江汉似年
江汉似年

GPT系列总结

1.GPT1 

无监督预训练+有监督的子任务finetuning

https://cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf

1.1 Unsupervised pre-training

GPT系列总结_第1张图片

（1）通过一个窗口的输入得到下一个token在目标token上的一个概率分布，方法是基于一个transformer decoder，其中窗口大小是k。

（2）针对一个预料库，不断滑动窗口k，每次最大化下一个token的概率作为loss，相加得到总的loss

1.2 Supervised fine-tuning

GPT系列总结_第2张图片

（1）将transformer的输出经过一个线性层后，经softmax后得到对目标token的预测结果，最大化预测结果与真值作为loss

（2）同时增加预训练loss作为辅助loss，有助于模型泛化、提升训练速度

GPT系列总结_第3张图片

2.GPT2

GPT2

https://cdn.openai.com/better-language-models/language_models_are_unsupervised_multitask_learners.pdf

4.InstuctGPT

GPT系列总结_第4张图片

 

 

 

你可能感兴趣的:(NLP,NLP)

  • 神奇的平静 漫步的小马驹
    我们七组色香味俱全的特色菜百家宴我们七组的仙女们仙女们在舞动上图是今晚上海nlp课堂的晚会照片。熟悉的场地，熟悉的伙伴们。只是，我从画面里，跑到了画面外。决定不去二阶的时候，我以为在这样的时刻，我会有很多情绪：郁闷、遗憾、羡慕、纠结……没想到，这一刻真的来临的时候，我心里是满满的喜悦、平静。其实，在读到惠安的时，我内心有些小波动：惠安和我工作类似，她也面临突击检查，她因为领导的理解、同事的护援而得
  • 使用中转API在Python中调用大型语言模型 (LLM) 的实践** qq_37836323 python语言模型开发语言
    **在人工智能技术中，大型语言模型(LLM)已成为自然语言处理(NLP)和生成任务的重要工具。然而，由于网络限制，直接访问OpenAI的API在中国可能面临挑战。因此，本文将介绍如何使用中转API地址http://api.wlai.vip来调用LLM，并提供相关的demo代码。什么是大型语言模型(LLM)？大型语言模型是一种深度学习模型，训练于大量文本数据上，能够生成、总结、翻译和回答问题等。Op
  • 【AI大模型：前沿】43、Mamba架构深度解析：为什么它是Transformer最强挑战者？ 无心水 架构transformerMambaMamba架构AI大模型系统开发实战AI大模型高手开发AI大模型系统实战
    Transformer架构自2017年诞生以来，一直是NLP、计算机视觉等领域的“统治级”模型架构。但随着序列长度需求的增长（如128K长文本处理、基因组学超长序列分析），其自注意力机制的O(n2)O(n^2)O(n2)计算复杂度成为难以逾越的瓶颈。2023年底，由AlbertGu和TriDao等人提出的Mamba架构，通过创新的“选择性状态空间模型（SelectiveSSM）”实现了线性复杂度（
  • 【NLP舆情分析】基于python微博舆情分析可视化系统(flask+pandas+echarts) 视频教程 - 微博文章数据可视化分析-文章分类下拉框实现 java1234_小锋 NLPNLLP微博舆情分析python自然语言处理flask
    大家好，我是java1234_小锋老师，最近写了一套【NLP舆情分析】基于python微博舆情分析可视化系统(flask+pandas+echarts)视频教程，持续更新中，计划月底更新完，感谢支持。今天讲解微博文章数据可视化分析-文章分类下拉框实现视频在线地址：2026版【NLP舆情分析】基于python微博舆情分析可视化系统(flask+pandas+echarts+爬虫)视频教程（火爆连载更
  • Rouge：面向摘要自动评估的召回导向型指标——原理、演进与应用全景 大千AI助手 深度学习人工智能神经网络Rouge文本摘要Summary评估
