- PaddleOCR 快速开始
张欣-男
PaddlePaddlePaddleOCROCR
1.安装1.1安装PaddlePaddle#GPUcudapipinstallpaddlepaddle-gpu#CPUpipinstallpaddlepaddle1.2安装PaddleOCRwhl包pipinstallpaddleocr2.便捷使用2.1命令行使用2.1.1中英文模型检测+方向分类器+识别全流程:–use_angle_clstrue设置使用方向分类器识别180度旋转文字,–use_
- 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
- 关于旗正规则引擎下载页面需要弹窗保存到本地目录的问题
何必如此
jsp超链接文件下载窗口
生成下载页面是需要选择“录入提交页面”,生成之后默认的下载页面<a>标签超链接为:<a href="<%=root_stimage%>stimage/image.jsp?filename=<%=strfile234%>&attachname=<%=java.net.URLEncoder.encode(file234filesourc
- 【Spark九十八】Standalone Cluster Mode下的资源调度源代码分析
bit1129
cluster
在分析源代码之前,首先对Standalone Cluster Mode的资源调度有一个基本的认识:
首先,运行一个Application需要Driver进程和一组Executor进程。在Standalone Cluster Mode下,Driver和Executor都是在Master的监护下给Worker发消息创建(Driver进程和Executor进程都需要分配内存和CPU,这就需要Maste
- linux上独立安装部署spark
daizj
linux安装spark1.4部署
下面讲一下linux上安装spark,以 Standalone Mode 安装
1)首先安装JDK
下载JDK:jdk-7u79-linux-x64.tar.gz ,版本是1.7以上都行,解压 tar -zxvf jdk-7u79-linux-x64.tar.gz
然后配置 ~/.bashrc&nb
- Java 字节码之解析一
周凡杨
java字节码javap
一: Java 字节代码的组织形式
类文件 {
OxCAFEBABE ,小版本号,大版本号,常量池大小,常量池数组,访问控制标记,当前类信息,父类信息,实现的接口个数,实现的接口信息数组,域个数,域信息数组,方法个数,方法信息数组,属性个数,属性信息数组
}
&nbs
- java各种小工具代码
g21121
java
1.数组转换成List
import java.util.Arrays;
Arrays.asList(Object[] obj); 2.判断一个String型是否有值
import org.springframework.util.StringUtils;
if (StringUtils.hasText(str)) 3.判断一个List是否有值
import org.spring
- 加快FineReport报表设计的几个心得体会
老A不折腾
finereport
一、从远程服务器大批量取数进行表样设计时,最好按“列顺序”取一个“空的SQL语句”,这样可提高设计速度。否则每次设计时模板均要从远程读取数据,速度相当慢!!
二、找一个富文本编辑软件(如NOTEPAD+)编辑SQL语句,这样会很好地检查语法。有时候带参数较多检查语法复杂时,结合FineReport中生成的日志,再找一个第三方数据库访问软件(如PL/SQL)进行数据检索,可以很快定位语法错误。
- mysql linux启动与停止
墙头上一根草
如何启动/停止/重启MySQL一、启动方式1、使用 service 启动:service mysqld start2、使用 mysqld 脚本启动:/etc/inint.d/mysqld start3、使用 safe_mysqld 启动:safe_mysqld&二、停止1、使用 service 启动:service mysqld stop2、使用 mysqld 脚本启动:/etc/inin
- Spring中事务管理浅谈
aijuans
spring事务管理
Spring中事务管理浅谈
By Tony Jiang@2012-1-20 Spring中对事务的声明式管理
拿一个XML举例
[html]
view plain
copy
print
?
<?xml version="1.0" encoding="UTF-8"?>&nb
- php中隐形字符65279(utf-8的BOM头)问题
alxw4616
php中隐形字符65279(utf-8的BOM头)问题
今天遇到一个问题. php输出JSON 前端在解析时发生问题:parsererror.
调试:
1.仔细对比字符串发现字符串拼写正确.怀疑是 非打印字符的问题.
