- 【自学笔记】机器学习基础知识点总览-持续更新
Long_poem
笔记机器学习人工智能
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录机器学习重点知识点总览一、机器学习基础概念二、机器学习理论基础三、机器学习算法1.监督学习2.无监督学习3.强化学习四、机器学习处理流程五、机器学习常见问题与解决方法六、机器学习应用领域总结机器学习重点知识点总览一、机器学习基础概念定义:机器学习是一种人工智能技术,通过对数据的学习和分析,让计算机系统自动提高其性能。本质:找到
- 强化学习:原理、概念与代码实践
AndrewHZ
深度学习新浪潮人工智能深度学习强化学习机器学习算法deepseek
一、引言强化学习(ReinforcementLearning)作为机器学习的一个重要分支,旨在通过智能体(agent)与环境的交互,学习到最优的行为策略,以最大化长期累积奖励。它在机器人控制、游戏、自动驾驶、资源管理等众多领域都取得了显著的成功。本文将深入介绍强化学习的数学原理、核心概念,并通过公式推导来加深理解,同时结合一个具体的实例,使用Python语言进行代码实现,帮助读者全面掌握强化学习的
- 如何训练LLM“思考”(像o1和DeepSeek-R1一样, 高级推理模型解析
果冻人工智能
AI员工人工智能chatgpt深度学习
2024年9月,OpenAI发布了它的o1模型,该模型基于大规模强化学习训练,赋予了它“高级推理”能力。不幸的是,他们是如何做到这一点的细节从未被公开披露。然而,今天,DeepSeek(一个AI研究实验室)成功复现了这种推理行为,并公开了他们方法的完整技术细节。在这篇文章中,我将讨论这一创新背后的关键思想,并描述它们在底层是如何运作的。一台会思考的笔记本电脑OpenAI的o1模型标志着训练大语言模
- SFT(监督微调)和RLHF(基于人类反馈的强化学习)的区别
钟小宇
LLM人工智能语言模型
SFT(监督微调)和RLHF(基于人类反馈的强化学习)的区别STF(SupervisedFine-Tuning)和RLHF(ReinforcementLearningfromHumanFeedback)是两种不同的模型训练方法,分别用于不同的阶段和目的。以下是它们的主要区别:1.方法概述STF(监督微调):定义:STF是指在已经预训练好的模型基础上,使用标注好的数据进一步训练模型,使其在特定任务上
- 评测系统的神经架构搜索优化
AI天才研究院
ChatGPT计算DeepSeekR1&大数据AI人工智能大模型javapythonjavascriptkotlingolang架构人工智能大厂程序员硅基计算碳基计算认知计算生物计算深度学习神经网络大数据AIGCAGILLM系统架构设计软件哲学Agent程序员实现财富自由
评测系统的神经架构搜索优化关键词评测系统神经架构搜索优化强化学习人工智能摘要本文将探讨评测系统的神经架构搜索优化这一主题。首先,我们将介绍评测系统的基本概念和重要性,然后深入解析神经架构搜索优化的基本原理和算法。接下来,我们将探讨神经架构搜索优化的应用场景和实战案例分析,最后进行总结和展望。第1章:引言1.1评测系统的重要性评测系统在各个领域都有着广泛的应用,如教育、工业、金融等。它的主要作用是对
- AI赋能教育:深度解析大模型在教育场景中的应用与架构设计【无标题】
和老莫一起学AI
人工智能语言模型产品经理ai自然语言处理大模型程序员
随着人工智能技术的飞速发展,尤其是大模型的崛起,教育行业迎来了全新的机遇和挑战。教学模式的变革、个性化学习的深化、教育管理的智能化,大模型正以不可忽视的力量推动着教育的数字化升级。在这篇文章中,我们将基于一张完整的应用设计架构图,从应用场景到AI核心能力、训练标注平台、智能处理引擎以及业务数据,全方位剖析大模型如何助力教育行业实现突破,真正实现“AI赋能教育,重塑未来”。一、应用场景:从传统教育到
