- PyTorch 使用指南
PyTorch是一个功能强大且灵活的Python开源机器学习库，以其动态计算图和直观的Pythonic接口而闻名。本指南将带您了解PyTorch的基础操作，包括张量创建、自动求导，以及如何构建、训练和优化神经网络模型。我们还将深入探讨其在图像分类（以CIFAR-10为例）和自然语言处理（以灾难推文分类为例）等特定领域的应用，并概述其在图像分割和强化学习等其他领域的应用。PyTorch使用指南1.P
- 强化学习入门三（SARSA）
第六五签
算法模型算法人工智能
SARSA算法详解SARSA是强化学习中另一种经典的时序差分（TD）学习算法，与Q-Learning同属无模型（model-free）算法，但在更新策略上有显著差异。SARSA的名称来源于其更新公式中涉及的五个元素：状态（State）、动作（Action）、奖励（Reward）、下一状态（NextState）、下一动作（NextAction），即(S,A,R,S’,A’)。SARSA与Q-Lear
- CIRL：因果启发的表征学习框架——从域泛化到奖励分解的因果革命
大千AI助手
人工智能Python#OTHER学习深度学习人工智能机器学习表征学习因果推断域泛化
CIRL（因果启发的表征学习）是由国内顶尖AI研究团队于CVPR2022提出的创新框架，最初用于解决域泛化（DomainGeneralization,DG）问题，其核心思想是通过结构因果模型（SCM）分离数据中的因果与非因果因素，构建鲁棒表征。后续研究（如GRD、Diaster算法）将其扩展至强化学习的奖励分解领域，通过因果充分性、稀疏性与正交性约束，解决延迟奖励与奖励黑客问题。原始论文发表于CV
- 踏上人工智能之旅（一）-----机器学习之knn算法
Sunhen_Qiletian
人工智能机器学习算法python
目录一、机器学习是什么（1）概述（2）三种类型1.监督学习（SupervisedLearning）：2.无监督学习（UnsupervisedLearning）：3.强化学习（ReinforcementLearning）：二、KNN算法的基本原理：1.距离度量：2.K值的选择：3.投票机制和投票：三、Python实现KNN算法1.导入必要的库和数据：2.提取特征和标签：3.导入KNN分类器并训练模型
- 基于强化学习的工业SCR脱硝系统控制算法设计与实现
pk_xz123456
算法python人工智能python深度学习数据挖掘
基于强化学习的工业SCR脱硝系统控制算法设计与实现1.引言选择性催化还原(SCR)脱硝系统是火电厂等工业设施中用于降低氮氧化物(NOx)排放的关键环保设备。传统的PID控制方法在面对SCR系统非线性、大滞后等特性时往往表现不佳。本文将详细介绍如何利用强化学习技术设计智能控制器，实现SCR脱硝系统的优化控制。2.系统概述与问题分析2.1SCR脱硝系统工作原理SCR系统通过在催化剂作用下，向烟气中喷入
- 【无人机】基于强化学习的多无人机移动边缘计算与路径规划研究Matlab代码
Matlab科研工作室
无人机边缘计算matlab
✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。个人主页：Matlab科研工作室个人信条：格物致知。更多Matlab完整代码及仿真定制内容点击智能优化算法神经网络预测雷达通信无线传感器电力系统信号处理
- AI人工智能领域深度学习的机器人控制技术
AI智能架构工坊
AI人工智能与大数据应用开发AI应用开发高级指南人工智能深度学习机器人ai
AI人工智能领域深度学习的机器人控制技术：让机器人像人类一样“聪明”行动关键词：深度学习、机器人控制、强化学习、端到端控制、具身智能摘要：本文将带您走进“深度学习+机器人控制”的奇妙世界。我们会用“教机器人端咖啡”这样的生活案例，从核心概念讲到底层原理，再通过实战代码演示如何用深度学习让机器人完成复杂任务。无论您是技术小白还是开发者，都能轻松理解深度学习如何赋予机器人“思考”和“适应”能力，以及未
- 第十四章、完全合作关系设定下的多智能体强化学习（MAC-A2C）
跳跳糖炒酸奶
强化学习算法强化学习人工智能python算法
