- 【vLLM 学习】使用 TPU 安装
HyperAI超神经
vLLM学习人工智能vLLM深度学习TPU机器学习教程
vLLM是一款专为大语言模型推理加速而设计的框架,实现了KV缓存内存几乎零浪费,解决了内存管理瓶颈问题。更多vLLM中文文档及教程可访问→https://vllm.hyper.ai/vLLM使用PyTorchXLA支持GoogleCloudTPU。依赖环境GoogleCloudTPUVM(单主机和多主机)TPU版本:v5e、v5p、v4Python:3.10安装选项:href=“https://v
- AI大模型推理加速:技术与实践详解
AI大模型学习者
人工智能
近年来,AI大模型在自然语言处理、计算机视觉等领域取得了突破性进展。然而,大模型的推理速度却成为其落地应用的瓶颈。本文将详细探讨AI大模型推理加速的技术手段和实践经验,并结合具体案例进行分析。一、挑战与机遇1.1挑战庞大的参数量:大模型通常拥有数十亿甚至数千亿个参数,例如GPT-3拥有1750亿个参数。如此庞大的参数量导致模型文件体积巨大,加载和推理都需要消耗大量的内存和计算资源。复杂的计算图:大
- 推理大模型:技术解析与未来趋势全景
时光旅人01号
深度学习人工智能pythonpytorch神经网络
1.推理大模型的定义推理大模型(ReasoningLLMs)是专门针对复杂多步推理任务优化的大型语言模型,具备以下核心特性:输出形式创新展示完整逻辑链条(如公式推导、多阶段分析)任务类型聚焦擅长数学证明、编程挑战、多模态谜题等深度逻辑任务训练方法升级融合强化学习、思维链(CoT)、测试时计算扩展等技术2.主流推理大模型图谱2.1国际前沿模型OpenAIo1系列内部生成"思维链"机制数学/代码能力标
- 【AI论文】TPDiff:时序金字塔视频扩散模型
东临碣石82
人工智能算法
摘要:视频扩散模型的发展揭示了一个重大挑战:巨大的计算需求。为了缓解这一挑战,我们注意到扩散的反向过程具有内在的熵减少特性。鉴于视频模态中的帧间冗余,在高熵阶段保持全帧率是不必要的。基于这一洞见,我们提出了TPDiff,一个统一的框架,用于提高训练和推理效率。通过将扩散过程分为几个阶段,我们的框架在扩散过程中逐步增加帧率,仅在最后阶段采用全帧率,从而优化计算效率。为了训练多阶段扩散模型,我们引入了
- 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
- 11B模型拿下开源视频生成新SOTA!仅用224张GPU训练,训练成本省10倍
量子位
关注前沿科技量子位224张GPU,训出开源视频生成新SOTA!Open-Sora2.0正式发布。11B参数规模,性能可直追HunyuanVideo和Step-Video(30B)。要知道,市面上诸多效果相近的闭源视频生成模型,动辄花费数百万美元训练成本。而Open-Sora2.0,将这一数字压缩到了20万美元。同时,此次发布全面开源模型权重、推理代码及分布式训练全流程,开发者们可以看过来!GitH
- QwQ-32B企业级本地部署:结合XInference与Open-WebUI使用
大势下的牛马
搭建本地gptRAG知识库人工智能QwQ-32B
QwQ-32B是阿里巴巴Qwen团队推出的一款推理模型,拥有320亿参数,基于Transformer架构,采用大规模强化学习方法训练而成。它在数学推理、编程等复杂问题解决任务上表现出色,性能可媲美拥有6710亿参数的DeepSeek-R1。QwQ-32B在多个基准测试中表现出色,例如在AIME24基准上,其数学问题解决能力得分达到79.5,超过OpenAI的o1-mini。它在LiveBench、
- 轻量级多模型部署实践:Ollama 与 vLLM 快速构建高效 AI 工作流20250306
Narutolxy
智浪初航人工智能
