- 一文读懂「Transformer」算法模型
朱晓霞AI
transformer深度学习人工智能
前面讲到过chatgpt的知识,提到了chatgpt的实现原理包含了transformer内容,所有非常有必要来补充一下这部分的内容。资料:一文读懂「Attention」注意力机制一、什么是Transformer?Transformer是Google的团队在2017年提出的一种NLP经典模型,现在比较火热的Bert也是基于Transformer。Transformer模型使用了Self-Atten
- RAG 技术探秘:原理、架构与多领域应用实践全解析
hy098543
架构
一、引言1.1研究背景与动机随着自然语言处理(NLP)技术的飞速发展,大语言模型(LLM)在众多任务中展现出了强大的能力,如文本生成、问答系统和机器翻译等。然而,传统的大语言模型在知识存储和更新方面存在一定的局限性。一方面,模型的知识主要依赖于预训练阶段所接触的数据,这导致其知识更新滞后,难以应对快速变化的现实世界信息。例如,对于一些新出现的事件、技术或研究成果,模型可能无法及时给出准确的信息。另
- NLP高频面试题(二十一)——deepseek V1-V3 分别有哪些改进,这些改进是如何对模型产生影响的
Chaos_Wang_
NLP常见面试题自然语言处理人工智能deepseek
DeepSeek从V1到V3不断迭代升级,在模型架构、训练方法和推理能力等方面取得了显著进步。对于关注前沿大模型技术的研究者而言,深入理解DeepSeek各版本的改进要点及其对模型性能的影响,具有重要的参考价值。本文将按照时间线梳理DeepSeekV1、V2、V3的核心技术演变,包括架构调整(如混合专家MoE、注意力机制优化)、训练数据规模变化、训练目标改进、推理效率优化(如并行化、KV缓存优化)
- LLM中的分块技术:原理、应用与展望
大模型之路
大模型(LLM)人工智能LLMchunk
在大语言模型(LLM)飞速发展的当下,分块技术(Chunking)(RAG中的分块策略:从基础到前沿的全面剖析)作为提升模型性能的关键手段,受到了广泛关注。它在优化信息处理、提高检索效率、增强模型理解能力等方面发挥着不可或缺的作用。深入探究LLMs中的分块技术,对于推动自然语言处理(NLP)领域的发展具有重要意义。一、分块技术的基本概念分块,简单来说,就是将连续的文本流分解为更小的、连贯的单元,这
- 深入详解自然语言处理(NLP)中的语言模型:BERT、GPT及其他预训练模型的原理与应用
猿享天开
人工智能数学基础专讲人工智能自然语言处理
【自然语言处理】——深入详解自然语言处理(NLP)中的语言模型:BERT、GPT及其他预训练模型的原理与应用自然语言处理(NLP)是人工智能(AI)领域中的重要分支,旨在通过计算机处理和分析自然语言数据,使机器能够理解、生成并与人类语言进行交互。近年来,基于深度学习的预训练语言模型(如BERT、GPT)在NLP任务中表现出了巨大的成功,它们改变了传统NLP技术的发展路径,推动了文本理解和生成技术的
- AI 对话艺术:Prompt 设计技巧与案例解析
码事漫谈
AI人工智能prompt
文章目录第1章:Prompt基础1.1什么是Prompt?1.1.1Prompt的定义1.1.2Prompt编程与传统编程的区别1.2Prompt的作用与应用场景1.2.1自然语言处理(NLP)1.2.2AI对话系统(ChatGPT、Claude)1.2.3代码生成与优化1.2.4视觉与多模态AI1.3常见Prompt结构与写作原则1.3.1常见Prompt结构1.3.2高效Prompt写作原则1
- LangChain教程 - RAG - PDF解析
花千树-010
LangChainlangchainpdfpythonAIGC
系列文章索引LangChain教程-系列文章在现代人工智能和自然语言处理(NLP)应用中,处理PDF文档是一项常见且重要的任务。由于PDF格式的复杂性,包含文本、图像、表格等多种内容结构,高效、准确地解析PDF需要强大的工具支持。LangChain提供了一套完善的PDF加载器(PDFLoader),支持从纯文本提取到复杂文档解析,并集成了OCR(光学字符识别)功能,能够处理扫描版PDF或包含嵌入图
- Java 与 AI 结合的实际操作规程案例
小徐博客
java
Java与AI结合的实际操作规程案例涵盖了从基础算法实现到工程化协作的多个层面。以下是基于最新实践的几个典型场景及操作规范:一、自然语言处理(NLP)与文本分类案例:使用ApacheOpenNLP实现新闻分类操作流程:数据准备:收集新闻文本数据并标注类别(如科技、体育等)。模型训练:利用OpenNLP的DocumentCategorizerME类加载训练数据,通过train()方法生成分类模型。分
- 【揭秘】什么是AI写作?AI写作是助手还是威胁?