0前言根据上一章的内容，已知完全合作关系下的多智能体利益一致有相同的目标，获得的奖励相同即Rt1=Rt2=Rt3R^1_t=R^2_t=R^3_tRt1=Rt2=Rt3。1完全合作关系设定下的策略学习要注意的点：状态S=[O1,O2,⋯ ,Om]S=[O^1,O^2,\cdots,O^m]S=[O1,O2,⋯,Om]，所有智能体的观测之和是状态。动作A=[A1,A2,⋯ ,Am]A=[A^1,A^
- Kimi-Researcher 技术实现深度解析
李昕壑
人工智能
Kimi-Researcher是一款基于端到端自主强化学习技术构建的智能研究助手，其核心技术在于通过单一模型自主决策和执行复杂研究任务，无需预设工作流程。它具备轻量化的长时记忆机制和潜在的多模态处理能力，能够高效地进行并行搜索和灵活的工具调用，从而完成从信息搜集、分析到报告生成的全过程。1.Kimi-Researcher核心工作机制概述Kimi-Researcher作为一款专注于深度研究的Agen
- PPO：强化学习中的近端策略优化——原理、演进与大规模应用实践
大千AI助手
人工智能Python#OTHER人工智能深度学习大模型算法PPO近端策略优化优化
近端策略优化（ProximalPolicyOptimization，PPO）是由OpenAI团队于2017年提出的策略梯度强化学习算法，通过裁剪概率比目标函数约束策略更新幅度，解决了传统策略梯度方法训练不稳定、易发散的核心问题。该算法兼具信赖域策略优化（TRPO）的稳定性与一阶优化的简洁性，已成为深度强化学习（DRL）和大语言模型对齐（RLHF）的事实标准算法。本文由「大千AI助手」原创发布，专注
- 【强化学习】01
第一章：强化学习基础概念与核心要素的基石强化学习（ReinforcementLearning,RL）是一种机器学习范式，它关注智能体（Agent）如何在特定环境（Environment）中通过与环境的交互来学习如何做出决策，以最大化某种累积奖励。与监督学习和无监督学习不同，强化学习不依赖于预先标注好的数据集，而是通过“试错”的方式进行学习。1.1强化学习的独特学习范式在传统的机器学习领域，监督学习
- 大模型就业方向
有如下几个方向：基座模型训练工作内容：优化模型结构、数据比例，实现在各种任务上效果比较好的通用基座模型护城河：出了问题只有你能解决，给足情绪价值经验要求：必备：模型分布式框架（如deepspeed）、多机多卡训练、顶会的经验；阅读一系列LLM经典论文，例如Instruct-GPT、LORA等，从而对LLM有一个更深入、透彻的掌握。同任选：万卡集群的训练经验（包括预训练、sft、强化学习）、踩坑经验
- 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
- 20250704-基于强化学习在云计算环境中的虚拟机资源调度研究
基于强化学习在云计算环境中的虚拟机资源调度研究随着云计算规模的持续扩大，数据中心虚拟机资源调度面临动态负载、异构资源适配及多目标优化等挑战。传统启发式算法在复杂场景下易陷入局部最优，而深度强化学习（DRL）凭借序贯决策能力为该问题提供了新路径。本研究以动态多目标组合优化理论为基础，结合CloudSimPy仿真框架与TensorFlow，构建“仿真-训练-验证”闭环调度系统，重点设计动态加权多目标奖
- 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
- Python强化学习实战：从游戏AI到工业控制的完整指南
全息架构师
AI行业应用实战先锋Python实战项目大揭秘python游戏人工智能
Python人工智能模型训练实战(六)：强化学习从入门到工业级应用核心价值前情提要：我们已经完成了监督学习和AutoML的完整流程。本期将探索人工智能的另一个重要领域——让机器通过试错自主学习的强化学习技术！本期亮点：4大核心强化学习算法完整实现从游戏AI到工业控制的实战案例生产环境部署与性能优化技巧分布式强化学习系统架构完整的可运维代码实现强化学习算法对比（表格呈现）算法类型适用场景优势实现模块
- 强化学习在AI Agent资源调度中的应用
AI大模型应用实战
人工智能ai
