone elasticsearchelasticsearch大数据bigdata
    一、版本和对应关系pluginelasticsearch7.6.27.6.27.7.07.7.07.7.17.7.17.8.07.8.07.8.17.8.17.9.07.9.07.9.17.9.17.9.27.9.27.9.37.9.3二、安装步骤1、下载安装ES对应PluginRelease版本a.GitHub-NLPchina/elasticsearch-analysis-ansjb.解压el
  • Python机器人简单问答系统 chang_xiaoyi python开发语言
    目录项目背景与目的整理框架1.导入必要的库2.初始化Flask应用3.读取学习数据4.处理用户请求4.1首页路由4.2问答路由5.根据问题生成回答6.运行Flask应用全部代码HTML结构学习总结项目背景与目的项目背景随着人工智能技术的快速发展，自然语言处理（NLP）作为其核心领域之一，已经取得了显著的进步。自然语言处理技术使得计算机能够理解和处理人类语言，从而在各种应用中提供更加智能和个性化的服
  • SFT和RLHF是什么意思？ 玩人工智能的辣条哥 人工智能人工智能深度学习机器学习
    环境：SFTRLHF问题描述：SFT和RLHF是什么意思解决方案：SFT（SupervisedFine-Tuning，监督微调）和RLHF（ReinforcementLearningfromHumanFeedback，基于人类反馈的强化学习）是两种用于改进大型语言模型（LLMs）性能的技术。它们通常应用于自然语言处理（NLP）领域，特别是对于那些需要对特定任务进行优化的语言模型。SFT（监督微调）
  • 大模型微调方法之Delta-tuning 空 白II 大语言模型论文解读微调方法介绍微调方法delta-tuning论文解读大语言模型
    大模型微调方法之Delta-tuning大模型微调方法自从23年之后可谓是百花齐放，浙大有团队在8月将关于大模型微调方法的综述上传了ArXiv。论文将微调方法总结为等几个类别。本次讨论的1大模型业务分类当前的大模型行业可谓百花齐放，自然语言处理（naturallanguageprocessing,NLP）、计算机视觉（computervision,CV）、音频处理（audioprocessing,
  • 第二十一篇：伦理/道德Ethics flying_1314 NLPethics伦理/道德隐私偏见双重用途
    目录什么是伦理/道德？我们为什么要关心？为什么道德很难？学习成果大纲反对NLP道德检查的论据我们应该审查科学吗？H5N1透明度不是更好吗？AIvs.Cybersecurity核心NLP伦理概念偏见词嵌入中的偏差双重用途OpenAIGPT-2隐私GDPRAOL搜索数据泄露小组讨论提示自动刑期预测自动简历处理语言社区分类打包带走~什么是伦理/道德？我们应该如何生活——苏格拉底•正确的做法是什么？•为什
  • 使用Titan Takeoff进行高效的自然语言处理模型推理 scaFHIO 自然语言处理人工智能python
    在自然语言处理(NLP)领域，每一家企业都在寻求更高效的模型训练和推理解决方案。TitanML的平台通过训练、压缩和推理优化帮助企业构建和部署更佳、更小、更便宜、更快速的NLP模型。特别是其推理服务器TitanTakeoff，使得在本地硬件上轻松部署大语言模型(LLMs)成为可能。技术背景介绍TitanTakeoff是TitanML提供的一项服务，它允许用户在本地硬件上运行推理工作负载。支持大多数
  • 高效快速教你DeepSeek如何进行本地部署并且可视化对话 大富大贵7 程序员知识储备1程序员知识储备2程序员知识储备3经验分享
    科技文章：高效快速教你DeepSeek如何进行本地部署并且可视化对话摘要：随着自然语言处理（NLP）技术的进步，DeepSeek作为一款基于深度学习的语义搜索技术，广泛应用于文本理解、对话系统及信息检索等多个领域。本文将探讨如何高效快速地在本地部署DeepSeek，并结合可视化工具实现对话过程的监控与分析。通过详尽的步骤、案例分析与代码示例，帮助开发者更好地理解和应用DeepSeek技术。同时，本
