- 【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
- 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
- oracle health check,ORACLE SQL Tuning Health-Check(SQLHC)
爱护哼哼
oraclehealthcheck
一条sql语句的性能主要依赖于好的物理结构,准确的系统统计数据,准确的对象统计数据,合理的查询优化器参数,合理的系统参数.这些数据也就是CBO计算的基本参数,SQLHC(文档ID1366133.1)正是为用户提供sql的这些数据,来辅助sql调优.特别适合无法在客户环境中调优的情况,SQLHC虽然没有SQLT(文档ID215187.1)更强大,但不需要在采集的库上建用户,会被更多的客户所接受.以下
- 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
- 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
- 【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
- 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
- 大模型微调技术的详细解析及对比
老兵发新帖
人工智能大数据
以下是四种主流大模型微调技术的详细解析及对比,结合技术原理、适用场景与性能表现进行说明:1.Full-tuning(全量微调)核心原理:加载预训练模型的所有参数,用特定任务数据(通常为指令-回答对)继续训练,更新全部权重。相当于对模型整体知识结构进行重构。操作流程:加载预训练模型;用任务数据集(如分类文本)和优化目标(如最小化误差)训练;所有参数参与梯度更新。优势:模型充分学习任务特征,效果通常最
- 大模型训练中的“训练阶段”(如Pre-training、SFT、RLHF等)与“微调技术”
老兵发新帖
人工智能深度学习机器学习
大模型训练中的“训练阶段”(如Pre-training、SFT、RLHF等)与“微调技术”(如Full-tuning、Freeze-tuning、LoRA、QLoRA)是两类不同维度的概念,二者共同构成模型优化的完整流程。以下是二者的关系解析及技术对照:一、训练阶段的核心流程与目标预训练(Pre-training)目标:在无标注通用数据(如互联网文本)上训练模型,学习语言、视觉等通用特征。微调技术
- 基于小样本学习的图像分类综述
cdyyyyyyy
学习分类机器学习
目录引言基本概念小样本学习方法分类1、数据增强2、迁移学习3、元学习小样本学习主流方法1、基于度量的小样本学习2、基于Pretraining+FineTuning的方法3、基于元学习的小样本学习总结引言因为课程设计要求,所以进行了关于小样本学习的调研。目前小样本学习还是一个比较热门的研究,很多关于小样本学习的论文也陆续发表。本文只是一个概述,具体方法研究还有待深入。基本概念小样本学习(FSL:Fe
- 论文阅读:LLaVA1.5:Improved Baselines with Visual Instruction Tuning
微风❤水墨
LLM&AIGC&VLPLLM
论文:https://arxiv.org/abs/2310.03744代码:https://github.com/haotian-liu/LLaVA#train微调:https://github.com/haotian-liu/LLaVA/blob/main/docs/Finetune_Custom_Data.md模型论文时间VisionEncoderVLAdapterProjectionLaye
- 14.3 FFT与PEFT终极对决:1%参数实现3倍速训练,显存暴降80%!
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机器学习大数据语言模型chatgptllama
以微调权重比例分类:FFTvsPEFT深度解析在大模型微调领域,参数调整比例直接决定训练效率与模型性能的平衡。本小节将深入解析全参数微调(FullFine-Tuning,FFT)与参数高效微调(Parameter-EfficientFine-Tuning,PEFT)的核心差异,并通过具体技术方案对比和实战代码示例揭示其工程应用场景。一、FFT与PEFT技术对比矩阵
- 【大语言模型基础】GPT(Generative Pre-training )生成式无监督预训练模型原理