轻量级多模型部署实践:Ollama与vLLM快速构建高效AI工作流本文将详细介绍如何在MacOS与Ubuntu环境下使用Ollama与vLLM进行轻量级多模型部署,包括模型并行推理、安全与性能优化的实践经验,帮助初学者快速上手。一、Ollama部署与优化最佳实践MacOS快速部署安装Ollama(如已安装可跳过)使用Homebrew快速安装Ollama:brewinstallollama模型拉取与
- 大模型相关知识学习随记
m0_65156252
语言模型人工智能自然语言处理
2024/3/151,概念解释:通义千问,是阿里云推出的一个超大规模的语言模型,功能包括多轮对话、文案创作、逻辑推理、多模态理解、多语言支持。能够跟人类进行多轮的交互,也融入了多模态的知识理解,且有文案创作能力,能够续写小说,编写邮件等。2,多模态大模型:多模态大模型是一种基于深度学习的机器学习技术,其核心思想是将不同媒体数据(如文本、图像、音频和视频等)进行融合,通过学习不同模态之间的关联,实现
- 【LLM大模型】大模型涌现能力及 Prompt Engineering提示词
Langchain
prompt人工智能llamalangchainai大模型LLM
涌现能力GPT3是第一批拥有“涌现能力”的大语言模型,即模型未经特定任务的训练,但在适当的提示下,仍然能够解决某些特定领域的问题。例如大语言模型可以解答数学问题、辅助进行编程、甚至是进行问答等,其实都属于模型的涌现能力。作为概率模型,大语言模型甚至不知道数字代表的真实含义,模型只是在学习了无数的语料之后,发现了一些数学结论之间的潜在概率关系,才最终涌现出了数学运算或者复杂推理的能力。但是“涌现能力
- seq2seq推理模块设计
何仙鸟
PyTorch深度学习人工智能
代码:#loadcheckpoints,如何上线model=Sequence2Sequence(len(src_word2idx),len(trg_word2idx))model.load_state_dict(torch.load(f"./best.ckpt",weights_only=True,map_location="cpu"))classTranslator:def__init__(se
- LLM Weekly(2025.03.03-03.09)
UnknownBody
LLMDailyLLMWeekly语言模型人工智能
网络新闻QwQ-32B:拥抱强化学习的力量。研究人员推出了QwQ-32B,这是一个拥有320亿参数的模型,它利用强化学习来提升推理能力。尽管参数较少,但通过整合类似智能体的推理和反馈机制,QwQ-32B的表现可与更大规模的模型相媲美。该模型可在HuggingFace平台上获取。**人工智能领域的先驱安德鲁·巴托(AndrewBarto)和理查德·萨顿(RichardSutton)因对强化学习的开创
- 支持 40+ 插件,Spring AI Alibaba 简化智能体私有数据集成
阿里云云原生
人工智能spring数据挖掘
作者:张震霆&何裕墙,SpringAIAlibabaContributor在AI智能体(AIAgent)开发的过程中,RAG(Retrieval-AugmentedGeneration)和ToolCalling已经成为两种至关重要的模式。RAG通过结合检索技术和生成模型的强大能力,使智能体能够实时从外部数据源获取信息,并在生成过程中增强其知识深度和推理能力。通过这种方式,智能体不仅能依赖于模型的预
- SaaS+AI应用架构:业务场景、智能体、大模型、知识库、传统工具系统
公众号-AI架构师汤师爷
后端架构设计JavaSaaS
SaaS+AI应用架构:业务场景、智能体、大模型、知识库、传统工具系统大家好,我是汤师爷~在SaaS与AI应用的演进过程中,合理的架构设计至关重要。本节将详细介绍其五个核心层次:业务场景层:发现和确定业务场景智能体层:构建可复用的智能应用大模型层:采用最合适的大模型,作为思考推理的核心知识库:管理企业的核心知识资产传统工具:传统的运营工具和业务系统业务场景层:发现和确定业务场景业务场景层是整个Sa
- 本地部署时,如何通过硬件加速(如 CUDA、TensorRT)提升 DeepSeek 的推理性能?不同显卡型号的兼容性如何测试?