- 强化学习原理与代码实战案例讲解
AI天才研究院
AI大模型企业级应用开发实战DeepSeekR1&大数据AI人工智能大模型计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
1.背景介绍1.1什么是强化学习?强化学习(ReinforcementLearning,RL)是机器学习的一个重要分支,它关注的是智能体(Agent)如何在环境中通过与环境交互来学习最优的行为策略。与其他机器学习方法不同,强化学习并不依赖于预先标注的数据,而是通过试错的方式来学习。想象一下,你正在训练一只小狗学习坐下。你不会给它看成千上万张“坐下”的照片,而是会给它一些指令,比如“坐下”,如果它照
- 强化学习在连续动作空间的应用:DDPG与TD3
AI天才研究院
计算AI大模型应用入门实战与进阶大数据人工智能语言模型AILLMJavaPython架构设计AgentRPA计算AI大模型应用
1.背景介绍1.1强化学习简介强化学习(ReinforcementLearning,简称RL)是一种机器学习方法,它通过让智能体(Agent)在环境(Environment)中与环境进行交互,学习如何根据观察到的状态(State)选择动作(Action),以最大化某种长期累积奖励(Reward)的方法。强化学习的核心问题是学习一个策略(Policy),即在给定状态下选择动作的映射关系。1.2连续动
- 翻译Deep Learning and the Game of Go(14)第十二章 采用actor-critic方法的强化学习
idol_watch
围棋与深度学习
本章包括:利用优势使强化学习更有效率用actor-critic方法来实现自我提升AI设计和训练Keras的多输出神经网络如果你正在学习下围棋,最好的改进方法之一是让一个水平更高的棋手给你复盘。有时候,最有用的反馈只是指出你在哪里赢棋或输棋。复盘的人可能会给出这样的评论,“你下了30步后已经远远落后了”或“在下了110步后,你有一个获胜的局面,但你的对手在130时扭转了局面。”为什么这种反馈是有帮助
- 【DeepSeek】一文详解GRPO算法——为什么能减少大模型训练资源?
FF-Studio
DeepSeekR1算法
GRPO,一种新的强化学习方法,是DeepSeekR1使用到的训练方法。今天的这篇博客文章,笔者会从零开始,层层递进地为各位介绍一种在强化学习中极具实用价值的技术——GRPO(GroupRelativePolicyOptimization)。如果你是第一次听说这个概念,也不必慌张,笔者会带领你从最基础的强化学习背景知识讲起,一步步剖析其来龙去脉,然后再结合实例讲解GRPO在实际应用中的思路和操作示
- 区块链前线@2019.2.16
CryptoZen
区块链
落地实践:1.挪威推行原生加密货币作为其区块链智慧城市平台的唯一货币;2.美国食品和药物管理局FDA期望通过区块链技术提高药品供应链的安全;3.计划于今年夏季启动的莫斯科区块链创新基地目前需要一个知识产权评估机制;4.一份新的报告指出到2024年,基于区块链的全球能源公用事业市场将增长60%;5.阿根廷向巴拉圭出口农用化学品,接受比特币付款;6.现代汽车子公司与IBM合作,利用区块链技术改造其业务
- 揭秘DeepSeek内幕:清华教授剖析AI模型技术原理
大模型.
人工智能chatgpt安全agigpt大模型deepseek
从ChatGPT到各种新兴的AI模型,每一次技术突破都能引发广泛的关注和讨论——而最近AI界的“新宠”,无疑是DeepSeek。在本文中,清华大学长聘副教授将深入剖析DeepSeekR1背后的大规模强化学习技术及其基本原理,并进一步展望大模型技术未来的发展方向。1、透过DeepSeekR1,看大模型技术的发展趋势今天我将从宏观角度为大家介绍DeepSeekR1所代表的大规模强化学习技术,及其基本原
- DeepSeek正重构具身大模型和人形机器人赛道!