ychenhub
AIGCAI写作AIGCAI写作ai写作
什么是AI写作?AI写作是指利用人工智能技术,特别是自然语言处理(NLP)和机器学习(ML)技术,结合深度学习算法,通过大规模语料库和预训练模型来模仿和生成人类语言文本内容的过程。它通过分析大量的语言数据、学习语言的模式、规律和结构,从而能够掌握语法、词汇、句子结构等语言要素,并生成与输入数据相似或符合特定需求的文本内容。AI写作可以应用于多种场景,如新闻报道、广告文案、社交媒体推文、小说创作、诗
- 人工智能入门(1)
反方向的钟儿
人工智能人工智能nlp大数据云计算计算机视觉深度学习机器学习
人工智能导引文章目录人工智能导引artifiicialintelligence由图灵测试出发的六个领域贝叶斯方法分析成为大多数AI系统中不确定推理的现代方法基础研究方法机器学习计算机利用已经有的数据样本,得出某种规律模型,并利用模型预测未来的一种方法==回归算法==线性回归和逻辑回归神经网络ANN人工神经网络模型支持向量机SVM聚类计算机视觉自然语言处理NLP==群体智能==目前主要的两种方法是=
- DeepSeek集成IT技术开发方向全景解读:重构智能开发新范式
量子纠缠BUG
DeepSeek部署DeepSeekAI重构人工智能机器学习
一、技术架构革命:支撑IT开发集成的三大引擎1.动态MoE架构(DeepSeekMoE-32B)通过混合专家系统实现精准任务路由,在软件开发场景中展现出显著优势:代码生成场景:激活Java/Python/C++等语言专家模块,单元测试覆盖率提升至85%硬件资源优化:FP16量化下推理显存需求低至12GB,支持边缘设备部署2.多模态融合引擎突破传统NLP模型局限,实现代码-文档-时序数据的联合理解:
- 人工智能与网络安全结合的思考
黑客Jack
人工智能web安全安全
一、人工智能时代的网络安全网络攻击越来越多样化、智能化、隐蔽性越来越高、危害性越来越大二、人工智能与网络安全结合的可能性1.信息检索:面对大量日志数据处理,AI的算力能够提前发现潜在威胁,进行漏洞自动挖掘;NLP技术能够帮助用户自动提取威胁情报。2.安全性分析:分析网络攻防策略、密码/协议/系统安全性分析等;AI可以分析大量网络数据,识别异常行为和潜在的威胁,以及实时响应攻击。这种能力使得AI能够
- 视觉Transformer架构的前沿优化技术与高效部署
点我头像干啥
Ai深度学习神经网络计算机视觉
引言近年来,Transformer架构在自然语言处理(NLP)领域取得了巨大成功,逐渐成为深度学习的主流模型之一。随着研究的深入,Transformer架构也开始在计算机视觉领域崭露头角,尤其是在图像分类、目标检测和图像生成等任务中表现出色。然而,视觉Transformer(VisionTransformer,ViT)在计算效率和内存消耗方面面临巨大挑战,尤其是在处理高分辨率图像时。为了应对这些挑
- 大语言模型原理基础与前沿 基于相似性搜索的多模态对齐
AI天才研究院
计算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
大语言模型原理基础与前沿基于相似性搜索的多模态对齐1.背景介绍近年来,大语言模型(LargeLanguageModels,LLMs)在自然语言处理(NaturalLanguageProcessing,NLP)领域取得了显著的进展。LLMs通过在海量文本数据上进行预训练,学习到了丰富的语言知识和生成能力,在许多NLP任务上表现出色,如问答、摘要、翻译等。然而,LLMs目前主要局限于单一模态,即文本。
- 基于Python的自然语言处理系列(60):使用 LangChain 构建 Multi-Vector Retriever 进行文档检索
