- 使用CharacterTextSplitter实现文本按字符拆分
bavDHAUO
python
在文本处理任务中,按字符进行拆分是一种简单且有效的方法。本篇文章将介绍如何使用CharacterTextSplitter类对文本进行按字符拆分,并生成适用于下游任务的LangChainDocument对象。技术背景介绍文本拆分是自然语言处理(NLP)中的一个基础步骤,尤其在大文本分块处理、文本摘要等任务中。CharacterTextSplitter是langchain-text-splitters
- 【论文精读】PatchTST-基于分块及通道独立机制的Transformer模型
打酱油的葫芦娃
时序预测算法时序预测PatchTSTTransformer预训练微调表征学习
《ATIMESERIESISWORTH64WORDS:LONG-TERMFORECASTINGWITHTRANSFORMERS》的作者团队来自PrincetonUniversity和IBMResearch,发表在ICLR2023会议上。动机Transformer模型因其自注意力机制在处理序列数据方面的优势,在自然语言处理(NLP)、计算机视觉(CV)、语音等多个领域取得了巨大成功。这种机制使得模型
- 如何针对大Excel做文件读取?
F_windy
excel
针对大Excel文件(如超过百万行)的读取,传统的一次性加载到内存的方式会导致内存溢出(OOM),需采用流式读取(Streaming)或分块读取(Chunk)的策略。以下是具体方案及优化建议:一、核心解决方案1.使用ApachePOI的SAX模式(事件驱动)适用场景:处理.xlsx文件(不支持.xls),逐行解析避免内存溢出。代码示例(Java):importorg.apache.poi.open
- Dify知识库构建流程及示例
cqbelt
ai笔记AI应用
总体流程1.数据预处理清洗:去除噪声、特殊字符、标准化格式。分词/标记化:拆分文本为单词或子词单元(如使用Tokenizer)。元数据关联:附加来源、时间戳等信息,支持多维度检索。2.文本分块固定长度分块:按字符或Token数切分,简单高效。语义分块:基于句子边界或主题分割(如NLP模型识别段落主旨)。重叠策略:相邻块间部分重叠,避免上下文断裂。3.向量化(Embedding)嵌入模型:调用预训练
- java文件分块上传,OkHttp文件上传(2):实现文件分块上传
陈章玉
java文件分块上传
前言分块上传和断点下载很像,就是讲文件分为多份来传输,从而实现暂停和继续传输。区别是断点下载的进度保存在客户端,ey往是写入数据库,分块上传的进度保存在服务器,每次可以通过文件的md5请求服务器,来获取最新的上传偏移量。但是这样明显效率偏低,客户端可以把offSet保存在内存,每上传一块文件服务器返回下一次的offSet。只不过这个offSet不需要保存在数据库,每次app关闭在打开继续上传可以请
- 分块查找算法
1haooo
算法java算法开发语言数据结构
分块的原则前一块的最大数据,小于后一窥啊中所有的数据(块内无序,块间有序)块数数量一般等于数字的个数开根号。比如:16个数字一般分为4块左右。publicclassblockSearch{publicstaticvoidmain(String[]args){int[]arr={16,5,9,12,21,18,32,23,37,26,45,34,50,48,61,52,73,66};//共18个元素
- VLLM专题(三十五)—多模态数据处理
AI专题精讲
大模型专题系列人工智能
为了在vLLM中实现各种优化,例如分块预填充和前缀缓存,我们使用BaseMultiModalProcessor来提供占位符特征标记(例如)与多模态输入(例如原始输入图像)之间的对应关系,基于HF处理器的输出。以下是BaseMultiModalProcessor的主要特性:提示更新检测HF处理器的主要职责之一是使用占位符标记更新提示。例如:在字符串的开头插入特征占位符标记(例如…,其数量等于特征大小
- Elasticsearch:为推理端点配置分块设置
Elastic 中国社区官方博客
ElasticsearchAIElasticelasticsearch大数据搜索引擎人工智能全文检索数据库ai
推理端点对一次可处理的文本量有限,具体取决于模型的输入容量。分块(Chunking)是指将输入文本拆分成符合这些限制的小块的过程,在将文档摄取到semantic_text字段时会进行分块。分块不仅有助于保持输入文本在可处理范围内,还能使内容更加易读。相比返回一整篇长文档,在搜索结果中提供最相关的文本片段更有价值。每个分块都会包含文本片段以及从中生成的对应嵌入。默认情况下,文档会被拆分为句子(sen