Robot251
重构机器人人工智能科技自动驾驶
中国人工智能公司DeepSeek(深度求索)以“低成本、高效率、强开放”的研发范式横空出世,火遍并震撼全球科技圈;DeepSeek展现出来的核心竞争力,除了低成本及推理能力,更重要的是开源模型能力追赶上了最新的闭源模型;而对具身智能领域影响最大的当属于其开源大模型DeepSeek-R1。2024年1月20日,公司发布全球首个完全通过强化学习训练的专注于推理任务的高性能语言模型DeepSeek-R1
- matlab等距离差值,科学网—等距点插值法向牛顿前插值matlab程序 - 殷春武的博文...
老李校长
matlab等距离差值
%%%程序编写者西北工业大学自动化学院Email:
[email protected]%%Allrightsreservedclearclcx0=input('输入起始节点坐标x0=')h=input('输入步长h=')y=input('输入节点坐标函数值f(x)=')x2=input('输入所要计算的节点x2=')symstn=length(y);fori=1:nx1(i)=
- 机器学习-33-机理模型和非机理模型
皮皮冰燃
机器学习机器学习
1建模方法机理模型、经验模型和智能模型是在不同领域中使用的建模方法,它们具有以下特点:1.1机理模型(1)特点:机理模型是基于物理、化学或其他科学原理建立的模型。它们试图通过描述系统的基本原理和关系来解释现象或预测系统的行为。(2)优点:机理模型能够提供深入的理解和解释,并具有较高的预测准确性。它们可以提供对系统内部机制的洞察,从而支持优化、控制和设计决策。(3)缺点:机理模型的建立需要详细的物理
- DeepSeek-R1-Zero 与 DeepSeek-R1 的异同与优劣分析
AI生成曾小健
Deepseek原理与使用人工智能
DeepSeek-R1-Zero与DeepSeek-R1的异同与优劣分析一、相同点核心训练方法:两者均基于强化学习(RL),采用GroupRelativePolicyOptimization(GRPO)算法,通过组内样本的奖励相对比较优化策略模型。目标均为提升语言模型的复杂推理能力(如数学、代码、科学推理)。基础模型:均以DeepSeek-V3-Base作为初始模型,共享相同的架构
- 《深度Q网络优化:突破高维连续状态空间的束缚》
人工智能深度学习
在人工智能的发展历程中,深度Q网络(DQN)作为强化学习与深度学习融合的关键成果,为解决复杂决策问题开辟了新路径。但当面对高维连续状态空间时,DQN会出现训练不稳定、收敛速度慢等问题,严重限制了其应用范围。如何优化DQN以适应高维连续状态空间,成为当下研究的热点。深度Q网络基础回顾深度Q网络结合了深度学习强大的特征提取能力与Q学习的决策优化思想。在传统强化学习中,Q学习通过Q表记录每个状态-动作对
- 不坑盒子Office插件:全能助手,办公效率的革命性提升
不坑老师
microsoftwordexcelpowerpointwps
在快节奏的办公环境中,时间就是金钱,效率就是生命。不坑盒子Office插件,一款专为Word、Excel、PPT和WPS三件套设计的全能办公助手,致力于让办公工作变得更加轻松、高效。一键式自动化,让复杂工作变简单自动排版:快速设置正文、标题格式,告别手动调整。OCR文字识别:图片文字快速转换,需要腾讯云OCR接口支持。化学公式编辑:自动排版化学方程式,让科学文档更专业。表格智能填充:一键编号填充,