会飞的Anthony
人工智能信息系统自然语言处理人工智能深度学习机器学习
在NLP和AI领域,基于嵌入(Embeddings)进行文档检索已成为一种高效的解决方案。本文介绍如何使用LangChain构建Multi-VectorRetriever,实现对长文档的分块索引和高效检索。1.环境准备首先,我们需要安装相关依赖库。pipinstalllangchainchromadbtorchtransformers2.加载文档并进行预处理我们先使用TextLoader读取多个文
- 什么是 Embedding?——从直觉到应用的全面解读
忍者算法
人工智能深度学习神经网络机器学习
什么是Embedding?——从直觉到应用的全面解读在机器学习和深度学习的世界里,我们经常会听到“Embedding”这个词。它是深度学习中最核心的概念之一,尤其在自然语言处理(NLP)和推荐系统中应用广泛。但很多初学者对Embedding的理解可能只是:“它是把一个东西转换成数字的方式。”这种解释虽然没错,但过于简略,难以真正理解Embedding的作用。这篇文章将用最直观的方式,带你深入理解E
- 自然语言处理NLP星空智能对话机器人系列:Facebook StarSpace框架案例数据加载
段智华
NLP星空智能对话机器人
自然语言处理NLP星空智能对话机器人系列:FacebookStarSpace框架案例数据加载目录FacebookStarSpace案例脚本FacebookStarSpace案例数据AG新闻主题分类数据集简介标签类别文件训练数据文件测试数据文件星空智能对话机器人系列博客FacebookStarSpace案例脚本先看一下FacebookStarSpace官方源码中提供的一个示例代码classifica
- NLP:词向量
00&00
深度学习自然语言处理人工智能自然语言处理人工智能深度学习
词向量是一种将单词映射到低维稠密向量空间的方法,旨在保留单词之间的语义关系。这种表示方法使得模型能够理解并捕捉单词的语义相似性,从而在许多自然语言处理(NLP)任务中大幅提高了性能。1.常见方法Word2Vec:Word2Vec是一种流行的词向量生成算法,主要通过两个模型来训练词向量:Skip-gram:输入一个单词,预测其上下文(即周围的单词)。该模型适合分析大规模语料,能够生成高质量的词向量。
- 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
- Java序列化进阶篇
g21121
java序列化
1.transient
类一旦实现了Serializable 接口即被声明为可序列化,然而某些情况下并不是所有的属性都需要序列化,想要人为的去阻止这些属性被序列化,就需要用到transient 关键字。
- escape()、encodeURI()、encodeURIComponent()区别详解
aigo
JavaScriptWeb
原文:http://blog.sina.com.cn/s/blog_4586764e0101khi0.html
JavaScript中有三个可以对字符串编码的函数,分别是: escape,encodeURI,encodeURIComponent,相应3个解码函数:,decodeURI,decodeURIComponent 。
下面简单介绍一下它们的区别
1 escape()函
- ArcgisEngine实现对地图的放大、缩小和平移
Cb123456
添加矢量数据对地图的放大、缩小和平移Engine
ArcgisEngine实现对地图的放大、缩小和平移:
个人觉得是平移,不过网上的都是漫游,通俗的说就是把一个地图对象从一边拉到另一边而已。就看人说话吧.