- 学习pear的Image_Graph包的一些笔记
stone5
graphimageplotdataset图形extension
image_graph中的对象类型及结构Posted三月31st,2007bystone5image_graph中的对象类型及结构graph----------总图形plotarea-------绘图区plot-------------图块dataset--------数据集point------------点一个图形中多个图形区的分块Posted三月31st,2007bystone5pear来研
- 基于内容分块(CDC)的重删算法详解:原理、实现与优化
这个懒人
算法
引言在数据爆炸式增长的时代,存储资源优化成为技术领域的重要课题。重复数据删除(Deduplication)技术通过消除冗余数据副本,可将存储需求降低90%以上。其中基于内容分块(Content-DefinedChunking,CDC)算法凭借其对数据局部修改的强适应性,成为企业级备份系统、云存储服务的核心技术。一、CDC算法核心原理1.1动态分块vs静态分块传统固定分块算法将数据按固定大小(如4K
- 场景题:100G的文件里有很多id,用1G内存的机器排序,怎么做?
海量数据排序思路核心方案:外排序(分治+多路归并)MapReduce外排序是指数据量太大,无法全部加载到内存中,需要将数据分成多个小块进行排序,然后将排序后的小块合并成一个大的有序块1.分块排序(Map阶段)分块策略按1G内存容量限制,将100G文件拆分为200个500MB分块(保留内存用于排序计算和系统开销)内存排序每个分块加载至内存后:①使用快速排序(时间复杂度O(nlogn))②去重优化:若
- Stable Diffusion/DALL-E 3图像生成优化策略
云端源想
stablediffusion
StableDiffusion的最新版本或社区开发的插件,可以补充这些信息以保持内容的时效性。云端源想1.硬件与部署优化(进阶)显存压缩技术使用--medvram或--lowvram启动参数(StableDiffusionWebUI),通过分层加载模型降低显存占用(适合6GB以下显卡)。分块推理(TiledDiffusion):将图像分割为512×512区块,逐块生成后无缝拼接,支持4096×40
- 从零开始:基于LLM大模型构建智能应用程序的完整指南
AI天才研究院
ChatGPT人工智能
目录从零开始:基于LLM大模型构建智能应用程序的完整指南什么是LLM大模型如何利用LLM大模型构建智能应用程序1.收集和准备数据2.构建LLM大模型3.集成和部署4.监测和维护使用特定于私有领域的数据增强LLM检索增强生成(RAG)数据预处理、分块和检索技术零射击与少量射击提示和指导LLM大模型使用LLM进行推荐和聚类任务改善组织内的搜索体验考虑以上所有解锁的利基应用程序参考最近,围绕大型语言模型
- AI学习指南RAG篇(7)-RAG知识库构建
俞兆鹏
AI学习指南ai
文章目录一、引言二、知识库构建过程1.数据收集1.1数据来源1.2示例代码2.预处理2.1数据清洗2.2示例代码2.3数据格式转换2.4示例代码3.分块3.1分块的目的3.2分块策略3.3示例代码4.向量化4.1向量化的目的4.2示例代码4.3向量数据库4.4示例代码三、总结一、引言在RAG(Retrieval-AugmentedGeneration,检索增强生成)系统中,知识库的构建是至关重要的
- RAG检索增强生成(Retrieval-Augmented Generation)介绍(双模态架构:检索子系统、生成子系统)实现知识获取与内容生成的协同
Dontla
大模型LLM人工智能架构
文章目录增强生成(RAG)技术:原理、架构与前沿实践1.RAG技术架构剖析1.1技术融合范式-**检索子系统**-**生成子系统**2.核心组件与工作流程2.1数据预处理管线-**多粒度分块策略**-**特征增强技术**2.2混合检索引擎3.性能优化关键路径3.1检索质量提升-**多阶段精排模型**:-**动态阈值策略**:3.2生成控制技术-**结构化prompt模板**:-**知识验证机制**
- 从零手撸工业级Qt文件传输系统:TCP粘包/断点续传/SSL加密全解
十年编程老舅
QT开发qt项目qt项目实战c++项目qt计算机毕设项目qt文件传输qt教程
很多初学者都会遇到这个坎,如何将Windows数据结构、网络编程等知识整合为完整的项目。本文将深入解析一个基于C++Qt开发的企业级文件传输系统,涵盖TCP通信、断点续传、SSL加密、SQLite持久化等核心技术。(项目源码来文章底部拿)一、系统核心功能1.基础通信能力双工消息传输(支持中文字符)文件传输进度条同步(4KB分块策略)传输完整性验证(安装包可执行性测试)2.高级特性断点续传(记录已传