- DQN的原理和代码实现
SmallerFL
NLP&机器学习DQN强化学习深度学习
文章目录1.概述2.DQN的训练步骤2.1初始化2.2训练循环2.3终止条件2.4评估3.代码示例1.概述深度Q网络(DeepQ-Network,DQN)是强化学习中的一种重要算法,由GoogleDeepMind于2013年提出。DQN结合了Q学习和深度学习,通过使用神经网络来近似Q值函数,解决了传统Q学习在高维状态空间中的问题。2.DQN的训练步骤2.1初始化环境:定义环境(例如,Atari游戏
- DQN原理和代码实现
KPer_Yang
机器学习机器学习人工智能
参考:王树森《强化学习》书籍、课程、代码1、基本概念折扣回报:Ut=Rt+γ⋅Rt+1+γ2⋅Rt+2+⋯+γn−t⋅Rn.U_t=R_t+\gamma\cdotR_{t+1}+\gamma^2\cdotR_{t+2}+\cdots+\gamma^{n-t}\cdotR_n.Ut=Rt+γ⋅Rt+1+γ2⋅Rt+2+⋯+γn−t⋅Rn.动作价值函数:Qπ(st,at)=E[Ut∣St=st,At=
- 强化学习在机器人控制中的应用:从理论到实践
Echo_Wish
前沿技术人工智能机器人
强化学习在机器人控制中的应用:从理论到实践大家好,我是你们熟悉的人工智能与Python领域自媒体创作者Echo_Wish。今天我们来聊聊一个炙手可热的话题——强化学习在机器人控制中的应用。近年来,随着人工智能技术的飞速发展,机器人在各个领域的应用越来越广泛。而强化学习作为一种重要的机器学习方法,为机器人控制提供了强有力的技术支持。接下来,让我们一起探讨强化学习在机器人控制中的原理和实践,并通过具体
- X-R1 项目代码文件的详细剖析并精读rewards、grpo、x_grpo_trainer(src/x_r1)
仙人掌_lz
人工智能人工智能深度学习学习
这个项目名为[X-R1](https://github.com/dhcode-cpp/X-R1),是一个基于强化学习的训练框架,旨在构建一个易于使用、低成本的训练框架,以加速ScalingPost-Training的开发。以下是对该项目的详细解释:项目结构项目的主要目录结构如下:X-R1/├──.gitignore├──LICENSE├──Makefile├──README.md├──requir
- Python深度学习代做目标检测NLP计算机视觉强化学习
matlabgoodboy
计算机视觉python深度学习
了解您的需求,您似乎在寻找关于Python深度学习领域的代做服务,特别是在目标检测、自然语言处理(NLP)、计算机视觉以及强化学习方面。以下是一些关于这些领域的概述以及寻找相关服务的建议。1.Python深度学习代做概述目标检测:目标检测是计算机视觉中的一个重要任务,旨在识别图像或视频中的特定对象,并确定它们的位置。Python中的深度学习框架(如TensorFlow、PyTorch)和计算机视觉
- Cesium高级开发教程之三十五:预警扩散圆
Thomaz529
Cesium开发教程javascript前端htmlCesium
