O__o吗果芒要
O__o吗果芒要

词向量训练总结

nlp中的词向量对比：word2vec/glove/fastText/elmo/GPT/bert

使用pytorch实现了TextCNN，TextRNN，FastText，TextRCNN，BiLSTM_Attention，DPCNN，Transformer。github：Chinese-Text-Classification-Pytorch，开箱即用。
一般字会比词效果好点，原因有几点：1.分词后会有长尾问题，有的词只在数据集中出现一两次，不能学到很好的分布。2.分词会有OOV问题。3.分词不标准，中文分词技术还不能达到没有错误。4.使用字的预训练向量会比使用词的容错性好一点

你可能感兴趣的:(词向量训练总结)

  • <6.23日腾讯会议线上演讲训练总结复盘二：我的收获与提高篇> 帅比潘安
    我的收获：01.第一次主持演讲，全程将近三个小时，感觉很新鲜，很激动，挑战很大，收获很大。刚开始的时候确实有些紧张，但当我放开喉咙大声说话、全情投入之后，慢慢就进入了感觉，控场的节奏感也就慢慢上来了。这要得益于自己的前期准备，尤其是跟李丽班长和一馨老师的沟通，感谢他们的邀请和指导。还是那句话，“最大的失败是不参与，只要参与了，不是学到，就是得到。”02.今天参加演练的每一位同学都很优秀，我能通过旁
  • 基于Python根据两个字符串给出相似度/近似度_Python实现字符串语义相似度算法（附上多种实现算法） 袁袁袁袁满 Python实用技巧大全python算法开发语言相似度自然语言处理相似度算法sklearn
    以下是几种基于语义的字符串相似度计算方法，每种方法都会返回0.0到1.0之间的相似度分数（保留一位小数）。文章目录方法1：计算Levenshtein距离(基于字符的相似度)方法2：使用Sentence-BERT预训练模型方法3：使用spaCy进行语义相似度比较方法4：使用spaCy和词向量方法5：使用UniversalSentenceEncoder(USE)方法6：使用BERT-as-Servic
  • Class11数值稳定性 Morning的呀 深度学习深度学习人工智能pytorch
    Class11数值稳定性一.神经网络的梯度计算假设你有一个输入，比如图像的像素、文本的词向量等等。然后神经网络中有多层神经元，每层做一次变换。其中h指的就是隐藏层第层的输出是：其中，是第层的激活函数或线性变换等网络的最终输出：这里的ℓ是损失函数，也就是每一层的损失函数作用于原始的X。加上损失函数，神经网络才有一个标准，指导什么是好的结果。损失函数衡量的是神经网络预测结果和真实标签之间的差距。作用是
  • 在NLP深层语义分析中，深度学习和机器学习的区别与联系
    在自然语言处理（NLP）的深层语义分析任务中，深度学习与机器学习的区别和联系主要体现在以下方面：一、核心区别特征提取方式机器学习：依赖人工设计特征（如词频、句法规则、TF-IDF等），需要领域专家对文本进行结构化处理。例如，传统情感分析需人工定义“情感词库”或通过词性标注提取关键成分。深度学习：通过神经网络自动学习多层次特征。例如，BERT等模型可从原始文本中捕获词向量、句法关系甚至篇章级语义，无
  • 周末训练总结 佐佐哒哒哒
    这周是我开学正式进俱乐部的第一周，跟随徐教练带0809的队员，天气很好很凉爽，进行了与海淀实验三小八人制的友谊赛，我们开局打出了气势，合理的运用了技术战术，打出了很多精彩的配合，还多次出现了远射。也有不足没有充分的拉开空间，利用空当跑动穿插起来，守门员表现神勇，多次出击果断！坚决！图片发自App第一节一比一平，队员们气势大增，利用合理的防守守住了比分！图片发自App第二三节教练员进行了阵容的调整，
  • bert中 [CLS] 和 [SEP] 表示什么意思？
    [CLS]和[SEP]是BERT中的两个特殊标记符号，在BERT的输入文本中起到特殊的作用。[CLS]是"classification"的缩写，在文本分类任务中，它通常表示句子或文档的开头。在BERT中，[CLS]对应着输入文本中第一个词的词向量，输出层中的第一个神经元通常会被用来预测文本的类别。[SEP]是"separator"的缩写，它通常表示句子或文档的结尾。在BERT中，[SEP]对应着输
  • 踏入真实：具身智能与物理世界的认知交响
    当大型语言模型在文本的海洋中纵横捭阖，生成式AI在数字画布上挥洒创意时，人工智能仍有一个根本性的疆域尚未完全征服——真实的三维物理世界。理解一个苹果，不能仅靠词向量坐标；学会行走，无法通过阅读说明书达成；在拥挤的街道导航，远非处理符号逻辑那般简单。智能的进化，自生命诞生之初，便与具身性（Embodiment）和环境交互（Interaction）密不可分。我们的认知、学习、乃至意识的雏形，都源于身体
