- 大数据智能风控核心:模型
johnny233
读书笔记大数据
概述模型线性判别分析方法,SirRonaldFisher最早提出模型评分的概念。个人FICO模型信用分。巴塞尔委员会发布巴塞尔Ⅱ协议,推出内部评级法(InternalRatingBasedApproach,IRB)。IRB综合考虑客户评级和债项评级,通过违约概率(ProbabilityofDefault,PD)、违约损失率(LossGivenDefault,LGD)、违约风险暴露(Exposure
- 第 3 章:神经网络如何学习
鱼摆摆拜拜
神经网络学习人工智能
第3章:神经网络如何学习在第二章中,我们详细了解了神经网络的静态结构:由神经元组成的层,以及连接它们的权重和偏置。现在,我们将进入整个教程最核心的部分:神经网络是如何从数据中"学习"的?这个学习过程是一个动态的、不断调整自身参数以求更佳预测的过程。我们将通过四个关键概念来揭示这个秘密:前向传播(ForwardPropagation):数据如何通过网络产生一个预测?损失函数(LossFunction
- 微调大语言模型(生成任务),怎么评估它到底“变好”了?
茫茫人海一粒沙
语言模型人工智能自然语言处理
随着大语言模型(如GPT、LLaMA)的广泛应用,越来越多团队开始基于它们做微调,定制符合自己业务需求的模型。微调虽能让模型更贴合任务,但评估是否真的“变好”却不是简单的事。本文将系统介绍微调过程中和微调完成后,如何科学有效地评估模型效果,帮助你用对指标,做出准确判断。一、微调时的评估:关注训练过程中的模型表现1.验证集Loss(ValidationLoss)微调训练时,我们会准备一部分数据作为验
- 【机器学习&深度学习】前馈神经网络(单隐藏层)
一叶千舟
深度学习【理论】机器学习深度学习神经网络
目录一、什么是前馈神经网络?二、数学表达式是什么?三、为什么需要“非线性函数”?四、NumPy实现前馈神经网络代码示例五、运行结果六、代码解析6.1初始化部分6.2前向传播6.3计算损失(Loss)6.4反向传播(手动)6.5更新参数(梯度下降)6.6循环训练七、训练过程可视化(思维图)八、关键问题答疑Q1:为什么需要隐藏层?Q2:ReLU是干嘛的?Q3:学习率怎么选?九、总结学习建议在机器学习中
- 【机器学习算法】XGBoost原理
一、基本内容基本内容:GBDT的基础上,在损失函数上加入树模型复杂度的正则项与GBDT一样,也是使用新的弱学习器拟合残差(当前模型负梯度,残差方向)GBDT损失函数Loss=∑i=1NL(yi,yit)Loss=\sum_{i=1}^{N}L(y_i,y_i^{t})Loss=i=1∑NL(yi,yit)XGboost损失函数Loss=∑i=1SL(yi,yit)+∑j=1NΩ(fj))Loss=
- 预训练语言模型之:Encoder-only PLM
抱抱宝
大模型语言模型人工智能自然语言处理
1.基础架构:TransformerEncoder所有模型的基石都是TransformerEncoder结构,其核心是自注意力机制:Attention(Q,K,V)=softmax(QKTdk)V\text{Attention}(Q,K,V)=\text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)VAttention(Q,K,V)=softmax(dk
- 深度学习——第2章习题2-1分析为什么平方损失函数不适用于分类问题
笨小古
深度强化学习深度学习分类人工智能
深度学习——第2章习题2-1《神经网络与深度学习》——邱锡鹏2-1分析为什么平方损失函数不适用于分类问题。平方损失函数(QuadraticLossFunction)经常用在预测标签y为实数值的任务中,定义为L(y,f(x;θ))=12(y−f(x;θ))2\mathcal{L}\left(y,f(x;\theta)\right)=\frac{1}{2}\left(y-f(x;\theta)\rig
- ../aten/src/ATen/native/cuda/Loss.cu:115: operator(): block: [192,0,0], thread: [95,0,0] Assertion
weixin_42319617
深度学习人工智能