为订阅该专栏的粉丝提供依赖库和售后服务!1.应用场景与需求背景在地理信息系统(GIS)和相关可视化应用中,预警扩散圆常被用于表示一些具有扩散性的事件或危险区域,比如:自然灾害预警:地震引发的震动波扩散、洪水的蔓延范围、火山喷发的影响区域等。公共安全事件:如化学物质泄漏时污染区域的扩散、疫情传播范围等。军事场景:炸弹爆炸的杀伤范围、雷达扫描范围的动态展示等。2.实现原理Cesium是一个基于WebG
- 管式超滤膜分离技术处理制革废水,有效净化水质
莱特莱德
膜分离设备
管式超滤膜分离技术在处理制革废水方面确实展现出了高效净化水质的能力。制革废水含有大量的有机物、无机盐、悬浮固体、染料以及重金属等污染物,这些物质不仅严重污染环境,还可能对人类健康和生态系统造成长远的影响。管式超滤膜作为一种压力驱动的膜分离技术,能够在不添加或少量添加化学药剂的情况下,有效去除水中的悬浮物、胶体、部分细菌及病毒等杂质,同时保留水中的有益成分。管式超滤膜分离技术处理制革废水的优势:高效
- 单级反渗透设备VS双级反渗透设备清洗
莱特莱德
其他
反渗透设备分为单级反渗透设备与双级反渗透设备,当清洗反渗透设备时要逐级逐段的清洗,这样清洗可以使清洗效果更好。为确保脱盐率,清洗的顺序应为先碱洗后酸洗。在反渗透设备化学清洗时应注意:1、单级反渗透设备的清洗顺序:碱洗二段、碱洗一段、酸洗二段、酸洗一段。碱洗二段后再碱洗一段,防止一段清洗下来的污染物对二段膜产生交叉感染。2、双级反渗透设备的清洗顺序:碱洗一级、酸洗一级、碱洗二级、酸洗二级。一、反渗透
- Bengio新作Aaren:探索Transformer性能与RNN效率的融合
AI记忆
深度学习论文与相关应用transformerrnn深度学习AarenBengio
论文链接:https://arxiv.org/pdf/2405.13956一、摘要总结:本文提出了一种新的注意力机制,名为Aaren,它将注意力视为一种特殊的递归神经网络(RNN),能够高效地计算其多对一RNN输出。Aaren不仅能够并行训练,而且能够在推理时高效地更新新令牌,仅需要常数内存。实验表明,Aaren在四个流行的序列问题设置(强化学习、事件预测、时间序列分类和时间序列预测)的38个数据
- 先进制造aps专题二十九 基于ai智能体的生产排程和工厂生产仿真引擎的设计
lijianhua_9712
apsai智能体仿真引擎
上文中,我们说,通常的做法是,可以先通过排产仿真引擎产生生产计划,再在工厂仿真引擎里仿真执行,这样可以预先分析计划和执行的差异情况并进行调整优化这里的产生生产计划,仿真生产执行和数据分析都是人工进行的这些工作可以让ai智能体来做,从而实现整套流程的自动化和智能化我们可以在强化学习框架中结合排产仿真/工厂生产仿真框架,在强化学习框架的准备函数里启动排产仿真引擎获得生产计划,并导入到工厂仿真引擎里执行
- DeepSeek R1:引领未来教育革命的自适应学习路径规划系统
Coderabo
DeepSeekR1模型企业级应用学习人工智能机器学习算法python深度学习
自适应学习路径规划概述自适应学习路径规划是指通过分析用户的学习行为和需求,动态调整学习内容和顺序,以提供个性化、高效的学习体验。在当今快速发展的教育科技领域,这一概念变得尤为重要。随着人工智能技术的进步,特别是深度学习和强化学习的应用,我们能够更加精准地识别学习者的需求,并据此设计出最适合他们的学习路径。利用先进的算法和模型来实现对学习路径的智能化管理。该系统能够实时监控学习者的进度,根据其表现调
- LowCode 低代码平台集成 AI 大模型会产生怎样的化学反应?
