- 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
- 破译AI黑箱:如何用20行Python理解ChatGPT?
Ven%
简单入门pytorch人工智能pythonchatgpt
文章目录一、核心概念:大模型本质二、代码逐行解析(以线性回归为例)三、关键概念详解四、与大模型的本质联系五、大模型训练核心思想六、如何扩展成真实大模型七、总结:AI训练的本质一、核心概念:大模型本质大模型=复杂数学函数+数据驱动训练现实任务(如图像识别、语言翻译)过于复杂,人类无法直接编写数学函数解决。解决方案:构建参数化的数学模型(如神经网络)用大量数据训练,自动寻找最优参数得到能解决特定任务的
- 如何使用 PyTorch Lightning 保存和加载检查点
喝过期的拉菲
PyTorchLightningpytorch人工智能Lighting
【PL基础】如何保存和加载检查点1.什么是检查点(checkpoint)?2.检查点有哪些内容3.如何保存检查点4.如何加载检查点5.保存超参数6.nn.Module的检查点7.禁用checkpointing8.恢复训练状态1.什么是检查点(checkpoint)? 当模型进行训练时,性能会随着它继续看到更多数据而发生变化。最佳实践是在整个训练过程中保存模型的状态。这将在模型开发过程中的每个关键
- 使用Ray实现的分布式PyTorch Lightning训练
刘瑛蓉
使用Ray实现的分布式PyTorchLightning训练ray_lightningPytorchLightningDistributedAcceleratorsusingRay项目地址:https://gitcode.com/gh_mirrors/ra/ray_lightning项目简介ray_lightning是一个不再维护的项目,现在已被【RayTrain】取代,它提供了将PyTorchLi
- mlflow案例
以下内容主要是翻译mlflow官方文档的一个教程。4.教程和示例4.1训练、服务和评估线性回归模型地址:Tutorial—MLflow2.4.1documentation本教程展示了如何使用MLflow端到端执行以下操作:(1)训练线性回归模型(2)将训练模型的代码打包为可重复使用和可复制的模型格式(3)将模型部署到一个简单的HTTP服务器中,使您能够对预测进行评分本教程使用的数据集将根据葡萄酒的
- pythonflow_MLflow系列1:MLflow入门教程(Python)
weixin_39872334
pythonflow
这篇教程展示了如何:训练一个线性回归模型将训练代码打包成一个可复用可复现的模型格式将模型部署成一个简单的HTTP服务用于进行预测这篇教程使用的数据来自UCI的红酒质量数据集,主要用于根据红酒的PH值,酸度,残糖量等指标来评估红酒的质量。我们会用到什么?安装MLflow和scikit-learn,推荐两种安装方式:安装MLflow及其依赖:pipinstallmlflow[extras]分别安装ML
- 2025B卷 - 华为OD机试七日集训第5期 - 按算法分类,由易到难,循序渐进,玩转OD(Python/JS/C/C++)
目录推荐刷题方法:一、适合人群二、本期训练时间三、如何参加四、七日集训第5期五、精心挑选21道高频100分经典题目,作为入门。第1天、逻辑分析第2天、逻辑分析第3天、逻辑分析第4天、字符串处理第5天、深度优先搜索dfs第6天、广度优先搜索bfs第7天、动态规划六、集训总结国内直接使用ChatGPT4o、o3、o4-mini-high、GPT-4.5、GPT4.1、Gemini2.5pro0605、
- ElasticCTR:一键部署的分布式CTR预估解决方案
萧桔格Wilbur
ElasticCTR:一键部署的分布式CTR预估解决方案ElasticCTRElasticCTR,即飞桨弹性计算推荐系统,是基于Kubernetes的企业级推荐系统开源解决方案。该方案融合了百度业务场景下持续打磨的高精度CTR模型、飞桨开源框架的大规模分布式训练能力、工业级稀疏参数弹性调度服务,帮助用户在Kubernetes环境中一键完成推荐系统部署,具备高性能、工业级部署、端到端体验的特点,并且