  • 解释LLM怎么预测下一个词语的 ZhangJiQun&MXP 教学2024大模型以及算力2021AIpython语言模型python深度学习人工智能机器学习
    解释LLM怎么预测下一个词语的通过上文词的向量进行映射在Transformer架构的大语言模型（如GPT系列、BERT等）中，词语会先被转化为词向量。在预测下一个词时，模型会基于之前所有词的向量表示（并非仅仅上一个词，但上一个词的向量是重要信息来源之一）进行计算。以GPT-2为例，在生成文本时，它会将输入文本中每个词对应的词向量依次输入到模型的多层Transformer编码器-解码器结构中。每一层
  • Prompt Engineering终极手册：构建高效AI提示词库的完整技术路线 LCG元 大模型prompt人工智能
    目录一、提示词库构建核心架构二、关键技术实现步骤1.数据采集与清洗2.提示词向量化编码3.聚类分析与分类存储三、API服务化部署四、性能优化方案五、监控与持续优化六、应用效果展示本文将深入探讨构建企业级AI提示词库的完整技术方案，含数据处理、模型训练、部署监控全流程代码实现在AI应用爆炸式增长的今天，提示词质量直接决定模型输出效果。本文将手把手教你构建企业级提示词库，涵盖以下核心技术环节：一、提示
  • Word2Vec 原理是什么 ZhangJiQun&MXP 教学2024大模型以及算力2021AIpythonword2vec人工智能自然语言处理
    Word2Vec原理是什么一、核心概念：从词语到向量的语义映射Word2Vec是2013年由Google提出的词嵌入（WordEmbedding）模型，其核心目标是将自然语言中的词语转换为稠密的连续向量（词向量），使向量空间中的距离能反映词语的语义相关性。本质：通过神经网络学习词语的分布式表示（DistributedRepresentation），打破传统one-hot编码“维度高、无语义关联”的
  • 【AI大模型】数据处理 用心分享技术 AI大模型人工智能oracle数据库
    一、源文档读取为构建我们的本地知识库，我们需要对以多种类型存储的本地文档进行处理，读取本地文档并通过前文描述的Embedding方法将本地文档的内容转化为词向量来构建向量数据库。在本节中，我们以一些实际示例入手，来讲解如何对本地文档进行处理。二、数据读取1.PDF文档我们可以使用LangChain的PyMuPDFLoader来读取知识库的PDF文件。PyMuPDFLoader是PDF解析器中速度最
  • 怎么对词编码进行可视化：Embedding Projector ZhangJiQun&MXP 教学2024大模型以及算力2021AIpythonembedding
    怎么对词编码进行可视化：EmbeddingProjectorhttps://projector.tensorflow.org/EmbeddingProjector是用于可视化高维向量嵌入（如词向量、图像特征向量等）的工具，能帮你理解向量间的关系，下面以词向量分析和**简单自定义数据（比如特征向量）**为例，教你怎么用：一、词向量分析场景（以图中Word2Vec数据为例）1.加载数据与基础查看图里已
  • 6月19日复盘 四万二千 人工智能transformer
    6月19日复盘二、分词与词向量分词和词向量是NLP的基础技术。1.分词分词是将连续的文本分割成独立的词汇单元（tokens）的过程。这些单元可以是单词、符号或子词。1.1中文特性中文句子由连续的汉字组成，没有明显的词边界：词与词之间没有分隔符英文：Ilovenaturallanguageprocessing.中文：我喜欢自然语言处理。词是最基本的语义单元。为了处理文本信息，须将连续的序列分割成有意
  • 从代码学习深度学习 - 词的相似性和类比任务 PyTorch版 飞雪白鹿€ #自然语言处理深度学习pytorch
    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前言加载预训练词向量TokenEmbedding类详解预训练词向量简介(GloVe)具体含义总结建议应用预训练词向量词相似度knn函数get_similar_tokens函数相似词查找示例词类比get_analogy函数词类比任务示例总结前言词向量（WordEmbeddings）是自然语言处理（NLP）中的基石之一。它们是将词
  • 多模态核心实现技术 charles666666 自然语言处理神经网络人工智能机器学习语言模型
    一、模态表示（ModalRepresentation）模态表示是将不同模态数据（文本、图像、音频等）编码为计算机可处理的向量形式的核心步骤。1.单模态编码技术文本表示：采用词嵌入模型（如Word2Vec、GloVe）或预训练语言模型（如BERT、RoBERTa），通过Transformer层提取上下文特征，生成动态词向量。高阶表示：通过句向量模型（如Sentence-BERT）将整段文本映射为固定