具体实现:
一、引入命名空间
using ESRI.ArcGIS.Geometry;
using ESRI.ArcGIS.Controls;
二、代码实现.
- Java集合框架概述
天子之骄
Java集合框架概述
集合框架
集合框架可以理解为一个容器,该容器主要指映射(map)、集合(set)、数组(array)和列表(list)等抽象数据结构。
从本质上来说,Java集合框架的主要组成是用来操作对象的接口。不同接口描述不同的数据类型。
简单介绍:
Collection接口是最基本的接口,它定义了List和Set,List又定义了LinkLi
- 旗正4.0页面跳转传值问题
何必如此
javajsp
跳转和成功提示
a) 成功字段非空forward
成功字段非空forward,不会弹出成功字段,为jsp转发,页面能超链接传值,传输变量时需要拼接。接拼接方式list.jsp?test="+strweightUnit+"或list.jsp?test="+weightUnit+&qu
- 全网唯一:移动互联网服务器端开发课程
cocos2d-x小菜
web开发移动开发移动端开发移动互联程序员
移动互联网时代来了! App市场爆发式增长为Web开发程序员带来新一轮机遇,近两年新增创业者,几乎全部选择了移动互联网项目!传统互联网企业中超过98%的门户网站已经或者正在从单一的网站入口转向PC、手机、Pad、智能电视等多端全平台兼容体系。据统计,AppStore中超过85%的App项目都选择了PHP作为后端程
- Log4J通用配置|注意问题 笔记
7454103
DAOapachetomcatlog4jWeb
关于日志的等级 那些去 百度就知道了!
这几天 要搭个新框架 配置了 日志 记下来 !做个备忘!
#这里定义能显示到的最低级别,若定义到INFO级别,则看不到DEBUG级别的信息了~!
log4j.rootLogger=INFO,allLog
# DAO层 log记录到dao.log 控制台 和 总日志文件
log4j.logger.DAO=INFO,dao,C
- SQLServer TCP/IP 连接失败问题 ---SQL Server Configuration Manager
darkranger
sqlcwindowsSQL ServerXP
当你安装完之后,连接数据库的时候可能会发现你的TCP/IP 没有启动..
发现需要启动客户端协议 : TCP/IP
需要打开 SQL Server Configuration Manager...
却发现无法打开 SQL Server Configuration Manager..??
解决方法: C:\WINDOWS\system32目录搜索framedyn.
- [置顶] 做有中国特色的程序员
aijuans
程序员
从出版业说起 网络作品排到靠前的,都不会太难看,一般人不爱看某部作品也是因为不喜欢这个类型,而此人也不会全不喜欢这些网络作品。究其原因,是因为网络作品都是让人先白看的,看的好了才出了头。而纸质作品就不一定了,排行榜靠前的,有好作品,也有垃圾。 许多大牛都是写了博客,后来出了书。这些书也都不次,可能有人让为不好,是因为技术书不像小说,小说在读故事,技术书是在学知识或温习知识,有些技术书读得可
- document.domain 跨域问题
avords
document
document.domain用来得到当前网页的域名。比如在地址栏里输入:javascript:alert(document.domain); //www.315ta.com我们也可以给document.domain属性赋值,不过是有限制的,你只能赋成当前的域名或者基础域名。比如:javascript:alert(document.domain = "315ta.com");
- 关于管理软件的一些思考
houxinyou
管理
工作好多看年了,一直在做管理软件,不知道是我最开始做的时候产生了一些惯性的思维,还是现在接触的管理软件水平有所下降.换过好多年公司,越来越感觉现在的管理软件做的越来越乱.
在我看来,管理软件不论是以前的结构化编程,还是现在的面向对象编程,不管是CS模式,还是BS模式.模块的划分是很重要的.当然,模块的划分有很多种方式.我只是以我自己的划分方式来说一下.