- 机器学习-三大SOTA Boosting算法总结和调优
小新学习屋
机器学习机器学习boosting集成学习决策树人工智能
参考书籍:《机器学习公式推导和代码实现》书籍页码:P197~205简介除了深度学习适用的文本、图像、语音、视频等非结构化数据,对于训练样本较少的结构化数据,Boosting算法仍是第一选择。XGBoost、LightGBM、CatBoost是目前经典的SOTABoosting算法算法对比维度XGBoostLightGBMCatBoos说明算法的继承性是对GBDT的改进是对XGBoost的改进是对X
- Qwen3 Embedding 结构-加载-训练 看透模型设计哲学
看透一个顶级AI句向量模型的设计秘密,从文件结构到加载原理,再到其背后的训练哲学。1Qwen3-Embedding模型结构拆解说明:目录包含了运行一个基于Transformer的句向量模型所需的所有组件文件类别核心文件作用核心模型model.safetensors,config.jsonmodel.safetensors存储了模型所有训练好的权重分词器tokenizer.json,vocab.js
- Python数据结构之 Big O
ぃ曦晔°
数据结构算法BigO复杂度
学习课程:【Udemy高分付费课程】Python数据结构与算法-终极Python编码面试和计算机科学训练营在Python中,BigO表示法用于描述算法的时间复杂度,即算法运行时间与输入大小之间的关系;或空间复杂度,即算法运行时所占用的内存。在处理时间复杂度和空间复杂度是有3个希腊字母:Ω--最佳速度θ--平均速度O--最坏情况我们在讨论BigO时,总是在谈论最坏情况(WorstCase)Pytho
- 人脸识别接口&sdk,两张人脸相似度比对
人工智能时代,人脸识别技术正在被广泛应用于金融支付、安防监控、身份验证等多个领域,基于深度学习算法于海量样本训练,人脸识别接口以高精度、低延迟的特性出现在大众视野,成为开发者和企业用户集成人脸识别功能的首要选择之一。人脸识别接口技术服务原理:格式转换:支持BMP、JPG、PNG、TIF等多种常见图像格式;尺寸调整与压缩:建议图像大小控制在200KB左右,确保传输效率与识别质量;图像增强:自动旋转、
- 【AI Infra】基础学习汇总篇
逆羽飘扬
AI基础知识人工智能学习
系列综述:目的:本系列是个人整理为了学习训练框架优化的,整理期间苛求每个知识点,平衡理解简易度与深入程度。来源:材料主要源于【DeepEP官方介绍】进行的,每个知识点的修正和深入主要参考各平台大佬的文章,其中也可能含有少量的个人实验自证。结语:如果有帮到你的地方,就点个赞和关注一下呗,谢谢!!!请先收藏!!!,后续继续完善和扩充(●’◡’●)文章目录一、分布式与并行基础分布式计算高性能并行GPU硬
- BAAI/BGE-VL多模态模型部署、原理、代码详解(实现图像文本混合检索),包含BEG-VL多模态模型的本地部署详细步骤及代码原理解析
令令小宁
python语言模型自然语言处理nlp人工智能
本文包含BGE-VL多模态模型的本地部署详细步骤及代码原理解析文章目录前言一、模型下载二、计算流程解析1.BGE-VL-base/Large2.BGE-VL-MLLM-s1/s2三、总结前言提示:这里可以添加本文要记录的大概内容:包含四个模型及数据集,数据集未开源,四个模型可以分别下载:其中,BGE-VL-base/Large是基于CLIP训练的模型,BGE-VL-MLLM-S1/S2是基于LLM
- Llama改进之——分组查询注意力
愤怒的可乐
#NLP项目实战自然语言处理llama深度学习人工智能分组查询注意力旋转位置编码
引言今天介绍LLAMA2模型引入的关于注意力的改进——分组查询注意力(Grouped-queryattention,GQA)1。Transformer中的多头注意力在解码阶段来说是一个性能瓶颈。多查询注意力2通过共享单个key和value头,同时不减少query头来提升性能。多查询注意力可能导致质量下降和训练不稳定,因此常用的是分组查询注意力。然后我们结合上篇文章3探讨的旋转位置编码,将选择位置编
- Llama改进之——均方根层归一化RMSNorm
愤怒的可乐
