- GPT-4 在 AIGC 中的微调技巧:让模型更懂你的需求
AIGC应用创新大全
AI人工智能与大数据应用开发MCP&Agent云算力网络AIGCai
GPT-4在AIGC中的微调技巧:让模型更懂你的需求关键词:GPT-4、AIGC、模型微调、监督学习、指令优化、过拟合预防、个性化生成摘要:AIGC(人工智能生成内容)正在重塑内容创作行业,但通用的GPT-4模型可能无法精准匹配你的垂直需求——比如写电商爆款文案时总“跑题”,或生成技术文档时专业术语不够。本文将用“教小朋友学画画”的通俗类比,从微调的底层逻辑讲到实战技巧,带你掌握让GPT-4“更懂
- 【大模型微调实战】4. P-Tuning爆款文案生成:让模型学会小红书“爽感”写作,转化率提升300%
AI_DL_CODE
大模型微调P-Tuning小红书文案爆款生成情绪强化自然语言生成提示工程
摘要:在内容营销竞争白热化的当下,普通文案已难以突破流量壁垒。本文聚焦P-Tuning技术在小红书爆款文案生成中的落地应用,通过参数化提示向量优化,将抽象的“爽感”写作转化为可量化、可训练的技术指标。文中提出“六步成文法”,从情绪化数据集构建到爆款元素复刻,完整拆解如何用RTX3060级显卡实现0.1%参数量微调,使文案点击率从2.1%提升至8.7%,爆文率提高5倍,单条文案带货超8万元。核心创新
- LLaMA-Factory微调教程1:LLaMA-Factory安装及使用
Cachel wood
LLM和AIGCllamapython开发语言react.jsjavascript前端microsoft
文章目录环境搭建LLaMA-Factory安装教程模型大小选择环境搭建Windows系统RTX4060Ti(16G显存)python3.10cuda=12.6cudnntorch==2.7.1+cu126torchvision==0.22.1+cu126torchaudio==2.7.1+cu126PSC:\Users\18098>nvidia-smiTueJul2201:52:192025+<
- 【大模型LLM学习】function call/agent学习记录
威化饼的一隅
大模型LLM学习agentlangchain意图识别functioncall工具调用
【大模型LLM学习】functioncall/agent学习记录0前言1langchain实现functioncall2调用本地模型3微调本地模型3.1few-shot调用Claude生成Q-A对3.2tools格式3.3agent微调格式3.4swift微调p.s.0前言 记录一下使用langchain做简单的functioncall/agent(或者说意图识别,如果函数有返回值再进行summ
- 大模型QLoRA微调——基于Qwen2-7B的自动化病历摘要生成系统
01项目简介(1)项目背景医疗文档中包含大量的诊疗信息,例如疾病诊断、手术名称、解剖部位、药物使用以及影像和实验室检查结果。这些信息是医疗数据分析的核心,但由于医疗文本内容复杂、格式多样,提取这些关键内容具有一定挑战。为此,本项目基于Qwen-7B大语言模型,通过QLoRA微调,使其从医疗文档中识别并提取这些信息。(2)数据集介绍本项目在Yidu-S4K数据集上进行指令微调任务,该数据共计包含10
- 字节的机器人模型 GR-3
三谷秋水
机器学习计算机视觉大模型机器人语言模型计算机视觉人工智能机器学习
25年7月字节发布技术报告“GR-3TechnicalReport”。这是字节在通才机器人策略方面的最新进展,即GR-3的开发。GR-3是一个大规模的视觉-语言-动作(VLA)模型。它展现出卓越的泛化能力,能够泛化至新物体、新环境以及涉及抽象概念的指令。此外,它能够利用极少的人类轨迹数据进行高效微调,从而快速且经济高效地适应新环境。GR-3还擅长处理长范围和灵巧的任务,包括需要双手操作和移动的任务
- 大模型微调:从零到实践,掌握AI大模型的核心技能
之之为知知
12大模型人工智能机器学习特征工程pytorch深度学习大模型微调
大模型微调:从零到实践,掌握AI大模型的核心技能引言大规模语言模型(如DeepSeek、通义千问)的出现,彻底改变了自然语言处理的格局。这些模型不仅在学术界取得了突破性进展,在工业界也得到了广泛应用。对于许多初学者来说,直接训练一个完整的大型语言模型可能显得遥不可及。幸运的是,微调(Fine-tuning)技术为我们提供了一条捷径,让我们可以基于已有的预训练模型,针对特定任务进行调整,从而快速实现
- LLM微调训练指南
小小怪 @
人工智能自然语言处理
模型选择策略开源LLM的选择需综合评估任务需求与资源限制:LLaMA-2(7B/13B/70B):商用友好,推荐使用HuggingFace格式的社区变体(如NousResearch版本)Mistral(7B):Apache2.0许可,在推理和数学任务表现突出Falcon(7B/40B):商业授权宽松,特别适合多轮对话场景硬件匹配参考:NVIDIA3090可微调7B模型(QLoRA),A100建议尝
- 深度学习的图像分类项目在制造业场景下的数据需求量估算及实现方案(数据收集是The more the better 吗?)
