- DatawhaleAI夏令营学习活动
若天明
学习
学习任务如下:##赛事任务参赛者需基于提供的带货视频文本及评论文本数据,完成以下三阶段分析任务:-【商品识别】精准识别推广商品;-【情感分析】对评论文本进行多维度情感分析,涵盖维度见数据说明;-【评论聚类】按商品对归属指定维度的评论进行聚类,并提炼类簇总结词。###数据说明本次挑战赛为参赛选手提供包含85条脱敏后的带货视频数据及6477条评论文本数据,数据包括少量有人工标注结果的训练集(仅包含商品
- Datawhale X 魔塔 Ai夏令营 --深度学习基础
一、局部极小值与全局极小值全局极小值:在损失函数的整个定义域内,损失值最小的点。这是我们在训练深度学习模型时希望找到的点,因为它代表着模型的最佳性能。局部极小值:在损失函数的一个局部区域内,损失值达到最小,但在整个函数定义域内可能不是最小的。当优化算法陷入局部极小值时,它可能会误以为已经找到了全局最优解,从而停止搜索。局部极小值的检测两种直观的方法来检测局部极小值:可视化方法:对于低维问题,我们可
- Datawhale组队学习打卡-Fun-transformer-Task3Encoder
宇宙第一小甜欣
学习transformer深度学习
今天的内容主要是Encoder部分的具体流程,多头注意力和交叉注意力,还是会有比较多的公式来厘清每部分的输入和输出以及对应的方法。Encoder如第一篇所说,Encoder是Transformer的第一部分,其主要任务是将输入序列(如文本、词语或字符)编码为一个上下文丰富的表示,Encoder的输出是Decoder的输入的一部分(用作Attention机制中的和)。1.Encoder的整体结构堆叠
- DataWhale 二月组队学习-深入浅出pytorch-Task04
-273.15K
DataWhale组队学习学习pytorch人工智能
一、自定义损失函数1.损失函数的作用与自定义意义在深度学习中,损失函数(LossFunction)用于衡量模型预测结果与真实标签之间的差异,是模型优化的目标。PyTorch内置了多种常用损失函数(如交叉熵损失nn.CrossEntropyLoss、均方误差nn.MSELoss等)。但在实际任务中,可能需要针对特定问题设计自定义损失函数,例如:处理类别不平衡问题(如加权交叉熵)实现特殊业务需求(如对
- 【DW11月-深度学习】Task03前馈神经网络
沫2021
参考链接:https://datawhalechina.github.io/unusual-deep-learning/#/4.%E5%89%8D%E9%A6%88%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C一、神经元模型2.1神经元1943年,美国神经生理学家沃伦·麦卡洛克(WarrenMcCulloch)和数学家沃尔特·皮茨(WalterPitts)对生物神经元进行
- #Datawhale组队学习#7月-强化学习Task1
fzyz123
Datawhale组队学习强化学习人工智能AI
这里是Datawhale组织的组队学习《强化学习入门202507》,Datawhale是一个开源的社区。第一章绪论1.1为什么要学习强化学习?强化学习(ReinforcementLearning,RL)是机器学习中专注于智能体(Agent)如何通过与环境交互学习最优决策策略的分支。与监督学习依赖静态数据集、无监督学习聚焦数据内在结构不同,强化学习的核心在于序贯决策:智能体通过试错探索环境,根据行动
- “Datawhale AI夏令营”基于带货视频评论的用户洞察挑战赛
fzyz123
DatawhaleAI夏令营人工智能Datawhale大模型技术NLP深度学习AI夏令营
前言:本次是DatawhaleAI夏令营2025年第一期的内容,赛事是:基于带货视频评论的用户洞察挑战赛(科大讯飞AI大赛)一、赛事背景在直播电商爆发式增长浪潮中,短视频平台积累的海量带货视频及用户评论数据蕴含巨大商业价值。这些数据不仅是消费者体验的直接反馈,更是驱动品牌决策的关键资产。用户洞察的核心在于视频内容与评论数据的联合挖掘:通过智能识别推广商品分析评论中的情感表达与观点聚合精准捕捉消费者
- 全球DeepFake攻防挑战赛&DataWhale AI 夏令营——图像赛道
czijin
人工智能deeplearning
全球DeepFake攻防挑战赛&DataWhaleAI夏令营——图像赛道赛题背景随着人工智能技术的迅猛发展,深度伪造技术(Deepfake)正成为数字世界中的一把双刃剑。这项技术不仅为创意内容的生成提供了新的可能性,同时也对数字安全构成了前所未有的挑战。Deepfake技术可以通过人工智能算法生成高度逼真的图像、视频和音频内容,这些内容看起来与真实的毫无二致。然而,这也意味着虚假信息、欺诈行为和隐