NLP项目实战#llama
引言在学习完GPT2之后,从本文开始进入Llama模型系列。本文介绍Llama模型的改进之RMSNorm(均方根层归一化)。它是由RootMeanSquareLayerNormalization论文提出来的,可以参阅其论文笔记1。LayerNorm层归一化(LayerNorm)对Transformer等模型来说非常重要,它可以帮助稳定训练并提升模型收敛性。LayerNorm针对一个样本所有特征计算
- 从0实现llama3
讨厌编程但喜欢LLM的学院派
人工智能python开发语言深度学习机器学习pytorch
分享一下从0实现llama的过程流程如下:word-->embeddinglayer-->n*decoderlayer-->finallinearlayer-->output分词器在embedding之前,需要进行分词,将句子分成单词。llama3采用了基于BPE算法的分词器。这个链接实现了一个非常简洁的BPE分词器简易分词器实现BPE分词器(选看)1)训练tokenizer词汇表并合并给定文本,
- 手把手从零打造 Llama3:解锁下一代预训练模型
会飞的Anthony
信息系统人工智能AIGC自然语言处理人工智能llama3AIGC
引言Llama3相较于Llama2,不仅在模型架构上做了显著优化,尤其是全局查询注意力机制(GQA)的引入,使得模型在大规模数据处理上表现更加出色。同时,Llama3采用了与GPT一致的tiktoken分词器,大幅提升了分词效率。本篇文章将带你从头构建Llama3预训练流程,深入了解其关键细节和实现方式,让你掌握这一下一代模型的核心技术。1.启动训练脚本在这一步中,我们将实现Llama3的预训练框
- 如何训练一个 Reward Model:RLHF 的核心组件详解
茫茫人海一粒沙
深度学习人工智能强化学习
RewardModel(奖励模型)是RLHF的核心,决定了模型“觉得人类偏好什么”的依据。本文将系统介绍如何从零开始训练一个rewardmodel,包括数据准备、模型结构、损失函数、训练方法与注意事项。什么是RewardModel?RewardModel(RM)是一个评分器:它输入一个文本(通常是prompt+模型回答),输出一个实数分值(reward),表示这个回答的“人类偏好程度”。它不是分类
- 给定一个长度为n的数列,将这个数列按从小到大的顺序排列。1<=n<=200 (蓝桥杯训练题库)c/c++
#includeinti,n,j,v;intsort(int*a,intn){for(i=0;ia[j]){v=a[i];a[i]=a[j];a[j]=v;}}intmain(){scanf("%d",&n);inta[200];for(i=0;i#includeusingnamespacestd;intmain(){intn;cin>>n;inta[200];for(inti=0;i>a[i];
- 利用人名语言分类案例演示RNN、LSTM和GRU的区别(基于PyTorch)
.30-06Springfield
rnnlstmgru分类人工智能pythonpytorch
文章目录一、程序结构1.1程序整体结构1.2各模块功能关系流程图二、数据预处理模块详解2.1定义字符集和语言类别2.2读取数据2.3人名转换为one-hot编码张量2.4自定义数据集类2.5数据加载器三、模型定义模块详解3.1RNN模型3.2LSTM模型3.3GRU模型四、模型训练与测试模块详解4.1测试模型基本功能4.2模型训练主函数五、结果可视化与对比模块详解六、模型预测模块详解七、案例结果分
- YOLOv8 轴承缺陷检测 使用YOLOv8进行训练、评估和可视化预测结果 包含1440张图片的轴承缺陷检测数据集 YOLO格式或XML格式
OICQQ67658008
YOLOxml深度学习轴承缺陷数据检测算法人工智能
轴承缺陷检测4类1440张names:[‘aocao’,‘aoxian’,‘cashang’,‘huahen’]名称::[‘凹槽’,‘凹陷’,‘卡伤’,‘划痕’]共1440张,8:1:1比例划分train:1152张,val:144张,test:144张标注文件为YOLO适用的txt格式或xml格式。可以直接用于模型训练。YOLOv8轴承缺陷检测importosimporttorchfromIPy