前言ELMo:将上下文当作特征,但是无监督的语料和我们真实的语料还是有区别的,不一定符合我们特定的任务,是一种双向的特征提取。OpenAIGPT:通过transformerdecoder学习出来一个语言模型,不是固定的,通过任务fine-tuning,用transfomer代替ELMo的LSTM。OpenAIGPT其实就是缺少了encoder的transformer:当然也没了encoder与de
- MTK Camera 架构概览:Imagiq ISP 关键模块解析与工程实战分享
观熵
影像技术全景图谱:架构调优与实战架构接口隔离原则影像Camera
MTKCamera架构概览:ImagiqISP关键模块解析与工程实战分享关键词MTKCamera、ImagiqISP、联发科相机架构、AE/AWB/AF模块、3A控制、RAWDomain、SensorTuning、工程调试、影像信号处理摘要随着联发科平台在中高端手机市场逐步占据重要地位,其影像能力的竞争力也显著提升。ImagiqISP作为MTK平台核心影像处理模块,已支持多通道RAW输入、高速多帧
- SFT:大型语言模型专业化定制的核心技术体系——原理、创新与应用全景
大千AI助手
人工智能Python#OTHER语言模型人工智能自然语言处理深度学习机器学习微调SFT
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!以下基于权威期刊、会议论文及技术报告,对监督微调(SupervisedFine-Tuning,SFT)的技术框架、创新方法与实际应用进行系统梳理:一、核心定义与技术原理基本概念SFT是在预训练语言模型(如GPT、BERT)基础上,利用标注数据集对模型进
- 【论文阅读】AdaCtrl: Towards Adaptive and Controllable Reasoning via Difficulty-Aware Budgeting
quintus0505
LLM论文阅读语言模型
AdaCtrl:TowardsAdaptiveandControllableReasoningviaDifficulty-AwareBudgeting3Method3.1长度触发标签作为控制接口(Length-TriggerTagsasControllingInterface)3.2冷启动微调(Cold-startfine-tuning)3.3难度感知的强化学习框架(Difficulty-awar
- 语言大模型综述
Paper:ASurveyofLargelanguageModels目录Paper:ASurveyofLargelanguageModels综述概要LLM关键技术规模定律(ScalingLaws)预训练与微调对齐调优(AlignmentTuning)外部工具集成GPT系列模型的技术演进模型检查点和APIPre-Training数据准备和处理数据准备数据预处理数据调度架构EmergentArchit
- Tuning Language Models by Proxy
樱花的浪漫
对抗生成网络与动作识别强化学习因果推断大模型与智能体人工智能机器学习深度学习自然语言处理计算机视觉神经网络
TuningLanguageModelsbyProxyhttps://arxiv.org/html/2401.08565v41.概述尽管大型预训练语言模型的通用能力越来越强,但它们仍然可以从额外的微调中受益,以更好地实现所需的行为。例如,它们通常被微调以遵循指令(Ouyang等人,2022年)、特定的兴趣领域(Gururangan等人,2020年)或特定任务(Raffel等人,2020年)。然而,
- 【零基础学AI】第29讲:BERT模型实战 - 情感分析
1989
0基础学AIbert人工智能深度学习神经网络cnnpython自然语言处理
本节课你将学到BERT模型的核心原理与优势HuggingFaceTransformers库的BERT接口使用情感分析任务的完整实现流程模型微调(Fine-tuning)技巧开始之前环境要求Python3.8+需要安装的包:pipinstalltorchtransformersdatasetspandastqdmGPU推荐(可加速训练)前置知识第28讲Transformer基础基本PyTorch使用
- 模型微调方法Prefix-Tuning
ballball~~
大模型人工智能算法大数据
简介:个人学习分享,如有错误,欢迎批评指正。随着大规模预训练语言模型(如GPT系列、BERT等)的广泛应用,如何高效、经济地针对特定任务对这些模型进行微调(Fine-Tuning)成为研究热点。传统的微调方法通常需要调整模型的大量参数,导致计算资源消耗大、适应新任务的速度慢。为了解决这一问题,Prefix-Tuning(前缀调优)作为一种高效的微调技术被提出,旨在通过引入少量可训练的前缀参数,达到