- 【GitHub开源项目实战】LLM-Cookbook 中文大模型工程手册全解析:多场景落地应用与技术优化路径深度实践
GitHub开源实战|LLM-Cookbook中文大模型工程手册全解析:多场景落地应用与技术优化路径深度实践关键词LLM-Cookbook,中文大模型,Datawhale,大模型实战,LangChain应用,多模态集成,RAG系统,国产模型适配,大模型微调,开源实战解析摘要LLM-Cookbook是由Datawhale社区发起并持续维护的中文大模型应用工程实践项目,旨在系统性总结大模型在中文语境下
- Happy-LLM 第二章 Transformer
HalukiSan
transformer深度学习人工智能
Transform架构图片来自[Happy-llm](happy-llm/docs/chapter2/第二章Transformer架构.mdatmain·datawhalechina/happy-llm),若加载不出来,请开梯子注意力机制前馈神经网络每一层的神经元都与上下两层的每一个神经元完全连接数据在其中只向前流动,用于处理静态的数据,进行图像识别或者分类,但是该网络没有记忆能力,数据在它里面没
- 大模型学习 (Datawhale_Happy-LLM)笔记7: Encoder-Decoder PLM
lxltom
学习笔记languagemodel自然语言处理神经网络人工智能深度学习
大模型学习(Datawhale_Happy-LLM)笔记7:Encoder-DecoderPLM1.Encoder-Decoder架构概述1.1架构基础Encoder-DecoderPLM是基于原始Transformer架构的完整实现,它同时保留了编码器(Encoder)和解码器(Decoder)两个核心组件。这种设计使得模型能够兼具文本理解和生成的双重能力,特别适合处理序列到序列(Seq2Seq
- 阅读笔记(2) 单层网络:回归
a2507283885
笔记
阅读笔记(2)单层网络:回归该笔记是DataWhale组队学习计划(共度AI新圣经:深度学习基础与概念)的Task02以下内容为个人理解,可能存在不准确或疏漏之处,请以教材为主。1.从泛函视角来看线性回归还记得线性代数里学过的“基”这个概念吗?一组基向量是一组线性无关的向量,它们通过线性组合可以张成一个向量空间。也就是说,这个空间里的任意一个向量,都可以表示成这组基的线性组合。函数其实也可以看作是
- 【机器学习实战】Datawhale夏令营2:深度学习回顾
城主_全栈开发
机器学习机器学习深度学习人工智能
#DataWhale夏令营#ai夏令营文章目录1.深度学习的定义1.1深度学习&图神经网络1.2机器学习和深度学习的关系2.深度学习的训练流程2.1数学基础2.1.1梯度下降法基本原理数学表达步骤学习率α梯度下降的变体2.1.2神经网络与矩阵网络结构表示前向传播激活函数反向传播批处理卷积操作参数更新优化算法正则化初始化2.2激活函数Sigmoid函数:Tanh函数:ReLU函数(Rectified
- 二、大模型的能力(DataWhale大模型理论基础)
Y_fulture
大模型理论基础(DW组队学习)人工智能gpt-3nlp
大模型的能力一、概述本节主要是通过对GPT-3论文中的基准测试深入研究,从而获得关于GPT-3更深程度的认识我们应该知道,GPT-3的结果参差不齐:在某些任务上,比如语言建模,GPT-3大幅度超越了现有技术的最高水平;在其他任务上,GPT-3与训练有素,拥有大量标签数据的系统竞争时,却明显落后。造成上述现象的原因:GPT-3并未明确针对这些任务进行训练,它只是作为一个语言模型,被训练来预测下一个词
- 大模型学习 (Datawhale_Happy-LLM)笔记4: 预训练语言模型
lxltom
学习笔记语言模型人工智能bertgpt
大模型学习(Datawhale_Happy-LLM)笔记4:预训练语言模型一、概述本章按Encoder-Only、Encoder-Decoder、Decoder-Only的顺序来依次介绍Transformer时代的各个主流预训练模型,分别介绍三种核⼼的模型架构、每种主流模型选择的预训练任务及其独特优势,这也是目前所有主流LLM的模型基础。二、Encoder-onlyPLM代表:BERT及其优化版本
- 【Datawhale组队学习202506】YOLO-Master task02 YOLO系列发展线