- 插入表主键冲突做更新
a-john
有以下场景:
用户下了一个订单,订单内的内容较多,且来自多表,首次下单的时候,内容可能会不全(部分内容不是必须,出现有些表根本就没有没有该订单的值)。在以后更改订单时,有些内容会更改,有些内容会新增。
问题:
如果在sql语句中执行update操作,在没有数据的表中会出错。如果在逻辑代码中先做查询,查询结果有做更新,没有做插入,这样会将代码复杂化。
解决:
mysql中提供了一个sql语
- Android xml资源文件中@、@android:type、@*、?、@+含义和区别
Cb123456
@+@?@*
一.@代表引用资源
1.引用自定义资源。格式:@[package:]type/name
android:text="@string/hello"
2.引用系统资源。格式:@android:type/name
android:textColor="@android:color/opaque_red"
- 数据结构的基本介绍
天子之骄
数据结构散列表树、图线性结构价格标签
数据结构的基本介绍
数据结构就是数据的组织形式,用一种提前设计好的框架去存取数据,以便更方便,高效的对数据进行增删查改。正确选择合适的数据结构,对软件程序的高效执行的影响作用不亚于算法的设计。此外,在计算机系统中数据结构的作用也是非同小可。例如常常在编程语言中听到的栈,堆等,就是经典的数据结构。
经典的数据结构大致如下:
一:线性数据结构
(1):列表
a
- 通过二维码开放平台的API快速生成二维码
一炮送你回车库
api
现在很多网站都有通过扫二维码用手机连接的功能,联图网(http://www.liantu.com/pingtai/)的二维码开放平台开放了一个生成二维码图片的Api,挺方便使用的。闲着无聊,写了个前台快速生成二维码的方法。
html代码如下:(二维码将生成在这div下)
? 1
&nbs
- ImageIO读取一张图片改变大小
3213213333332132
javaIOimageBufferedImage
package com.demo;
import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;
import javax.imageio.ImageIO;
/**
* @Description 读取一张图片改变大小
* @author FuJianyon
- myeclipse集成svn(一针见血)
7454103
eclipseSVNMyEclipse
&n
- 装箱与拆箱----autoboxing和unboxing
darkranger
J2SE
4.2 自动装箱和拆箱
基本数据(Primitive)类型的自动装箱(autoboxing)、拆箱(unboxing)是自J2SE 5.0开始提供的功能。虽然为您打包基本数据类型提供了方便,但提供方便的同时表示隐藏了细节,建议在能够区分基本数据类型与对象的差别时再使用。
4.2.1 autoboxing和unboxing
在Java中,所有要处理的东西几乎都是对象(Object)
- ajax传统的方式制作ajax
aijuans
Ajax
//这是前台的代码
<%@ page language="java" import="java.util.*" pageEncoding="UTF-8"%> <% String path = request.getContextPath(); String basePath = request.getScheme()+
- 只用jre的eclipse是怎么编译java源文件的?
avords
javaeclipsejdktomcat
eclipse只需要jre就可以运行开发java程序了,也能自动 编译java源代码,但是jre不是java的运行环境么,难道jre中也带有编译工具? 还是eclipse自己实现的?谁能给解释一下呢问题补充:假设系统中没有安装jdk or jre,只在eclipse的目录中有一个jre,那么eclipse会采用该jre,问题是eclipse照样可以编译java源文件,为什么呢?