shiter
人工智能系统解决方案与技术架构深度学习分类人工智能
文章大纲一、数据需求的关键影响因素二、无先验知识场景的数据需求估算优化策略与技术方案三、有先验知识场景的数据需求估算1.迁移学习(TransferLearning)2.少样本学习(Few-ShotLearning)3.预训练-微调范式四、实现方案与技术路线1.数据策略层2.模型架构层3.训练优化技术五、结论与实践建议无先验知识场景有先验知识场景✅**正确性校验**⚠️**可落地性勘误与补充****
- Prompt Engineering(提示词工程)基础了解
Fuly1024
LLMprompt
参考:https://blog.csdn.net/qq_56438555/article/details/1448865171.基础概念:提示词工程(promptEngineering)是指通过设计、优化输入给大语言模型的文本指令(即“提示词”),引导LLM输出我们期望的结果。让大模型在无需微调(Fine-tuning)的情况下,通过“更好的提问方式”完成复杂任务(开发潜力,不会的还是不会)。但是
- 9、LLaMA-Factory项目微调介绍
Andy_shenzl
大模型学习llamaLLaMAFactory微调大模型LoRA
1、LLaMAFactory介绍 LLaMAFactory是一个在GitHub上开源的项目,该项目给自身的定位是:提供一个易于使用的大语言模型(LLM)微调框架,支持LLaMA、Baichuan、Qwen、ChatGLM等架构的大模型。更细致的看,该项目提供了从预训练、指令微调到RLHF阶段的开源微调解决方案。截止目前(2024年3月1日)支持约120+种不同的模型和内置了60+的数据集,同时封
- 51、Tk GUI 组件:滚动条、输入框与微调框的使用指南
motor
TkGUI滚动条输入框
TkGUI组件:滚动条、输入框与微调框的使用指南1.滚动条组件1.1滚动条概述Tk8.0在Macintosh和Windows上使用原生滚动条组件。虽然在所有平台上滚动条与其他组件的使用方式相同,但属性的解释和绑定细节因平台而异。这里主要介绍UNIX系统上的Tk滚动条。滚动条由五个部分组成:箭头1、槽1、滑块、槽2和箭头2。对于水平滚动条,箭头1在左侧;对于垂直滚动条,箭头1在顶部。滑块代表关联组件
- 【深度学习-Day 39】玩转迁移学习与模型微调:站在巨人的肩膀上
吴师兄大模型
深度学习入门到精通深度学习迁移学习人工智能python大模型机器学习模型微调
Langchain系列文章目录01-玩转LangChain:从模型调用到Prompt模板与输出解析的完整指南02-玩转LangChainMemory模块:四种记忆类型详解及应用场景全覆盖03-全面掌握LangChain:从核心链条构建到动态任务分配的实战指南04-玩转LangChain:从文档加载到高效问答系统构建的全程实战05-玩转LangChain:深度评估问答系统的三种高效方法(示例生成、手
- 批判式微调(CFT):原理、架构与高效推理训练新范式
⚙️一、核心定义与技术原理基本概念CFT是一种替代传统监督微调(SFT)的训练范式,其核心是让模型学习批判错误响应而非简单模仿正确答案。灵感来源于人类学习中的批判性思维——通过分析错误案例深化理解,而非机械复制答案。本文由「大千AI助手」原创发布,专注用真话讲AI,回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我,一起撕掉过度包装,学习真实的AI技术!数学形式化给定查询(x)和噪声响应(
- RLHF Workflow: From Reward Modeling to Online RLHF
UnknownBody
LLMDailyLLMRL语言模型人工智能
本文是LLM系列文章,针对《RLHFWorkflow:FromRewardModelingtoOnlineRLHF》的翻译。RLHF工作流程:从奖励建模到在线RLHF摘要1引言1.1之前的RLHF算法及其挑战1.2在线迭代RLHF1.3人类反馈近似1.4相关工作2作为人类反馈近似的奖励模型2.1偏好数据集2.2BradleyTerry奖励模型与偏好模型2.3评估结果3迭代策略优化3.1监督微调3.