    “以n-gram重叠量化文本生成质量，为摘要评估提供可计算标尺”Rouge（Recall-OrientedUnderstudyforGistingEvaluation）是由南加州大学信息科学研究所（ISI）的Chin-YewLin于2004年提出的自动文本摘要评估指标，其核心思想是通过计算生成文本与参考摘要之间的n-gram重叠率，量化摘要的内容覆盖度与忠实度。作为自然语言处理（NLP）领域最权威
  • 甘超波：NLP权谋中谈判流程 甘超波
    哈喽，大家好我是甘超波，是一名NLP爱好者，每天一篇原创文章或视频，分享我的实战经验和案例，希望给你些启发和帮助今天主要分享权谋中的谈判流程一:什么是谈判？有的伙伴认为:谈判就是勾心斗角有的伙伴认为:只有商业和国家用到谈判还有的伙伴认为:谈判是一种很高大上的方法和技巧这是不同的伙伴对谈判的看法，这些都是不全面的到底什么是谈判？谈判:处理事情设计出一系列巧妙的方法、技巧、流程，让对方配合你、支持你的
  • 百度文心大模型ERNIE全面解析 KENYCHEN奉孝 python实践大全AIERNIE人工智能后端文心大模型python
    百度文心大模型ERNIE概述百度推出的文心大模型（ERNIE，EnhancedRepresentationthroughkNowledgeIntEgration）系列是结合知识增强技术的预训练大模型，涵盖自然语言处理（NLP）、跨模态、行业应用等多个方向。其开源版本为开发者提供了可商用的大模型能力支持。ERNIE的核心技术特点知识增强：通过多源知识图谱（如百度百科、专业领域数据）注入，提升模型对实
  • AI办公（综合）课程内容框架 建模中… AI-native
    AI办公（综合）课程内容框架：深度挖掘与分析一、课程定位深化：从“技能学习”到“价值创造体系构建”传统办公课程聚焦单点工具，本课程定位突破技能培训边界，构建“技术-场景-价值”闭环：-技术穿透性：不局限于AI工具表层操作，深入讲解自然语言处理（NLP）、生成式对抗网络（GANs）等技术在办公场景的底层逻辑，让学员理解“AI为何能优化流程”，而非仅知“如何用工具”。-场景延展性：覆盖内容运营、协作管
  • 自然语言处理技术应用领域深度解析：从理论到实践的全面探索
    1.引言：自然语言处理的技术革命与应用前景自然语言处理（NaturalLanguageProcessing，NLP）作为人工智能领域的核心分支，正在以前所未有的速度改变着我们的数字化生活。从最初的规则基础系统到如今基于深度学习的大语言模型，NLP技术经历了从理论探索到实际应用的深刻变革。在当今信息爆炸的时代，人类每天产生的文本数据量达到了惊人的规模，如何让计算机理解、处理和生成人类语言，已经成为推
  • 大语言模型原理与工程实践：RLHF 实战框架 AI天才研究院 AI大模型企业级应用开发实战AI大模型应用入门实战与进阶AI人工智能与大数据计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    大语言模型原理与工程实践：RLHF实战框架1.背景介绍1.1人工智能的崛起人工智能(AI)技术在过去几年中取得了令人瞩目的进展,尤其是在自然语言处理(NLP)和计算机视觉(CV)等领域。大型语言模型(LLM)的出现,使得人工智能系统能够生成逼真的自然语言输出,从而在多个应用场景中发挥重要作用。1.2大语言模型的挑战然而,训练出高质量的大语言模型并非易事。传统的监督学习方法需要大量高质量的标注数据,
  • 主要分布在背侧海马体（dHPC）CA1区域（dCA1）的时空联合细胞对NLP中的深层语义分析的积极影响和启示 金井PRATHAMA 脑神经科学与NLP自然语言处理人工智能神经网络
    时空联合细胞（SpatiotemporalConjunctiveCells）主要分布在背侧海马体CA1区（dCA1），其核心功能是同步编码空间位置、时间信息和行为意图，形成动态的情景记忆表征。这种神经机制为自然语言处理（NLP）中的深层语义分析提供了突破性的启示，尤其在解决语义连贯性、上下文建模和长期依赖等核心挑战上。以下是具体影响和技术实现路径：一、时空联合细胞的核心机制及其NLP关联背侧海马体
  • Transformer：颠覆NLP的自注意力革命 ZhangJiQun&MXP 教学2024大模型以及算力2021AIpythontransformer自然语言处理深度学习