百态老人
人工智能科技算法vscode
本地部署DeepSeek模型的硬件加速优化与显卡兼容性测试指南一、硬件加速技术实现路径CUDA基础环境搭建版本匹配原则:根据显卡架构选择CUDA版本(如NVIDIARTX50系列需CUDA12+,V100需CUDA11.x),并通过nvcc--version验证安装。GPU加速验证:运行以下代码检查硬件加速状态:importtensorflowastfprint("可用GPU数量:",len(tf
- 【图像去噪】论文复现:TPAMI 2025!全面提升单图像去噪泛化性!像素级零样本去噪方法Pixel2Pixel的Pytorch源码复现,跑通源码,修改各种报错,框架详解,注释详细!
十小大
pytorch人工智能python深度学习计算机视觉图像处理图像去噪
请先看【专栏介绍文章】:【图像去噪(ImageDenoising)】关于【图像去噪】专栏的相关说明,包含适配人群、专栏简介、专栏亮点、阅读方法、定价理由、品质承诺、关于更新、去噪概述、文章目录、资料汇总、问题汇总(更新中)完整代码和训练好的模型权重文件下载链接见本文底部,订阅专栏免费获取!本文亮点:跑通Pixel2Pixel全部源码,包含数据集准备、制作像素库(PixelBank)、训练和推理等,
- (4-8)基于DeepSeekMoE架构的DeepSeek-V3:测试模型
码农三叔
训练RAG多模态)架构transformerdeekseek人工智能大模型
4.8测试模型DeepSeek-V3是一款基于PyTorch的深度学习模型,主要用于文本生成任务。在加载模型时,首先需要从指定路径加载模型的配置文件和预训练权重。加载完成后,模型被设置为评估模式,并移动到GPU上以加速推理过程。在生成文本时,用户可以输入提示文本,模型会根据这些提示生成相应的文本输出。生成过程支持交互式输入和批量处理两种模式,用户可以根据需要选择适合的方式进行文本生成。此外,模型的
- 人工智能 - TensorRT与DeepDP终极指南:释放GPU潜能的深度学习推理优化之道
天机️灵韵
具身智能VLA人工智能人工智能算法深度学习pytorch
TensorRTTensorRT(TensorRuntime)是英伟达(NVIDIA)推出的高性能深度学习推理(Inference)优化器和运行时库,专为在NVIDIAGPU上高效部署深度学习模型而设计。它通过模型压缩、计算图优化、硬件级加速等技术,显著提升推理速度并降低资源消耗,广泛应用于自动驾驶、工业检测、实时视频分析等对延迟敏感的领域。一、TensorRT的核心功能模型优化与加速层融合(La
- 模型训练和推理
一杯水果茶!
视觉与网络python梯度反向传播训练推理
训练时需要梯度,推理时不需要怎么理解“梯度”?计算图以及前向后向传播训练时需要梯度,推理时不需要阶段是否计算梯度是否反向传播是否更新参数用例写法训练✅✅✅loss训练默认即可,requires_grad=True推理❌❌❌采样、预测、部署用@torch.inference_mode()或withtorch.no_grad()训练阶段必须开启梯度计算:要计算loss(损失函数)然后通过loss.ba
- 【YOLOv11[基础]】目标检测OD | 导出ONNX模型 | ONN模型推理以及检测结果可视化 | python
Jackilina_Stone
【改进】YOLO系列人工智能python计算机视觉YOLO深度学习目标检测
本文将导出YOLO11.pt模型对应的ONNX模型,并且使用ONNX模型推理以及结果的可视化。话不多说,先看看效果图吧!!!目录一导出ONNX模型二推理及检测结果可视化1代码2效果图
- onnx处理和TensorRT量化推理相关代码工具
天亮换季
人工智能算法深度学习
一.说明 在模型量化过程中,经常要使用一些工具对onnx或者量化后的模型(这里以TensorRT为例)进行推理,往往需要一些处理工具,比如:拆分或者合并onnx;修改onnx中的量算子QuantizeLinear的scale值;以及使用onnxruntime进行推理;TensorRT的序列化文件的inference;隐式量化生成量化校准表…现提供一些封装好的工具,作为记录,方便日后查阅使用"
- 图像识别技术与应用课后总结(18)
一元钱面包
人工智能
·YOLO-V3RetinaNet系列,YOLO-V3在不同变体(如YOLOV3-320、YOLOV3-416等)下,在推理时间和精度上有不同的表现,展示了其在速度和准确性上的平衡。YOLO-V3的改进点网络结构:相比之前版本,YOLO-V3的网络结构进行了优化,使其更适合小目标检测。特征处理:对特征的处理更加细致,通过融入多持续特征图信息来预测不同规格的物体。先验框:先验框更加丰富,有3种sca
- 深度学习基础-onnxruntime推理模型
yuweififi
深度学习人工智能