做为管理软件,就像现在讲究MVC这
- NoSQL数据库之Redis数据库管理(String类型和hash类型)
bijian1013
redis数据库NoSQL
一.Redis的数据类型
1.String类型及操作
String是最简单的类型,一个key对应一个value,string类型是二进制安全的。Redis的string可以包含任何数据,比如jpg图片或者序列化的对象。
Set方法:设置key对应的值为string类型的value
- Tomcat 一些技巧
征客丶
javatomcatdos
以下操作都是在windows 环境下
一、Tomcat 启动时配置 JAVA_HOME
在 tomcat 安装目录,bin 文件夹下的 catalina.bat 或 setclasspath.bat 中添加
set JAVA_HOME=JAVA 安装目录
set JRE_HOME=JAVA 安装目录/jre
即可;
二、查看Tomcat 版本
在 tomcat 安装目
- 【Spark七十二】Spark的日志配置
bit1129
spark
在测试Spark Streaming时,大量的日志显示到控制台,影响了Spark Streaming程序代码的输出结果的查看(代码中通过println将输出打印到控制台上),可以通过修改Spark的日志配置的方式,不让Spark Streaming把它的日志显示在console
在Spark的conf目录下,把log4j.properties.template修改为log4j.p
- Haskell版冒泡排序
bookjovi
冒泡排序haskell
面试的时候问的比较多的算法题要么是binary search,要么是冒泡排序,真的不想用写C写冒泡排序了,贴上个Haskell版的,思维简单,代码简单,下次谁要是再要我用C写冒泡排序,直接上个haskell版的,让他自己去理解吧。
sort [] = []
sort [x] = [x]
sort (x:x1:xs)
| x>x1 = x1:so
- java 路径 配置文件读取
bro_feng
java
这几天做一个项目,关于路径做如下笔记,有需要供参考。
取工程内的文件,一般都要用相对路径,这个自然不用多说。
在src统计目录建配置文件目录res,在res中放入配置文件。
读取文件使用方式:
1. MyTest.class.getResourceAsStream("/res/xx.properties")
2. properties.load(MyTest.
- 读《研磨设计模式》-代码笔记-简单工厂模式
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/
package design.pattern;
/*
* 个人理解:简单工厂模式就是IOC;
* 客户端要用到某一对象,本来是由客户创建的,现在改成由工厂创建,客户直接取就好了
*/
interface IProduct {
- SVN与JIRA的关联
chenyu19891124
SVN
SVN与JIRA的关联一直都没能装成功,今天凝聚心思花了一天时间整合好了。下面是自己整理的步骤:
一、搭建好SVN环境,尤其是要把SVN的服务注册成系统服务
二、装好JIRA,自己用是jira-4.3.4破解版
三、下载SVN与JIRA的插件并解压,然后拷贝插件包下lib包里的三个jar,放到Atlassian\JIRA 4.3.4\atlassian-jira\WEB-INF\lib下,再
- JWFDv0.96 最新设计思路
comsci
数据结构算法工作企业应用公告
随着工作流技术的发展,工作流产品的应用范围也不断的在扩展,开始进入了像金融行业(我已经看到国有四大商业银行的工作流产品招标公告了),实时生产控制和其它比较重要的工程领域,而
- vi 保存复制内容格式粘贴
daizj
vi粘贴复制保存原格式不变形
vi是linux中非常好用的文本编辑工具,功能强大无比,但对于复制带有缩进格式的内容时,粘贴的时候内容错位很严重,不会按照复制时的格式排版,vi能不能在粘贴时,按复制进的格式进行粘贴呢? 答案是肯定的,vi有一个很强大的命令可以实现此功能 。
在命令模式输入:set paste,则进入paste模式,这样再进行粘贴时
- shell脚本运行时报错误:/bin/bash^M: bad interpreter 的解决办法
dongwei_6688
shell脚本
出现原因:windows上写的脚本,直接拷贝到linux系统上运行由于格式不兼容导致
解决办法:
1. 比如文件名为myshell.sh,vim myshell.sh