../aten/src/ATen/native/cuda/Loss.cu:115:operator():block:[192,0,0],thread:[95,0,0]Assertion`input_val>=zero&&input_val源代码上下文(计算损失函数):loss=nn.BCEWithLogitsLoss()(logit,truth.float())pos=(truth>0.5).fl
- 【动手学深度学习】4.2~4.3 多层感知机的实现
XiaoJ1234567
《动手学深度学习》深度学习人工智能MLP多层感知机
目录4.2.多层感知机的从零开始实现1)初始化模型参数2)激活函数3)模型4)损失函数5)训练4.3.多层感知机的简洁实现1)模型2)小结.4.2.多层感知机的从零开始实现现在让我们实现一个多层感知机。为了与之前softmax回归获得的结果进行比较,我们将继续使用Fashion-MNIST图像分类数据集。importtorchfromtorchimportnnfromd2limporttorcha
- BERT-NER-Pytorch 深度学习教程
富茉钰Ida
BERT-NER-Pytorch深度学习教程BERT-NER-PytorchChineseNER(NamedEntityRecognition)usingBERT(Softmax,CRF,Span)项目地址:https://gitcode.com/gh_mirrors/be/BERT-NER-Pytorch1.项目介绍BERT-NER-Pytorch是一个基于PyTorch实现的中文命名实体识别(
- YOLOv4 正负样本划分详解
要努力啊啊啊
计算机视觉YOLO目标检测深度学习计算机视觉目标跟踪
✅YOLOv4正负样本划分详解一、前言在目标检测中,正负样本划分是训练过程中的关键环节,它决定了哪些预测框参与损失计算,从而影响模型的学习效果。YOLOv4在YOLOv3的基础上进行了改进,包括:使用CSPDarknet53主干网络;引入PANet特征融合结构;支持Mosaic数据增强;使用CIoULoss和DIoU-NMS;但在正样本划分逻辑上,YOLOv4保持了与YOLOv3类似的设计方式,并
- 深度学习笔记16-VGG-16算法-Pytorch实现人脸识别
boooo_hhh
深度学习机器学习pytorch
目录前言一、前期准备1.设置GPU2.导入数据3.划分数据集二、调用官方的VGG-16模型三、训练模型1.编写训练函数2.编写测试函数3.设置动态学习率4.正式训练四、结果可视化1.Loss与Accuracy图2.指定图片进行预测3.模型评估五、总结前言本文为365天深度学习训练营中的学习记录博客原作者:K同学啊一、前期准备1.设置GPU如果设备上支持GPU就使用GPU,否则使用CPUimport
- tensorflow GPU训练loss与val loss值差距过大问题
LXJSWD
tensorflow人工智能python
问题最近在ubuntugpu上训练模型,训练十轮,结果如下epoch,loss,lr,val_loss200,nan,0.001,nan200,0.002468767808750272,0.001,44.29948425292969201,0.007177405059337616,0.001,49.16984176635742202,0.012423301115632057,0.001,49.30
- Python训练营-Day37-早停策略和模型权重的保存
1.记录训练集的损失函数可以观察是否过拟合#记录损失值并更新进度条if(epoch+1)%200==0:losses.append(loss.item())epochs.append(epoch+1)#更新进度条的描述信息pbar.set_postfix({'Loss':f'{loss.item():.4f}'})2.模型保存和加载#保存模型参数torch.save(model.state_dic
- Day33 MLP神经网络的训练
cylat
python打卡神经网络人工智能深度学习python