以下是一个完整的示例,展示如何加载ONNX模型、获取模型信息并运行推理:importonnxruntimeimportnumpyasnp#模型路径bev_head_onnx_path="path/to/your/bev_head.onnx"#加载模型session=onnxruntime.InferenceSession(bev_head_onnx_path)#获取模型元信息model_meta=
- 书生大模型全链路开源体系,学习
小方abc
语言模型
优点书生·浦语开源大模型,是一个开源的大模型,大家可以一起学习还有配套的教学视频,很快就能上手,而且还奖励算力,可以直接训练,讨论学习,非常nice。教学视频书生·浦语大模型全链路开源开放体系_哔哩哔哩_bilibili实战营地址书生·浦语(intern-ai.org.cn)https://internlm.intern-ai.org.cn/developers/activity领先的推理能力性能
- CUDA12.1 cudnn9.0.1 python3.10.12配置TensorRT8.6.1,完成yolov12tensorRT推理完整过程
李卓璐
算法实战YOLO
一、配置TensorRT8.6.11.下载TensorRT8.6.1包TensorRT完全依赖CUDA,因此下载其版本时一定要考虑CUDA的版本。具体应该下载哪一版本的TensorRT呢,这里我问的秘塔AI,你们也可以问问它。官网地址-tensorRT8.6.1安装包下载2.解压安装包这里要注意,如果你和我一样是给win下的但是要在Linux服务器上使用。千万不要在win的环境下进行安装包的解压操
- 第二十七个问题-AI Agent 与 RAG 的核心区别
释迦呼呼
AI一千问人工智能语言模型机器学习深度学习自然语言处理
AIAgent与RAG的核心区别AIAgent(人工智能代理)与RAG(检索增强生成)是当前生成式AI领域的两个关键技术,二者在功能定位、技术架构和应用场景上存在显著差异,但也可协同互补。以下从多个维度对比分析:1.核心目标维度AIAgentRAG主要目标自主执行复杂任务(感知、决策、行动闭环)通过检索外部知识增强生成结果的准确性智能性强调自主推理、多步规划与动态调整能力依赖检索与生成的静态组合,
- VLRMBench :一个涵盖数学推理、幻觉理解、多图像理解等多种任务的视觉-语言奖励模型基准测试数据集
数据集
2025-03-10,由上海交通大学和小红书公司联合创建了VLRMBench数据集。是一个专门用于评估视觉-语言奖励模型的综合性基准测试,包含12,634个问题,覆盖数学推理、幻觉理解和多图像理解三大领域。为视觉-语言奖励模型的全面评估提供了新的标准,推动了该领域的发展。一、研究背景近年来,随着大语言模型和大视觉-语言模型的快速发展,它们在多模态任务中取得了显著进展,广泛应用于医学影像、遥感、自动
- 2024-05-21 问AI: 介绍一下大语言模型的推理过程。
BigSharkTech 必杀技
用AI来理解AI人工智能语言模型自然语言处理
文心一言大语言模型的推理过程是一个复杂而精细的序列,它结合了深度学习和自然语言处理的技术,旨在理解和生成人类可以理解的自然语言文本。以下是该过程的主要步骤:输入文本的解析:当用户输入一段文本时,大语言模型首先会通过一个称为分词器的工具(tokenizer)对输入文本进行解析。分词器会将文本分解为一系列的单词或子词(tokens),并将它们转换为数字形式的序列。这些数字通常是单词在模型词典(voca
- LangChain教程 - Agent -之 ZERO_SHOT_REACT_DESCRIPTION
花千树-010
LangChainlangchainjavascriptpromptAIGC自然语言处理人工智能python
在构建智能AI助手时,我们希望模型能够智能地调用工具,以便提供准确的信息。LangChain提供了AgentType.ZERO_SHOT_REACT_DESCRIPTION,它结合了ReAct(Reasoning+Acting)策略,使得LLM可以基于工具的描述智能选择合适的工具进行推理和执行。本文将介绍该类型Agent的核心原理,并通过示例展示其应用。1.ZERO_SHOT_REACT_DESC
- 【大模型篇】推理模型大作战(QwQ-32B vs DeepSeek-R1)
大F的智能小课
大模型资讯速读DeepSeek技术解析和实战大模型理论和实战人工智能
大家好,我是大F,深耕AI算法十余年,互联网大厂技术岗。分享AI算法干货、技术心得。欢迎关注《大模型理论和实战》、《DeepSeek技术解析和实战》,一起探索技术的无限可能!写在前面当我让QwQ-32BvsDeepSeek-R1写一封未来自己的信大家更喜欢哪种风格?QwQ-32B模型介绍及使用指南一、模型简介(一&
- mondb入手
木zi_鸣
mongodb
windows 启动mongodb 编写bat文件,