强化学习在AIAgent资源调度中的应用关键词：强化学习、AIAgent、资源调度、马尔可夫决策过程、策略梯度算法摘要：本文聚焦于强化学习在AIAgent资源调度中的应用。首先介绍了强化学习和AIAgent资源调度的背景知识，明确了文章的目的、范围和预期读者。接着详细阐述了核心概念及其联系，包括强化学习和AIAgent资源调度的原理和架构，并通过Mermaid流程图进行直观展示。深入讲解了核心算法
- AI 驱动自动化运维平台架构与实现
大富大贵7
程序员知识储备1程序员知识储备2程序员知识储备3算法机器学习人工智能决策树大数据
摘要：随着云计算、容器化和大规模分布式系统的普及，传统人工运维方法已难以满足现代IT环境中海量指标、日志和拓扑关系的实时分析与故障响应需求。AI驱动的自动化运维（AIOps）平台通过融合机器学习、深度学习、图分析以及强化学习等多学科技术，实现对海量运维数据的智能感知、预测、诊断和自动化修复。本文深入探讨AI驱动自动化运维平台的整体架构设计与核心技术实现，涵盖数据采集与预处理、AI引擎设计、自动化执
- 【Python】Gym 库：于开发和比较强化学习（Reinforcement Learning, RL）算法
彬彬侠
Python基础pythonGym强化学习RLGymnasium
Gym是Python中一个广泛使用的开源库，用于开发和比较强化学习（ReinforcementLearning,RL）算法。它最初由OpenAI开发，提供标准化的环境接口，允许开发者在各种任务（如游戏、机器人控制、模拟物理系统）中测试RL算法。Gym的设计简单且灵活，适合学术研究和工业应用。2022年，Gym被整合到Gymnasium（由FaramaFoundation维护）中，成为主流的强化学习
- 聚焦基础研究突破，北电数智联合复旦大学等团队提出“AI安全”DDPA方法入选ICML
CSDN资讯
人工智能安全数据要素大数据
近日，由北电数智首席科学家窦德景教授牵头，联合复旦大学和美国奥本大学等科研团队共同研发，提出一种DDPA（DynamicDelayedPoisoningAttack）新型对抗性攻击方法，为机器学习领域的安全研究提供新视角与工具，相关论文已被国际机器学习大会（ICML2025）收录。ICML由国际机器学习学会（IMLS）主办，聚焦深度学习、强化学习、自然语言处理等机器学习前沿方向，是机器学习与人工智
- 深度强化学习 | 图文详细推导深度确定性策略梯度DDPG算法
Mr.Winter`
机器人人工智能数据挖掘深度学习神经网络强化学习具身智能
目录0专栏介绍1演员-评论家架构1.1Critic网络优化1.2Actor网络优化2深度确定性策略梯度算法0专栏介绍本专栏以贝尔曼最优方程等数学原理为根基，结合PyTorch框架逐层拆解DRL的核心算法(如DQN、PPO、SAC)逻辑。针对机器人运动规划场景，深入探讨如何将DRL与路径规划、动态避障等任务结合，包含仿真环境搭建、状态空间设计、奖励函数工程化调优等技术细节，旨在帮助读者掌握深度强化学
- 深入解析部分可观测马尔可夫决策过程（POMDP）及其应用
码字的字节
算法人工智能马尔可夫决策过程POMDP
POMDP的基本概念与模型部分可观测马尔可夫决策过程（PartiallyObservableMarkovDecisionProcess,POMDP）是强化学习领域中处理不完全信息环境的核心数学模型。与完全可观测的马尔科夫决策过程（MDP）相比，POMDP更贴近现实世界中智能体面临的感知局限，其核心特征在于系统状态无法被直接观测，智能体必须通过间接的观测信号来推断潜在状态。POMDP的七元组模型PO
- 迈向大型推理模型：基于大型语言模型的强化推理综述（附教程）
LLM大模型
人工智能自然语言处理知识库本地化部署吴恩达大模型RAG
语言长期以来被认为是人类推理的基本工具。大型语言模型（LLM）的突破激发了大量研究兴趣，推动了利用这些模型解决复杂推理任务的探索。研究人员通过引入“思维”这一概念——即一系列代表推理过程中的中间步骤的标记——超越了简单的自回归标记生成。这一创新范式使LLMs能够模仿复杂的人类推理过程，如树搜索和反思性思维。近年来，学习推理的趋势逐渐兴起，强化学习（RL）被应用于训练LLMs掌握推理过程。这种方法通
- 强化学习 DAY1：什么是 RL、马尔科夫决策、贝尔曼方程
feifeikon
机器学习人工智能深度学习