- 主流加解密算法全景解析:对称、非对称与哈希算法详解
JT-999
网络哈希算法网络算法
主流加解密算法通常分为以下三大类,每类都有其独特的特点和应用场景,下面我们详细介绍这三类算法的原理、优势、缺陷以及典型应用场景:1.对称加密算法原理对称加密算法是指加密和解密都使用同一个密钥。发送方和接收方事先共享一个秘密密钥,利用这个密钥将明文转换为密文,加密后的数据只有用相同的密钥才能解密恢复原文。其基本过程通常包括:明文分块(如果是分组加密算法);对每个数据块进行一系列变换(如置换、替换、异
- Java后端面试八股文:系统化学习指南,告别零散知识点
钢板兽
高频八股java面试后端jvmredismysqllinux
Java后端面试中的八股大家通常都会参考小林或者JavaGuide,但是这些八股内容太多了,字数成万,我们基本上是看一遍忘一遍,自己也曾经根据网上面经整理过自己的八股题库,通篇共有五万字,知识点也很散,所以想把每个部分的内容系统地写成文章,比如JVM部分的八股,我会写两到三篇的文章帮助自己系统地理解这部分的八股知识,所以这篇文章会按照分块整理自己发布过的所有八股文章,这篇文章后续也会持续更新,也起
- 鸿蒙文件传输三方库上线开源鸿蒙社区 十行代码实现大文件高速传输
互联网
近日,华为在OpenHarmony社区上线了“super_fast_file_trans”文件传输三方库(以下简称“SFFT”)。这一三方库的推出,为开发者提供了一套支持大文件多线程并发分块下载、断点续下、分片上传、断点续传、自动重试等多个特性的高性能文件传输解决方案,让开发者开箱即用,轻松实现高效稳定的文件传输功能。在应用开发过程中,许多场景涉及到大文件的传输,尤其是在文件上传和下载的过程中,开
- 山海经——AI思路
Cool_(wly)_Dino
deepseekc++
好的,我需要帮助用户解决这个关于《山海经》的问题。根据用户的问题描述,老师希望找到从第a座山到第b座山之间的某段路径(i,j),使得这段路径上的喜恶度之和最大。用户之前已经得到过一个使用分块算法处理区间最大值查询的C++代码,但现在的问题似乎有所不同,因为这里需要的是最大子数组和,而不是简单的区间最大值。首先,我要确认用户的具体需求。用户提到每座山只能到达下一座山,也就是路径是连续的,所以问题转化
- BZOJ3843: ZCC loves Army
L_0_Forever_LF
BZOJ多校LCTsplay
把树转成左儿子右兄弟的那种二叉树的形式发现一个点能且仅能给他的子树传递order,询问3就变成了询问一个点到根有多少个点对于传递message,可以给每个点定一个编号0的虚儿子,给他赋权1,就变成了询问两点间路径的权值和,注意要特判一个点是另一个点的祖先的情况,bzoj上的数据有误,不判这个才能过,hdu上的数据是对的可以去那里交对于操作1,把某个人的一段儿子截下来,可以用n棵splay处理每个人
- BZOJ3850: ZCC Loves Codefires
L_0_Forever_LF
BZOJ多校贪心数学
考虑最优的顺序满足什么性质设两个部件A,B顺序为A在B前面,费用分别是a,b,耗时ta,tb,中间部分费用和S,耗时和T如果最优顺序中A在B前面(A,B前后的部件显然不需要考虑),则有ata+Sta+b(ta+T+tb)ST>btb于是Sta#include#include#include#include#include#include#include#include#include#includ
- 详解LLM 核心技能-大文本分块技术
大模型入门学习
人工智能大模型学习AI大模型ai
在构建LLM相关应用程序的背景下,分块是将大段文本分解成较小片段的过程。这是一项必不可少的技术,有助于优化我们使用LLM嵌入内容后从[矢量数据库]获取的内容的相关性。在这篇博文中,我们将探讨它是否以及如何有助于提高LLM相关应用程序的效率和准确性。分块的主要原因是为了确保我们嵌入的内容尽可能少地包含噪音,同时仍然具有语义相关性。例如,在语义搜索中,我们会对文档语料库进行索引,每个文档都包含有关特定
- 按键精灵找图的原理及影响找图效率的因素
学自动化的小白
计算机视觉图像处理人工智能
按键精灵找图的原理主要是基于图像识别算法,具体涉及像素点的颜色值和位置比对。以下是对该原理的详细解释:一、图像像素点的基本概念图像是由一个个颜色块组成的,这些颜色块非常小,通常看不出有明显的分块界限。这些带有颜色的小方块就是图像的像素点。像素点是在一个二维平面上排列的,分为横向和纵向,大量的像素点排列在一起就组成了一张图像。二、找图原理的具体步骤确定找图区域:按键精灵在屏幕上指定的区域内进行找图操