  • Python自然语言处理库之gensim使用详解 Rocky006 python开发语言
    概要Gensim是一个专门用于无监督主题建模和自然语言处理的Python开源库，由捷克共和国的RadimŘehůřek开发。该库专注于处理大规模文本数据，提供了多种经典的主题建模算法，如LDA（潜在狄利克雷分配）、LSI（潜在语义索引）等，以及现代化的词向量模型Word2Vec、Doc2Vec、FastText等。Gensim的设计理念是"为人类而非机器"，强调易用性和可扩展性，特别适合处理无标签
  • 深度学习中的负采样 洪小帅 深度学习人工智能
    深度学习中的负采样负采样（NegativeSampling）是一种在训练大型分类或概率模型（尤其是在输出类别很多时）中，用来加速训练、降低计算量的方法。它常用于：词向量训练（如Word2Vec）推荐系统（从大量候选项中学正例与负例）语言模型、对比学习、信息检索等场景本质概念在许多任务中，我们的模型要从上万个候选中预测正确类别。例如：给定单词“cat”，预测它上下文中出现的词（如Word2Vec的S
  • NLP资源汇总和工具汇总 AI拉呱 机器学习深度学习实例讲解与分析
    NLP资源汇总和工具汇总涉及内容包括：中英文敏感词、语言检测、中外手机/电话归属地/运营商查询、名字推断性别、手机号抽取、身份证抽取、邮箱抽取、中日文人名库、中文缩写库、拆字词典、词汇情感值、停用词、反动词表、暴恐词表、繁简体转换、英文模拟中文发音、汪峰歌词生成器、职业名称词库、同义词库、反义词库、否定词库、汽车品牌词库、汽车零件词库、连续英文切割、各种中文词向量、公司名字大全、古诗词库、IT词库
  • LLM的工作原理详解 我就是全世界 大模型技术与应用人工智能
    文章目录1.LLM的核心概念1.1什么是token？1.2tokenization过程1.3embedding层的作用1.3.1词嵌入1.3.2嵌入矩阵1.4位置编码的重要性1.4.1位置编码的作用1.4.2位置编码的实现1.5词向量的表示1.5.1One-Hot编码1.5.2分布式表示1.6Transformer架构1.6.1自注意力机制1.6.2前馈神经网络1.6.3Transformer的层
  • NLP学习路线图（十八）：Word2Vec (CBOW & Skip-gram) 摸鱼许可证 NLP学习路线图nlp学习自然语言处理
    自然语言处理（NLP）的核心挑战在于让机器“理解”人类语言。传统方法依赖独热编码（One-hotEncoding）表示单词，但它存在严重缺陷：每个单词被视为孤立的符号，无法捕捉词义关联（如“国王”与“王后”的关系），且维度灾难使计算效率低下。词向量（WordEmbedding）革命性地解决了这些问题。它将单词映射为稠密、低维的实数向量（如50-300维），其核心思想是：具有相似上下文（Contex
  • 共现矩阵的SVD降维与低维词向量计算详解 幽· NLP与机器学习矩阵线性代数
    共现矩阵的SVD降维与低维词向量计算详解1.原始共现矩阵构建根据用户提供的共现对：句子1:(I,like),(like,apples)句子2:(I,like),(like,bananas)词汇表：[I,like,apples,bananas]窗口大小=2（假设共现对直接作为矩阵的非零元素），共现矩阵(M)如下（忽略单词自身的共现，即对角线为0）：IlikeapplesbananasI0200lik
  • Python自然语言处理：gensim库的探索与应用 丶本心灬
    本文还有配套的精品资源，点击获取简介：本文档介绍了gensim库——一个专为Python设计的开源自然语言处理工具，它支持词向量模型、主题模型、相似度计算、TF-IDF和LSA等核心功能。该库适用于文档相似性和主题建模任务，特别强调其在处理大规模语料库中的高效性和准确性。包含gensim-4.0.0版本的预编译安装包，为64位Windows系统上的Python3.6版本提供便捷安装体验。文档还提供
  • 自然语言处理核心技术：词向量（Word Embedding）解析 扉间798 python
    自然语言处理核心技术：词向量（WordEmbedding）全面解析在自然语言处理（NLP）领域，如何让计算机理解人类语言的语义一直是核心挑战。词向量（WordVector），又称词嵌入（WordEmbedding），通过将词语映射到连续的实数向量空间，为机器理解语言开辟了新路径。本文将从原理、发展历程、主流模型及应用场景等方面，深入解析这一关键技术。一、词向量：让语言可计算的“桥梁”词向量的核心目