  • NLP高频面试题（十）——目前常见的几种大模型架构是啥样的 Chaos_Wang_ NLP常见面试题自然语言处理架构人工智能
    深入浅出：目前常见的几种大模型架构解析随着Transformer模型的提出与发展，语言大模型迅速崛起，已经成为人工智能领域最为关注的热点之一。本文将为大家详细解析几种目前常见的大模型架构，帮助读者理解其核心差异及适用场景。1.什么是LLM（大语言模型）？LLM通常指参数量巨大、能够捕捉丰富语义信息的Transformer模型，它们通过海量的文本数据训练而成，能够实现高度逼真的文本生成、复杂的语言理
  • 哈尔滨工业大学DeepSeek公开课人工智能：大模型原理 技术与应用-从GPT到DeepSeek｜附视频下载方法 你觉得205 人工智能机器学习大数据ai知识图谱python运维
    导读INTRODUCTION今天继续哈尔滨工业大学车万翔教授带来了一场主题为“DeepSeek技术前沿与应用”的报告。本报告深入探讨了大语言模型在自然语言处理（NLP）领域的核心地位及其发展历程，从基础概念出发，延伸至语言模型在机器翻译、拼音输入法、语音识别等任务中的关键作用。强调了语言模型不仅辅助其他NLP任务，本身也蕴含大量知识，如地理信息、语义理解和推理能力。随着技术的发展，尤其是trans
  • 大模型学习终极指南：从新手到专家的必经之路，全网最详尽解析，你敢挑战吗？ 大模型入门教程 学习人工智能AI大模型大模型学习大模型教程AI大模型
    随着人工智能技术的飞速发展，大模型（Large-ScaleModels）已经成为推动自然语言处理（NLP）、计算机视觉（CV）等领域进步的关键因素。本文将为您详细介绍从零开始学习大模型直至成为专家的全过程，包括所需掌握的知识点、学习资源以及实践建议等。无论您是初学者还是有一定基础的专业人士，都能从中获得有价值的指导。一、基础知识准备在开始学习大模型之前，需要先掌握一些基础知识，这些知识将为后续的学
  • 大模型Agent 和 RAG 的关系 大数据追光猿 大模型语言模型人工智能学习方法transformer
    Agent和RAG（Retrieval-AugmentedGeneration）是两种在自然语言处理（NLP）和人工智能领域中广泛使用的技术，它们在功能、目标和实现方式上既有区别又有联系。以下是它们的关系及其协同作用的详细分析。1.Agent和RAG的定义（1）Agent定义：Agent是一种智能体，能够感知环境并采取行动以完成特定任务。在NLP领域，Agent通常指一个基于大语言模型（LLM）的
  • 景联文科技提供高质量文本标注服务，驱动AI技术发展 景联文科技 科技人工智能
    文本标注是指在原始文本数据上添加标签的过程，这些标签可以用来指示特定的实体、关系、事件等信息，以帮助计算机理解和处理这些数据。文本标注是自然语言处理（NLP）领域的一个重要环节，它通过为文本的不同部分提供具体的含义和上下文信息，增强机器学习和深度学习模型对文本内容的理解能力。标注类型情感分析情感极性：确定文本表达的情感倾向，如正面、负面或中立。强度评估：衡量情感的强烈程度，从轻微到极端不等。命名实
  • 景联文科技：以高质量数据标注推动人工智能领域创新与发展 景联文科技 科技人工智能数据标注
    在当今这个由数据驱动的时代，高质量的数据标注对于推动机器学习、自然语言处理（NLP）、计算机视觉等领域的发展具有不可替代的重要性。数据标注过程涉及对原始数据进行加工，通过标注特定对象的特征来生成能够被机器学习模型识别和使用的编码格式，从而使数据更具有意义和可解读性。数据标注的主要类型包括：图像标注：指在图片中标识出目标物体的位置、形状或类别等信息，如自动驾驶技术中的行人、车辆及交通标志的识别。文本
  • 矩阵求逆（JAVA）利用伴随矩阵 qiuwanchi 利用伴随矩阵求逆矩阵
    package gaodai.matrix; import gaodai.determinant.DeterminantCalculation; import java.util.ArrayList; import java.util.List; import java.util.Scanner; /** * 矩阵求逆(利用伴随矩阵) * @author 邱万迟
