KIDGINBROOK
KIDGINBROOK

flash attention 2论文学习

flash attention作者Tri Dao发布了flash attention 2，性能为flash attention的2倍。
优化点主要如下：

一、减少 non-matmul FLOPs

A00中由于tensor core的存在，使得gpu对于浮点矩阵运算吞吐很高，如FP16/BF16可以达到312 TFLOPs/s，而对于非矩阵乘的浮点运算吞吐较低，如FP32只有19.5 TFLOPs/s。因此作者调整算法以减少非矩阵乘的浮点运算。
如图1-1，基线算法计算O2的时候会对O1进行放缩，先乘上之前的sum L1，再除以新的sum L2。

在这里插入图片描述

图 1-1
但是这个其实没有必要，可以在最后一次计算只放缩一次，如图1-2。

在这里插入图片描述

图 1-2

二、并行模式

基线对于CTA的分块逻辑为启动batch_size * num_head个CTA，每个CTA执行一个batch里的一个head，那么当seq_len很长的场景，batch_size一般会比较小，这个时候无法充分利用所有的SM，所以作者调整了并行模型，一个batch里的一个head也会被多个CTA执行。
基线算法中外层循环是对K，内层循环对Q，作者交换了这个循环，对外层循环进行并发。
综合一，二之后的算法流程如图2-1

flash attention 2论文学习_第1张图片

图 2-1

三、warp分块

基线warp分块如图3-1，一个CTA所有warp都load Q，但是对K分块，这个时候计算S和P并没有啥问题，但是对计算O的时候，会导致warp之间对O执行一次reduce sum。

flash attention 2论文学习_第2张图片

图 3-1
因此作者调整了warp分块逻辑，如图3-2所示，对Q进行分块，每个warp都load K和V，以避免最后对O的reduce。

flash attention 2论文学习_第3张图片

图 3-2

你可能感兴趣的:(cuda,gpu,cuda)