&nb
- 前端模块化
bee1314
模块化
背景: 前端JavaScript模块化,其实已经不是什么新鲜事了。但是很多的项目还没有真正的使用起来,还处于刀耕火种的野蛮生长阶段。 JavaScript一直缺乏有效的包管理机制,造成了大量的全局变量,大量的方法冲突。我们多么渴望有天能像Java(import),Python (import),Ruby(require)那样写代码。在没有包管理机制的年代,我们是怎么避免所
- 处理百万级以上的数据处理
bijian1013
oraclesql数据库大数据查询
一.处理百万级以上的数据提高查询速度的方法: 1.应尽量避免在 where 子句中使用!=或<>操作符,否则将引擎放弃使用索引而进行全表扫描。
2.对查询进行优化,应尽量避免全表扫描,首先应考虑在 where 及 o
- mac 卸载 java 1.7 或更高版本
征客丶
javaOS
卸载 java 1.7 或更高
sudo rm -rf /Library/Internet\ Plug-Ins/JavaAppletPlugin.plugin
成功执行此命令后,还可以执行 java 与 javac 命令
sudo rm -rf /Library/PreferencePanes/JavaControlPanel.prefPane
成功执行此命令后,还可以执行 java
- 【Spark六十一】Spark Streaming结合Flume、Kafka进行日志分析
bit1129
Stream
第一步,Flume和Kakfa对接,Flume抓取日志,写到Kafka中
第二部,Spark Streaming读取Kafka中的数据,进行实时分析
本文首先使用Kakfa自带的消息处理(脚本)来获取消息,走通Flume和Kafka的对接 1. Flume配置
1. 下载Flume和Kafka集成的插件,下载地址:https://github.com/beyondj2ee/f
- Erlang vs TNSDL
bookjovi
erlang
TNSDL是Nokia内部用于开发电信交换软件的私有语言,是在SDL语言的基础上加以修改而成,TNSDL需翻译成C语言得以编译执行,TNSDL语言中实现了异步并行的特点,当然要完整实现异步并行还需要运行时动态库的支持,异步并行类似于Erlang的process(轻量级进程),TNSDL中则称之为hand,Erlang是基于vm(beam)开发,
- 非常希望有一个预防疲劳的java软件, 预防过劳死和眼睛疲劳,大家一起努力搞一个
ljy325
企业应用
非常希望有一个预防疲劳的java软件,我看新闻和网站,国防科技大学的科学家累死了,太疲劳,老是加班,不休息,经常吃药,吃药根本就没用,根本原因是疲劳过度。我以前做java,那会公司垃圾,老想赶快学习到东西跳槽离开,搞得超负荷,不明理。深圳做软件开发经常累死人,总有不明理的人,有个软件提醒限制很好,可以挽救很多人的生命。
相关新闻:
(1)IT行业成五大疾病重灾区:过劳死平均37.9岁
- 读《研磨设计模式》-代码笔记-原型模式
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/
/**
* Effective Java 建议使用copy constructor or copy factory来代替clone()方法:
* 1.public Product copy(Product p){}
* 2.publi
- 配置管理---svn工具之权限配置
chenyu19891124
SVN
今天花了大半天的功夫,终于弄懂svn权限配置。下面是今天收获的战绩。
安装完svn后就是在svn中建立版本库,比如我本地的是版本库路径是C:\Repositories\pepos。pepos是我的版本库。在pepos的目录结构
pepos
component
webapps
在conf里面的auth里赋予的权限配置为
[groups]
- 浅谈程序员的数学修养
comsci
设计模式编程算法面试招聘
浅谈程序员的数学修养
- 批量执行 bulk collect与forall用法
daizj
oraclesqlbulk collectforall
BULK COLLECT 子句会批量检索结果,即一次性将结果集绑定到一个集合变量中,并从SQL引擎发送到PL/SQL引擎。通常可以在SELECT INTO、
FETCH INTO以及RETURNING INTO子句中使用BULK COLLECT。本文将逐一描述BULK COLLECT在这几种情形下的用法。
有关FORALL语句的用法请参考:批量SQL之 F
- Linux下使用rsync最快速删除海量文件的方法
dongwei_6688
OS
1、先安装rsync:yum install rsync
2、建立一个空的文件夹:mkdir /tmp/test
3、用rsync删除目标目录:rsync --delete-before -a -H -v --progress --stats /tmp/test/ log/这样我们要删除的log目录就会被清空了,删除的速度会非常快。rsync实际上用的是替换原理,处理数十万个文件也是秒删。