目录一、PyTorch和cuda的安装二、查看显卡信息的命令行命令(cmd中使用)三、cuda的检查四、简单神经网络的流程1、数据预处理(归一化、转换成张量)2、模型的定义3、定义损失函数和优化器4、定义训练流程5、可视化loss过程一、PyTorch和cuda的安装后续完成深度学习项目中,主要使用的包为pytorch,所以需要安装,需要去配置一个新的环境。未来在复现具体项目时候,新环境命名最好是
- 激活层为softmax时,CrossEntropy损失函数对激活层输入Z的梯度
Jcldcdmf
AI机器学习损失函数交叉熵softmax
∂L∂Z=y^−y\frac{\partialL}{\partialZ}=\hat{y}-y∂Z∂L=y^−y其中yyy为真实值,采用one-hot编码,y^\hat{y}y^为softmax输出的预测值证明:\textbf{证明:}证明:根据softmax公式:y^i=ezi∑j=1nezj\hat{y}_i=\frac{e^{z_i}}{\sum_{j=1}^ne^{z_j}}y^i=∑j=1
- 【踩坑大全】TensorFlow的Loss出现Nan原因分析及解决方案
蚊子我们绝交吧
踩坑大全pythontensorflow人工智能深度学习
记录一次狗屎的经历背景是这样的模型是现成的,只是想加一个自定义的Loss在PyTorch上实现成功,并且效果很好TensorFlow中,没法使用类似PyTorch那样局部更改tensor值的操作(大概是下面这样),在网上查了一堆方案之后,感觉都不好用,就换了一种算法规避了这种操作indices=torch.tensor([2,4])value[indices]=torch.tensor([[1,2
- Learning to Incorporate Structure Knowledge for Image Inpainting
yijun009
图像修复论文
LearningtoIncorporateStructureKnowledgeforImageInpaintingMotivationMethods框架:AttentionLayerStructureEmbeddingLayerPyramidStructureLossExperimentreference原文链接:link.Motivation图像修复旨在用合理且充满细节的内容填充损坏的图像区域或
- MMDet实例分割loss_rpn_bbox为nan但其它loss正常的解决
MWHLS
pythonpythonpytorch深度学习人工智能
文章首发见博客:https://mwhls.top/4901.html。无图/格式错误/后续更新请见首发页。更多更新请到mwhls.top查看欢迎留言提问或批评建议,私信不回。昨天还以为这个月无活可整,没想到第二天就来事了,下个月还好久,留到下月发也不大好(º﹃º)。问题描述使用MMDetection训练实例分割,训练可执行,测试可执行,但loss_rpn_bbox为nan,loss_bbox却有
- 理解Logits、Softmax和softmax_cross_entropy_with_logits的区别
1010n111
机器学习
理解Logits、Softmax和softmax_cross_entropy_with_logits的区别技术背景在机器学习尤其是深度学习中,分类问题是一个常见的任务。在解决分类问题时,我们需要将模型的输出转换为概率分布,以便确定每个类别的可能性。同时,我们需要一个损失函数来衡量模型预测结果与真实标签之间的差异,从而进行模型的训练和优化。在TensorFlow中,logits、softmax和so
- LLM输出优化秘籍:Dify参数调节技巧大揭秘!
AI大模型-大飞
人工智能机器学习大模型AI大模型程序员语言模型大模型教程
引言随着大语言模型(LLM)在文本生成、对话系统等领域的广泛应用,参数调节已成为开发者必须掌握的核心技能。本文深入解析温度(Temperature)、TopP、TopK等关键参数的作用机制,并提供面向不同场景的配置策略,帮助开发者实现生成质量与多样性的精准控制。一、核心参数详解1.温度(Temperature)作用机制:通过softmax函数调整预测分布调节范围:0-1效果对比:温度值生成质量多样
- Day14shap图绘制
m0_62568655
python训练营python