来两个炸鸡腿
Datawhale组队学习学习YOLOpython深度学习
系列文章目录`文章目录系列文章目录前言V1-2015-JosephRedmonV2-2016-JosephRedmonV3-2018-JosephRedmonYOLO之父的退出V4-202004-Chien-YaoWangV5-20200609-Ultralytics公司V6-20220623-美团V7-2022-Chien-YaoWangV8-20230110-Ultralytics公司V9-2
- Datawhale YOLO Master 第1次笔记
weixin_44811994
YOLO笔记
课程链接https://github.com/datawhalechina/yolo-masterYOLO系列模型堪称算法界的《五年高考三年模拟》:代码比字典的释义还易懂:PyTorch版源码自带"防脱发"注释,连数据加载器都写着"这里可以加缓存哦~"训练自由度高过还原魔方:从640x640输入尺寸到Neck网络结构,改配置比换手机壳还方便教程比奶茶店的新品还多:GitHub星标项目能绕地球两圈,
- DataWhale-零基础网络爬虫技术(一)
我怎么又饿了呀
DatawhalePythonDataWhale网络
课程链接先给各位↓↓↓(点击即可食用.QAQDatawhale-学用AI,从此开始一、引言还是在笔记的开始,唠唠一些自己的故事十年前第一次接触网络,也可以说是第一次接触计算机的时候,那时候还是在中学阶段,那时候大家比较乐忠于玩QQ,刷一排各式各样的钻还有图标显得比较酷炫,我们班所有人都会用各种途径点亮五颜六色的钻,大家在下课吹牛的时候总会说我的途径更有效、我的价更低等等...所以那时候的年轻想法就
- DataWhale-零基础络网爬虫技术(二er数据的解析与提取)
我怎么又饿了呀
PythonDatawhale爬虫算法
课程链接先给各位↓↓↓(点击即可食用.QAQDatawhale-学用AI,从此开始一、数据的解析与提取数据提取的几种方式:re解析bs4解析xpath解析1.1正则表达式(ReuglarExperssion)RE是一种用于字符串匹配的规则描述方式。它通过特定的组合字符来定义字符串的模式,从而实现对字符串的搜索、匹配、替换等操作。Python也支持同样re的用法,需要引入模块importre。使用场
- 【Datawhale组队学习202506】YOLO-Master task01 导学课程
来两个炸鸡腿
Datawhale组队学习学习YOLO
系列文章目录task01导学课程文章目录系列文章目录前言一、计算机视觉与YOLO?二、YOLO好在哪2.1卓越性能2.2极易学习2.3模块化设计2.4开源社区活跃三、YOLOMaster教程内容介绍总结前言Datawhale是一个专注于AI与数据科学的开源组织,汇集了众多领域院校和知名企业的优秀学习者,聚合了一群有开源精神和探索精神的团队成员YOLO-Master本章学习资料:https://wv
- Datawhale组队学习 - 202505 - PyPOTS - Task01时序数据与PyPOTS
来两个炸鸡腿
学习python人工智能
系列文章目录Task01-时序数据与PyPOTS文章目录系列文章目录前言1时间序列数据1.1时间序列数据的类型1.2时间序列数据示例1.3时间序列的研究与应用方向1.3.1预测Forecasting1.3.2分类Classification1.3.3聚类Clustering1.3.4异常监测AnomalyDetection1.3.5时间序列生成Generation1.3.6插补Imputation
- 【Datawhale组队学习202506】零基础学爬虫 01 初始爬虫
来两个炸鸡腿
Datawhale组队学习学习爬虫python
系列文章目录01初始爬虫文章目录系列文章目录前言1爬虫和Python2爬虫的矛盾2.1爬虫与反爬2.2robots核心字段重要规则说明非标准扩展指令协议生效条件局限性验证工具2.3一个爬虫demo3Web请求与HTTP协议3.1一个web请求的全过程3.2判断页面源代码位置3.3HTTP协议HTTP请求HTTP响应3.4requests模块入门总结前言Datawhale是一个专注于AI与数据科学的
- Datawhale 2025年2月组队学习- 推荐系统教程FunRec #Task3
dxnb22
Datawhale学习笔记人工智能推荐算法
第二章基于向量的召回1.item2vec未完待续……2.youtubeDnn3.经典双塔模型
- Datawhale | 最新AI Agent万字综述分享!