AI天才研究院
DeepSeekR1&大数据AI人工智能大模型架构师必知必会系列ChatGPT低代码人工智能
LowCode低代码平台集成AI大模型会产生怎样的化学反应?低代码平台(LowCodePlatform)是一种新型的应用开发方式,它将应用开发的过程简化为“拖拽组件、配置属性、生成代码”的方式,使得应用开发变得更加简单和快捷。而AI大模型(AIBigModel)则是一种利用深度学习技术构建的大规模神经网络,它可以对海量数据进行训练和预测,从而实现各种智能化的应用。本文将探讨低代码平台集成AI大模型
- LeetCode[位运算] - #137 Single Number II
Cwind
javaAlgorithmLeetCode题解位运算
原题链接:#137 Single Number II
要求:
给定一个整型数组,其中除了一个元素之外,每个元素都出现三次。找出这个元素
注意:算法的时间复杂度应为O(n),最好不使用额外的内存空间
难度:中等
分析:
与#136类似,都是考察位运算。不过出现两次的可以使用异或运算的特性 n XOR n = 0, n XOR 0 = n,即某一
- 《JavaScript语言精粹》笔记
aijuans
JavaScript
0、JavaScript的简单数据类型包括数字、字符创、布尔值(true/false)、null和undefined值,其它值都是对象。
1、JavaScript只有一个数字类型,它在内部被表示为64位的浮点数。没有分离出整数,所以1和1.0的值相同。
2、NaN是一个数值,表示一个不能产生正常结果的运算结果。NaN不等于任何值,包括它本身。可以用函数isNaN(number)检测NaN,但是
- 你应该更新的Java知识之常用程序库
Kai_Ge
java
在很多人眼中,Java 已经是一门垂垂老矣的语言,但并不妨碍 Java 世界依然在前进。如果你曾离开 Java,云游于其它世界,或是每日只在遗留代码中挣扎,或许是时候抬起头,看看老 Java 中的新东西。
Guava
Guava[gwɑ:və],一句话,只要你做Java项目,就应该用Guava(Github)。
guava 是 Google 出品的一套 Java 核心库,在我看来,它甚至应该
- HttpClient
120153216
httpclient
/**
* 可以传对象的请求转发,对象已流形式放入HTTP中
*/
public static Object doPost(Map<String,Object> parmMap,String url)
{
Object object = null;
HttpClient hc = new HttpClient();
String fullURL
- Django model字段类型清单
2002wmj
django
Django 通过 models 实现数据库的创建、修改、删除等操作,本文为模型中一般常用的类型的清单,便于查询和使用: AutoField:一个自动递增的整型字段,添加记录时它会自动增长。你通常不需要直接使用这个字段;如果你不指定主键的话,系统会自动添加一个主键字段到你的model。(参阅自动主键字段) BooleanField:布尔字段,管理工具里会自动将其描述为checkbox。 Cha
- 在SQLSERVER中查找消耗CPU最多的SQL
357029540
SQL Server
返回消耗CPU数目最多的10条语句
SELECT TOP 10
total_worker_time/execution_count AS avg_cpu_cost, plan_handle,
execution_count,
(SELECT SUBSTRING(text, statement_start_of
- Myeclipse项目无法部署,Undefined exploded archive location
7454103
eclipseMyEclipse
做个备忘!
错误信息为:
Undefined exploded archive location
原因:
在工程转移过程中,导致工程的配置文件出错;
解决方法:
 
- GMT时间格式转换
adminjun
GMT时间转换
普通的时间转换问题我这里就不再罗嗦了,我想大家应该都会那种低级的转换问题吧,现在我向大家总结一下如何转换GMT时间格式,这种格式的转换方法网上还不是很多,所以有必要总结一下,也算给有需要的朋友一个小小的帮助啦。
1、可以使用
SimpleDateFormat SimpleDateFormat
EEE-三位星期
d-天
MMM-月
yyyy-四位年
- Oracle数据库新装连接串问题
aijuans
oracle数据库
割接新装了数据库,客户端登陆无问题,apache/cgi-bin程序有问题,sqlnet.log日志如下:
Fatal NI connect error 12170.