第一部分RL基础：什么是RL与MRP、MDP1.1入门强化学习所需掌握的基本概念1.1.1什么是强化学习：依据策略执行动作-感知状态-得到奖励强化学习里面的概念、公式，相比ML/DL特别多，初学者刚学RL时，很容易被接连不断的概念、公式给绕晕，而且经常忘记概念与公式符号表达的一一对应。为此，学习RL的第一步就是一定要扎实关于RL的一些最基本的概念、公式(不要在扎实基础的阶段图快或图囵吞枣，不然后面
- 机器人-组成结构-感知 - 决策 - 执行
具身智能-查布嘎
具身智能机器人人工智能
目录一、感知系统内部传感器：外部传感器：二、智能决策系统机器学习家族1.1机器学习2.1深度学习2.2深度学习模型(主要属于监督/强化学习范畴，但结构通用)：3.1监督学习3.2监督学习模型4.1半监督学习4.2无/半监督学习模型：5.1无监督学习5.2生成模型(可属于监督/无监督)：6.1强化学习7.1其他学习三、控制系统（运控）①对应小脑和脊柱一、感知系统①对应人体的五官。由具有不同功能的各种
- GENERALIST REWARD MODELS: FOUND INSIDE LARGELANGUAGE MODELS
樱花的浪漫
大模型与智能体对抗生成网络与动作识别强化学习语言模型人工智能自然语言处理深度学习机器学习计算机视觉
GeneralistRewardModels:FoundInsideLargeLanguageModelshttps://arxiv.org/pdf/2506.232351.概述将大型语言模型（LLMs）与复杂的人类价值观（如乐于助人和诚实）对齐，仍然是人工智能发展中的一个核心挑战。这项任务的主要范式是来自人类反馈的强化学习（RLHF）[Christianoetal.,2017;Baietal.,
- [论文]基于强化学习的控制输入非线性水下机器人自适应神经网络控制
王莽v2
机器人神经网络神经网络算法控制器
[论文]基于强化学习的控制输入非线性水下机器人自适应神经网络控制摘要本文研究了在水平面内运动的全驱动自主水下机器人的轨迹跟踪问题。在我们的控制设计中考虑了外部干扰、控制输入非线性和模型不确定性。基于离散时间域的动力学模型，两个神经网络(包括一个临界神经网络和一个作用神经网络)被集成到我们的自适应控制设计中。引入临界神经网络来评价设计的控制器在当前时间步长内的长期性能，并利用作用神经网络来补偿未知动
- 【深度强化学习】MIP-DQN 实现案例（完整Python代码）
目录MIP-DQN算法概述建模基础训练阶段（Training）部署阶段（OnlineExecution）DNN网络转化为MIP表达式性能指标完整Python代码实现主函数：random_generator_battery模型函数：MIP_DQN基础/专用库包安装模型运行（完整Python代码）参数设置函数：Parameters参考本博客根据论文《Optimalenergysystemschedul
- Java 大视界 -- Java 大数据机器学习模型在金融市场情绪分析与投资策略制定中的应用
青云交
大数据新视界Java大视界java大数据机器学习情绪分析智能投资多源数据
Java大视界--Java大数据机器学习模型在金融市场情绪分析与投资策略制定中的应用）引言：正文：一、金融情绪数据的立体化采集与治理1.1多模态数据采集架构1.2数据治理与特征工程二、Java机器学习模型的工程化实践2.1情感分析模型的深度优化2.2强化学习驱动的动态投资策略三、顶级机构实战：Java系统的金融炼金术四、技术前沿：Java与金融科技的未来融合4.1量子机器学习集成4.2联邦学习在合
- 强化学习在成语接龙比赛中的应用
LucienCho
题目:裁判任意给出一个成语，比赛双方在有限的时间里轮流进行成语对答，要求:1.成语的首字要与上一个成语的尾字同声同调；2.当前比赛出现的所有成语不能再次出现；3.必须为四字成语分析:看到这个题目，笔者本能的想法是用现成代码跑一跑。但是在git上搜不到能赢得比赛的成语接龙代码，大多数代码只是实现了成语接龙的功能，随机找出符合规则的成语，不足以想赢得比赛，所以打算自己尝试。重新分析一遍规则吧！若不考虑
- Java实现的简单双向Map，支持重复Value
superlxw1234
java双向map
关键字：Java双向Map、DualHashBidiMap