- 四种微调技术详解:SFT 监督微调、LoRA 微调、P-tuning v2、Freeze 监督微调方法
当谈到人工智能大语言模型的微调技术时,我们进入了一个令人兴奋的领域。这些大型预训练模型,如GPT-3、BERT和T5,拥有卓越的自然语言处理能力,但要使它们在特定任务上表现出色,就需要进行微调,以使其适应特定的数据和任务需求。在这篇文章中,我们将深入探讨四种不同的人工智能大语言模型微调技术:SFT监督微调、LoRA微调方法、P-tuningv2微调方法和Freeze监督微调方法。第一部分:SFT监
- 顶会新方向!14篇图神经网络(GNN)最新顶会论文汇总!(含2024)
AI科研技术派
神经网络人工智能深度学习
图神经网络(GNN)是深度学习领域中备受关注的前沿课题,它在处理图结构数据方面展现出了强大的潜力,随着研究的不断深入,越来越多的优秀论文在顶级学术会议上涌现。今天就给大家整理了14篇顶会中发表的图神经网络优质论文,一起看看这方面的最新研究成果吧!AAAI20241、Fine-tuningGraphNeuralNetworksbyPreservingGraphGenerativePatterns通过
- 大规模预训练语言模型的参数高效微调
人工智能咨询培训老师叶梓转载标明出处大规模预训练语言模型(PLMs)在特定下游任务上的微调和存储成本极高,这限制了它们在实际应用中的可行性。为了解决这一问题,来自清华大学和北京人工智能研究院的研究团队探索了一种优化模型中一小部分参数的方法,同时保持其他参数不变,以大幅降低计算和存储成本。研究团队提出了“delta-tuning”这一概念,将优化的参数部分称为“delta”,即在训练过程中被“改变”
- 【机器学习&深度学习】模型微调的基本概念与流程
一叶千舟
深度学习【理论】机器学习深度学习人工智能
目录前言一、什么是模型微调(Fine-tuning)?二、预训练vs微调:什么关系?三、微调的基本流程(以BERT为例)1️⃣准备数据2️⃣加载预训练模型和分词器3️⃣数据编码与加载4️⃣定义优化器5️⃣开始训练6️⃣评估与保存模型四、是否要冻结BERT层?五、完整训练示例代码5.1环境依赖5.2执行代码总结:微调的优势前言在自然语言处理(NLP)快速发展的今天,预训练模型如BERT成为了众多任务
- 解密大模型全栈开发:从搭建环境到实战案例,一站式攻略
海棠AI实验室
“智元启示录“-AI发展的深度思考与未来展望人工智能大模型全栈开发
目录大模型基础概念什么是大模型?大模型的发展历程大模型的类型大模型全栈开发环境搭建硬件需求软件环境配置云服务选择大模型应用开发流程模型选择策略提示工程(PromptEngineering)模型微调(Fine-tuning)参数高效微调(PEFT)大模型应用架构设计基本应用架构RAG(检索增强生成)系统Agent系统设计大模型应用部署与优化模型部署选项模型优化技术性能监控与调优大模型应用实战案例智能
- 【人工智能】微调的秘密武器:释放大模型的无限潜能
蒙娜丽宁
Python杂谈人工智能人工智能
《PythonOpenCV从菜鸟到高手》带你进入图像处理与计算机视觉的大门!解锁Python编程的无限可能:《奇妙的Python》带你漫游代码世界在人工智能迅猛发展的今天,大规模语言模型(LLMs)以其强大的通用能力席卷各行各业。然而,如何让这些通用模型在特定领域或任务中发挥最大潜力?答案是微调(Fine-tuning)。本文深入探讨微调的理论基础、技术细节与实践方法,揭示其作为解锁大模型隐藏潜力
- 【Servo】自整定、惯量识别、调谐
我不是程序猿儿
ServoCc++C++c语言
好的,这里为你用伺服驱动领域的语言详细解释“自整定”的概念:自整定(AutoTuning)的定义自整定是指伺服驱动器通过内置的检测、识别和计算算法,自动测量并设置控制系统参数(如增益、惯量、摩擦等),以实现对伺服系统性能的快速优化和匹配,无需人工手动逐一调节。通俗理解:就像智能家电的“一键设置”,自整定可以让初学者或非专业人员只需按一个按钮,系统会自动检测自身状态,选择或计算出合适的参数,使伺服系
- 【面试宝典】【大模型入门】【模型微调】
曾小文
人工智能深度学习机器学习
面试热点科普:监督微调vs无监督微调,有啥不一样?在大模型时代(比如BERT、GPT)里,我们经常听到“预训练+微调”的范式。但你可能会疑惑——监督微调、无监督微调,到底有啥区别?用的场景一样吗?今天这篇,带你5分钟搞懂这对“孪生兄弟”的异同✅1.术语定义名称定义说明预训练(Pretraining)在大规模通用数据上训练模型,学习“通用知识”,比如语言规律、语义表示。微调(Fine-tuning)
- 中文工单分类模型选择
SugarPPig
人工智能分类人工智能数据挖掘