2. 执行vim中的命令 : set ff?查看文件格式,如果显示fileformat=dos,证明文件格式有问题
3. 执行vim中的命令 :set fileformat=unix 将文件格式改过来就可以了,然后:w
- 高一上学期难记忆单词
dcj3sjt126com
wordenglish
honest 诚实的;正直的
argue 争论
classical 古典的
hammer 锤子
share 分享;共有
sorrow 悲哀;悲痛
adventure 冒险
error 错误;差错
closet 壁橱;储藏室
pronounce 发音;宣告
repeat 重做;重复
majority 大多数;大半
native 本国的,本地的,本国
- hibernate查询返回DTO对象,DTO封装了多个pojo对象的属性
frankco
POJOhibernate查询DTO
DTO-数据传输对象;pojo-最纯粹的java对象与数据库中的表一一对应。
简单讲:DTO起到业务数据的传递作用,pojo则与持久层数据库打交道。
有时候我们需要查询返回DTO对象,因为DTO
- Partition List
hcx2013
partition
Given a linked list and a value x, partition it such that all nodes less than x come before nodes greater than or equal to x.
You should preserve the original relative order of th
- Spring MVC测试框架详解——客户端测试
jinnianshilongnian
上一篇《Spring MVC测试框架详解——服务端测试》已经介绍了服务端测试,接下来再看看如果测试Rest客户端,对于客户端测试以前经常使用的方法是启动一个内嵌的jetty/tomcat容器,然后发送真实的请求到相应的控制器;这种方式的缺点就是速度慢;自Spring 3.2开始提供了对RestTemplate的模拟服务器测试方式,也就是说使用RestTemplate测试时无须启动服务器,而是模拟一
- 关于推荐个人观点
liyonghui160com
推荐系统关于推荐个人观点
回想起来,我也做推荐了3年多了,最近公司做了调整招聘了很多算法工程师,以为需要多么高大上的算法才能搭建起来的,从实践中走过来,我只想说【不是这样的】
第一次接触推荐系统是在四年前入职的时候,那时候,机器学习和大数据都是没有的概念,什么大数据处理开源软件根本不存在,我们用多台计算机web程序记录用户行为,用.net的w
- 不间断旋转的动画
pangyulei
动画
CABasicAnimation* rotationAnimation;
rotationAnimation = [CABasicAnimation animationWithKeyPath:@"transform.rotation.z"];
rotationAnimation.toValue = [NSNumber numberWithFloat: M
- 自定义annotation
sha1064616837
javaenumannotationreflect
对象有的属性在页面上可编辑,有的属性在页面只可读,以前都是我们在页面上写死的,时间一久有时候会混乱,此处通过自定义annotation在类属性中定义。越来越发现Java的Annotation真心很强大,可以帮我们省去很多代码,让代码看上去简洁。
下面这个例子 主要用到了
1.自定义annotation:@interface,以及几个配合着自定义注解使用的几个注解
2.简单的反射
3.枚举
- Spring 源码
up2pu
spring
1.Spring源代码
https://github.com/SpringSource/spring-framework/branches/3.2.x
注:兼容svn检出
2.运行脚本
import-into-eclipse.bat
注:需要设置JAVA_HOME为jdk 1.7
build.gradle
compileJava {
sourceCompatibilit
- 利用word分词来计算文本相似度
yangshangchuan
wordword分词文本相似度余弦相似度简单共有词
word分词提供了多种文本相似度计算方式:
方式一:余弦相似度,通过计算两个向量的夹角余弦值来评估他们的相似度
实现类:org.apdplat.word.analysis.CosineTextSimilarity
用法如下:
String text1 = "我爱购物";
String text2 = "我爱读书";
String text3 =