  • 单例（Singleton）模式 aoyouzi 单例模式Singleton
    3.1           概述 如果要保证系统里一个类最多只能存在一个实例时，我们就需要单例模式。这种情况在我们应用中经常碰到，例如缓存池，数据库连接池，线程池，一些应用服务实例等。在多线程环境中，为了保证实例的唯一性其实并不简单，这章将和读者一起探讨如何实现单例模式。 3.2
  • [开源与自主研发]就算可以轻易获得外部技术支持,自己也必须研发 comsci 开源
          现在国内有大量的信息技术产品，都是通过盗版，免费下载，开源，附送等方式从国外的开发者那里获得的。。。。。。        虽然这种情况带来了国内信息产业的短暂繁荣，也促进了电子商务和互联网产业的快速发展，但是实际上，我们应该清醒的看到，这些产业的核心力量是被国外的
  • 页面有两个frame,怎样点击一个的链接改变另一个的内容 Array_06 UIXHTML
    <a src="地址"  targets="这里写你要操作的Frame的名字" />搜索 然后你点击连接以后你的新页面就会显示在你设置的Frame名字的框那里 targerts="",就是你要填写目标的显示页面位置 ===================== 例如： <frame src=&
  • Struts2实现单个/多个文件上传和下载 oloz 文件上传struts
    struts2单文件上传：     步骤01:jsp页面 <!--在进行文件上传时，表单提交方式一定要是post的方式，因为文件上传时二进制文件可能会很大，还有就是enctype属性，这个属性一定要写成multipart/form-data，不然就会以二进制文本上传到服务器端--> 　　<form action="fileUplo
  • 推荐10个在线logo设计网站 362217990 logo
    在线设计Logo网站。 1、http://flickr.nosv.org（这个太简单） 2、http://www.logomaker.com/?source=1.5770.1 3、http://www.simwebsol.com/ImageTool 4、http://www.logogenerator.com/logo.php?nal=1&tpl_catlist[]=2 5、ht
  • jsp上传文件 香水浓 jspfileupload
    1. jsp上传 Notice： 1. form表单 method 属性必须设置为 POST 方法 ，不能使用 GET 方法 2. form表单 enctype 属性需要设置为 multipart/form-data 3. form表单 action 属性需要设置为提交到后台处理文件上传的jsp文件地址或者servlet地址。例如 uploadFile.jsp 程序文件用来处理上传的文
  • 我的架构经验系列文章 - 前端架构 agevs JavaScriptWeb框架UIjQuer
    框架层面：近几年前端发展很快，前端之所以叫前端因为前端是已经可以独立成为一种职业了，js也不再是十年前的玩具了，以前富客户端RIA的应用可能会用flash/flex或是silverlight，现在可以使用js来完成大部分的功能，因此js作为一门前端的支撑语言也不仅仅是进行的简单的编码，越来越多框架性的东西出现了。越来越多的开发模式转变为后端只是吐json的数据源，而前端做所有UI的事情。MVCMV
  • android ksoap2 中把XML(DataSet) 当做参数传递 aijuans android
    我的android app中需要发送webservice ，于是我使用了 ksop2 进行发送，在测试过程中不是很顺利,不能正常工作.我的web service 请求格式如下     [html]  view plain copy   <Envelope xmlns="http://schemas.