采用基于预训练模型的微调(Fine-tuning)方案来做中文工单分类,这是非常明智的选择,因为预训练模型已经在大量中文语料上学习了丰富的语言知识,能大幅提升分类效果。在HuggingFace上,针对中文文本分类,我为你推荐以下最合适的模型:最推荐的模型:BERT-base-chinese模型名称(HuggingFaceID):google-bert/bert-base-chinese为什么推荐它
- LLM模型的一些思考
巴基海贼王
nlp
对通用LLM模型进行Fine-tuning操作(SFT,supervisedfinetuning),带来的影响往往是有害的?从表象看,使用领域数据对LLM做Fine-tuning,通常会造成灾难性的“灾难遗忘”问题。简单点儿说,SFT在赋予对领域知识理解能力的同时,由于修正模型参数,导致模型遗忘之前学会的某些知识。目前的“智能=压缩”的理论是否正确?LLM的压缩能力是否可以拆解成单个神经元的“压缩
- Js函数返回值
_wy_
jsreturn
一、返回控制与函数结果,语法为:return 表达式;作用: 结束函数执行,返回调用函数,而且把表达式的值作为函数的结果 二、返回控制语法为:return;作用: 结束函数执行,返回调用函数,而且把undefined作为函数的结果 在大多数情况下,为事件处理函数返回false,可以防止默认的事件行为.例如,默认情况下点击一个<a>元素,页面会跳转到该元素href属性
- MySQL 的 char 与 varchar
bylijinnan
mysql
今天发现,create table 时,MySQL 4.1有时会把 char 自动转换成 varchar
测试举例:
CREATE TABLE `varcharLessThan4` (
`lastName` varchar(3)
) ;
mysql> desc varcharLessThan4;
+----------+---------+------+-
- Quartz——TriggerListener和JobListener
eksliang
TriggerListenerJobListenerquartz
转载请出自出处:http://eksliang.iteye.com/blog/2208624 一.概述
listener是一个监听器对象,用于监听scheduler中发生的事件,然后执行相应的操作;你可能已经猜到了,TriggerListeners接受与trigger相关的事件,JobListeners接受与jobs相关的事件。
二.JobListener监听器
j
- oracle层次查询
18289753290
oracle;层次查询;树查询
.oracle层次查询(connect by)
oracle的emp表中包含了一列mgr指出谁是雇员的经理,由于经理也是雇员,所以经理的信息也存储在emp表中。这样emp表就是一个自引用表,表中的mgr列是一个自引用列,它指向emp表中的empno列,mgr表示一个员工的管理者,
select empno,mgr,ename,sal from e
- 通过反射把map中的属性赋值到实体类bean对象中
酷的飞上天空
javaee泛型类型转换
使用过struts2后感觉最方便的就是这个框架能自动把表单的参数赋值到action里面的对象中
但现在主要使用Spring框架的MVC,虽然也有@ModelAttribute可以使用但是明显感觉不方便。
好吧,那就自己再造一个轮子吧。
原理都知道,就是利用反射进行字段的赋值,下面贴代码
主要类如下:
import java.lang.reflect.Field;
imp
- SAP HANA数据存储:传统硬盘的瓶颈问题
蓝儿唯美
HANA
SAPHANA平台有各种各样的应用场景,这也意味着客户的实施方法有许多种选择,关键是如何挑选最适合他们需求的实施方案。
在 《Implementing SAP HANA》这本书中,介绍了SAP平台在现实场景中的运作原理,并给出了实施建议和成功案例供参考。本系列文章节选自《Implementing SAP HANA》,介绍了行存储和列存储的各自特点,以及SAP HANA的数据存储方式如何提升空间压
- Java Socket 多线程实现文件传输
随便小屋
javasocket
高级操作系统作业,让用Socket实现文件传输,有些代码也是在网上找的,写的不好,如果大家能用就用上。
客户端类:
package edu.logic.client;
import java.io.BufferedInputStream;
import java.io.Buffered
- java初学者路径
aijuans
java
学习Java有没有什么捷径?要想学好Java,首先要知道Java的大致分类。自从Sun推出Java以来,就力图使之无所不包,所以Java发展到现在,按应用来分主要分为三大块:J2SE,J2ME和J2EE,这也就是Sun ONE(Open Net Environment)体系。J2SE就是Java2的标准版,主要用于桌面应用软件的编程;J2ME主要应用于嵌入是系统开发,如手机和PDA的编程;J2EE