双木的木
大模型专栏Transformer专栏深度学习拓展阅读人工智能transformer深度学习pythonchatgptpromptagent
本文来源公众号“Datawhale”,仅用于学术分享,侵权删,干货满满。原文链接:最新AIAgent万字综述分享!近日,支付宝百宝箱团队的技术负责人王月凡在Datawhale社区带来了AIAgent综述分享。从大语言模型的发展历程出发,全面分享了AIAgent现状,包括:AIAgent出现的原因、构成、核心技术、核心能力、应用场景,以及备受关注的场景落地难点。同时,在最后探讨了未来的人机交互与智能
- 全方位入门大模型应用开发,只需一招搞定:吴恩达系列课程中文教程实战指南!
AI小白熊
人工智能机器学习自然语言处理ai大模型程序员转行
随着生成式人工智能技术的迅速发展,大语言模型(LLM,LargeLanguageModel)成为了当下AI领域最炙手可热的赛道之一。如何快速、高效地掌握LLM的开发要领,成为众多开发者关注的热点。而由Datawhale团队打造的《面向开发者的大模型手册-LLMCookbook》项目,正好为有志于投身大模型开发的中文学习者提供了一套体系化、本地化的入门与实战宝典。本文将为你详细解析这个项目包含的各类
- Git 3天2K星标:Datawhale 的 Happy-LLM 项目介绍(附教程)
大语言模型
人工智能LLM大模型程序员AI大模型RAG知识库
引言在人工智能飞速发展的今天,大语言模型(LargeLanguageModels,LLMs)已成为技术领域的焦点。从智能写作到代码生成,LLM的应用场景不断扩展,深刻改变了我们的工作和生活方式。然而,理解这些模型的内部原理和训练过程并非易事,需要系统的学习和实践。为了帮助广大AI爱好者深入掌握大语言模型的精髓,国内最大的AI开源学习社区Datawhale推出了Happy-LLM项目。这个开源教程以
- LLM基础1_语言模型如何处理文本
激进小猪1002
语言模型人工智能自然语言处理
基于GitHub项目:https://github.com/datawhalechina/llms-from-scratch-cn工具介绍tiktoken:OpenAI开发的专业"分词器"torch:Facebook开发的强力计算引擎,相当于超级计算器理解词嵌入:给词语画"肖像"传统方法:给每个词一个编号(就像学生学号)词嵌入:给每个词画一幅多维画像(就像用颜色、形状、纹理描述一幅画),但是计算机
- LLM基础2_语言模型如何文本编码
激进小猪1002
java服务器前端
基于GitHub项目:https://github.com/datawhalechina/llms-from-scratch-cn字节对编码(BPE)上一篇博文说到为什么GPT模型不需要[PAD]和[UNK]?GPT使用更先进的字节对编码(BPE),总能将词语拆分成已知子词为什么需要BPE?简单分词器的问题:遇到新词就卡住(如"Hello")BPE的解决方案:把陌生词拆成已知的小零件BPE如何工作
- 机器学习西瓜书笔记——机器学习基本术语,模型性能指标【一】
Code思铮
机器学习笔记人工智能
西瓜书第一,二章笔记datawhale吃瓜教程task1学习笔记第一章第一张主要介绍了一些机器学习研究内容和基本术语,以及发展现状。基本术语由于有些术语过于基础,在此不做赘述大家可以去读西瓜书。1、分类任务:若模型的预测值是离散的,如“好瓜”,“坏瓜”,这是分类任务。在二分类任务中有两个标签(label)一个是正类,一个是反类2、回归任务:若模型的预测值是连续的,如“西瓜的成熟度是0.99“那么这
- 给MCP加上RAG,工具准确率提升200%,起飞~
Datawhale
Datawhale分享作者:TiantianGan、QiyaoSun编辑:PaperAgent大型语言模型(LLMs)在有效利用越来越多的外部工具(如模型上下文协议(MCP)所定义的工具)方面存在困难,这是由于提示膨胀和选择复杂性造成的。因此引入了RAG-MCP,这是一个检索增强生成框架,通过卸载工具发现来克服这一挑战。论文地址:https://arxiv.org/pdf/2505.03275提示