  • 使用Spring进行统一日志管理 + 统一异常管理 baalwolf spring
    统一日志和异常管理配置好后，SSH项目中，代码以往散落的log.info() 和 try..catch..finally 再也不见踪影！ 统一日志异常实现类： [java]  view plain copy   package com.pilelot.web.util;      impor
  • Android SDK 国内镜像 BigBird2012 android sdk
    一、镜像地址： 1、东软信息学院的 Android SDK 镜像，比配置代理下载快多了。 配置地址， http://mirrors.neusoft.edu.cn/configurations.we#android 2、北京化工大学的： IPV4:ubuntu.buct.edu.cn  IPV4:ubuntu.buct.cn IPV6:ubuntu.buct6.edu.cn
  • HTML无害化和Sanitize模块 bijian1013 JavaScriptAngularJSLinkySanitize
    一.ng-bind-html、ng-bind-html-unsafe         AngularJS非常注重安全方面的问题，它会尽一切可能把大多数攻击手段最小化。其中一个攻击手段是向你的web页面里注入不安全的HTML，然后利用它触发跨站攻击或者注入攻击。         考虑这样一个例子，假设我们有一个变量存
  • [Maven学习笔记二]Maven命令 bit1129 maven
    mvn compile compile编译命令将src/main/java和src/main/resources中的代码和配置文件编译到target/classes中，不会对src/test/java中的测试类进行编译 MVN编译使用 maven-resources-plugin:2.6:resources maven-compiler-plugin:2.5.1:compile &nbs
  • 【Java命令二】jhat bit1129 Java命令
    jhat用于分析使用jmap dump的文件，，可以将堆中的对象以html的形式显示出来，包括对象的数量，大小等等，并支持对象查询语言。 jhat默认开启监听端口7000的HTTP服务，jhat是Java Heap Analysis Tool的缩写 1. 用法： [hadoop@hadoop bin]$ jhat -help Usage: jhat [-stack <bool&g
  • JBoss 5.1.0 GA:Error installing to Instantiated: name=AttachmentStore state=Desc ronin47
    进到类似目录 server/default/conf/bootstrap，打开文件 profile.xml找到： Xml代码<bean    name="AttachmentStore"  class="org.jboss.system.server.profileservice.repository.AbstractAtta
  • 写给初学者的6条网页设计安全配色指南 brotherlamp UIui自学ui视频ui教程ui资料
    网页设计中最基本的原则之一是，不管你花多长时间创造一个华丽的设计，其最终的角色都是这场秀中真正的明星——内容的衬托     我仍然清楚地记得我最早的一次美术课，那时我还是一个小小的、对凡事都充满渴望的孩子，我摆放出一大堆漂亮的彩色颜料。我仍然记得当我第一次看到原色与另一种颜色混合变成第二种颜色时的那种兴奋，并且我想，既然两种颜色能创造出一种全新的美丽色彩，那所有颜色
  • 有一个数组，每次从中间随机取一个，然后放回去，当所有的元素都被取过，返回总共的取的次数。写一个函数实现。复杂度是什么。 bylijinnan java算法面试
    import java.util.Random; import java.util.Set; import java.util.TreeSet; /** * http://weibo.com/1915548291/z7HtOF4sx * #面试题#有一个数组，每次从中间随机取一个，然后放回去，当所有的元素都被取过，返回总共的取的次数。 * 写一个函数实现。复杂度是什么
  • struts2获得request、session、application方式 chiangfai application
    1、与Servlet API解耦的访问方式。 a.Struts2对HttpServletRequest、HttpSession、ServletContext进行了封装，构造了三个Map对象来替代这三种对象要获取这三个Map对象，使用ActionContext类。 ----->   package pro.action; import java.util.Map; imp
  • 改变python的默认语言设置 chenchao051 python
    import sys sys.getdefaultencoding()  可以测试出默认语言，要改变的话，需要在python lib的site-packages文件夹下新建： sitecustomize.py， 这个文件比较特殊，会在python启动时来加载，所以就可以在里面写上： import sys sys.setdefaultencoding('utf-8') &n
  • mysql导入数据load data infile用法 daizj mysql导入数据