    Transformer：颠覆NLP的自注意力革命Transformer是自然语言处理领域中极具影响力的深度学习模型架构，以下是对其的详细介绍：提出背景与应用：2017年，Vaswani等人在《AttentionIsAllYouNeed》论文中首次提出Transformer架构，它主要用于处理序列到序列的任务，如机器翻译、文本生成等。核心原理：文本生成的Transformer模型原理是“预测下一个词
  • Swin Transformer原理与代码精讲 bai666ai 深度学习之计算机视觉transformerswinCV深度学习图像分类
    课程链接：SwinTransformer原理与代码精讲--计算机视觉视频教程-人工智能-CSDN程序员研修院Transformer在许多NLP(自然语言处理)任务中取得了最先进的成果。SwinTransformer是在ViT基础上发展而来，是Transformer应用于CV（计算机视觉）领域又一里程碑式的工作。它可以作为通用的骨干网络，用于图片分类的CV任务，以及下游的CV任务，如目标检测、实例分
  • 深入探讨 Transformer 模型架构 年纪轻轻头已凉 transformer深度学习人工智能
    ```html深入探讨Transformer模型架构深入探讨Transformer模型架构Transformer是一种革命性的神经网络架构，由Vaswani等人在2017年提出，并在自然语言处理（NLP）领域取得了显著的成功。与传统的循环神经网络（RNN）和卷积神经网络（CNN）不同，Transformer完全依赖于自注意力机制（Self-AttentionMechanism），这使得它在处理长序
  • 星图云开发者平台新功能速递|AI大模型赋能开发应用效率提升三倍！ 星图易码 人工智能
    还在为技术文档检索耗费数小时？还在重复编写基础CRUD代码？星图云开发者平台发布「三大AI核心能力」，将自然语言大模型深度融入开发全流程。这不是替代开发者，而是让每位工程师拥有超级辅助——从此复杂算法封装、接口调试、业务逻辑设计效率全面跃升。一、智能化多源知识问答技术当开发者以自然语言形式提出技术问题时，多模态自然语言处理（NLP）模型与知识图谱融合技术，实现三重突破：1.跨域知识检索：联动平台专
  • 基于自然语言处理的财报分析：量化价值投资新视角 AI量化价值投资入门到精通 自然语言处理easyui人工智能ai
    基于自然语言处理的财报分析：量化价值投资新视角关键词：自然语言处理；财报分析；量化价值投资；文本挖掘；金融科技摘要：本研究聚焦于基于自然语言处理（NLP）的财报分析，为量化价值投资开辟了新的视角。首先介绍了该领域的背景与历史发展，明确了问题空间和关键术语。接着从第一性原理推导构建理论框架，分析其局限性与竞争范式。阐述了系统架构设计、实现机制，涵盖算法复杂度、代码实现等。探讨了在实际应用中的策略、集
  • 奥威BI+AI：绘就企业决策智能的新诗篇
    一、技术交响：BI与AI的浪漫邂逅在技术的浩瀚宇宙中，‌奥威BI+AI‌正引领一场前所未有的智慧风暴。这是一场‌技术革命‌，巧妙地将商业智能（BI）与人工智能（AI）深度融合，编织出独一无二的“双引擎”分析平台梦想。智能数据治理、预测建模与自然语言交互，三大核心功能如璀璨星辰，照亮企业前行的道路。·‌智能数据治理‌：通过NLP技术，非结构化数据得以自动清洗，ETL效率飙升300%，数据治理从未如此
  • PyTorch中的词嵌入层(nn.Embedding)详解与实践指南 慕婉0307 自然语言处理pytorchembedding人工智能
    一、词嵌入(WordEmbedding)简介词嵌入是自然语言处理(NLP)中的一项核心技术，它将离散的词语映射到连续的向量空间中。通过词嵌入，语义相似的词语在向量空间中的位置也会相近。为什么需要词嵌入？解决维度灾难：传统one-hot编码维度等于词汇表大小，而词嵌入维度可自定义捕捉语义关系：通过向量空间中的距离反映词语间的语义关系迁移学习：预训练的词嵌入可以在不同任务间共享二、PyTorch中的n
  • 甘超波：NLP权谋的谋略思维 甘超波
    哈喽，大家好我是甘超波，是一名NLP爱好者，每天一篇原创文章或视频，分享我的实战经验和案例，希望给你些启发和帮助今天我们主要来分享一下NLP中权谋的谋略思维对于权谋这个词，相信很多人都不陌生，有一部分伙伴可能在电视上看一些后宫剧，对权谋有所认识、有一部分伙伴可能在看过相关权谋书籍，对权谋有所了解有一部分伙伴可能在自媒体看过权谋文章，对权谋有了解这是不同的伙伴对权谋的认知，那我们今天就来看一下NLP