  • 英伟达靠什么支撑起了4万亿？AI泡沫还能撑多久？
    英伟达市值突破4万亿美元，既是AI算力需求爆发的直接体现，也暗含市场对未来的狂热预期。其支撑逻辑与潜在风险并存，而AI泡沫的可持续性则取决于技术、商业与地缘政治的复杂博弈。⚙️一、英伟达4万亿市值的核心支撑因素技术垄断与生态壁垒硬件优势：英伟达GPU在AI训练市场占有率超87%，H100芯片的FP16算力达1979TFLOPS，领先竞品3-5倍。CUDA生态：400万开发者构建的软件护城河，成为A
  • 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_
  • 非欧空间计算加速：图神经网络与微分几何计算的GPU优化（流形数据的内存布局优化策略） 九章云极AladdinEdu 空间计算神经网络人工智能gpu算力算法java开发语言
    一、非欧空间计算的革命性意义与核心挑战在三维形状分析、社交网络建模、分子动力学模拟等领域，非欧几里得空间数据（流形数据）的处理正推动人工智能技术向更复杂的几何结构迈进。传统欧式空间优化方法在处理流形数据时面临根本性局限：黎曼度量导致距离计算失效、局部坐标系动态变化引发内存访问模式混乱、曲率变化影响并行计算效率。本文提出基于分块流形存储（BlockedManifoldStorage,BMS）与层次化
  • 从零开始构建深度学习环境：基于Pytorch、CUDA与cuDNN的虚拟环境搭建与实践（适合初学者） 荣华富贵8 程序员的知识储备2程序员的知识储备3深度学习pytorch人工智能
    摘要：深度学习正在引领人工智能技术的革新，而对于初学者来说，正确搭建深度学习环境是迈向AI研究与应用的第一步。本文将为读者提供一套详尽的教程，指导如何在本地环境中搭建Pytorch、CUDA与cuDNN，以及如何利用Anaconda和PyCharm进行高效开发。内容涵盖从环境配置、常见错误修正，到基础的深度学习模型构建及训练。我们旨在为深度学习零基础的入门者提供一个全面且易于理解的“保姆级”教程，
  • LLaMA-Factory微调教程1：LLaMA-Factory安装及使用 Cachel wood LLM和AIGCllamapython开发语言react.jsjavascript前端microsoft
    文章目录环境搭建LLaMA-Factory安装教程模型大小选择环境搭建Windows系统RTX4060Ti（16G显存）python3.10cuda=12.6cudnntorch==2.7.1+cu126torchvision==0.22.1+cu126torchaudio==2.7.1+cu126PSC:\Users\18098>nvidia-smiTueJul2201:52:192025+<
  • 核心板：嵌入式系统的核心驱动力 MYZR1 核心板人工智能SSD2351
    核心板（CoreBoard）作为嵌入式系统开发的核心组件，已成为现代电子设备智能化的重要基石。这种高度集成的电路板将处理器、内存、存储和基本外设接口浓缩在一个紧凑的模块中，为各类智能设备提供强大的"大脑"。核心板的技术特点核心板通常采用先进的系统级封装(SiP)技术，在微小空间内集成了CPU/GPU、DDR内存、Flash存储以及电源管理单元。这种设计不仅大幅减小了体积，还提高了系统可靠性。以常见
  • Unity_UI_NGUI_DrawCall BuHuaX Unityunityui游戏引擎c#游戏程序
    Unity_UI五、NGUI进阶2.DrawCall相关2.1DrawCall的概念DrawCall定义：字面理解：DrawCall就是"绘制呼叫"的意思，表示CPU（中央处理器）通知GPU（图形处理器-显卡）开始渲染概念定义：DrawCall是CPU（处理器）准备好渲染数据（包括顶点、纹理、法线、Shader等等），然后告知GPU（图形处理器-显卡）开始渲染（将命令放入命令缓冲区）的命令简单来说
  • 利用Gpu训练 兮℡檬， 深度学习人工智能
    方法一：分别对网络模型，数据（输入，标注），损失函数调用.cuda()网络模型：iftorch.cuda.is_available():net=net.cuda()数据（训练和测试）：iftorch.cuda.is_available():imgs=imgs.cuda()targets=targets.cuda()损失函数：iftorch.cuda.is_available():loss_fn=l
  • Tensorflow-gpu运行时报错Non-OK-status: GpuLaunchKernel GEM的左耳返 pythontensorflow深度学习python
    Tensorflow-gpu运行时报错Non-OK-status:GpuLaunchKernel(FillPhiloxRandomKernelLaunch,num_blocks,block_size,0,d.stream(),gen,data,size,dist)status:Internal:invaliddevicefunctionFatalPythonerror:Aborted说明你安装的C
  • PyTorch武侠演义 第一卷：初入江湖 第7章：矿洞中的计算禁制 空中湖 pytorch武侠演绎pytorch人工智能python
    第一卷：初入江湖第7章：矿洞中的计算禁制矿洞深处罗盘残件在接近矿洞时突然发热，指针疯狂旋转。"就是这里，"欧阳长老抚摸着洞壁上的计算图刻痕，“TensorFlow帮用静态图封印了矿脉。”林小码看到：幽蓝矿脉构成巨大的计算图结构水晶矿簇随呼吸节奏明灭（CUDA核心）矿道中流淌着数据光流（内存带宽）"小心！"大师突然拉回林小码。他刚才踩中的矿砖下陷，触发岩壁上的机关——数十道计算图锁链从四面八方射来！