有个需求，需要根据即时修改Map结构中的Value值，比如，将Map中所有value=V1的记录改成value=V2，key保持不变。
数据量比较大，遍历Map性能太差，这就需要根据Value先找到Key，然后去修改。
即：既要根据Key找Value，又要根据Value
- PL/SQL触发器基础及例子
百合不是茶
oracle数据库触发器PL/SQL编程
触发器的简介;
触发器的定义就是说某个条件成立的时候，触发器里面所定义的语句就会被自动的执行。因此触发器不需要人为的去调用，也不能调用。触发器和过程函数类似 过程函数必须要调用,
一个表中最多只能有12个触发器类型的,触发器和过程函数相似 触发器不需要调用直接执行,
触发时间：指明触发器何时执行，该值可取：
before：表示在数据库动作之前触发
- [时空与探索]穿越时空的一些问题
comsci
问题
我们还没有进行过任何数学形式上的证明,仅仅是一个猜想.....
这个猜想就是; 任何有质量的物体(哪怕只有一微克)都不可能穿越时空,该物体强行穿越时空的时候,物体的质量会与时空粒子产生反应,物体会变成暗物质,也就是说,任何物体穿越时空会变成暗物质..(暗物质就我的理
- easy ui datagrid上移下移一行
商人shang
js上移下移easyuidatagrid
/**
* 向上移动一行
*
* @param dg
* @param row
*/
function moveupRow(dg, row) {
var datagrid = $(dg);
var index = datagrid.datagrid("getRowIndex", row);
if (isFirstRow(dg, row)) {
- Java反射
oloz
反射
本人菜鸟，今天恰好有时间，写写博客，总结复习一下java反射方面的知识，欢迎大家探讨交流学习指教
首先看看java中的Class
package demo;
public class ClassTest {
/*先了解java中的Class*/
public static void main(String[] args) {
//任何一个类都
- springMVC 使用JSR-303 Validation验证
杨白白
springmvc
JSR-303是一个数据验证的规范，但是spring并没有对其进行实现，Hibernate Validator是实现了这一规范的，通过此这个实现来讲SpringMVC对JSR-303的支持。
JSR-303的校验是基于注解的，首先要把这些注解标记在需要验证的实体类的属性上或是其对应的get方法上。
登录需要验证类
public class Login {
@NotEmpty
- log4j
香水浓
log4j
log4j.rootCategory=DEBUG, STDOUT, DAILYFILE, HTML, DATABASE
#log4j.rootCategory=DEBUG, STDOUT, DAILYFILE, ROLLINGFILE, HTML
#console
log4j.appender.STDOUT=org.apache.log4j.ConsoleAppender
log4
- 使用ajax和history.pushState无刷新改变页面URL
agevs
jquery框架Ajaxhtml5chrome
表现
如果你使用chrome或者firefox等浏览器访问本博客、github.com、plus.google.com等网站时，细心的你会发现页面之间的点击是通过ajax异步请求的，同时页面的URL发生了了改变。并且能够很好的支持浏览器前进和后退。
是什么有这么强大的功能呢？
HTML5里引用了新的API，history.pushState和history.replaceState，就是通过
- centos中文乱码
AILIKES
centosOSssh
一、CentOS系统访问 g.cn ，发现中文乱码。
于是用以前的方式：yum -y install fonts-chinese
CentOS系统安装后，还是不能显示中文字体。我使用 gedit 编辑源码，其中文注释也为乱码。
后来，终于找到以下方法可以解决，需要两个中文支持的包：
fonts-chinese-3.02-12.