- APP推广
aoyouzi
APP推广
一,免费篇
1,APP推荐类网站自主推荐
最美应用、酷安网、DEMO8、木蚂蚁发现频道等,如果产品独特新颖,还能获取最美应用的评测推荐。PS:推荐简单。只要产品有趣好玩,用户会自主分享传播。例如足迹APP在最美应用推荐一次,几天用户暴增将服务器击垮。
2,各大应用商店首发合作
老实盯着排期,多给应用市场官方负责人献殷勤。
3,论坛贴吧推广
百度知道,百度贴吧,猫扑论坛,天涯社区,豆瓣(
- JSP转发与重定向
百合不是茶
jspservletJava Webjsp转发
在servlet和jsp中我们经常需要请求,这时就需要用到转发和重定向;
转发包括;forward和include
例子;forwrad转发; 将请求装法给reg.html页面
关键代码;
req.getRequestDispatcher("reg.html
- web.xml之jsp-config
bijian1013
javaweb.xmlservletjsp-config
1.作用:主要用于设定JSP页面的相关配置。
2.常见定义:
<jsp-config>
<taglib>
<taglib-uri>URI(定义TLD文件的URI,JSP页面的tablib命令可以经由此URI获取到TLD文件)</tablib-uri>
<taglib-location>
TLD文件所在的位置
- JSF2.2 ViewScoped Using CDI
sunjing
CDIJSF 2.2ViewScoped
JSF 2.0 introduced annotation @ViewScoped; A bean annotated with this scope maintained its state as long as the user stays on the same view(reloads or navigation - no intervening views). One problem w
- 【分布式数据一致性二】Zookeeper数据读写一致性
bit1129
zookeeper
很多文档说Zookeeper是强一致性保证,事实不然。关于一致性模型请参考http://bit1129.iteye.com/blog/2155336
Zookeeper的数据同步协议
Zookeeper采用称为Quorum Based Protocol的数据同步协议。假如Zookeeper集群有N台Zookeeper服务器(N通常取奇数,3台能够满足数据可靠性同时
- Java开发笔记
白糖_
java开发
1、Map<key,value>的remove方法只能识别相同类型的key值
Map<Integer,String> map = new HashMap<Integer,String>();
map.put(1,"a");
map.put(2,"b");
map.put(3,"c"
- 图片黑色阴影
bozch
图片
.event{ padding:0; width:460px; min-width: 460px; border:0px solid #e4e4e4; height: 350px; min-heig
- 编程之美-饮料供货-动态规划
bylijinnan
动态规划
import java.util.Arrays;
import java.util.Random;
public class BeverageSupply {
/**
* 编程之美 饮料供货
* 设Opt(V’,i)表示从i到n-1种饮料中,总容量为V’的方案中,满意度之和的最大值。
* 那么递归式就应该是:Opt(V’,i)=max{ k * Hi+Op
- ajax大参数(大数据)提交性能分析
chenbowen00
WebAjax框架浏览器prototype
近期在项目中发现如下一个问题
项目中有个提交现场事件的功能,该功能主要是在web客户端保存现场数据(主要有截屏,终端日志等信息)然后提交到服务器上方便我们分析定位问题。客户在使用该功能的过程中反应点击提交后反应很慢,大概要等10到20秒的时间浏览器才能操作,期间页面不响应事件。
根据客户描述分析了下的代码流程,很简单,主要通过OCX控件截屏,在将前端的日志等文件使用OCX控件打包,在将之转换为
- [宇宙与天文]在太空采矿,在太空建造
comsci
我们在太空进行工业活动...但是不太可能把太空工业产品又运回到地面上进行加工,而一般是在哪里开采,就在哪里加工,太空的微重力环境,可能会使我们的工业产品的制造尺度非常巨大....