mongod --dbpath D:\software\MongoDBDATA
mongod --help 查询各种配置
配置在mongob
打开批处理,即可启动,27017原生端口,shell操作监控端口 扩展28017,web端操作端口
启动配置文件配置,
数据更灵活 
- 大型高并发高负载网站的系统架构
bijian1013
高并发负载均衡
扩展Web应用程序
一.概念
简单的来说,如果一个系统可扩展,那么你可以通过扩展来提供系统的性能。这代表着系统能够容纳更高的负载、更大的数据集,并且系统是可维护的。扩展和语言、某项具体的技术都是无关的。扩展可以分为两种:
1.
- DISPLAY变量和xhost(原创)
czmmiao
display
DISPLAY
在Linux/Unix类操作系统上, DISPLAY用来设置将图形显示到何处. 直接登陆图形界面或者登陆命令行界面后使用startx启动图形, DISPLAY环境变量将自动设置为:0:0, 此时可以打开终端, 输出图形程序的名称(比如xclock)来启动程序, 图形将显示在本地窗口上, 在终端上输入printenv查看当前环境变量, 输出结果中有如下内容:DISPLAY=:0.0
- 获取B/S客户端IP
周凡杨
java编程jspWeb浏览器
最近想写个B/S架构的聊天系统,因为以前做过C/S架构的QQ聊天系统,所以对于Socket通信编程只是一个巩固。对于C/S架构的聊天系统,由于存在客户端Java应用,所以直接在代码中获取客户端的IP,应用的方法为:
String ip = InetAddress.getLocalHost().getHostAddress();
然而对于WEB
- 浅谈类和对象
朱辉辉33
编程
类是对一类事物的总称,对象是描述一个物体的特征,类是对象的抽象。简单来说,类是抽象的,不占用内存,对象是具体的,
占用存储空间。
类是由属性和方法构成的,基本格式是public class 类名{
//定义属性
private/public 数据类型 属性名;
//定义方法
publ
- android activity与viewpager+fragment的生命周期问题
肆无忌惮_
viewpager
有一个Activity里面是ViewPager,ViewPager里面放了两个Fragment。
第一次进入这个Activity。开启了服务,并在onResume方法中绑定服务后,对Service进行了一定的初始化,其中调用了Fragment中的一个属性。
super.onResume();
bindService(intent, conn, BIND_AUTO_CREATE);
- base64Encode对图片进行编码
843977358
base64图片encoder
/**
* 对图片进行base64encoder编码
*
* @author mrZhang
* @param path
* @return
*/
public static String encodeImage(String path) {
BASE64Encoder encoder = null;
byte[] b = null;
I
- Request Header简介
aigo
servlet
当一个客户端(通常是浏览器)向Web服务器发送一个请求是,它要发送一个请求的命令行,一般是GET或POST命令,当发送POST命令时,它还必须向服务器发送一个叫“Content-Length”的请求头(Request Header) 用以指明请求数据的长度,除了Content-Length之外,它还可以向服务器发送其它一些Headers,如:
- HttpClient4.3 创建SSL协议的HttpClient对象
alleni123
httpclient爬虫ssl
public class HttpClientUtils
{
public static CloseableHttpClient createSSLClientDefault(CookieStore cookies){
SSLContext sslContext=null;
try
{
sslContext=new SSLContextBuilder().l
- java取反 -右移-左移-无符号右移的探讨
百合不是茶
位运算符 位移
取反:
在二进制中第一位,1表示符数,0表示正数
byte a = -1;
原码:10000001
反码:11111110
补码:11111111
//异或: 00000000
byte b = -2;
原码:10000010
反码:11111101
补码:11111110
//异或: 00000001
- java多线程join的作用与用法
bijian1013
java多线程