  • 基础NLP | 01 机器学习 深度学习基础介绍 是娜个二叉树！ NLP自然语言处理机器学习深度学习
    文章目录机器学习简介有监督学习无监督学习一般流程常用概念深度学习简介隐含层/中间层例子and流程如果想要猜测的又快又准，调整的方向有哪些？随机初始化损失函数导数与梯度梯度下降优化器MiniBatchepoch流程深度学习的基本思想机器学习简介有监督学习核心目标：建立一个模型（函数），来描述输入（X）和输出（Y）之间的映射关系价值：对于新的输入，通过模型给出预测的输出要点：有一定数量的训练样本输入和
  • 【NLP舆情分析】基于python微博舆情分析可视化系统(flask+pandas+echarts) 视频教程 - 主页-评论用户时间占比环形饼状图实现
    大家好，我是java1234_小锋老师，最近写了一套【NLP舆情分析】基于python微博舆情分析可视化系统(flask+pandas+echarts)视频教程，持续更新中，计划月底更新完，感谢支持。今天讲解主页-评论用户时间占比环形饼状图实现视频在线地址：2026版【NLP舆情分析】基于python微博舆情分析可视化系统(flask+pandas+echarts+爬虫)视频教程（火爆连载更新中.
  • NLP--自然语言处理学习-day1 啊波阿波波 自然语言处理学习easyui
    一.初步认识NLP自然语言处理（NaturalLanguageProcessing,NLP）是计算机科学和人工智能（AI）的一个交叉领域，旨在使计算机能够理解、分析、生成和处理人类语言的能力。它结合了计算语言学、人工智能、机器学习和语言学等多个领域的知识。NLP的主要任务文本分类：将文本内容分配到一个或多个类别中，例如垃圾邮件分类、情感分析等。命名实体识别（NER）：从文本中识别出特定类型的实体，
  • Python 解析 RAG（检索增强生成）的核心概念 产品挨打师 python开发语言
    ```htmlPython解析RAG（检索增强生成）的核心概念Python解析RAG（检索增强生成）的核心概念RAG（Retrieval-AugmentedGeneration，检索增强生成）是一种结合了检索和生成能力的模型架构，广泛应用于自然语言处理（NLP）领域。RAG模型通过从外部知识库中检索相关信息，并将其与生成模型相结合，从而实现更高质量的文本生成任务。本文将介绍RAG的核心概念及其在P
  • 主要分布在背侧海马体（dHPC）CA1区域（dCA1）的时间细胞对NLP中的深层语义分析的积极影响和启示 金井PRATHAMA 脑神经科学与NLP神经网络自然语言处理人工智能知识图谱
    时间细胞（timecells）作为海马体CA1区域中编码时间信息的神经元，其工作机制对自然语言处理（NLP）中的深层语义分析具有多方面的启示。这些神经元通过整合时空信息、动态竞争机制和序列编码能力，为解决NLP中语义连贯性、上下文依赖性和长期依赖等挑战提供了生物神经基础。以下是具体的影响和启示：一、时间细胞的特性与深层语义分析的挑战关联时间编码的动态性与语义上下文依赖时间细胞通过速率编码（firi
  • 【2025版】最新大模型就业方向，零基础入门到精通，收藏这篇就够了 程序员_大白 大模型程序员职业与发展大模型人工智能
    大模型就业方向主要集中在以下几个核心领域：数据治理方向：涉及爬虫、数据清洗、ETL、DataEngine、Pipeline等工作，确保数据质量和可用性，支持模型训练和运行。平台搭建方向：负责分布式训练、大模型集群以及工程基建，构建高效的模型运行平台，支持高性能计算。模型算法方向：专注于开发新的预训练模型和优化算法，提升模型的准确性和效率，适用于NLP、语音助手、对话机器人等领域。部署落地方向：包括
  • AI产品经理面试宝典第48天：产品设计与用户体验优化策略 TGITCIC AI产品经理一线大厂面试题产品经理AI产品经理面试大模型产品经理面试大模型面试AI面试AI产品
    1.用户体验分析与产品设计逻辑1.1问：如何通过用户反馈优化AI产品体验？答：建立反馈闭环机制：通过应用内评分、用户访谈、行为埋点三维度收集数据，例如某语音助手产品通过NLP分析用户纠错语句，发现"误唤醒"问题占比37%；优先级排序模型：采用Kano模型量化需求，将"语音响应延迟降低至200ms内"列为基本型需求，"方言识别"设为期望型需求；敏捷迭代验证：针对某智能客服产品，采用灰度发布策略，先在