- Yii CModel中rules验证规格
dcj3sjt126com
rulesyiivalidate
Yii cValidator主要用法分析:
yii验证rulesit 分类: Yii yii的rules验证 cValidator主要属性 attributes ,builtInValidators,enableClientValidation,message,on,safe,skipOnError
 
- 基于vagrant的redis主从实验
dcj3sjt126com
vagrant
平台: Mac
工具: Vagrant
系统: Centos6.5
实验目的: Redis主从
实现思路
制作一个基于sentos6.5, 已经安装好reids的box, 添加一个脚本配置从机, 然后作为后面主机从机的基础box
制作sentos6.5+redis的box
mkdir vagrant_redis
cd vagrant_
- Memcached(二)、Centos安装Memcached服务器
frank1234
centosmemcached
一、安装gcc
rpm和yum安装memcached服务器连接没有找到,所以我使用的是make的方式安装,由于make依赖于gcc,所以要先安装gcc
开始安装,命令如下,[color=red][b]顺序一定不能出错[/b][/color]:
建议可以先切换到root用户,不然可能会遇到权限问题:su root 输入密码......
rpm -ivh kernel-head
- Remove Duplicates from Sorted List
hcx2013
remove
Given a sorted linked list, delete all duplicates such that each element appear only once.
For example,Given 1->1->2, return 1->2.Given 1->1->2->3->3, return&
- Spring4新特性——JSR310日期时间API的支持
jinnianshilongnian
spring4
Spring4新特性——泛型限定式依赖注入
Spring4新特性——核心容器的其他改进
Spring4新特性——Web开发的增强
Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC
Spring4新特性——Groovy Bean定义DSL
Spring4新特性——更好的Java泛型操作API
Spring4新
- 浅谈enum与单例设计模式
247687009
java单例
在JDK1.5之前的单例实现方式有两种(懒汉式和饿汉式并无设计上的区别故看做一种),两者同是私有构
造器,导出静态成员变量,以便调用者访问。
第一种
package singleton;
public class Singleton {
//导出全局成员
public final static Singleton INSTANCE = new S
- 使用switch条件语句需要注意的几点
openwrt
cbreakswitch
1. 当满足条件的case中没有break,程序将依次执行其后的每种条件(包括default)直到遇到break跳出
int main()
{
int n = 1;
switch(n) {
case 1:
printf("--1--\n");
default:
printf("defa
- 配置Spring Mybatis JUnit测试环境的应用上下文
schnell18
springmybatisJUnit
Spring-test模块中的应用上下文和web及spring boot的有很大差异。主要试下来差异有:
单元测试的app context不支持从外部properties文件注入属性
@Value注解不能解析带通配符的路径字符串
解决第一个问题可以配置一个PropertyPlaceholderConfigurer的bean。
第二个问题的具体实例是:
 
- Java 定时任务总结一
tuoni
javaspringtimerquartztimertask
Java定时任务总结 一.从技术上分类大概分为以下三种方式: 1.Java自带的java.util.Timer类,这个类允许你调度一个java.util.TimerTask任务; 说明: java.util.Timer定时器,实际上是个线程,定时执行TimerTask类 &
- 一种防止用户生成内容站点出现商业广告以及非法有害等垃圾信息的方法
yangshangchuan
rank相似度计算文本相似度词袋模型余弦相似度
本文描述了一种在ITEYE博客频道上面出现的新型的商业广告形式及其应对方法,对于其他的用户生成内容站点类型也具有同样的适用性。
最近在ITEYE博客频道上面出现了一种新型的商业广告形式,方法如下:
1、注册多个账号(一般10个以上)。
2、从多个账号中选择一个账号,发表1-2篇博文