VERSION INFORMATION: TNS for Linux: Version 10.2.0.4.0 - Product
- 回顾java数组复制
ayaoxinchao
java数组
在写这篇文章之前,也看了一些别人写的,基本上都是大同小异。文章是对java数组复制基础知识的回顾,算是作为学习笔记,供以后自己翻阅。首先,简单想一下这个问题:为什么要复制数组?我的个人理解:在我们在利用一个数组时,在每一次使用,我们都希望它的值是初始值。这时我们就要对数组进行复制,以达到原始数组值的安全性。java数组复制大致分为3种方式:①for循环方式 ②clone方式 ③arrayCopy方
- java web会话监听并使用spring注入
bewithme
Java Web
在java web应用中,当你想在建立会话或移除会话时,让系统做某些事情,比如说,统计在线用户,每当有用户登录时,或退出时,那么可以用下面这个监听器来监听。
import java.util.ArrayList;
import java.ut
- NoSQL数据库之Redis数据库管理(Redis的常用命令及高级应用)
bijian1013
redis数据库NoSQL
一 .Redis常用命令
Redis提供了丰富的命令对数据库和各种数据库类型进行操作,这些命令可以在Linux终端使用。
a.键值相关命令
b.服务器相关命令
1.键值相关命令
&
- java枚举序列化问题
bingyingao
java枚举序列化
对象在网络中传输离不开序列化和反序列化。而如果序列化的对象中有枚举值就要特别注意一些发布兼容问题:
1.加一个枚举值
新机器代码读分布式缓存中老对象,没有问题,不会抛异常。
老机器代码读分布式缓存中新对像,反序列化会中断,所以在所有机器发布完成之前要避免出现新对象,或者提前让老机器拥有新增枚举的jar。
2.删一个枚举值
新机器代码读分布式缓存中老对象,反序列
- 【Spark七十八】Spark Kyro序列化
bit1129
spark
当使用SparkContext的saveAsObjectFile方法将对象序列化到文件,以及通过objectFile方法将对象从文件反序列出来的时候,Spark默认使用Java的序列化以及反序列化机制,通常情况下,这种序列化机制是很低效的,Spark支持使用Kyro作为对象的序列化和反序列化机制,序列化的速度比java更快,但是使用Kyro时要注意,Kyro目前还是有些bug。
Spark
- Hybridizing OO and Functional Design
bookjovi
erlanghaskell
推荐博文:
Tell Above, and Ask Below - Hybridizing OO and Functional Design
文章中把OO和FP讲的深入透彻,里面把smalltalk和haskell作为典型的两种编程范式代表语言,此点本人极为同意,smalltalk可以说是最能体现OO设计的面向对象语言,smalltalk的作者Alan kay也是OO的最早先驱,
- Java-Collections Framework学习与总结-HashMap
BrokenDreams
Collections
开发中常常会用到这样一种数据结构,根据一个关键字,找到所需的信息。这个过程有点像查字典,拿到一个key,去字典表中查找对应的value。Java1.0版本提供了这样的类java.util.Dictionary(抽象类),基本上支持字典表的操作。后来引入了Map接口,更好的描述的这种数据结构。
&nb
- 读《研磨设计模式》-代码笔记-职责链模式-Chain Of Responsibility
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/
/**
* 业务逻辑:项目经理只能处理500以下的费用申请,部门经理是1000,总经理不设限。简单起见,只同意“Tom”的申请
* bylijinnan
*/
abstract class Handler {
/*
- Android中启动外部程序
cherishLC
android
1、启动外部程序
引用自:
http://blog.csdn.net/linxcool/article/details/7692374
//方法一
Intent intent=new Intent();
//包名 包名+类名(全路径)
intent.setClassName("com.linxcool", "com.linxcool.PlaneActi
- summary_keep_rate
coollyj
SUM
BEGIN
/*DECLARE minDate varchar(20) ;
DECLARE maxDate varchar(20) ;*/
DECLARE stkDate varchar(20) ;
DECLARE done int default -1;
/* 游标中 注册服务器地址 */
DE
- hadoop hdfs 添加数据目录出错
daizj
hadoophdfs扩容
由于原来配置的hadoop data目录快要用满了,故准备修改配置文件增加数据目录,以便扩容,但由于疏忽,把core-site.xml, hdfs-site.xml配置文件dfs.datanode.data.dir 配置项增加了配置目录,但未创建实际目录,重启datanode服务时,报如下错误:
2014-11-18 08:51:39,128 WARN org.apache.hadoop.h
- grep 目录级联查找
dongwei_6688
grep
在Mac或者Linux下使用grep进行文件内容查找时,如果给定的目标搜索路径是当前目录,那么它默认只搜索当前目录下的文件,而不会搜索其下面子目录中的文件内容,如果想级联搜索下级目录,需要使用一个“-r”参数:
grep -n -r "GET" .