  • 【科研绘图系列】R语言绘制边际云雨图散点图 生信学习者1 SCI科研绘图系列(2024版)r语言数据可视化
    文章目录介绍加载R包数据下载导入数据数据预处理画图系统信息参考介绍【科研绘图系列】R语言绘制边际云雨图散点图加载R包library(tidyverse)library(ggplot2)library(ggpubr)library(ggpmisc)library(gghalves)library(aplot
  • 路口实时检测 30FPS+：陌讯抗遮挡算法实测 2501_92488070 算法计算机视觉视觉检测边缘计算智慧城市
    开篇痛点：复杂路口的视觉识别困境在城市交通治理中，行人闯红灯行为检测一直是智能监控的难点。传统视觉算法在实际部署中常面临三重挑战：强光/逆光环境下目标特征丢失导致的漏检率超20%；行人与非机动车遮挡场景下误判率高达15%；普通GPU设备上难以维持25FPS以上的实时性[3]。某二线城市交管部门曾反馈，基于开源模型的系统每月产生超3000条无效告警，严重消耗人力核查资源。这些问题的核心在于传统单模态
  • 如何解决 undetected_chromedriver 启动慢问题 小马哥编程 chromeseleniumui
    要解决undetected_chromedriver启动慢的问题，可以从以下几个方面优化配置和代码：1.指定本地Chrome二进制路径避免自动搜索Chrome路径，直接指定位置：driver=uc.Chrome(browser_executable_path=r'C:\ProgramFiles\Google\Chrome\Application\chrome.exe')2.禁用GPU和沙盒（关键优
  • 数字人克隆中SyncTalk算法介绍与部署过程 优秘智能UMI 人工智能ubuntu
    SyncTalk算法介绍SyncTalk合成同步的头部说话视频，采用三平面哈希表示来保持主体身份。它可以生成同步的嘴唇动作、面部表情和稳定的头部姿势，并恢复头发细节以创建高分辨率视频。部署在Linux中部署该项目，在Ubuntu18.04、Pytorch1.12.1和CUDA11.3上测试。gitclonehttps://github.com/ZiqiaoPeng/SyncTalk.gitcdSy
  • vLLM专题（三）-快速开始 AI专题精讲 大模型专题系列人工智能
    本指南将帮助您快速开始使用vLLM执行：离线批量推理使用OpenAI兼容服务器进行在线服务1.先决条件操作系统：LinuxPython：3.9–3.122.安装如果您使用的是NVIDIAGPU，您可以直接使用pip安装vLLM。建议使用uv，一个非常快速的Python环境管理器，来创建和管理Python环境。请按照文档安装uv。安装uv后，您可以创建一个新的Python环境，并使用以下命令安装vL
  • XCZU4EV-1FBVB900E Xilinx FPGA AMD Zynq UltraScale+ MPSoC EV（Embedded Vision） XINVRY-FPGA arm开发fpga开发fpga嵌入式硬件硬件工程计算机视觉硬件架构
    XCZU4EV-1FBVB900EXCZU4EV‑2FBVB900E属于AMD（Xilinx）ZynqUltraScale+MPSoCEV（EmbeddedVision）系列，集成四核Arm®Cortex‑A53应用处理器、双核Cortex‑R5F实时处理器与Mali‑400MP2片上GPU，辅以强大的可编程逻辑和海量DSP引擎。该器件面向视频嵌入式视觉、网络通信、工业自动化和高级数据处理等对图形
  • 数字经济时代全产业链详解
    数字经济全产业链概述数字经济全产业链涵盖从底层技术到终端应用的完整生态，包括基础技术层、核心产业层、融合应用层和支撑服务层。以下是详细拆解：基础技术层1.硬件基础设施芯片与半导体：CPU、GPU、AI芯片（如NPU）等，支撑算力需求。通信设备：5G基站、光纤网络、卫星互联网等。数据中心：云计算服务器、边缘计算节点、绿色数据中心（如液冷技术）。2.软件与平台操作系统：鸿蒙、Windows、Linux
  • 【MMCV】MMCV安装与踩坑 Elendill Pyhtonpytorchpythonmmcv
    确认MMCV版本首先确认项目所需MMCV的版本是多少mmcv2.0版本的代码相比较于=2.0.0安装方法新创建一个conda环境安装pytorch：condainstallpytorchtorchvisiontorchaudiopytorch-cuda=11.8-cpytorch-cnvidia安装mim，这是openmm官方推出的用于安装他们旗下mm系列产品的安装器：pipinstall-Uop
  • [mmcv系列] pip安装mmcv记录
    文章目录1.查看torch和cuda版本1.安装1.1从预编译包安装1.2源码编译安装2.校验报错：frommmcvimportConfig可以直接参考教程：找到pip安装，选择自己的cuda和torch版本，复制指令到终端安装即可：1.查看torch和cuda版本终端运行指令：python-c'importtorch;print(torch.__version__);print(torch.ve
  • 【代码问题】【包安装】MMCV Catching Star python