- RagFlow专题三、RagFlow 关键技术(向量数据库、文档分块、Prompt 设计与召回排序优化)
伯牙碎琴
大模型prompt大模型AIRagRagFlow
深入解析RagFlow关键技术:向量数据库、文档分块、Prompt设计与召回排序优化在前一篇文章中,我们详细探讨了RagFlow的核心架构,包括数据检索、语义搜索(BM25&向量搜索)以及知识融合,并了解了如何通过RagFlow机制优化信息检索和生成质量。本篇文章将深入解析RagFlow的关键技术,包括:向量数据库(FAISS、Milvus、Elasticsearch)——负责高效的语义检索与存储
- [BZOJ1093][ZJOI2007]最大半连通子图(Tarjan+拓扑排序+DP)
xyz32768
BZOJUOJLOJ拓扑排序Tarjan
首先得到,一个强连通分量一定是半连通的。把强连通分量缩点之后,可以得到一个拓扑图。下面,sze[u]为新图中点u所对应强连通分量的大小。缩点之后,就很容易得出,一个半连通子图一定是拓扑图中的一条链,半连通子图的大小为这条链上所有点的sze之和。所以,现在就是要求这个拓扑图的最长链(sze之和最大)。考虑按照拓扑排序DP,f[u]表示以u为终点的最长链长度:1、对于点u,如果点u的入度为0,则f[u
- bzoj 1093: [ZJOI2007]最大半连通子图【tarjan+拓扑排序+dp】
weixin_30951743
先tarjan缩成DAG,然后答案就变成了最长链,dp的同时计数即可就是题面太唬人了,没反应过来#include#include#include#include#includeusingnamespacestd;constintN=100005;intn,m,mod,h[N],cnt,dfn[N],low[N],tot,bl[N],col,s[N],top,si[N],d[N],f[N],g[N]
- 快速上手 Unstructured:安装、Docker部署及PDF文档解析示例
大F的智能小课
大模型理论和实战dockerpdf容器
1.核心概念1.1Unstructured简介Unstructured是一个强大的Python库,专注于从非结构化数据中提取和预处理文本信息,广泛应用于PDF、Word文档、HTML等多种格式的文件处理。其核心功能包括分区、清理、暂存和分块,能够将复杂的非结构化文档转换为结构化输出,为后续的自然语言处理任务提供高质量的数据支持。分区功能:Unstructured能够将原始文档分解为标准的结构化元素
- Everything-文件查找软件制作
风栖柳白杨
软件制作pyqt数据库YOLO
写在前边:随着电脑里边的东西越来越多,很多东西放的杂七杂八;今天实在忍不了了,一怒之下,突发奇想,做一个类似Everything的文件查找软件,现在共享出来。一、软件展示二、源码展示与讲解1、所用到的组件(1)2、源码分块细嗦(1)导入模块importsys#通常用于操作系统相关的任务,例如命令行参数和系统退出importos#用于与操作系统交互,例如文件和目录操作importfnmatch#用于
- VIT(Vision Transformer)【超详细 pytorch实现
周玄九
计算机视觉transformer深度学习人工智能
CNN的局限性:传统的CNN通过局部卷积核提取特征,虽然可以通过堆叠多层卷积扩大感受野,但仍然依赖于局部信息的逐步聚合,难以直接建模全局依赖关系。ViT的优势:ViT使用自注意力机制(Self-Attention),能够直接捕捉图像中所有patch(图像块)之间的全局关系。这种全局建模能力在处理需要长距离依赖的任务(如图像分类、目标检测)时表现更好。全流程图像预处理+分块图像尺寸标准化,如(224
- ASM系列六 利用TreeApi 添加和移除类成员
lijingyao8206
jvm动态代理ASM字节码技术TreeAPI
同生成的做法一样,添加和移除类成员只要去修改fields和methods中的元素即可。这里我们拿一个简单的类做例子,下面这个Task类,我们来移除isNeedRemove方法,并且添加一个int 类型的addedField属性。
package asm.core;
/**
* Created by yunshen.ljy on 2015/6/
- Springmvc-权限设计
bee1314
springWebjsp
万丈高楼平地起。
权限管理对于管理系统而言已经是标配中的标配了吧,对于我等俗人更是不能免俗。同时就目前的项目状况而言,我们还不需要那么高大上的开源的解决方案,如Spring Security,Shiro。小伙伴一致决定我们还是从基本的功能迭代起来吧。