上面的命令将会找出当前目录“.”及当前目录中所有下级目录
- yii 修改模块使用的布局文件
dcj3sjt126com
yiilayouts
方法一:yii模块默认使用系统当前的主题布局文件,如果在主配置文件中配置了主题比如: 'theme'=>'mythm', 那么yii的模块就使用 protected/themes/mythm/views/layouts 下的布局文件; 如果未配置主题,那么 yii的模块就使用 protected/views/layouts 下的布局文件, 总之默认不是使用自身目录 pr
- 设计模式之单例模式
come_for_dream
设计模式单例模式懒汉式饿汉式双重检验锁失败无序写入
今天该来的面试还没来,这个店估计不会来电话了,安静下来写写博客也不错,没事翻了翻小易哥的博客甚至与大牛们之间的差距,基础知识不扎实建起来的楼再高也只能是危楼罢了,陈下心回归基础把以前学过的东西总结一下。
*********************************
- 8、数组
豆豆咖啡
二维数组数组一维数组
一、概念
数组是同一种类型数据的集合。其实数组就是一个容器。
二、好处
可以自动给数组中的元素从0开始编号,方便操作这些元素
三、格式
//一维数组
1,元素类型[] 变量名 = new 元素类型[元素的个数]
int[] arr =
- Decode Ways
hcx2013
decode
A message containing letters from A-Z is being encoded to numbers using the following mapping:
'A' -> 1
'B' -> 2
...
'Z' -> 26
Given an encoded message containing digits, det
- Spring4.1新特性——异步调度和事件机制的异常处理
jinnianshilongnian
spring 4.1
目录
Spring4.1新特性——综述
Spring4.1新特性——Spring核心部分及其他
Spring4.1新特性——Spring缓存框架增强
Spring4.1新特性——异步调用和事件机制的异常处理
Spring4.1新特性——数据库集成测试脚本初始化
Spring4.1新特性——Spring MVC增强
Spring4.1新特性——页面自动化测试框架Spring MVC T
- squid3(高命中率)缓存服务器配置
liyonghui160com
系统:centos 5.x
需要的软件:squid-3.0.STABLE25.tar.gz
1.下载squid
wget http://www.squid-cache.org/Versions/v3/3.0/squid-3.0.STABLE25.tar.gz
tar zxf squid-3.0.STABLE25.tar.gz &&
- 避免Java应用中NullPointerException的技巧和最佳实践
pda158
java
1) 从已知的String对象中调用equals()和equalsIgnoreCase()方法,而非未知对象。 总是从已知的非空String对象中调用equals()方法。因为equals()方法是对称的,调用a.equals(b)和调用b.equals(a)是完全相同的,这也是为什么程序员对于对象a和b这么不上心。如果调用者是空指针,这种调用可能导致一个空指针异常
Object unk
- 如何在Swift语言中创建http请求
shoothao
httpswift
概述:本文通过实例从同步和异步两种方式上回答了”如何在Swift语言中创建http请求“的问题。
如果你对Objective-C比较了解的话,对于如何创建http请求你一定驾轻就熟了,而新语言Swift与其相比只有语法上的区别。但是,对才接触到这个崭新平台的初学者来说,他们仍然想知道“如何在Swift语言中创建http请求?”。
在这里,我将作出一些建议来回答上述问题。常见的
- Spring事务的传播方式
uule
spring事务
传播方式:
新建事务
required
required_new - 挂起当前
非事务方式运行
supports
&nbs