- 想进大厂?LLMs 10道面试题提前看,有问有答,图文详解!
AI大模型-大飞
人工智能大模型chatgpt产品经理AI程序员大模型面试题
一、微调与优化21、LLM的微调流程是什么?微调(Fine-tuning)LLMs指的是在特定任务或数据上对预训练好的模型进行进一步训练,使其能更好地适应目标场景的过程,其主要流程如下:数据准备:数据收集:根据目标任务收集高质量、有代表性的数据;数据预处理:对原始数据进行清洗,如去除噪声、重复项、不相关内容等。根据模型输入要求对数据进行格式化;数据划分:将数据分为训练集、验证集和测试集,为后续模型
- 大模型——Prompt 优化还是模型微调
Prompt优化还是模型微调在人工智能飞速发展的当下,大语言模型(LLM)已成为众多领域的关键技术支撑。无论是在智能客服、内容创作,还是数据分析等场景中,LLM都展现出了强大的能力。但在实际应用中,如何让LLM更好地满足特定需求,成为了开发者和企业面临的重要问题。Prompt优化和模型微调作为提升LLM性能的两种主要方式,各有优劣,选择合适的方法对于实现高效、精准的AI应用至关重要。Prompt优
- 【美团3面】大模型面试题详解:大模型使用几十条数据微调后为啥性能差的很多?
AI大模型-王哥
产品经理大模型学习AI大模型人工智能大模型大模型教程程序员
一个很有意思的回答:大模型的LossLandscape是由多个“Basin”(盆地)组成的,而不是一个平滑的曲面。如果微调(Fine-Tuning)的优化方向偏离了BasicCapacityBasin,就可能容易训崩掉,虽然训崩的概率不大。大模型(如LLM)在预训练阶段通过海量数据学习,优化出一个“基本能力盆地”(BasicCapacityBasin),这个Basin代表模型具备通用语言理解、生成
- 007:无人机遥控器功能介绍
94_31762031
014-无人机航测1024程序员节无人机遥控器构成无人机遥控器主界面要素LNKMENU菜单SYSTEMMENUMOLMENU无人机遥控器操作
摘要:本文详细介绍无人机遥控器构成、主界面要素、LNKMENU菜单和SYSTEMMENU系统菜单的功能。一、遥控器介绍无人机遥控器通常包括拨杆开关、主控杆、HOME键、中立微调、主界面、发射天线、旋钮开关、型号、电源开关、舵量监控、触控菜单键等构件,各种构件的功能及常用操作如下:拨杆开关定义:拨杆开关通常用于控制无人机的飞行模式、电源状态或其他特定功能。功能:通过拨动拨杆,可以切换无人机的飞行模式
- 14.7 Alpaca格式深度解析:3倍指令准确率提升的LLM微调秘诀
少林码僧
掌握先机!从0起步实战AI大模型微调打造核心竞争力人工智能llama机器学习chatgpt深度学习
文章目录Alpaca格式深度解析:3倍指令准确率提升的LLM微调秘诀指令微调格式:AlpacaFormat深度解析14.3.1Alpaca格式诞生背景与技术价值14.3.2Alpaca格式结构解析14.3.3实战Dolly-15K数据转Alpaca格式14.3.4Alpaca格式的工程化实践14.3.5格式扩展与挑战应对Alpaca格式深度解析:3倍指令准确率提升的LLM微调秘诀指令微调格式:Al