目标:
1.实现权限的管理(CRUD)
2.实现部门管理 (CRUD)
3.实现人员的管理 (CRUD)
4.实现部门和权限
- 算法竞赛入门经典(第二版)第2章习题
CrazyMizzz
c算法
2.4.1 输出技巧
#include <stdio.h>
int
main()
{
int i, n;
scanf("%d", &n);
for (i = 1; i <= n; i++)
printf("%d\n", i);
return 0;
}
习题2-2 水仙花数(daffodil
- struts2中jsp自动跳转到Action
麦田的设计者
jspwebxmlstruts2自动跳转
1、在struts2的开发中,经常需要用户点击网页后就直接跳转到一个Action,执行Action里面的方法,利用mvc分层思想执行相应操作在界面上得到动态数据。毕竟用户不可能在地址栏里输入一个Action(不是专业人士)
2、<jsp:forward page="xxx.action" /> ,这个标签可以实现跳转,page的路径是相对地址,不同与jsp和j
- php 操作webservice实例
IT独行者
PHPwebservice
首先大家要简单了解了何谓webservice,接下来就做两个非常简单的例子,webservice还是逃不开server端与client端。我测试的环境为:apache2.2.11 php5.2.10做这个测试之前,要确认你的php配置文件中已经将soap扩展打开,即extension=php_soap.dll;
OK 现在我们来体验webservice
//server端 serve
- Windows下使用Vagrant安装linux系统
_wy_
windowsvagrant
准备工作:
下载安装 VirtualBox :https://www.virtualbox.org/
下载安装 Vagrant :http://www.vagrantup.com/
下载需要使用的 box :
官方提供的范例:http://files.vagrantup.com/precise32.box
还可以在 http://www.vagrantbox.es/
- 更改linux的文件拥有者及用户组(chown和chgrp)
无量
clinuxchgrpchown
本文(转)
http://blog.163.com/yanenshun@126/blog/static/128388169201203011157308/
http://ydlmlh.iteye.com/blog/1435157
一、基本使用:
使用chown命令可以修改文件或目录所属的用户:
命令
- linux下抓包工具
矮蛋蛋
linux
原文地址:
http://blog.chinaunix.net/uid-23670869-id-2610683.html
tcpdump -nn -vv -X udp port 8888
上面命令是抓取udp包、端口为8888
netstat -tln 命令是用来查看linux的端口使用情况
13 . 列出所有的网络连接
lsof -i
14. 列出所有tcp 网络连接信息
l
- 我觉得mybatis是垃圾!:“每一个用mybatis的男纸,你伤不起”
alafqq
mybatis
最近看了
每一个用mybatis的男纸,你伤不起
原文地址 :http://www.iteye.com/topic/1073938
发表一下个人看法。欢迎大神拍砖;
个人一直使用的是Ibatis框架,公司对其进行过小小的改良;
最近换了公司,要使用新的框架。听说mybatis不错;就对其进行了部分的研究;
发现多了一个mapper层;个人感觉就是个dao;
- 解决java数据交换之谜
百合不是茶
数据交换
交换两个数字的方法有以下三种 ,其中第一种最常用
/*
输出最小的一个数
*/
public class jiaohuan1 {
public static void main(String[] args) {
int a =4;
int b = 3;
if(a<b){
// 第一种交换方式
int tmep =
- 渐变显示
bijian1013
JavaScript
<style type="text/css">
#wxf {
FILTER: progid:DXImageTransform.Microsoft.Gradient(GradientType=0, StartColorStr=#ffffff, EndColorStr=#97FF98);
height: 25px;
}
</style>