  • 从 Word2Vec 到 BERT：AI 不止是词向量，更是语言理解 ox180x 程序员转战大模型人工智能word2vecbert
    一、前言在上篇文章中，我们介绍了Word2Vec以及它的作用，总的来说：Word2Vec是我们理解NLP的第一站Word2Vec将词变成了“向量”——终于可以用机器理解词语的相似度我们获得了例如“国王-男人+女人≈女王”的类比能力我们可以将Word2Vec这种算法能力，应用到各种创新场景，例如基于Graph的推荐系统，后续如果小伙伴有需要，可以一起深入交流。但同时也指出了它的不足：一个词=一个固定
  • 使用 PyTorch 实现 CBOW 词向量模型 进来有惊喜 python
    在自然语言处理(NLP)领域，词向量表示是一项基础而关键的技术。通过将文本中的词语映射到低维向量空间，我们可以让计算机更好地理解和处理人类语言。今天，我们将深入探讨并实现CBOW(ContinuousBag-of-Words)模型，这是一种经典的词向量训练方法。什么是CBOW模型？CBOW模型是一种基于上下文预测目标词的神经网络模型，由Mikolov等人在2013年提出。与Skip-gram模型相
  • 用 Gensim 实现 Word2Vec 古诗生成 万能小贤哥 word2vec人工智能自然语言处理
    向量操作。我们将借助它完成从语料处理到古诗生成的全流程。6.1环境搭建与库导入首先安装Gensim及依赖库：bashpipinstallgensimnumpypandas导入必要模块：python运行fromgensim.modelsimportWord2Vec#核心词向量模型fromrandomimportchoice#随机选择字符fromos.pathimportexists#检查文件存在fr
  • 图解gpt之神经概率语言模型与循环神经网络 zhaojiew10 gpt语言模型rnn
    上节课我们聊了词向量表示，像Word2Vec这样的模型，它确实能捕捉到词语之间的语义关系，但问题在于，它本质上还是在孤立地看待每个词。英文的“Apple”，可以指苹果公司，也可以指水果。这种一词多义的特性，以及词语在上下文中的微妙变化，Word2Vec这种固定向量的表示方式就捉襟见肘了。而且，它还不能处理新词，一旦遇到词表里没有的词，就束手无策。所以，尽管有了词向量，NLP领域在很长一段时间内，也
  • 【Transformer】解密Transformer核心模块可训练参数 小波才露尖尖角 transformer深度学习人工智能
    在Transformer模型中，所有可训练（trainable）的模块构成了其核心架构，每个模块都有其特定的功能和意义，并且都包含可通过反向传播进行优化的参数。下面是对各个模块的详细阐述：1.词嵌入层（EmbeddingLayer）功能/意义：将输入的离散token（如单词或子词）映射为连续的向量表示（词向量），便于模型进行数值运算。使得模型能够捕捉词汇之间的语义和语法相似性。可训练参数：一个形状
  • 19、RAG的原理及代码实战（2）pipeline介绍 Andy_shenzl 大模型学习embeddingRAGgraphRAG
    1、整体流程根据前文介绍，整体的RAG流程如下2、embeddingembedding是指使用嵌入模型将切分后的文本块转换为向量表示。这些向量能够在高维空间中表示文本的语义信息。2.1openaiembedding目前最好的embedding模型是openai的text-embedding-3-large，使用前需要先注册openai账号，申请一个APIkey。主要的词向量有以下三个：模型名称每美
  • 从零开始大模型开发与微调：词向量训练模型Word2Vec使用介绍 AI大模型应用实战 javapythonjavascriptkotlingolang架构人工智能
    从零开始大模型开发与微调：词向量训练模型Word2Vec使用介绍关键词：词向量,Word2Vec,神经网络,深度学习,自然语言处理(NLP),预训练,微调,Fine-Tuning1.背景介绍1.1问题由来在深度学习蓬勃发展的今天，人工智能技术在自然语言处理（NLP）、计算机视觉、语音识别等领域取得了长足的进步。然而，语言和文本数据由于其高维度和非结构化特性，使得深度学习模型的训练和应用面临诸多挑战
  • SQL的各种连接查询 xieke90 UNION ALLUNION外连接内连接JOIN
    一、内连接   概念：内连接就是使用比较运算符根据每个表共有的列的值匹配两个表中的行。                 内连接（join 或者inner join ）       SQL语法：       select * fron
  • java编程思想--复用类 百合不是茶 java继承代理组合final类