- Day 20 断舍离之照片
近忧远虑
现在用手机拍照就好,所以64g的手机,照片占了20g,看来,是需要去买一个更大内存的手机了。翻开三四年前的照片,就觉得算是黑历史了。把一些无意义的重复照片给删了,如:风景照,同一场景下的微调角度。只会选取几张最顺眼的留下,其他的毫不犹豫粉碎了。翻到一些旧友,便把照片分享讨论讨论,笑笑那段稚嫩的过去,也与旧友相约冬天一起喝一杯咖啡。发现与家人的合照很少,明明就是朝夕相处,可是在记录里却是极少出现,本
- 使用 LLaMA 3 8B 微调一个 Reward Model:从入门到实践
茫茫人海一粒沙
Lorallama
本文将介绍如何基于Meta的LLaMA38B模型构建并微调一个RewardModel,它是构建RLHF(基于人类反馈的强化学习)系统中的关键一环。我们将使用HuggingFace的transformers、trl和peft等库,通过参数高效微调(LoRA)实现高质量RewardModel的训练。什么是RewardModel?RewardModel(RM)是RLHF流程中的评分器,它学习人类偏好:在
- 琂琂随笔(二)
霞想家
坚持自律第第七天!昨天因为一些事情导致晚睡了一个小时,当时在想明天还能保证5点起来么?心里有点忐忑,但是还是在早上5点醒来,并战胜了自己,坚决执行了自己计划!这个时候我认为有必要夸赞自己一下!对于20几年来都是起床困难户的我来说,这是相当大的挑战!坚持了7天,从开始执行自己的计划中途总不知道自己要做什么,然后翻看计划本,每一天都需要总结微调自己的计划!到今天才在不断试错,不断调整,到现在这个目前最
- 使用llamafactory微调参数介绍&调参经验分享
大侠教你学AI
人工智能机器学习数据挖掘python自然语言处理transformerchatgpt
目录文章目录目录基于llamafactory微调微调操作指南微调参数介绍怎么控制总训练步数?怎么控制显存占用?微调经验分享微调数据构建SFT语料构建微调常见参数推荐自动化微调代码实现推荐参考网址基于llamafactory微调微调操作指南具体的基于llamafactory微调操作指南,可以见另一篇笔记:基于NPU的LLamafactory安装&微调大模型使用指南https://blog.csdn.
- LLaMA-Factory快速入门
@BangBang
LLMllama
文章目录1.背景2.环境准备2.1硬件要求2.2CUDA和Pytorch环境2.3模型下载2.4模型推理3.自定义数据集构建4.基于LoRA的sft指令微调4.1Lora微调训练4.2动态合并LoRA的推理4.3训练效果评估4.4LoRA模型合并导出5.webuiboard的使用5.1使用介绍5.2APIServer的启动与调用6进阶6.1大模型主流评测benchmark6.2部署Ollama1.
- 国庆返校第一天
Kuzma
大家都仍沉浸在国庆假期美好的梦乡里,然而我们已经上学了,话说像我们这样放假的很少了吧,而且我们这边还没什么疫情,第一次国庆只放三天,却要上四天课。好在今天没有早八,作息还能稍微调整一下,所以今天也就睡晚了一点,还真的起不来了,倒真的不是赖床不起!今天只有早上一节课,上完课就相当于放假咯!