#作业1importshapimportxgboostimportpandasaspdX,y=shap.datasets.adult()model=xgboost.XGBClassifier(eval_metric='mlogloss').fit(X,y)explainer=shap.TreeExplainer(model)shap_values=explainer.shap_values(X)#
- 运维想转SRE?先了解这7个原则
站点可靠性工程,或SRE,是一种将运维问题视为软件问题的方法。这一概念最初由Google工程师BenTreynorSloss在2003年提出并描述。作为一门学科,站点可靠性工程(SRE)旨在维持特定系统的可用性、性能和效率。SRE难以界定。它是一种方法或学科,而不是一套具体的指令性任务,其形式会根据特定组织的需求而有所不同。幸运的是,有七项SRE原则可以帮助指导SRE团队取得成功。前言软件开发的大
- MSE做多分类任务如何
用「考试打分」来类比,秒懂为啥多分类任务很少用MSE,以及硬用会出啥问题~一、多分类任务的「常规操作」:交叉熵vsMSE1.多分类任务长啥样?例子:手写数字识别(0-9共10类)、动物图片分类(猫/狗/鸟等)。目标:模型输出每个类别的概率,选概率最高的作为预测结果。2.交叉熵为啥是「标配」?输出:配合softmax激活函数,输出每个类别的概率(和为1)。判卷逻辑:看「预测概率是否接近真实类别」,比
- xilinx gt的RX EQ
xilinx的GT的接收均衡功能,是在高速信号传输的时候用来补偿通道损耗和抖动的。通过对信号频谱进行补偿,抵消信号传输过程中由于PCB走线、连接器、电缆等引起的高频衰减和失真,从而恢复信号的完整性,提高链路稳定性和性能。XilinxGT系列收发器(GTP、GTX、GTH、GTY、GTYP)的接收均衡(RXEqualization,RXEQ)是克服高速串行链路中信道损耗(ChannelLoss)的关
- PyTorch张量操作中dim参数的核心原理与应用技巧:
AI扶我青云志
pytorch人工智能
今天在搭建神经网络模型中重写forward函数时,对输出结果在最后一个维度上应用Softmax函数,将输出转化为概率分布。但对于dim的概念不是很熟悉,经过查阅后整理了一下内容。PyTorch张量操作精解:深入理解dim参数的维度规则与实践应用在PyTorch中,张量(Tensor)的维度操作是深度学习模型实现的基础。dim参数作为高频出现的核心概念,其取值逻辑直接影响张量运算的结果。本文将从维度
- 26 - UFO模块
Leo Chaw
深度学习算法实现人工智能深度学习pytorch计算机视觉
论文《UFO-ViT:HighPerformanceLinearVisionTransformerwithoutSoftmax》1、作用UFO-ViT旨在解决传统Transformer在视觉任务中所面临的主要挑战之一:SA机制的计算资源需求随输入尺寸的平方增长,这使得处理高分辨率输入变得不切实际。UFO-ViT通过提出一种新的SA机制,消除了非线性操作,实现了对计算复杂度的线性控制,同时保持了高性
- 具身智能 - 推动通用机器人智能的新里程碑:AgiBot World 平台与 GO-1 模型深度解析
天机️灵韵
VLA具身智能人工智能机器人深度学习人工智能具身智能
机器人操作是人工智能与物理世界交互的核心能力,但长期以来受限于高质量数据的稀缺。近期,上海人工智能实验室与AgiBotInc.联合发布了AgiBotWorldColosseo——一个开源的大规模机器人操作平台,包含数据集、工具链与通用策略模型,旨在推动机器人智能向更通用、更灵活的方向发展。本文将从背景、数据集设计、模型架构与实验结果四部分,解析这一平台的创新与突破。一、背景:机器人学习的核心挑战传
- 多分类与多标签分类的损失函数
麦格芬230
自然语言处理
使用神经网络处理多分类任务时,一般采用softmax作为输出层的激活函数,使用categorical_crossentropy(多类别交叉熵损失函数)作为损失函数,输出层包含k个神经元对应k个类别。在多标签分类任务中,一般采用sigmoid作为输出层的激活函数,使用binary_crossentropy(二分类交叉熵损失函数)作为损失函数,就是将最后分类层的每个输出节点使用sigmoid激活函数激
- 缩放点积模型:如何巧妙化解Softmax梯度消失难题?