  • 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
  • [特殊字符]️用Python打造全能型新闻爬虫：抓取全文+图片+视频的完整攻略（含最新Playwright方案） Python爬虫项目 python爬虫数据分析开发语言音视频javascript数据挖掘
    一、前言：为什么要抓取新闻网站全文？在大数据、人工智能风口之上，构建新闻语料库用于训练自然语言处理（NLP）模型、情感分析、热点追踪等任务变得愈发重要。然而，大多数新闻网站并不提供开放的API，内容分散在网页的各个结构中，因此我们必须编写一个功能齐全的爬虫来抓取文章、图片、视频等多种内容。️二、技术选型与环境准备主要依赖库库名用途Playwright最新浏览器自动化技术，支持动态页面渲染Beaut
  • 信而泰×DeepSeek：AI推理引擎驱动网络智能诊断迈向 “自愈”时代
    DeepSeek-R1：强大的AI推理引擎底座DeepSeek是由杭州深度求索人工智能基础技术研究有限公司开发的新一代AI大模型。其核心优势在于强大的推理引擎能力，融合了自然语言处理（NLP）、深度学习、大规模数据分析等前沿技术。DeepSeek-R1具备卓越的逻辑推理、多模态分析（文本/图像/语音）和实时交互能力，能够高效处理代码生成、复杂问题求解、跨模态学习等高阶任务。凭借其开源、高效、多模态
  • NLP论文速读|chameleon：一个即插即用的组合推理模块Plug-and-Play Compositional Reasoning with Large Language Models Power2024666 NLP论文速读自然语言处理人工智能机器学习深度学习nlp语言模型
    论文速读|Chameleon:Plug-and-PlayCompositionalReasoningwithLargeLanguageModels论文信息：简介:该论文介绍了一个名为Chameleon的人工智能系统，旨在解决大型语言模型（LLMs）在处理复杂推理任务时存在的固有限制，例如无法访问最新信息、使用外部工具以及执行精确的数学和逻辑推理。Chameleon通过插入即用模块增强LLMs，使其
  • LeetCode[Math] - #66 Plus One Cwind javaLeetCode题解AlgorithmMath
    原题链接：#66 Plus One   要求： 给定一个用数字数组表示的非负整数，如num1 = {1, 2, 3, 9}, num2 = {9, 9}等，给这个数加上1。 注意： 1. 数字的较高位存在数组的头上，即num1表示数字1239 2. 每一位（数组中的每个元素）的取值范围为0~9   难度：简单   分析： 题目比较简单，只须从数组
  • JQuery中$.ajax()方法参数详解 AILIKES JavaScriptjsonpjqueryAjaxjson
    url: 要求为String类型的参数，（默认为当前页地址）发送请求的地址。 type: 要求为String类型的参数，请求方式（post或get）默认为get。注意其他http请求方法，例如put和    delete也可以使用，但仅部分浏览器支持。 timeout: 要求为Number类型的参数，设置请求超时时间（毫秒）。此设置将覆盖$.ajaxSetup()方法的全局
  • JConsole & JVisualVM远程监视Webphere服务器JVM Kai_Ge JVisualVMJConsoleWebphere
        JConsole是JDK里自带的一个工具，可以监测Java程序运行时所有对象的申请、释放等动作，将内存管理的所有信息进行统计、分析、可视化。我们可以根据这些信息判断程序是否有内存泄漏问题。 　　使用JConsole工具来分析WAS的JVM问题，需要进行相关的配置。 　　首先我们看WAS服务器端的配置. 　　1、登录was控制台https://10.4.119.18
  • 自定义annotation 120153216 annotation
    Java annotation 自定义注释@interface的用法 一、什么是注释      说起注释，得先提一提什么是元数据(metadata)。所谓元数据就是数据的数据。也就是说，元数据是描述数据的。就象数据表中的字段一样，每个字段描述了这个字段下的数据的含义。而J2SE5.0中提供的注释就是java源代码的元数据，也就是说注释是描述java源