2.逐一将字符串还原为unicode编码. 发现在字符串头的位置出现了一个 65279的非打印字符.
 
- 调用对象是否需要传递对象(初学者一定要注意这个问题)
百合不是茶
对象的传递与调用技巧
类和对象的简单的复习,在做项目的过程中有时候不知道怎样来调用类创建的对象,简单的几个类可以看清楚,一般在项目中创建十几个类往往就不知道怎么来看
为了以后能够看清楚,现在来回顾一下类和对象的创建,对象的调用和传递(前面写过一篇)
类和对象的基础概念:
JAVA中万事万物都是类 类有字段(属性),方法,嵌套类和嵌套接
- JDK1.5 AtomicLong实例
bijian1013
javathreadjava多线程AtomicLong
JDK1.5 AtomicLong实例
类 AtomicLong
可以用原子方式更新的 long 值。有关原子变量属性的描述,请参阅 java.util.concurrent.atomic 包规范。AtomicLong 可用在应用程序中(如以原子方式增加的序列号),并且不能用于替换 Long。但是,此类确实扩展了 Number,允许那些处理基于数字类的工具和实用工具进行统一访问。
 
- 自定义的RPC的Java实现
bijian1013
javarpc
网上看到纯java实现的RPC,很不错。
RPC的全名Remote Process Call,即远程过程调用。使用RPC,可以像使用本地的程序一样使用远程服务器上的程序。下面是一个简单的RPC 调用实例,从中可以看到RPC如何
- 【RPC框架Hessian一】Hessian RPC Hello World
bit1129
Hello world
什么是Hessian
The Hessian binary web service protocol makes web services usable without requiring a large framework, and without learning yet another alphabet soup of protocols. Because it is a binary p
- 【Spark九十五】Spark Shell操作Spark SQL
bit1129
shell
在Spark Shell上,通过创建HiveContext可以直接进行Hive操作
1. 操作Hive中已存在的表
[hadoop@hadoop bin]$ ./spark-shell
Spark assembly has been built with Hive, including Datanucleus jars on classpath
Welcom
- F5 往header加入客户端的ip
ronin47
when HTTP_RESPONSE {if {[HTTP::is_redirect]}{ HTTP::header replace Location [string map {:port/ /} [HTTP::header value Location]]HTTP::header replace Lo
- java-61-在数组中,数字减去它右边(注意是右边)的数字得到一个数对之差. 求所有数对之差的最大值。例如在数组{2, 4, 1, 16, 7, 5,
bylijinnan
java
思路来自:
http://zhedahht.blog.163.com/blog/static/2541117420116135376632/
写了个java版的
public class GreatestLeftRightDiff {
/**
* Q61.在数组中,数字减去它右边(注意是右边)的数字得到一个数对之差。
* 求所有数对之差的最大值。例如在数组
- mongoDB 索引
开窍的石头
mongoDB索引
在这一节中我们讲讲在mongo中如何创建索引
得到当前查询的索引信息
db.user.find(_id:12).explain();
cursor: basicCoursor 指的是没有索引
&
- [硬件和系统]迎峰度夏
comsci
系统
从这几天的气温来看,今年夏天的高温天气可能会维持在一个比较长的时间内
所以,从现在开始准备渡过炎热的夏天。。。。
每间房屋要有一个落地电风扇,一个空调(空调的功率和房间的面积有密切的关系)
坐的,躺的地方要有凉垫,床上要有凉席
电脑的机箱
- 基于ThinkPHP开发的公司官网
cuiyadll
行业系统
后端基于ThinkPHP,前端基于jQuery和BootstrapCo.MZ 企业系统
轻量级企业网站管理系统
运行环境:PHP5.3+, MySQL5.0
系统预览
系统下载:http://www.tecmz.com
预览地址:http://co.tecmz.com
各种设备自适应
响应式的网站设计能够对用户产生友好度,并且对于
- Transaction and redelivery in JMS (JMS的事务和失败消息重发机制)
darrenzhu
jms事务承认MQacknowledge
JMS Message Delivery Reliability and Acknowledgement Patterns