摘取一颗天上星️
深度学习损失函数标准点积梯度消失
在Transformer模型中,缩放点积注意力(ScaledDot-ProductAttention)通过一个看似简单的操作——除以维度的平方根——解决了Softmax梯度消失的核心问题。本文将深入剖析其背后的数学原理和实际效果。一、问题根源:标准点积的Softmax为何梯度消失?假设查询向量q和键向量kᵢ的维度为dₖ,且其元素服从均值为0、方差为1的独立分布。点积qᵀkᵢ的方差为:Var(qᵀk
- jQuery 跨域访问的三种方式 No 'Access-Control-Allow-Origin' header is present on the reque
qiaolevip
每天进步一点点学习永无止境跨域众观千象
XMLHttpRequest cannot load http://v.xxx.com. No 'Access-Control-Allow-Origin' header is present on the requested resource. Origin 'http://localhost:63342' is therefore not allowed access. test.html:1
- mysql 分区查询优化
annan211
java分区优化mysql
分区查询优化
引入分区可以给查询带来一定的优势,但同时也会引入一些bug.
分区最大的优点就是优化器可以根据分区函数来过滤掉一些分区,通过分区过滤可以让查询扫描更少的数据。
所以,对于访问分区表来说,很重要的一点是要在where 条件中带入分区,让优化器过滤掉无需访问的分区。
可以通过查看explain执行计划,是否携带 partitions
- MYSQL存储过程中使用游标
chicony
Mysql存储过程
DELIMITER $$
DROP PROCEDURE IF EXISTS getUserInfo $$
CREATE PROCEDURE getUserInfo(in date_day datetime)-- -- 实例-- 存储过程名为:getUserInfo-- 参数为:date_day日期格式:2008-03-08-- BEGINdecla
- mysql 和 sqlite 区别
Array_06
sqlite
转载:
http://www.cnblogs.com/ygm900/p/3460663.html
mysql 和 sqlite 区别
SQLITE是单机数据库。功能简约,小型化,追求最大磁盘效率
MYSQL是完善的服务器数据库。功能全面,综合化,追求最大并发效率
MYSQL、Sybase、Oracle等这些都是试用于服务器数据量大功能多需要安装,例如网站访问量比较大的。而sq
- pinyin4j使用
oloz
pinyin4j
首先需要pinyin4j的jar包支持;jar包已上传至附件内
方法一:把汉字转换为拼音;例如:编程转换后则为biancheng
/**
* 将汉字转换为全拼
* @param src 你的需要转换的汉字
* @param isUPPERCASE 是否转换为大写的拼音; true:转换为大写;fal
- 微博发送私信
随意而生
微博
在前面文章中说了如和获取登陆时候所需要的cookie,现在只要拿到最后登陆所需要的cookie,然后抓包分析一下微博私信发送界面
http://weibo.com/message/history?uid=****&name=****
可以发现其发送提交的Post请求和其中的数据,
让后用程序模拟发送POST请求中的数据,带着cookie发送到私信的接入口,就可以实现发私信的功能了。
- jsp
香水浓
jsp
JSP初始化
容器载入JSP文件后,它会在为请求提供任何服务前调用jspInit()方法。如果您需要执行自定义的JSP初始化任务,复写jspInit()方法就行了
JSP执行
这一阶段描述了JSP生命周期中一切与请求相关的交互行为,直到被销毁。
当JSP网页完成初始化后
- 在 Windows 上安装 SVN Subversion 服务端
AdyZhang
SVN
在 Windows 上安装 SVN Subversion 服务端2009-09-16高宏伟哈尔滨市道里区通达街291号
最佳阅读效果请访问原地址:http://blog.donews.com/dukejoe/archive/2009/09/16/1560917.aspx
现在的Subversion已经足够稳定,而且已经进入了它的黄金时段。我们看到大量的项目都在使
- android开发中如何使用 alertDialog从listView中删除数据?
aijuans
android
我现在使用listView展示了很多的配置信息,我现在想在点击其中一条的时候填出 alertDialog,点击确认后就删除该条数据,( ArrayAdapter ,ArrayList,listView 全部删除),我知道在 下面的onItemLongClick 方法中 参数 arg2 是选中的序号,但是我不知道如何继续处理下去 1 2 3
- jdk-6u26-linux-x64.bin 安装
baalwolf
linux
1.上传安装文件(jdk-6u26-linux-x64.bin)
2.修改权限
[root@localhost ~]# ls -l /usr/local/jdk-6u26-linux-x64.bin
3.执行安装文件
[root@localhost ~]# cd /usr/local
[root@localhost local]# ./jdk-6u26-linux-x64.bin&nbs
- MongoDB经典面试题集锦
BigBird2012
mongodb
1.什么是NoSQL数据库?NoSQL和RDBMS有什么区别?在哪些情况下使用和不使用NoSQL数据库?