- 触发器
baalwolf
触发器
触发器(trigger)：监视某种情况，并触发某种操作。
触发器创建语法四要素：1.监视地点(table) 2.监视事件(insert/update/delete) 3.触发时间(after/before) 4.触发事件(insert/update/delete)
语法：
create trigger triggerName
after/before
- JS正则表达式的i m g
bijian1013
JavaScript正则表达式
g:表示全局（global)模式，即模式将被应用于所有字符串，而非在发现第一个匹配项时立即停止。 i:表示不区分大小写（case-insensitive）模式，即在确定匹配项时忽略模式与字符串的大小写。 m:表示
- HTML5模式和Hashbang模式
bijian1013
JavaScriptAngularJSHashbang模式HTML5模式
我们可以用$locationProvider来配置$location服务（可以采用注入的方式，就像AngularJS中其他所有东西一样）。这里provider的两个参数很有意思，介绍如下。
html5Mode
一个布尔值，标识$location服务是否运行在HTML5模式下。
ha
- [Maven学习笔记六]Maven生命周期
bit1129
maven
从mvn test的输出开始说起
当我们在user-core中执行mvn test时，执行的输出如下：
/software/devsoftware/jdk1.7.0_55/bin/java -Dmaven.home=/software/devsoftware/apache-maven-3.2.1 -Dclassworlds.conf=/software/devs
- 【Hadoop七】基于Yarn的Hadoop Map Reduce容错
bit1129
hadoop
运行于Yarn的Map Reduce作业，可能发生失败的点包括
Task Failure
Application Master Failure
Node Manager Failure
Resource Manager Failure
1. Task Failure
任务执行过程中产生的异常和JVM的意外终止会汇报给Application Master。僵死的任务也会被A
- 记一次数据推送的异常解决端口解决
ronin47
记一次数据推送的异常解决
需求：从db获取数据然后推送到B
程序开发完成，上jboss,刚开始报了很多错，逐一解决，可最后显示连接不到数据库。机房的同事说可以ping 通。
自已画了个图，逐一排除，把linux 防火墙 和 setenforce 设置最低。
service iptables stop
- 巧用视错觉-UI更有趣
brotherlamp
UIui视频ui教程ui自学ui资料
我们每个人在生活中都曾感受过视错觉（optical illusion）的魅力。
视错觉现象是双眼跟我们开的一个玩笑，而我们往往还心甘情愿地接受我们看到的假象。其实不止如此，视觉错现象的背后还有一个重要的科学原理——格式塔原理。
格式塔原理解释了人们如何以视觉方式感觉物体，以及图像的结构，视角，大小等要素是如何影响我们的视觉的。
在下面这篇文章中，我们首先会简单介绍一下格式塔原理中的基本概念，
- 线段树-poj1177-N个矩形求边长（离散化+扫描线）
bylijinnan
数据结构算法线段树
package com.ljn.base;
import java.util.Arrays;
import java.util.Comparator;
import java.util.Set;
import java.util.TreeSet;
/**
* POJ 1177 (线段树+离散化+扫描线)，题目链接为http://poj.org/problem?id=1177
- HTTP协议详解
chicony
http协议
引言
- Scala设计模式
chenchao051
设计模式scala
Scala设计模式
我的话： 在国外网站上看到一篇文章，里面详细描述了很多设计模式，并且用Java及Scala两种语言描述，清晰的让我们看到各种常规的设计模式，在Scala中是如何在语言特性层面直接支持的。基于文章很nice，我利用今天的空闲时间将其翻译，希望大家能一起学习，讨论。翻译
- 安装mysql
daizj
mysql安装
安装mysql
(1)删除linux上已经安装的mysql相关库信息。rpm -e xxxxxxx --nodeps (强制删除)
执行命令rpm -qa |grep mysql 检查是否删除干净
(2)执行命令 rpm -i MySQL-server-5.5.31-2.el
- HTTP状态码大全
dcj3sjt126com
http状态码