- 探索JUnit4扩展:断言语法assertThat
bijian1013
java单元测试assertThat
一.概述
JUnit 设计的目的就是有效地抓住编程人员写代码的意图,然后快速检查他们的代码是否与他们的意图相匹配。 JUnit 发展至今,版本不停的翻新,但是所有版本都一致致力于解决一个问题,那就是如何发现编程人员的代码意图,并且如何使得编程人员更加容易地表达他们的代码意图。JUnit 4.4 也是为了如何能够
- 【Gson三】Gson解析{"data":{"IM":["MSN","QQ","Gtalk"]}}
bit1129
gson
如何把如下简单的JSON字符串反序列化为Java的POJO对象?
{"data":{"IM":["MSN","QQ","Gtalk"]}}
下面的POJO类Model无法完成正确的解析:
import com.google.gson.Gson;
- 【Kafka九】Kafka High Level API vs. Low Level API
bit1129
kafka
1. Kafka提供了两种Consumer API
High Level Consumer API
Low Level Consumer API(Kafka诡异的称之为Simple Consumer API,实际上非常复杂)
在选用哪种Consumer API时,首先要弄清楚这两种API的工作原理,能做什么不能做什么,能做的话怎么做的以及用的时候,有哪些可能的问题
- 在nginx中集成lua脚本:添加自定义Http头,封IP等
ronin47
nginx lua
Lua是一个可以嵌入到Nginx配置文件中的动态脚本语言,从而可以在Nginx请求处理的任何阶段执行各种Lua代码。刚开始我们只是用Lua 把请求路由到后端服务器,但是它对我们架构的作用超出了我们的预期。下面就讲讲我们所做的工作。 强制搜索引擎只索引mixlr.com
Google把子域名当作完全独立的网站,我们不希望爬虫抓取子域名的页面,降低我们的Page rank。
location /{
- java-归并排序
bylijinnan
java
import java.util.Arrays;
public class MergeSort {
public static void main(String[] args) {
int[] a={20,1,3,8,5,9,4,25};
mergeSort(a,0,a.length-1);
System.out.println(Arrays.to
- Netty源码学习-CompositeChannelBuffer
bylijinnan
javanetty
CompositeChannelBuffer体现了Netty的“Transparent Zero Copy”
查看API(
http://docs.jboss.org/netty/3.2/api/org/jboss/netty/buffer/package-summary.html#package_description)
可以看到,所谓“Transparent Zero Copy”是通
- Android中给Activity添加返回键
hotsunshine
Activity
// this need android:minSdkVersion="11"
getActionBar().setDisplayHomeAsUpEnabled(true);
@Override
public boolean onOptionsItemSelected(MenuItem item) {
- 静态页面传参
ctrain
静态
$(document).ready(function () {
var request = {
QueryString :
function (val) {
var uri = window.location.search;
var re = new RegExp("" + val + "=([^&?]*)", &
- Windows中查找某个目录下的所有文件中包含某个字符串的命令
daizj
windows查找某个目录下的所有文件包含某个字符串
findstr可以完成这个工作。
[html]
view plain
copy
>findstr /s /i "string" *.*
上面的命令表示,当前目录以及当前目录的所有子目录下的所有文件中查找"string&qu
- 改善程序代码质量的一些技巧
dcj3sjt126com
编程PHP重构