NoSQL是非关系型数据库,NoSQL = Not Only SQL。
关系型数据库采用的结构化的数据,NoSQL采用的是键值对的方式存储数据。
在处理非结构化/半结构化的大数据时;在水平方向上进行扩展时;随时应对动态增加的数据项时可以优先考虑使用NoSQL数据库。
在考虑数据库的成熟
- JavaScript异步编程Promise模式的6个特性
bijian1013
JavaScriptPromise
Promise是一个非常有价值的构造器,能够帮助你避免使用镶套匿名方法,而使用更具有可读性的方式组装异步代码。这里我们将介绍6个最简单的特性。
在我们开始正式介绍之前,我们想看看Javascript Promise的样子:
var p = new Promise(function(r
- [Zookeeper学习笔记之八]Zookeeper源代码分析之Zookeeper.ZKWatchManager
bit1129
zookeeper
ClientWatchManager接口
//接口的唯一方法materialize用于确定那些Watcher需要被通知
//确定Watcher需要三方面的因素1.事件状态 2.事件类型 3.znode的path
public interface ClientWatchManager {
/**
* Return a set of watchers that should
- 【Scala十五】Scala核心九:隐式转换之二
bit1129
scala
隐式转换存在的必要性,
在Java Swing中,按钮点击事件的处理,转换为Scala的的写法如下:
val button = new JButton
button.addActionListener(
new ActionListener {
def actionPerformed(event: ActionEvent) {
- Android JSON数据的解析与封装小Demo
ronin47
转自:http://www.open-open.com/lib/view/open1420529336406.html
package com.example.jsondemo;
import org.json.JSONArray;
import org.json.JSONException;
import org.json.JSONObject;
impor
- [设计]字体创意设计方法谈
brotherlamp
UIui自学ui视频ui教程ui资料
从古至今,文字在我们的生活中是必不可少的事物,我们不能想象没有文字的世界将会是怎样。在平面设计中,UI设计师在文字上所花的心思和功夫最多,因为文字能直观地表达UI设计师所的意念。在文字上的创造设计,直接反映出平面作品的主题。
如设计一幅戴尔笔记本电脑的广告海报,假设海报上没有出现“戴尔”两个文字,即使放上所有戴尔笔记本电脑的图片都不能让人们得知这些电脑是什么品牌。只要写上“戴尔笔
- 单调队列-用一个长度为k的窗在整数数列上移动,求窗里面所包含的数的最大值
bylijinnan
java算法面试题
import java.util.LinkedList;
/*
单调队列 滑动窗口
单调队列是这样的一个队列:队列里面的元素是有序的,是递增或者递减
题目:给定一个长度为N的整数数列a(i),i=0,1,...,N-1和窗长度k.
要求:f(i) = max{a(i-k+1),a(i-k+2),..., a(i)},i = 0,1,...,N-1
问题的另一种描述就
- struts2处理一个form多个submit
chiangfai
struts2
web应用中,为完成不同工作,一个jsp的form标签可能有多个submit。如下代码:
<s:form action="submit" method="post" namespace="/my">
<s:textfield name="msg" label="叙述:">
- shell查找上个月,陷阱及野路子
chenchao051
shell
date -d "-1 month" +%F
以上这段代码,假如在2012/10/31执行,结果并不会出现你预计的9月份,而是会出现八月份,原因是10月份有31天,9月份30天,所以-1 month在10月份看来要减去31天,所以直接到了8月31日这天,这不靠谱。
野路子解决:假设当天日期大于15号
- mysql导出数据中文乱码问题
daizj
mysql中文乱码导数据
解决mysql导入导出数据乱码问题方法:
1、进入mysql,通过如下命令查看数据库编码方式:
mysql> show variables like 'character_set_%';
+--------------------------+----------------------------------------+
| Variable_name&nbs
- SAE部署Smarty出现:Uncaught exception 'SmartyException' with message 'unable to write
dcj3sjt126com
PHPsmartysae
对于SAE出现的问题:Uncaught exception 'SmartyException' with message 'unable to write file...。
官方给出了详细的FAQ:http://sae.sina.com.cn/?m=faqs&catId=11#show_213
解决方案为:
01
$path
- 《教父》系列台词
dcj3sjt126com
Your love is also your weak point.