    我们常常导入数据！mysql有一个高效导入方法，那就是load data infile 下面来看案例说明 基本语法： load data  [low_priority] [local] infile 'file_name txt' [replace | ignore] into table tbl_name [fields [terminated by't'] [OPTI
  • phpexcel导入excel表到数据库简单入门示例 dcj3sjt126com PHPExcel
    跟导出相对应的，同一个数据表，也是将phpexcel类放在class目录下，将Excel表格中的内容读取出来放到数据库中 <?php error_reporting(E_ALL); set_time_limit(0); ?> <html> <head> <meta http-equiv="Content-Type"
  • 22岁到72岁的男人对女人的要求 dcj3sjt126com
    22岁男人对女人的要求是：一，美丽，二，性感，三，有份具品味的职业，四，极有耐性，善解人意，五，该聪明的时候聪明，六，作小鸟依人状时尽量自然，七，怎样穿都好看，八，懂得适当地撒娇，九，虽作惊喜反应，但看起来自然，十，上了床就是个无条件荡妇。 32岁的男人对女人的要求，略作修定，是：一，入得厨房，进得睡房，二，不必服侍皇太后，三，不介意浪漫蜡烛配盒饭，四，听多过说，五，不再傻笑，六，懂得独
  • Spring和HIbernate对DDM设计的支持 e200702084 DAO设计模式springHibernate领域模型
    A：数据访问对象     DAO和资源库在领域驱动设计中都很重要。DAO是关系型数据库和应用之间的契约。它封装了Web应用中的数据库CRUD操作细节。另一方面，资源库是一个独立的抽象，它与DAO进行交互，并提供到领域模型的“业务接口”。    资源库使用领域的通用语言，处理所有必要的DAO，并使用领域理解的语言提供对领域模型的数据访问服务。
  • NoSql 数据库的特性比较 geeksun NoSQL
    Redis 是一个开源的使用ANSI C语言编写、支持网络、可基于内存亦可持久化的日志型、Key-Value数据库，并提供多种语言的API。目前由VMware主持开发工作。   1. 数据模型 作为Key-value型数据库，Redis也提供了键（Key）和值（Value）的映射关系。除了常规的数值或字符串，Redis的键值还可以是以下形式之一： Lists （列表） Sets
  • 使用 Nginx Upload Module 实现上传文件功能 hongtoushizi nginx
    转载自： http://www.tuicool.com/wx/aUrAzm   普通网站在实现文件上传功能的时候，一般是使用Python，Java等后端程序实现，比较麻烦。Nginx有一个Upload模块，可以非常简单的实现文件上传功能。此模块的原理是先把用户上传的文件保存到临时文件，然后在交由后台页面处理，并且把文件的原名，上传后的名称，文件类型，文件大小set到页面。下
  • spring-boot-web-ui及thymeleaf基本使用 jishiweili springthymeleaf
    视图控制层代码demo如下：   @Controller @RequestMapping("/") public class MessageController { private final MessageRepository messageRepository; @Autowired public MessageController(Mes
  • 数据源架构模式之活动记录 home198979 PHP架构活动记录数据映射
    hello!架构 一、概念 活动记录（Active Record）：一个对象，它包装数据库表或视图中某一行，封装数据库访问，并在这些数据上增加了领域逻辑。 对象既有数据又有行为。活动记录使用直截了当的方法，把数据访问逻辑置于领域对象中。   二、实现简单活动记录 活动记录在php许多框架中都有应用，如cakephp。 <?php /** * 行数据入口类 *
  • Linux Shell脚本之自动修改IP pda158 linuxcentosDebian脚本
    作为一名 Linux SA，日常运维中很多地方都会用到脚本，而服务器的ip一般采用静态ip或者MAC绑定，当然后者比较操作起来相对繁琐，而前者我们可以设置主机名、ip信息、网关等配置。修改成特定的主机名在维护和管理方面也比较方便。如下脚本用途为：修改ip和主机名等相关信息，可以根据实际需求修改，举一反三！ #!/bin/sh #auto Change ip netmask ga
  • 开发环境搭建 独浮云 eclipsejdktomcat
           最近在开发过程中，经常出现MyEclipse内存溢出等错误，需要重启的情况，好麻烦。对于一般的JAVA+TOMCAT项目开发，其实没有必要使用重量级的MyEclipse，使用eclipse就足够了。尤其是开发机器硬件配置一般的人。         &n
  • 操作日期和时间的工具类 vipbooks 工具类
       大家好啊，好久没有来这里发文章了，今天来逛逛，分享一篇刚写不久的操作日期和时间的工具类，希望对大家有所帮助。 /* * @(#)DataFormatUtils.java 2010-10-10 * * Copyright 2010 BianJing,All rights reserved. */ package test; impor
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他