  • CentOS 5/6.X 使用 EPEL YUM源 2002wmj centos
    CentOS 6.X 安装使用EPEL YUM源1. 查看操作系统版本[root@node1 ~]# uname -a Linux node1.test.com 2.6.32-358.el6.x86_64 #1 SMP Fri Feb 22 00:31:26 UTC 2013 x86_64 x86_64 x86_64 GNU/Linux [root@node1 ~]#
  • 在SQLSERVER中查找缺失和无用的索引SQL 357029540 SQL Server
    --缺失的索引 SELECT  avg_total_user_cost * avg_user_impact * ( user_scans + user_seeks ) AS PossibleImprovement ,          last_user_seek ,    
  • Spring3 MVC 笔记（二） —json+rest优化 7454103 Spring3 MVC
    接上次的 spring mvc 注解的一些详细信息！                          其实也是一些个人的学习笔记  呵呵！
  • 替换“\”的时候报错Unexpected internal error near index 1 \ ^ adminjun java“\替换”
    发现还是有些东西没有刻子脑子里,,过段时间就没什么概念了,所以贴出来...以免再忘...   在拆分字符串时遇到通过 \ 来拆分，可是用所以想通过转义 \\ 来拆分的时候会报异常   public class Main {          /*
  • POJ 1035 Spell checker(哈希表) aijuans 暴力求解--哈希表
    /* 题意：输入字典，然后输入单词，判断字典中是否出现过该单词，或者是否进行删除、添加、替换操作，如果是，则输出对应的字典中的单词 要求按照输入时候的排名输出 题解：建立两个哈希表。一个存储字典和输入字典中单词的排名，一个进行最后输出的判重 */ #include <iostream> //#define using namespace std; const int HASH =
  • 通过原型实现javascript Array的去重、最大值和最小值 ayaoxinchao JavaScriptarrayprototype
    用原型函数（prototype）可以定义一些很方便的自定义函数，实现各种自定义功能。本次主要是实现了Array的去重、获取最大值和最小值。 实现代码如下：   <script type="text/javascript"> Array.prototype.unique = function() { var a = {}; var le
  • UIWebView实现https双向认证请求 bewithme UIWebViewhttpsObjective-C
              什么是HTTPS双向认证我已在先前的博文 ASIHTTPRequest实现https双向认证请求 中有讲述，不理解的读者可以先复习一下。本文是用UIWebView来实现对需要客户端证书验证的服务请求，网上有些文章中有涉及到此内容，但都只言片语，没有讲完全，更没有完整的代码，让人困扰不已。但是此知
  • NoSQL数据库之Redis数据库管理(Redis高级应用之事务处理、持久化操作、pub_sub、虚拟内存) bijian1013 redis数据库NoSQL
    3.事务处理         Redis对事务的支持目前不比较简单。Redis只能保证一个client发起的事务中的命令可以连续的执行，而中间不会插入其他client的命令。当一个client在一个连接中发出multi命令时，这个连接会进入一个事务上下文，该连接后续的命令不会立即执行，而是先放到一个队列中，当执行exec命令时，redis会顺序的执行队列中
  • 各数据库分页sql备忘 bingyingao oraclesql分页
    ORACLE 下面这个效率很低 SELECT * FROM ( SELECT A.*, ROWNUM RN FROM (SELECT * FROM IPAY_RCD_FS_RETURN order by id desc) A ) WHERE RN <20; 下面这个效率很高 SELECT A.*, ROWNUM RN FROM (SELECT * FROM IPAY_RCD_