- Java实现的基于模板的网页结构化信息精准抽取组件:HtmlExtractor
yangshangchuan
信息抽取HtmlExtractor精准抽取信息采集
HtmlExtractor是一个Java实现的基于模板的网页结构化信息精准抽取组件,本身并不包含爬虫功能,但可被爬虫或其他程序调用以便更精准地对网页结构化信息进行抽取。
HtmlExtractor是为大规模分布式环境设计的,采用主从架构,主节点负责维护抽取规则,从节点向主节点请求抽取规则,当抽取规则发生变化,主节点主动通知从节点,从而能实现抽取规则变化之后的实时动态生效。
如
- java编程思想 -- 多态
百合不是茶
java多态详解
一: 向上转型和向下转型
面向对象中的转型只会发生在有继承关系的子类和父类中(接口的实现也包括在这里)。父类:人 子类:男人向上转型: Person p = new Man() ; //向上转型不需要强制类型转化向下转型: Man man =
- [自动数据处理]稳扎稳打,逐步形成自有ADP系统体系
comsci
dp
对于国内的IT行业来讲,虽然我们已经有了"两弹一星",在局部领域形成了自己独有的技术特征,并初步摆脱了国外的控制...但是前面的路还很长....
首先是我们的自动数据处理系统还无法处理很多高级工程...中等规模的拓扑分析系统也没有完成,更加复杂的
- storm 自定义 日志文件
商人shang
stormclusterlogback
Storm中的日志级级别默认为INFO,并且,日志文件是根据worker号来进行区分的,这样,同一个log文件中的信息不一定是一个业务的,这样就会有以下两个需求出现:
1. 想要进行一些调试信息的输出
2. 调试信息或者业务日志信息想要输出到一些固定的文件中
不要怕,不要烦恼,其实Storm已经提供了这样的支持,可以通过自定义logback 下的 cluster.xml 来输
- Extjs3 SpringMVC使用 @RequestBody 标签问题记录
21jhf
springMVC使用 @RequestBody(required = false) UserVO userInfo
传递json对象数据,往往会出现http 415,400,500等错误,总结一下需要使用ajax提交json数据才行,ajax提交使用proxy,参数为jsonData,不能为params;另外,需要设置Content-type属性为json,代码如下:
(由于使用了父类aaa
- 一些排错方法
文强chu
方法
1、java.lang.IllegalStateException: Class invariant violation
at org.apache.log4j.LogManager.getLoggerRepository(LogManager.java:199)at org.apache.log4j.LogManager.getLogger(LogManager.java:228)
at o
- Swing中文件恢复我觉得很难
小桔子
swing
我那个草了!老大怎么回事,怎么做项目评估的?只会说相信你可以做的,试一下,有的是时间!
用java开发一个图文处理工具,类似word,任意位置插入、拖动、删除图片以及文本等。文本框、流程图等,数据保存数据库,其余可保存pdf格式。ok,姐姐千辛万苦,
- php 文件操作
aichenglong
PHP读取文件写入文件
1 写入文件
@$fp=fopen("$DOCUMENT_ROOT/order.txt", "ab");
if(!$fp){
echo "open file error" ;
exit;
}
$outputstring="date:"." \t tire:".$tire."