对于JAVA的join,JDK 是这样说的:join public final void join (long millis )throws InterruptedException Waits at most millis milliseconds for this thread to die. A timeout of 0 means t
- Java发送http请求(get 与post方法请求)
bijian1013
javaspring
PostRequest.java
package com.bijian.study;
import java.io.BufferedReader;
import java.io.DataOutputStream;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.HttpURL
- 【Struts2二】struts.xml中package下的action配置项默认值
bit1129
struts.xml
在第一部份,定义了struts.xml文件,如下所示:
<!DOCTYPE struts PUBLIC
"-//Apache Software Foundation//DTD Struts Configuration 2.3//EN"
"http://struts.apache.org/dtds/struts
- 【Kafka十三】Kafka Simple Consumer
bit1129
simple
代码中关于Host和Port是割裂开的,这会导致单机环境下的伪分布式Kafka集群环境下,这个例子没法运行。
实际情况是需要将host和port绑定到一起,
package kafka.examples.lowlevel;
import kafka.api.FetchRequest;
import kafka.api.FetchRequestBuilder;
impo
- nodejs学习api
ronin47
nodejs api
NodeJS基础 什么是NodeJS
JS是脚本语言,脚本语言都需要一个解析器才能运行。对于写在HTML页面里的JS,浏览器充当了解析器的角色。而对于需要独立运行的JS,NodeJS就是一个解析器。
每一种解析器都是一个运行环境,不但允许JS定义各种数据结构,进行各种计算,还允许JS使用运行环境提供的内置对象和方法做一些事情。例如运行在浏览器中的JS的用途是操作DOM,浏览器就提供了docum
- java-64.寻找第N个丑数
bylijinnan
java
public class UglyNumber {
/**
* 64.查找第N个丑数
具体思路可参考 [url] http://zhedahht.blog.163.com/blog/static/2541117420094245366965/[/url]
*
题目:我们把只包含因子
2、3和5的数称作丑数(Ugly Number)。例如6、8都是丑数,但14
- 二维数组(矩阵)对角线输出
bylijinnan
二维数组
/**
二维数组 对角线输出 两个方向
例如对于数组:
{ 1, 2, 3, 4 },
{ 5, 6, 7, 8 },
{ 9, 10, 11, 12 },
{ 13, 14, 15, 16 },
slash方向输出:
1
5 2
9 6 3
13 10 7 4
14 11 8
15 12
16
backslash输出:
4
3
- [JWFD开源工作流设计]工作流跳跃模式开发关键点(今日更新)
comsci
工作流
既然是做开源软件的,我们的宗旨就是给大家分享设计和代码,那么现在我就用很简单扼要的语言来透露这个跳跃模式的设计原理
大家如果用过JWFD的ARC-自动运行控制器,或者看过代码,应该知道在ARC算法模块中有一个函数叫做SAN(),这个函数就是ARC的核心控制器,要实现跳跃模式,在SAN函数中一定要对LN链表数据结构进行操作,首先写一段代码,把
- redis常见使用
cuityang
redis常见使用
redis 通常被认为是一个数据结构服务器,主要是因为其有着丰富的数据结构 strings、map、 list、sets、 sorted sets
引入jar包 jedis-2.1.0.jar (本文下方提供下载)
package redistest;
import redis.clients.jedis.Jedis;
public class Listtest
- 配置多个redis
dalan_123
redis
配置多个redis客户端
<?xml version="1.0" encoding="UTF-8"?><beans xmlns="http://www.springframework.org/schema/beans" xmlns:xsi=&quo
- attrib命令
dcj3sjt126com
attr
attrib指令用于修改文件的属性.文件的常见属性有:只读.存档.隐藏和系统.