地球上制造的最大工业机器是超级油轮和航空母舰,再大些就会遇到困难了,但是在空间船坞中,制造的最大工业机器,可能就没
- ORACLE中CONSTRAINT的四对属性
daizj
oracleCONSTRAINT
ORACLE中CONSTRAINT的四对属性
summary:在data migrate时,某些表的约束总是困扰着我们,让我们的migratet举步维艰,如何利用约束本身的属性来处理这些问题呢?本文详细介绍了约束的四对属性: Deferrable/not deferrable, Deferred/immediate, enalbe/disable, validate/novalidate,以及如
- Gradle入门教程
dengkane
gradle
一、寻找gradle的历程
一开始的时候,我们只有一个工程,所有要用到的jar包都放到工程目录下面,时间长了,工程越来越大,使用到的jar包也越来越多,难以理解jar之间的依赖关系。再后来我们把旧的工程拆分到不同的工程里,靠ide来管理工程之间的依赖关系,各工程下的jar包依赖是杂乱的。一段时间后,我们发现用ide来管理项程很不方便,比如不方便脱离ide自动构建,于是我们写自己的ant脚本。再后
- C语言简单循环示例
dcj3sjt126com
c
# include <stdio.h>
int main(void)
{
int i;
int count = 0;
int sum = 0;
float avg;
for (i=1; i<=100; i++)
{
if (i%2==0)
{
count++;
sum += i;
}
}
avg
- presentModalViewController 的动画效果
dcj3sjt126com
controller
系统自带(四种效果):
presentModalViewController模态的动画效果设置:
[cpp]
view plain
copy
UIViewController *detailViewController = [[UIViewController al
- java 二分查找
shuizhaosi888
二分查找java二分查找
需求:在排好顺序的一串数字中,找到数字T
一般解法:从左到右扫描数据,其运行花费线性时间O(N)。然而这个算法并没有用到该表已经排序的事实。
/**
*
* @param array
* 顺序数组
* @param t
* 要查找对象
* @return
*/
public stati
- Spring Security(07)——缓存UserDetails
234390216
ehcache缓存Spring Security
Spring Security提供了一个实现了可以缓存UserDetails的UserDetailsService实现类,CachingUserDetailsService。该类的构造接收一个用于真正加载UserDetails的UserDetailsService实现类。当需要加载UserDetails时,其首先会从缓存中获取,如果缓存中没
- Dozer 深层次复制
jayluns
VOmavenpo
最近在做项目上遇到了一些小问题,因为架构在做设计的时候web前段展示用到了vo层,而在后台进行与数据库层操作的时候用到的是Po层。这样在业务层返回vo到控制层,每一次都需要从po-->转化到vo层,用到BeanUtils.copyProperties(source, target)只能复制简单的属性,因为实体类都配置了hibernate那些关联关系,所以它满足不了现在的需求,但后发现还有个很
- CSS规范整理(摘自懒人图库)
a409435341
htmlUIcss浏览器
刚没事闲着在网上瞎逛,找了一篇CSS规范整理,粗略看了一下后还蛮有一定的道理,并自问是否有这样的规范,这也是初入前端开发的人一个很好的规范吧。
一、文件规范
1、文件均归档至约定的目录中。
具体要求通过豆瓣的CSS规范进行讲解:
所有的CSS分为两大类:通用类和业务类。通用的CSS文件,放在如下目录中:
基本样式库 /css/core
- C++动态链接库创建与使用
你不认识的休道人
C++dll
一、创建动态链接库
1.新建工程test中选择”MFC [dll]”dll类型选择第二项"Regular DLL With MFC shared linked",完成
2.在test.h中添加
extern “C” 返回类型 _declspec(dllexport)函数名(参数列表);
3.在test.cpp中最后写
extern “C” 返回类型 _decls
- Android代码混淆之ProGuard
rensanning
ProGuard
Android应用的Java代码,通过反编译apk文件(dex2jar、apktool)很容易得到源代码,所以在release版本的apk中一定要混淆一下一些关键的Java源码。
ProGuard是一个开源的Java代码混淆器(obfuscation)。ADT r8开始它被默认集成到了Android SDK中。
官网:
http://proguard.sourceforge.net/
- 程序员在编程中遇到的奇葩弱智问题
tomcat_oracle
jquery编程ide
现在收集一下:
排名不分先后,按照发言顺序来的。
1、Jquery插件一个通用函数一直报错,尤其是很明显是存在的函数,很有可能就是你没有引入jquery。。。或者版本不对
2、调试半天没变化:不在同一个文件中调试。这个很可怕,我们很多时候会备份好几个项目,改完发现改错了。有个群友说的好: 在汤匙
- 解决maven-dependency-plugin (goals "copy-dependencies","unpack") is not supported
xp9802
dependency
解决办法:在plugins之前添加如下pluginManagement,二者前后顺序如下:
[html]
view plain
copy
<build>
<pluginManagement