http://wso2.com/library/articles/2013/01/jms-message-delivery-reliability-acknowledgement-patterns/
Transaction and redelivery in
- Centos添加硬盘完全教程
dcj3sjt126com
linuxcentoshardware
Linux的硬盘识别:
sda 表示第1块SCSI硬盘
hda 表示第1块IDE硬盘
scd0 表示第1个USB光驱
一般使用“fdisk -l”命
- yii2 restful web服务路由
dcj3sjt126com
PHPyii2
路由
随着资源和控制器类准备,您可以使用URL如 http://localhost/index.php?r=user/create访问资源,类似于你可以用正常的Web应用程序做法。
在实践中,你通常要用美观的URL并采取有优势的HTTP动词。 例如,请求POST /users意味着访问user/create动作。 这可以很容易地通过配置urlManager应用程序组件来完成 如下所示
- MongoDB查询(4)——游标和分页[八]
eksliang
mongodbMongoDB游标MongoDB深分页
转载请出自出处:http://eksliang.iteye.com/blog/2177567 一、游标
数据库使用游标返回find的执行结果。客户端对游标的实现通常能够对最终结果进行有效控制,从shell中定义一个游标非常简单,就是将查询结果分配给一个变量(用var声明的变量就是局部变量),便创建了一个游标,如下所示:
> var
- Activity的四种启动模式和onNewIntent()
gundumw100
android
Android中Activity启动模式详解
在Android中每个界面都是一个Activity,切换界面操作其实是多个不同Activity之间的实例化操作。在Android中Activity的启动模式决定了Activity的启动运行方式。
Android总Activity的启动模式分为四种:
Activity启动模式设置:
<acti
- 攻城狮送女友的CSS3生日蛋糕
ini
htmlWebhtml5csscss3
在线预览:http://keleyi.com/keleyi/phtml/html5/29.htm
代码如下:
<!DOCTYPE html>
<html>
<head>
<meta charset="UTF-8">
<title>攻城狮送女友的CSS3生日蛋糕-柯乐义<
- 读源码学Servlet(1)GenericServlet 源码分析
jzinfo
tomcatWebservlet网络应用网络协议
Servlet API的核心就是javax.servlet.Servlet接口,所有的Servlet 类(抽象的或者自己写的)都必须实现这个接口。在Servlet接口中定义了5个方法,其中有3个方法是由Servlet 容器在Servlet的生命周期的不同阶段来调用的特定方法。
先看javax.servlet.servlet接口源码:
package
- JAVA进阶:VO(DTO)与PO(DAO)之间的转换
snoopy7713
javaVOHibernatepo
PO即 Persistence Object VO即 Value Object
VO和PO的主要区别在于: VO是独立的Java Object。 PO是由Hibernate纳入其实体容器(Entity Map)的对象,它代表了与数据库中某条记录对应的Hibernate实体,PO的变化在事务提交时将反应到实际数据库中。
实际上,这个VO被用作Data Transfer
- mongodb group by date 聚合查询日期 统计每天数据(信息量)
qiaolevip
每天进步一点点学习永无止境mongodb纵观千象
/* 1 */
{
"_id" : ObjectId("557ac1e2153c43c320393d9d"),
"msgType" : "text",
"sendTime" : ISODate("2015-06-12T11:26:26.000Z")
- java之18天 常用的类(一)
Luob.
MathDateSystemRuntimeRundom
System类
import java.util.Properties;
/**
* System:
* out:标准输出,默认是控制台
* in:标准输入,默认是键盘
*
* 描述系统的一些信息
* 获取系统的属性信息:Properties getProperties();
*
*
*
*/
public class Sy
- maven
wuai
maven
1、安装maven:解压缩、添加M2_HOME、添加环境变量path
2、创建maven_home文件夹,创建项目mvn_ch01,在其下面建立src、pom.xml,在src下面简历main、test、main下面建立java文件夹
3、编写类,在java文件夹下面依照类的包逐层创建文件夹,将此类放入最后一级文件夹
4、进入mvn_ch01
4.1、mvn compile ,执行后会在