- MySQL的btree索引和hash索引的区别
AILIKES
数据结构mysql算法
Hash 索引结构的特殊性,其 检索效率非常高,索引的检索可以一次定位,不像B-Tree 索引需要从根节点到枝节点,最后才能访问到页节点这样多次的IO访问,所以 Hash 索引的查询效率要远高于 B-Tree 索引。
可能很多人又有疑问了,既然 Hash 索引的效率要比 B-Tree 高很多,为什么大家不都用 Hash 索引而还要使用 B-Tree 索引呢
- JAVA的抽象--- 接口 --实现
百合不是茶
抽象 接口 实现接口
//抽象 类 ,方法
//定义一个公共抽象的类 ,并在类中定义一个抽象的方法体
抽象的定义使用abstract
abstract class A 定义一个抽象类 例如:
//定义一个基类
public abstract class A{
//抽象类不能用来实例化,只能用来继承
//
- JS变量作用域实例
bijian1013
作用域
<script>
var scope='hello';
function a(){
console.log(scope); //undefined
var scope='world';
console.log(scope); //world
console.log(b);
- TDD实践(二)
bijian1013
javaTDD
实践题目:分解质因数
Step1:
单元测试:
package com.bijian.study.factor.test;
import java.util.Arrays;
import junit.framework.Assert;
import org.junit.Before;
import org.junit.Test;
import com.bijian.
- [MongoDB学习笔记一]MongoDB主从复制
bit1129
mongodb
MongoDB称为分布式数据库,主要原因是1.基于副本集的数据备份, 2.基于切片的数据扩容。副本集解决数据的读写性能问题,切片解决了MongoDB的数据扩容问题。
事实上,MongoDB提供了主从复制和副本复制两种备份方式,在MongoDB的主从复制和副本复制集群环境中,只有一台作为主服务器,另外一台或者多台服务器作为从服务器。 本文介绍MongoDB的主从复制模式,需要指明
- 【HBase五】Java API操作HBase
bit1129
hbase
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.hbase.HBaseConfiguration;
import org.apache.hadoop.hbase.HColumnDescriptor;
import org.apache.ha
- python调用zabbix api接口实时展示数据
ronin47
zabbix api接口来进行展示。经过思考之后,计划获取如下内容: 1、 获得认证密钥 2、 获取zabbix所有的主机组 3、 获取单个组下的所有主机 4、 获取某个主机下的所有监控项  
- jsp取得绝对路径
byalias
绝对路径
在JavaWeb开发中,常使用绝对路径的方式来引入JavaScript和CSS文件,这样可以避免因为目录变动导致引入文件找不到的情况,常用的做法如下:
一、使用${pageContext.request.contextPath}
代码” ${pageContext.request.contextPath}”的作用是取出部署的应用程序名,这样不管如何部署,所用路径都是正确的。
- Java定时任务调度:用ExecutorService取代Timer
bylijinnan
java
《Java并发编程实战》一书提到的用ExecutorService取代Java Timer有几个理由,我认为其中最重要的理由是:
如果TimerTask抛出未检查的异常,Timer将会产生无法预料的行为。Timer线程并不捕获异常,所以 TimerTask抛出的未检查的异常会终止timer线程。这种情况下,Timer也不会再重新恢复线程的执行了;它错误的认为整个Timer都被取消了。此时,已经被
- SQL 优化原则
chicony
sql
一、问题的提出
在应用系统开发初期,由于开发数据库数据比较少,对于查询SQL语句,复杂视图的的编写等体会不出SQL语句各种写法的性能优劣,但是如果将应用系统提交实际应用后,随着数据库中数据的增加,系统的响应速度就成为目前系统需要解决的最主要的问题之一。系统优化中一个很重要的方面就是SQL语句的优化。对于海量数据,劣质SQL语句和优质SQL语句之间的速度差别可以达到上百倍,可见对于一个系统
- java 线程弹球小游戏
CrazyMizzz
java游戏
最近java学到线程,于是做了一个线程弹球的小游戏,不过还没完善
这里是提纲
1.线程弹球游戏实现
1.实现界面需要使用哪些API类
JFrame
JPanel
JButton
FlowLayout
Graphics2D
Thread
Color
ActionListener
ActionEvent
MouseListener
Mouse
- hadoop jps出现process information unavailable提示解决办法
daizj
hadoopjps
hadoop jps出现process information unavailable提示解决办法