          复用类看着标题都不知道是什么,再加上java编程思想翻译的比价难懂,所以知道现在才看这本软件界的奇书   一:组合语法:就是将对象的引用放到新类中即可     代码:     package com.wj.reuse; /** * * @author Administrator 组
  • [开源与生态系统]国产CPU的生态系统 comsci cpu
          计算机要从娃娃抓起...而孩子最喜欢玩游戏....       要让国产CPU在国内市场形成自己的生态系统和产业链,国家和企业就不能够忘记游戏这个非常关键的环节....       投入一些资金和资源,人力和政策,让游
  • JVM内存区域划分Eden Space、Survivor Space、Tenured Gen，Perm Gen解释 商人shang jvm内存
    jvm区域总体分两类，heap区和非heap区。heap区又分：Eden Space（伊甸园）、Survivor Space(幸存者区)、Tenured Gen（老年代-养老区）。 非heap区又分：Code Cache(代码缓存区)、Perm Gen（永久代）、Jvm Stack(java虚拟机栈)、Local Method Statck(本地方法栈)。 HotSpot虚拟机GC算法采用分代收
  • 页面上调用 QQ oloz qq
    <A href="tencent://message/?uin=707321921&amp;Site=有事Q我&amp;Menu=yes">   <img style="border:0px;" src=http://wpa.qq.com/pa?p=1:707321921:1></a>
  • 一些问题 文强chu 问题
    1.eclipse 导出 doc  出现“The Javadoc command does not exist.” javadoc command 选择 jdk/bin/javadoc.exe 2.tomcate 配置 web 项目 ..... SQL:3.mysql  * 必须得放前面 否则  select&nbs
  • 生活没有安全感 小桔子 生活孤独安全感
           圈子好小，身边朋友没几个，交心的更是少之又少。在深圳，除了男朋友，没几个亲密的人。不知不觉男朋友成了唯一的依靠，毫不夸张的说，业余生活的全部。现在感情好，也很幸福的。但是说不准难免人心会变嘛，不发生什么大家都乐融融，发生什么很难处理。我想说如果不幸被分手(无论原因如何)，生活难免变化很大，在深圳，我没交心的朋友。明
  • php 基础语法 aichenglong php 基本语法
    1 .1 php变量必须以$开头 <?php $a=” b”; echo ?> 1 .2 php基本数据库类型 Integer  float/double Boolean string 1 .3 复合数据类型 数组array和对象 object 1 .4 特殊数据类型  null 资源类型(resource)    $co
  • mybatis tools 配置详解 AILIKES mybatis
    MyBatis Generator中文文档 MyBatis Generator中文文档地址： http://generator.sturgeon.mopaas.com/ 该中文文档由于尽可能和原文内容一致，所以有些地方如果不熟悉，看中文版的文档的也会有一定的障碍，所以本章根据该中文文档以及实际应用，使用通俗的语言来讲解详细的配置。 本文使用Markdown进行编辑，但是博客显示效
  • 继承与多态的探讨 百合不是茶 JAVA面向对象 继承 对象
    继承 extends   多态 继承是面向对象最经常使用的特征之一：继承语法是通过继承发、基类的域和方法 //继承就是从现有的类中生成一个新的类，这个新类拥有现有类的所有extends是使用继承的关键字：     在A类中定义属性和方法； class A{ //定义属性 int age； //定义方法 public void go
  • JS的undefined与null的实例 bijian1013 JavaScriptJavaScript
    <form name="theform" id="theform"> </form> <script language="javascript"> var a alert(typeof(b)); //这里提示undefined if(theform.datas
  • TDD实践（一） bijian1013 java敏捷TDD