有很多理由都能说明为什么我们应该写出清晰、可读性好的程序。最重要的一点,程序你只写一次,但以后会无数次的阅读。当你第二天回头来看你的代码 时,你就要开始阅读它了。当你把代码拿给其他人看时,他必须阅读你的代码。因此,在编写时多花一点时间,你会在阅读它时节省大量的时间。让我们看一些基本的编程技巧: 尽量保持方法简短 尽管很多人都遵
- SharedPreferences对数据的存储
dcj3sjt126com
SharedPreferences简介: &nbs
- linux复习笔记之bash shell (2) bash基础
eksliang
bashbash shell
转载请出自出处:
http://eksliang.iteye.com/blog/2104329
1.影响显示结果的语系变量(locale)
1.1locale这个命令就是查看当前系统支持多少种语系,命令使用如下:
[root@localhost shell]# locale
LANG=en_US.UTF-8
LC_CTYPE="en_US.UTF-8"
- Android零碎知识总结
gqdy365
android
1、CopyOnWriteArrayList add(E) 和remove(int index)都是对新的数组进行修改和新增。所以在多线程操作时不会出现java.util.ConcurrentModificationException错误。
所以最后得出结论:CopyOnWriteArrayList适合使用在读操作远远大于写操作的场景里,比如缓存。发生修改时候做copy,新老版本分离,保证读的高
- HoverTree.Model.ArticleSelect类的作用
hvt
Web.netC#hovertreeasp.net
ArticleSelect类在命名空间HoverTree.Model中可以认为是文章查询条件类,用于存放查询文章时的条件,例如HvtId就是文章的id。HvtIsShow就是文章的显示属性,当为-1是,该条件不产生作用,当为0时,查询不公开显示的文章,当为1时查询公开显示的文章。HvtIsHome则为是否在首页显示。HoverTree系统源码完全开放,开发环境为Visual Studio 2013
- PHP 判断是否使用代理 PHP Proxy Detector
天梯梦
proxy
1. php 类
I found this class looking for something else actually but I remembered I needed some while ago something similar and I never found one. I'm sure it will help a lot of developers who try to
- apache的math库中的回归——regression(翻译)
lvdccyb
Mathapache
这个Math库,虽然不向weka那样专业的ML库,但是用户友好,易用。
多元线性回归,协方差和相关性(皮尔逊和斯皮尔曼),分布测试(假设检验,t,卡方,G),统计。
数学库中还包含,Cholesky,LU,SVD,QR,特征根分解,真不错。
基本覆盖了:线代,统计,矩阵,
最优化理论
曲线拟合
常微分方程
遗传算法(GA),
还有3维的运算。。。
- 基础数据结构和算法十三:Undirected Graphs (2)
sunwinner
Algorithm
Design pattern for graph processing.
Since we consider a large number of graph-processing algorithms, our initial design goal is to decouple our implementations from the graph representation
- 云计算平台最重要的五项技术
sumapp
云计算云平台智城云
云计算平台最重要的五项技术
1、云服务器
云服务器提供简单高效,处理能力可弹性伸缩的计算服务,支持国内领先的云计算技术和大规模分布存储技术,使您的系统更稳定、数据更安全、传输更快速、部署更灵活。
特性
机型丰富
通过高性能服务器虚拟化为云服务器,提供丰富配置类型虚拟机,极大简化数据存储、数据库搭建、web服务器搭建等工作;
仅需要几分钟,根据CP
- 《京东技术解密》有奖试读获奖名单公布
ITeye管理员
活动
ITeye携手博文视点举办的12月技术图书有奖试读活动已圆满结束,非常感谢广大用户对本次活动的关注与参与。
12月试读活动回顾:
http://webmaster.iteye.com/blog/2164754
本次技术图书试读活动获奖名单及相应作品如下:
一等奖(两名)
Microhardest:http://microhardest.ite