完整的 HTTP 1.1规范说明书来自于RFC 2616，你可以在http://www.talentdigger.cn/home/link.php?url=d3d3LnJmYy1lZGl0b3Iub3JnLw%3D%3D在线查阅。HTTP 1.1的状态码被标记为新特性，因为许多浏览器只支持 HTTP 1.0。你应只把状态码发送给支持 HTTP 1.1的客户端，支持协议版本可以通过调用request
- asihttprequest上传图片
dcj3sjt126com
ASIHTTPRequest
NSURL *url =@"yourURL";
ASIFormDataRequest*currentRequest =[ASIFormDataRequest requestWithURL:url];
[currentRequest setPostFormat:ASIMultipartFormDataPostFormat];[currentRequest se
- C语言中，关键字static的作用
e200702084
C++cC#
在C语言中，关键字static有三个明显的作用：
1)在函数体，局部的static变量。生存期为程序的整个生命周期，（它存活多长时间）；作用域却在函数体内（它在什么地方能被访问（空间））。
一个被声明为静态的变量在这一函数被调用过程中维持其值不变。因为它分配在静态存储区，函数调用结束后并不释放单元，但是在其它的作用域的无法访问。当再次调用这个函数时，这个局部的静态变量还存活，而且用在它的访
- win7/8使用curl
geeksun
win7
1. WIN7/8下要使用curl，需要下载curl-7.20.0-win64-ssl-sspi.zip和Win64OpenSSL_Light-1_0_2d.exe。 下载地址：
http://curl.haxx.se/download.html 请选择不带SSL的版本，否则还需要安装SSL的支持包 2. 可以给Windows增加c
- Creating a Shared Repository; Users Sharing The Repository
hongtoushizi
git
转载自：
http://www.gitguys.com/topics/creating-a-shared-repository-users-sharing-the-repository/ Commands discussed in this section:
git init –bare
git clone
git remote
git pull
git p
- Java实现字符串反转的8种或9种方法
Josh_Persistence
异或反转递归反转二分交换反转java字符串反转栈反转
注：对于第7种使用异或的方式来实现字符串的反转，如果不太看得明白的，可以参照另一篇博客：
http://josh-persistence.iteye.com/blog/2205768
/**
*
*/
package com.wsheng.aggregator.algorithm.string;
import java.util.Stack;
/**
- 代码实现任意容量倒水问题
home198979
PHP算法倒水
形象化设计模式实战 HELLO!架构 redis命令源码解析
倒水问题：有两个杯子，一个A升，一个B升，水有无限多，现要求利用这两杯子装C
- Druid datasource
zhb8015
druid
推荐大家使用数据库连接池 DruidDataSource. http://code.alibabatech.com/wiki/display/Druid/DruidDataSource DruidDataSource经过阿里巴巴数百个应用一年多生产环境运行验证，稳定可靠。 它最重要的特点是：监控、扩展和性能。 下载和Maven配置看这里： http
- 两种启动监听器ApplicationListener和ServletContextListener
spjich
javaspring框架
引言:有时候需要在项目初始化的时候进行一系列工作，比如初始化一个线程池，初始化配置文件，初始化缓存等等，这时候就需要用到启动监听器，下面分别介绍一下两种常用的项目启动监听器
ServletContextListener
特点: 依赖于sevlet容器，需要配置web.xml
使用方法:
public class StartListener implements
- JavaScript Rounding Methods of the Math object
何不笑
JavaScriptMath
The next group of methods has to do with rounding decimal values into integers. Three methods — Math.ceil(), Math.floor(), and Math.round() — handle rounding in differen