    一.TDD概述         TDD：测试驱动开发，它的基本思想就是在开发功能代码之前，先编写测试代码。也就是说在明确要开发某个功能后，首先思考如何对这个功能进行测试，并完成测试代码的编写，然后编写相关的代码满足这些测试用例。然后循环进行添加其他功能，直到完全部功能的开发。     
  • [Maven学习笔记十]Maven Profile与资源文件过滤器 bit1129 maven
    什么是Maven Profile Maven Profile的含义是针对编译打包环境和编译打包目的配置定制，可以在不同的环境上选择相应的配置，例如DB信息，可以根据是为开发环境编译打包，还是为生产环境编译打包，动态的选择正确的DB配置信息   Profile的激活机制 1.Profile可以手工激活，比如在Intellij Idea的Maven Project视图中可以选择一个P
  • 【Hive八】Hive用户自定义生成表函数(UDTF) bit1129 hive
    1. 什么是UDTF   UDTF，是User Defined Table-Generating Functions，一眼看上去，貌似是用户自定义生成表函数，这个生成表不应该理解为生成了一个HQL Table， 貌似更应该理解为生成了类似关系表的二维行数据集   2. 如何实现UDTF 继承org.apache.hadoop.hive.ql.udf.generic
  • tfs restful api 加auth 2.0认计 ronin47
    　　目前思考如何给tfs的ngx-tfs api增加安全性。有如下两点： 　　一是基于客户端的ip设置。这个比较容易实现。 　　二是基于OAuth2.0认证，这个需要lua，实现起来相对于一来说，有些难度。 　　现在重点介绍第二种方法实现思路。 　　 前言：我们使用Nginx的Lua中间件建立了OAuth2认证和授权层。如果你也有此打算，阅读下面的文档，实现自动化并获得收益。SeatGe
  • jdk环境变量配置 byalias javajdk
    进行java开发，首先要安装jdk，安装了jdk后还要进行环境变量配置： 1、下载jdk（http://java.sun.com/javase/downloads/index.jsp），我下载的版本是：jdk-7u79-windows-x64.exe 2、安装jdk-7u79-windows-x64.exe 3、配置环境变量：右击"计算机"-->&quo
  • 《代码大全》表驱动法-Table Driven Approach-2 bylijinnan java
    package com.ljn.base; import java.io.BufferedReader; import java.io.FileInputStream; import java.io.InputStreamReader; import java.util.ArrayList; import java.util.Collections; import java.uti
  • SQL 数值四舍五入 小数点后保留2位 chicony 四舍五入
    1.round() 函数是四舍五入用，第一个参数是我们要被操作的数据，第二个参数是设置我们四舍五入之后小数点后显示几位。 2.numeric 函数的2个参数，第一个表示数据长度，第二个参数表示小数点后位数。 例如： 　　select   cast(round(12.5,2)   as   numeric(5,2))  
  • c++运算符重载 CrazyMizzz C++
    一、加+，减-，乘*，除/ 的运算符重载 Rational operator*(const Rational &x) const{ return Rational(x.a * this->a); } 在这里只写乘法的，加减除的写法类似 二、<<输出,>>输入的运算符重载      &nb
  • hive DDL语法汇总 daizj hive修改列DDL修改表
    hive DDL语法汇总 １、对表重命名 hive> ALTER TABLE table_name RENAME TO new_table_name;   2、修改表备注 hive> ALTER TABLE table_name SET TBLPROPERTIES ('comment' = new_comm
  • jbox使用说明 dcj3sjt126com Web
    参考网址：http://www.kudystudio.com/jbox/jbox-demo.html jBox v2.3 beta [ 点击下载]  技术交流QQGroup：172543951 100521167 [2011-11-11] jBox v2.3 正式版 - [调整&修复] IE6下有iframe或页面有active、applet控件