- LLM指纹底层技术——人类反馈强化学习
9命怪猫
AI深度学习机器学习人工智能大模型ai算法
以下简单讲一下“LLM指纹”体系中,负责精雕细琢模型“性格”与“价值观”的核心工艺——人类反馈强化学习(ReinforcementLearningfromHumanFeedback,RLHF)。预训练给模型注入了海量的知识(IQ),指令微调(SFT)教会了它基本的沟通技能(学会说话),RLHF对模型进行的一场深刻的“情商与价值观”教育。这个过程极大地塑造了模型的行为边界、风格偏好和安全意识,是形成
- 论文笔记:EMR-MERGING: Tuning-Free High-Performance Model Merging
UQI-LIUWJ
论文笔记论文阅读
2024neurips1intro随着HuggingFace、timm和torchvision等开源仓库的发展,预训练与微调模型的数量激增,这导致模型部署的存储和成本负担加重。多任务学习(MTL)通过联合训练多数据集来部分缓解上述问题,但它存在以下缺陷:(i)计算成本高;(ii)隐私数据限制导致数据不可获取因此,近年来出现了**模型融合(modelmerging)**方法,试图通过权重合并的方式绕
- 深入解析LoRA:低秩适应的高效大模型微调技术
Zhong Yang
大模型微调人工智能机器学习算法
1.背景与动机随着大语言模型(如GPT-3、Llama)的参数规模突破千亿级,传统全参数微调面临三大挑战:显存爆炸:微调70B模型需数千GB显存(如Llama-270B全微调需1.2TB显存)计算成本:全参数微调的计算量随模型规模呈二次增长过拟合风险:大规模模型对少量下游数据易产生过拟合LoRA(Low-RankAdaptation)由微软研究院提出,通过低秩矩阵分解技术,将微调参数量压缩至原模型
- LoRA中的低秩矩阵估计
LoRA(Low-RankAdaptation)是一种用于微调大型语言模型(LLM)的高效方法,尤其在资源有限的环境下表现出色。其核心思想是通过低秩矩阵来近似微调过程中权重矩阵的变化,从而大幅减少需要训练的参数数量。---\paragraph{1.背景:微调与参数效率}在自然语言处理(NLP)中,大型语言模型(如GPT、BERT等)通过预训练学习了丰富的语言知识。然而,为了适应特定任务或新数据,通
- [黑洞与暗粒子]没有光的世界
comsci
无论是相对论还是其它现代物理学,都显然有个缺陷,那就是必须有光才能够计算
但是,我相信,在我们的世界和宇宙平面中,肯定存在没有光的世界....
那么,在没有光的世界,光子和其它粒子的规律无法被应用和考察,那么以光速为核心的
&nbs
- jQuery Lazy Load 图片延迟加载
aijuans
jquery
基于 jQuery 的图片延迟加载插件,在用户滚动页面到图片之后才进行加载。
对于有较多的图片的网页,使用图片延迟加载,能有效的提高页面加载速度。
版本:
jQuery v1.4.4+
jQuery Lazy Load v1.7.2
注意事项:
需要真正实现图片延迟加载,必须将真实图片地址写在 data-original 属性中。若 src
- 使用Jodd的优点
Kai_Ge
jodd
1. 简化和统一 controller ,抛弃 extends SimpleFormController ,统一使用 implements Controller 的方式。
2. 简化 JSP 页面的 bind, 不需要一个字段一个字段的绑定。
3. 对 bean 没有任何要求,可以使用任意的 bean 做为 formBean。
使用方法简介
- jpa Query转hibernate Query
120153216
Hibernate
public List<Map> getMapList(String hql,
Map map) {
org.hibernate.Query jpaQuery = entityManager.createQuery(hql);
if (null != map) {
for (String parameter : map.keySet()) {
jp
- Django_Python3添加MySQL/MariaDB支持
2002wmj
mariaDB
现状
首先,
[email protected] 中默认的引擎为 django.db.backends.mysql 。但是在Python3中如果这样写的话,会发现 django.db.backends.mysql 依赖 MySQLdb[5] ,而 MySQLdb 又不兼容 Python3 于是要找一种新的方式来继续使用MySQL。 MySQL官方的方案
首先据MySQL文档[3]说,自从MySQL
- 在SQLSERVER中查找消耗IO最多的SQL
357029540
SQL Server
返回做IO数目最多的50条语句以及它们的执行计划。
select top 50
(total_logical_reads/execution_count) as avg_logical_reads,
(total_logical_writes/execution_count) as avg_logical_writes,
(tot
- spring UnChecked 异常 官方定义!