你的所爱同时也是你的弱点。
If anything in this life is certain, if history has taught us anything, it is
that you can kill anyone.
不顾家的人永远不可能成为一个真正的男人。 &
- mongodb安装与使用
dyy_gusi
mongo
一.MongoDB安装和启动,widndows和linux基本相同
1.下载数据库,
linux:mongodb-linux-x86_64-ubuntu1404-3.0.3.tgz
2.解压文件,并且放置到合适的位置
tar -vxf mongodb-linux-x86_64-ubun
- Git排除目录
geeksun
git
在Git的版本控制中,可能有些文件是不需要加入控制的,那我们在提交代码时就需要忽略这些文件,下面讲讲应该怎么给Git配置一些忽略规则。
有三种方法可以忽略掉这些文件,这三种方法都能达到目的,只不过适用情景不一样。
1. 针对单一工程排除文件
这种方式会让这个工程的所有修改者在克隆代码的同时,也能克隆到过滤规则,而不用自己再写一份,这就能保证所有修改者应用的都是同一
- Ubuntu 创建开机自启动脚本的方法
hongtoushizi
ubuntu
转载自: http://rongjih.blog.163.com/blog/static/33574461201111504843245/
Ubuntu 创建开机自启动脚本的步骤如下:
1) 将你的启动脚本复制到 /etc/init.d目录下 以下假设你的脚本文件名为 test。
2) 设置脚本文件的权限 $ sudo chmod 755
- 第八章 流量复制/AB测试/协程
jinnianshilongnian
nginxluacoroutine
流量复制
在实际开发中经常涉及到项目的升级,而该升级不能简单的上线就完事了,需要验证该升级是否兼容老的上线,因此可能需要并行运行两个项目一段时间进行数据比对和校验,待没问题后再进行上线。这其实就需要进行流量复制,把流量复制到其他服务器上,一种方式是使用如tcpcopy引流;另外我们还可以使用nginx的HttpLuaModule模块中的ngx.location.capture_multi进行并发
- 电商系统商品表设计
lkl
DROP TABLE IF EXISTS `category`; -- 类目表
/*!40101 SET @saved_cs_client = @@character_set_client */;
/*!40101 SET character_set_client = utf8 */;
CREATE TABLE `category` (
`id` int(11) NOT NUL
- 修改phpMyAdmin导入SQL文件的大小限制
pda158
sqlmysql
用phpMyAdmin导入mysql数据库时,我的10M的
数据库不能导入,提示mysql数据库最大只能导入2M。
phpMyAdmin数据库导入出错: You probably tried to upload too large file. Please refer to documentation for ways to workaround this limit.
- Tomcat性能调优方案
Sobfist
apachejvmtomcat应用服务器
一、操作系统调优
对于操作系统优化来说,是尽可能的增大可使用的内存容量、提高CPU的频率,保证文件系统的读写速率等。经过压力测试验证,在并发连接很多的情况下,CPU的处理能力越强,系统运行速度越快。。
【适用场景】 任何项目。
二、Java虚拟机调优
应该选择SUN的JVM,在满足项目需要的前提下,尽量选用版本较高的JVM,一般来说高版本产品在速度和效率上比低版本会有改进。
J
- SQLServer学习笔记
vipbooks
数据结构xml
1、create database school 创建数据库school
2、drop database school 删除数据库school
3、use school 连接到school数据库,使其成为当前数据库
4、create table class(classID int primary key identity not null)
创建一个名为class的表,其有一