  • UISegmentedControl 开发笔记 dcj3sjt126com
      //    typedef NS_ENUM(NSInteger, UISegmentedControlStyle) {     //        UISegmentedControlStylePlain,     // large plain   &
  • Slick生成表映射文件 ekian scala
    Scala添加SLICK进行数据库操作，需在sbt文件上添加slick-codegen包 "com.typesafe.slick" %% "slick-codegen" % slickVersion 因为我是连接SQL Server数据库，还需添加slick-extensions，jtds包 "com.typesa
  • ES-TEST gengzg test
    package com.MarkNum; import java.io.IOException; import java.util.Date; import java.util.HashMap; import java.util.Map; import javax.servlet.ServletException; import javax.servlet.annotation
  • 为何外键不再推荐使用 hugh.wang mysqlDB
    表的关联，是一种逻辑关系，并不需要进行物理上的“硬关联”，而且你所期望的关联，其实只是其数据上存在一定的联系而已，而这种联系实际上是在设计之初就定义好的固有逻辑。 在业务代码中实现的时候，只要按照设计之初的这种固有关联逻辑来处理数据即可，并不需要在数据库层面进行“硬关联”，因为在数据库层面通过使用外键的方式进行“硬关联”，会带来很多额外的资源消耗来进行一致性和完整性校验，即使很多时候我们并不
  • 领域驱动设计 julyflame VODAO设计模式DTOpo
    概念： VO（View Object）：视图对象，用于展示层，它的作用是把某个指定页面（或组件）的所有数据封装起来。 DTO（Data Transfer Object）：数据传输对象，这个概念来源于J2EE的设计模式，原来的目的是为了EJB的分布式应用提供粗粒度的数据实体，以减少分布式调用的次数，从而提高分布式调用的性能和降低网络负载，但在这里，我泛指用于展示层与服务层之间的数据传输对
  • 单例设计模式 hm4123660 javaSingleton单例设计模式懒汉式饿汉式
           单例模式是一种常用的软件设计模式。在它的核心结构中只包含一个被称为单例类的特殊类。通过单例模式可以保证系统中一个类只有一个实例而且该实例易于外界访问，从而方便对实例个数的控制并节约系统源。如果希望在系统中某个类的对象只能存在一个，单例模式是最好的解决方案。      &nb
  • logback zhb8015 loglogback
    一、logback的介绍      Logback是由log4j创始人设计的又一个开源日志组件。logback当前分成三个模块：logback-core,logback- classic和logback-access。logback-core是其它两个模块的基础模块。logback-classic是log4j的一个 改良版本。此外logback-class
  • 整合Kafka到Spark Streaming——代码示例和挑战 Stark_Summer sparkstormzookeeperPARALLELISMprocessing
    作者Michael G. Noll是瑞士的一位工程师和研究员，效力于Verisign，是Verisign实验室的大规模数据分析基础设施（基础Hadoop）的技术主管。本文，Michael详细的演示了如何将Kafka整合到Spark Streaming中。 期间， Michael还提到了将Kafka整合到 Spark Streaming中的一些现状，非常值得阅读，虽然有一些信息在Spark 1.2版
  • spring-master-slave-commondao 王新春 DAOspringdataSourceslavemaster
    互联网的web项目，都有个特点：请求的并发量高，其中请求最耗时的db操作，又是系统优化的重中之重。 为此，往往搭建 db的 一主多从库的 数据库架构。作为web的DAO层，要保证针对主库进行写操作，对多个从库进行读操作。当然在一些请求中，为了避免主从复制的延迟导致的数据不一致性，部分的读操作也要到主库上。（这种需求一般通过业务垂直分开，比如下单业务的代码所部署的机器，读去应该也要从主库读取数
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他