  • 【Scala七】Scala核心一：函数 bit1129 scala
    1. 如果函数体只有一行代码，则可以不用写{},比如 def print(x: Int) = println(x) 一行上的多条语句用分号隔开，则只有第一句属于方法体，例如   def printWithValue(x: Int) : String= println(x); "ABC"   上面的代码报错，因为，printWithValue的方法
  • 了解GHC的factorial编译过程 bookjovi haskell
    GHC相对其他主流语言的编译器或解释器还是比较复杂的，一部分原因是haskell本身的设计就不易于实现compiler，如lazy特性，static typed，类型推导等。 关于GHC的内部实现有篇文章说的挺好，这里，文中在RTS一节中详细说了haskell的concurrent实现，里面提到了green thread，如果熟悉Go语言的话就会发现，ghc的concurrent实现和Go有点类
  • Java-Collections Framework学习与总结-LinkedHashMap BrokenDreams LinkedHashMap
            前面总结了java.util.HashMap，了解了其内部由散列表实现，每个桶内是一个单向链表。那有没有双向链表的实现呢？双向链表的实现会具备什么特性呢？来看一下HashMap的一个子类——java.util.LinkedHashMap。       
  • 读《研磨设计模式》-代码笔记-抽象工厂模式-Abstract Factory bylijinnan abstract
    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/ package design.pattern; /* * Abstract Factory Pattern * 抽象工厂模式的目的是： * 通过在抽象工厂里面定义一组产品接口，方便地切换“产品簇” * 这些接口是相关或者相依赖的
  • 压暗面部高光 cherishLC PS
    方法一、压暗高光&重新着色 当皮肤很油又使用闪光灯时，很容易在面部形成高光区域。 下面讲一下我今天处理高光区域的心得： 皮肤可以分为纹理和色彩两个属性。其中纹理主要由亮度通道（Lab模式的L通道）决定，色彩则由a、b通道确定。 处理思路为在保持高光区域纹理的情况下，对高光区域着色。具体步骤为：降低高光区域的整体的亮度，再进行着色。 如果想简化步骤，可以只进行着色（参看下面的步骤1
  • Java VisualVM监控远程JVM crabdave visualvm
    Java VisualVM监控远程JVM    JDK1.6开始自带的VisualVM就是不错的监控工具. 这个工具就在JAVA_HOME\bin\目录下的jvisualvm.exe, 双击这个文件就能看到界面   通过JMX连接远程机器, 需要经过下面的配置: 1. 修改远程机器JDK配置文件 (我这里远程机器是linux).    
  • Saiku去掉登录模块 daizj saiku登录olapBI
    1、修改applicationContext-saiku-webapp.xml <security:intercept-url pattern="/rest/**" access="IS_AUTHENTICATED_ANONYMOUSLY" />  <security:intercept-url pattern=&qu
  • 浅析 Flex中的Focus dsjt htmlFlexFlash
    关键字：focus、 setFocus、 IFocusManager、KeyboardEvent 焦点、设置焦点、获得焦点、键盘事件 一、无焦点的困扰——组件监听不到键盘事件 原因：只有获得焦点的组件（确切说是InteractiveObject）才能监听到键盘事件的目标阶段；键盘事件（flash.events.KeyboardEvent）参与冒泡阶段，所以焦点组件的父项（以及它爸
  • Yii全局函数使用 dcj3sjt126com yii