7454103
spring
如果你接触过spring的 事物管理!那么你必须明白 spring的 非捕获异常! 即 unchecked 异常! 因为 spring 默认这类异常事物自动回滚!!
public static boolean isCheckedException(Throwable ex)
{
return !(ex instanceof RuntimeExcep
- mongoDB 入门指南、示例
adminjun
javamongodb操作
一、准备工作
1、 下载mongoDB
下载地址:http://www.mongodb.org/downloads
选择合适你的版本
相关文档:http://www.mongodb.org/display/DOCS/Tutorial
2、 安装mongoDB
A、 不解压模式:
将下载下来的mongoDB-xxx.zip打开,找到bin目录,运行mongod.exe就可以启动服务,默
- CUDA 5 Release Candidate Now Available
aijuans
CUDA
The CUDA 5 Release Candidate is now available at http://developer.nvidia.com/<wbr></wbr>cuda/cuda-pre-production. Now applicable to a broader set of algorithms, CUDA 5 has advanced fe
- Essential Studio for WinRT网格控件测评
Axiba
JavaScripthtml5
Essential Studio for WinRT界面控件包含了商业平板应用程序开发中所需的所有控件,如市场上运行速度最快的grid 和chart、地图、RDL报表查看器、丰富的文本查看器及图表等等。同时,该控件还包含了一组独特的库,用于从WinRT应用程序中生成Excel、Word以及PDF格式的文件。此文将对其另外一个强大的控件——网格控件进行专门的测评详述。
网格控件功能
1、
- java 获取windows系统安装的证书或证书链
bewithme
windows
有时需要获取windows系统安装的证书或证书链,比如说你要通过证书来创建java的密钥库 。
有关证书链的解释可以查看此处 。
public static void main(String[] args) {
SunMSCAPI providerMSCAPI = new SunMSCAPI();
S
- NoSQL数据库之Redis数据库管理(set类型和zset类型)
bijian1013
redis数据库NoSQL
4.sets类型
Set是集合,它是string类型的无序集合。set是通过hash table实现的,添加、删除和查找的复杂度都是O(1)。对集合我们可以取并集、交集、差集。通过这些操作我们可以实现sns中的好友推荐和blog的tag功能。
sadd:向名称为key的set中添加元
- 异常捕获何时用Exception,何时用Throwable
bingyingao
用Exception的情况
try {
//可能发生空指针、数组溢出等异常
} catch (Exception e) {
 
- 【Kafka四】Kakfa伪分布式安装
bit1129
kafka
在http://bit1129.iteye.com/blog/2174791一文中,实现了单Kafka服务器的安装,在Kafka中,每个Kafka服务器称为一个broker。本文简单介绍下,在单机环境下Kafka的伪分布式安装和测试验证 1. 安装步骤
Kafka伪分布式安装的思路跟Zookeeper的伪分布式安装思路完全一样,不过比Zookeeper稍微简单些(不
- Project Euler
bookjovi
haskell
Project Euler是个数学问题求解网站,网站设计的很有意思,有很多problem,在未提交正确答案前不能查看problem的overview,也不能查看关于problem的discussion thread,只能看到现在problem已经被多少人解决了,人数越多往往代表问题越容易。
看看problem 1吧:
Add all the natural num
- Java-Collections Framework学习与总结-ArrayDeque
BrokenDreams
Collections
表、栈和队列是三种基本的数据结构,前面总结的ArrayList和LinkedList可以作为任意一种数据结构来使用,当然由于实现方式的不同,操作的效率也会不同。
这篇要看一下java.util.ArrayDeque。从命名上看
- 读《研磨设计模式》-代码笔记-装饰模式-Decorator
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/
import java.io.BufferedOutputStream;
import java.io.DataOutputStream;
import java.io.FileOutputStream;
import java.io.Fi
- Maven学习(一)
chenyu19891124
Maven私服
学习一门技术和工具总得花费一段时间,5月底6月初自己学习了一些工具,maven+Hudson+nexus的搭建,对于maven以前只是听说,顺便再自己的电脑上搭建了一个maven环境,但是完全不了解maven这一强大的构建工具,还有ant也是一个构建工具,但ant就没有maven那么的简单方便,其实简单点说maven是一个运用命令行就能完成构建,测试,打包,发布一系列功
- [原创]JWFD工作流引擎设计----节点匹配搜索算法(用于初步解决条件异步汇聚问题) 补充
comsci
算法工作PHP搜索引擎嵌入式
本文主要介绍在JWFD工作流引擎设计中遇到的一个实际问题的解决方案,请参考我的博文"带条件选择的并行汇聚路由问题"中图例A2描述的情况(http://comsci.iteye.com/blog/339756),我现在把我对图例A2的一个解决方案公布出来,请大家多指点
节点匹配搜索算法(用于解决标准对称流程图条件汇聚点运行控制参数的算法)
需要解决的问题:已知分支
- Linux中用shell获取昨天、明天或多天前的日期
daizj
linuxshell上几年昨天获取上几个月
在Linux中可以通过date命令获取昨天、明天、上个月、下个月、上一年和下一年
# 获取昨天
date -d 'yesterday' # 或 date -d 'last day'
# 获取明天
date -d 'tomorrow' # 或 date -d 'next day'
# 获取上个月
date -d 'last month'
#
- 我所理解的云计算
dongwei_6688
云计算
在刚开始接触到一个概念时,人们往往都会去探寻这个概念的含义,以达到对其有一个感性的认知,在Wikipedia上关于“云计算”是这么定义的,它说:
Cloud computing is a phrase used to describe a variety of computing co
- YII CMenu配置
dcj3sjt126com
yii
Adding id and class names to CMenu
We use the id and htmlOptions to accomplish this. Watch.