jps时出现如下信息:
3019 -- process information unavailable3053 -- process information unavailable2985 -- process information unavailable2917 --
- PHP图片水印缩放类实现
dcj3sjt126com
PHP
<?php
class Image{
private $path;
function __construct($path='./'){
$this->path=rtrim($path,'/').'/';
}
//水印函数,参数:背景图,水印图,位置,前缀,TMD透明度
public function water($b,$l,$pos
- IOS控件学习:UILabel常用属性与用法
dcj3sjt126com
iosUILabel
参考网站:
http://shijue.me/show_text/521c396a8ddf876566000007
http://www.tuicool.com/articles/zquENb
http://blog.csdn.net/a451493485/article/details/9454695
http://wiki.eoe.cn/page/iOS_pptl_artile_281
- 完全手动建立maven骨架
eksliang
javaeclipseWeb
建一个 JAVA 项目 :
mvn archetype:create
-DgroupId=com.demo
-DartifactId=App
[-Dversion=0.0.1-SNAPSHOT]
[-Dpackaging=jar]
建一个 web 项目 :
mvn archetype:create
-DgroupId=com.demo
-DartifactId=web-a
- 配置清单
gengzg
配置
1、修改grub启动的内核版本
vi /boot/grub/grub.conf
将default 0改为1
拷贝mt7601Usta.ko到/lib文件夹
拷贝RT2870STA.dat到 /etc/Wireless/RT2870STA/文件夹
拷贝wifiscan到bin文件夹,chmod 775 /bin/wifiscan
拷贝wifiget.sh到bin文件夹,chm
- Windows端口被占用处理方法
huqiji
windows
以下文章主要以80端口号为例,如果想知道其他的端口号也可以使用该方法..........................1、在windows下如何查看80端口占用情况?是被哪个进程占用?如何终止等. 这里主要是用到windows下的DOS工具,点击"开始"--"运行",输入&
- 开源ckplayer 网页播放器, 跨平台(html5, mobile),flv, f4v, mp4, rtmp协议. webm, ogg, m3u8 !
天梯梦
mobile
CKplayer,其全称为超酷flv播放器,它是一款用于网页上播放视频的软件,支持的格式有:http协议上的flv,f4v,mp4格式,同时支持rtmp视频流格 式播放,此播放器的特点在于用户可以自己定义播放器的风格,诸如播放/暂停按钮,静音按钮,全屏按钮都是以外部图片接口形式调用,用户根据自己的需要制作 出播放器风格所需要使用的各个按钮图片然后替换掉原始风格里相应的图片就可以制作出自己的风格了,
- 简单工厂设计模式
hm4123660
java工厂设计模式简单工厂模式
简单工厂模式(Simple Factory Pattern)属于类的创新型模式,又叫静态工厂方法模式。是通过专门定义一个类来负责创建其他类的实例,被创建的实例通常都具有共同的父类。简单工厂模式是由一个工厂对象决定创建出哪一种产品类的实例。简单工厂模式是工厂模式家族中最简单实用的模式,可以理解为是不同工厂模式的一个特殊实现。
- maven笔记
zhb8015
maven
跳过测试阶段:
mvn package -DskipTests
临时性跳过测试代码的编译:
mvn package -Dmaven.test.skip=true
maven.test.skip同时控制maven-compiler-plugin和maven-surefire-plugin两个插件的行为,即跳过编译,又跳过测试。
指定测试类
mvn test
- 非mapreduce生成Hfile,然后导入hbase当中
Stark_Summer
maphbasereduceHfilepath实例
最近一个群友的boss让研究hbase,让hbase的入库速度达到5w+/s,这可愁死了,4台个人电脑组成的集群,多线程入库调了好久,速度也才1w左右,都没有达到理想的那种速度,然后就想到了这种方式,但是网上多是用mapreduce来实现入库,而现在的需求是实时入库,不生成文件了,所以就只能自己用代码实现了,但是网上查了很多资料都没有查到,最后在一个网友的指引下,看了源码,最后找到了生成Hfile
- jsp web tomcat 编码问题
王新春
tomcatjsppageEncode
今天配置jsp项目在tomcat上,windows上正常,而linux上显示乱码,最后定位原因为tomcat 的server.xml 文件的配置,添加 URIEncoding 属性:
<Connector port="8080" protocol="HTTP/1.1"
connectionTi