    由于YII致力于完美的整合第三方库，它并没有定义任何全局函数。yii中的每一个应用都需要全类别和对象范围。例如，Yii::app()->user;Yii::app()->params['name'];等等。我们可以自行设定全局函数，使得代码看起来更加简洁易用。(原文地址) 我们可以保存在globals.php在protected目录下。然后，在入口脚本index.php的，我们包括在
  • 设计模式之单例模式二（解决无序写入的问题） come_for_dream 单例模式volatile乱序执行双重检验锁
                    在上篇文章中我们使用了双重检验锁的方式避免懒汉式单例模式下由于多线程造成的实例被多次创建的问题，但是因为由于JVM为了使得处理器内部的运算单元能充分利用，处理器可能会对输入代码进行乱序执行（Out Of Order Execute）优化，处理器会在计算之后将乱序执行的结果进行重组，保证该
  • 程序员从初级到高级的蜕变 gcq511120594 框架工作PHPandroidhtml5
    软件开发是一个奇怪的行业，市场远远供不应求。这是一个已经存在多年的问题，而且随着时间的流逝，愈演愈烈。 我们严重缺乏能够满足需求的人才。这个行业相当年轻。大多数软件项目是失败的。几乎所有的项目都会超出预算。我们解决问题的最佳指导方针可以归结为——“用一些通用方法去解决问题，当然这些方法常常不管用，于是，唯一能做的就是不断地尝试，逐个看看是否奏效”。 现在我们把淫浸代码时间超过3年的开发人员称为
  • Reverse Linked List hcx2013 list
    Reverse a singly linked list.   /** * Definition for singly-linked list. * public class ListNode { * int val; * ListNode next; * ListNode(int x) { val = x; } * } */ p
  • Spring4.1新特性——数据库集成测试 jinnianshilongnian spring 4.1
    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
  • C# Ajax上传图片同时生成微缩图(附Demo) liyonghui160com
        1.Ajax无刷新上传图片,详情请阅我的这篇文章。（jquery + c# ashx）         2.C#位图处理  System.Drawing。         3.最新demo支持IE7,IE8,Fir
  • Java list三种遍历方法性能比较 pda158 java
    从c/c++语言转向java开发，学习java语言list遍历的三种方法，顺便测试各种遍历方法的性能，测试方法为在ArrayList中插入1千万条记录，然后遍历ArrayList，发现了一个奇怪的现象，测试代码例如以下： package com.hisense.tiger.list; import java.util.ArrayList; import java.util.Iterator;
  • 300个涵盖IT各方面的免费资源（上）——商业与市场篇 shoothao seo商业与市场IT资源免费资源
    A.网站模板+logo+服务器主机+发票生成 HTML5 UP:响应式的HTML5和CSS3网站模板。 Bootswatch:免费的Bootstrap主题。 Templated:收集了845个免费的CSS和HTML5网站模板。 Wordpress.org|Wordpress.com:可免费创建你的新网站。 Strikingly:关注领域中免费无限的移动优
  • localStorage、sessionStorage uule localStorage
    W3School 例子   HTML5 提供了两种在客户端存储数据的新方法： localStorage - 没有时间限制的数据存储 sessionStorage - 针对一个 session 的数据存储   之前，这些都是由 cookie 完成的。但是 cookie 不适合大量数据的存储，因为它们由每个对服务器的请求来传递，这使得 cookie 速度很慢而且效率也不
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他