//in your view
$this->widget('zii.widgets.CMenu', array(
'id'=>'myMenu',
'items'=>$this-&g
- 设计模式之静态代理与动态代理
come_for_dream
设计模式
静态代理与动态代理
代理模式是java开发中用到的相对比较多的设计模式,其中的思想就是主业务和相关业务分离。所谓的代理设计就是指由一个代理主题来操作真实主题,真实主题执行具体的业务操作,而代理主题负责其他相关业务的处理。比如我们在进行删除操作的时候需要检验一下用户是否登陆,我们可以删除看成主业务,而把检验用户是否登陆看成其相关业务
- 【转】理解Javascript 系列
gcc2ge
JavaScript
理解Javascript_13_执行模型详解
摘要: 在《理解Javascript_12_执行模型浅析》一文中,我们初步的了解了执行上下文与作用域的概念,那么这一篇将深入分析执行上下文的构建过程,了解执行上下文、函数对象、作用域三者之间的关系。函数执行环境简单的代码:当调用say方法时,第一步是创建其执行环境,在创建执行环境的过程中,会按照定义的先后顺序完成一系列操作:1.首先会创建一个
- Subsets II
hcx2013
set
Given a collection of integers that might contain duplicates, nums, return all possible subsets.
Note:
Elements in a subset must be in non-descending order.
The solution set must not conta
- Spring4.1新特性——Spring缓存框架增强
jinnianshilongnian
spring4
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
- shell嵌套expect执行命令
liyonghui160com
一直都想把expect的操作写到bash脚本里,这样就不用我再写两个脚本来执行了,搞了一下午终于有点小成就,给大家看看吧.
系统:centos 5.x
1.先安装expect
yum -y install expect
2.脚本内容:
cat auto_svn.sh
#!/bin/bash
- Linux实用命令整理
pda158
linux
0. 基本命令 linux 基本命令整理
1. 压缩 解压 tar -zcvf a.tar.gz a #把a压缩成a.tar.gz tar -zxvf a.tar.gz #把a.tar.gz解压成a
2. vim小结 2.1 vim替换 :m,ns/word_1/word_2/gc  
- 独立开发人员通向成功的29个小贴士
shoothao
独立开发
概述:本文收集了关于独立开发人员通向成功需要注意的一些东西,对于具体的每个贴士的注解有兴趣的朋友可以查看下面标注的原文地址。
明白你从事独立开发的原因和目的。
保持坚持制定计划的好习惯。
万事开头难,第一份订单是关键。
培养多元化业务技能。
提供卓越的服务和品质。
谨小慎微。
营销是必备技能。
学会组织,有条理的工作才是最有效率的。
“独立
- JAVA中堆栈和内存分配原理
uule
java
1、栈、堆
1.寄存器:最快的存储区, 由编译器根据需求进行分配,我们在程序中无法控制.2. 栈:存放基本类型的变量数据和对象的引用,但对象本身不存放在栈中,而是存放在堆(new 出来的对象)或者常量池中(字符串常量对象存放在常量池中。)3. 堆:存放所有new出来的对象。4. 静态域:存放静态成员(static定义的)5. 常量池:存放字符串常量和基本类型常量(public static f