只读属性是指文件只可以做读的操作.不能对文件进行写的操作.就是文件的写保护.
存档属性是用来标记文件改动的.即在上一次备份后文件有所改动.一些备份软件在备份的时候会只去备份带有存档属性的文件.
- Yii使用公共函数
dcj3sjt126com
yii
在网站项目中,没必要把公用的函数写成一个工具类,有时候面向过程其实更方便。 在入口文件index.php里添加 require_once('protected/function.php'); 即可对其引用,成为公用的函数集合。 function.php如下:
<?php /** * This is the shortcut to D
- linux 系统资源的查看(free、uname、uptime、netstat)
eksliang
netstatlinux unamelinux uptimelinux free
linux 系统资源的查看
转载请出自出处:http://eksliang.iteye.com/blog/2167081
http://eksliang.iteye.com 一、free查看内存的使用情况
语法如下:
free [-b][-k][-m][-g] [-t]
参数含义
-b:直接输入free时,显示的单位是kb我们可以使用b(bytes),m
- JAVA的位操作符
greemranqq
位运算JAVA位移<<>>>
最近几种进制,加上各种位操作符,发现都比较模糊,不能完全掌握,这里就再熟悉熟悉。
1.按位操作符 :
按位操作符是用来操作基本数据类型中的单个bit,即二进制位,会对两个参数执行布尔代数运算,获得结果。
与(&)运算:
1&1 = 1, 1&0 = 0, 0&0 &
- Web前段学习网站
ihuning
Web
Web前段学习网站
菜鸟学习:http://www.w3cschool.cc/
JQuery中文网:http://www.jquerycn.cn/
内存溢出:http://outofmemory.cn/#csdn.blog
http://www.icoolxue.com/
http://www.jikexue
- 强强联合:FluxBB 作者加盟 Flarum
justjavac
r
原文:FluxBB Joins Forces With Flarum作者:Toby Zerner译文:强强联合:FluxBB 作者加盟 Flarum译者:justjavac
FluxBB 是一个快速、轻量级论坛软件,它的开发者是一名德国的 PHP 天才 Franz Liedke。FluxBB 的下一个版本(2.0)将被完全重写,并已经开发了一段时间。FluxBB 看起来非常有前途的,
- java统计在线人数(session存储信息的)
macroli
javaWeb
这篇日志是我写的第三次了 前两次都发布失败!郁闷极了!
由于在web开发中常常用到这一部分所以在此记录一下,呵呵,就到备忘录了!
我对于登录信息时使用session存储的,所以我这里是通过实现HttpSessionAttributeListener这个接口完成的。
1、实现接口类,在web.xml文件中配置监听类,从而可以使该类完成其工作。
public class Ses
- bootstrp carousel初体验 快速构建图片播放
qiaolevip
每天进步一点点学习永无止境bootstrap纵观千象
img{
border: 1px solid white;
box-shadow: 2px 2px 12px #333;
_width: expression(this.width > 600 ? "600px" : this.width + "px");
_height: expression(this.width &
- SparkSQL读取HBase数据,通过自定义外部数据源
superlxw1234
sparksparksqlsparksql读取hbasesparksql外部数据源
关键字:SparkSQL读取HBase、SparkSQL自定义外部数据源
前面文章介绍了SparSQL通过Hive操作HBase表。
SparkSQL从1.2开始支持自定义外部数据源(External DataSource),这样就可以通过API接口来实现自己的外部数据源。这里基于Spark1.4.0,简单介绍SparkSQL自定义外部数据源,访
- Spring Boot 1.3.0.M1发布
wiselyman
spring boot
Spring Boot 1.3.0.M1于6.12日发布,现在可以从Spring milestone repository下载。这个版本是基于Spring Framework 4.2.0.RC1,并在Spring Boot 1.2之上提供了大量的新特性improvements and new features。主要包含以下:
1.提供一个新的sprin