    可以参考这篇博客【MMCV】MMCV安装与踩坑-CSDN博客MMCV对于版本要求非常严格。python最好是3.10或者3.9，而且torch和cuda版本一定要对应。比如我是cu118，就可以这样安装：#举例：torch2.1.0+cu118pipinstallmmcv-full==1.7.2\-fhttps://download.openmmlab.com/mmcv/dist/cu118/to
  • 存算一体架构或成为AI处理器技术发展关键 神州问学 人工智能架构gpu算力算法语言模型
    ©作者|坚果来源|神州问学引言马斯克巨资60亿美元打造的“超级算力工场”，通过串联10万块顶级NVIDIAH100GPU，不仅震撼了AI和半导体行业，促使英伟达股价应声上涨6%，还强烈暗示了AI大模型及芯片需求的急剧膨胀。这一行动不仅是马斯克对AI未来的大胆押注，也成为了全球企业加速布局AI芯片领域的催化剂，预示着一场科技革新竞赛的全面升级，各方竞相提升算力，争夺AI时代的战略高地。观察近期Bla
  • 下一代AI芯片设计的五大革命性突破：从架构创新到能效比跃迁——解析存算一体、Chiplet与光子计算的产业实践 像素笔记 杂谈单片机人工智能gpu算力Chiplet硬件架构
    一、引言：AI算力竞赛进入“纳米级战争”2024年，全球AI芯片市场规模突破800亿美元，但传统冯·诺依曼架构的“内存墙”问题愈发凸显。英伟达H100GPU的算力虽达4PetaFLOPS，但其实际能效比仅有15%，大量功耗消耗在数据搬运而非计算本身（数据来源：ISSCC2024报告）。与此同时，特斯拉Dojo超算通过定制化架构，将训练成本降低至行业平均水平的1/5。本文将深入剖析AI芯片设计的五大
  • 使用vllm创建相同模型的多个实例，使用nginx进行负载均衡，提高模型吞吐量
    背景要提高vllm部署的大模型吞吐量，可以从显存利用率优化、多实例部署、参数调优和流程优化等多个维度入手，以下是具体建议：一、提高gpu-memory-utilization的效果与操作gpu-memory-utilization控制vllm预分配的GPU内存比例（默认0.9），当前值0.35预留了过多显存，是吞吐量低的重要原因。提升空间：合理提高该值可显著增加批处理能力。例如从0.35提升到0.
  • ✨零基础手把手｜Docker+vLLM极速部署OpenAI风格API：5分钟4卡GPU推理+避坑指南+完整镜像配置 杨靳言先 pythondockervllm部署
    一、Docker基础命令查看容器状态Bashdockerps#查看运行中的容器dockerps-a#查看所有容器（包括已停止的）查看镜像列表Bashdockerimages#列出本地所有镜像二、镜像与容器操作镜像打包为.tar文件Bashdockersave-o#将镜像导出为.tar文件#示例：dockersave-omy_image.tarvllm/vllm-openai:v0.8.4打包多个镜
  • ERNIE-4.5-0.3B 实战指南：文心一言 4.5 开源模型的轻量化部署与效能跃升
    当行业还在为千亿参数模型的算力消耗争论不休时，百度文心一言4.5开源版本以颠覆性姿态撕开了一条新赛道。2025年6月30日，文心一言4.5系列模型正式开源，其中ERNIE-4.5-0.3B这款仅3亿参数的轻量模型，为破解大模型产业落地的三大困局提供了全新方案：算力门槛：从千万级GPU集群降至消费级单卡部署成本控制：企业私有化部署成本降至传统方案的1/10效率平衡：在保持智能水平的同时实现极致轻量化
  • 深度学习GPU工作站主机选择指南：以RTX 5090为核心的2025年配置策略
    前言2025年，随着NVIDIARTX5090的发布，深度学习硬件领域迎来了革命性的变化。这款基于Blackwell架构的旗舰GPU不仅在游戏领域表现卓越，更在AI和深度学习应用中展现出前所未有的性能实力。对于深度学习研究者和工程师而言，RTX5090的出现重新定义了工作站配置的标准，其32GBGDDR7显存、768个第五代TensorCore以及大幅提升的计算性能，为大规模模型训练和推理提供了全
  • 深度学习-数据操作
    数据操作首先，我们来介绍n维数组，也称为张量（tensor）。GPU很好地支持加速计算，而NumPy仅支持CPU计算；并且张量类支持自动微分。这些功能使得张量类更适合深度学习。张量表示一个由数值组成的数组，这个数组可能有多个维度。具有一个轴的张量对应数学上的向量（vector）；具有两个轴的张量对应数学上的矩阵（matrix）；具有两个轴以上的张量没有特殊的数学名称。上图分别是1维到5维的张量的表
  • 第十四章:AI的数据“集装箱”：彻底搞懂Tensor的Batch与维度 爱分享的飘哥 AI新纪元：120日觉醒计划TensorPyTorchBatchSize数据处理AI基础深度学习教程
    AI数据集中箱前言：为什么AI从不“零售”，总是“批发”？1：Batch（批次）——GPU的“灵魂伴侣”1.1单个处理vs.批量处理：CPU与GPU的思维差异1.2DataLoader：PyTorch的“自动化装箱员”2：维度的语言——破译[B,L,D]的含义2.1[L,D]：一个句子的“二维画像”2.2[B,L,D]：一批句子的“三维魔方”2.3用代码直观感受维度的增加3：追踪Tensor的“变
  • 模型剪枝（分析） yc_hu 剪枝python机器学习
    1.函数入口与设备初始化defget_layer_level_pruning_rate(args):device=torch.device("cuda"iftorch.cuda.is_available()else"cpu")功能：检测可用设备（优先使用GPU），为后续模型加载做准备。2.数据加载与评估函数定义train_loader,val_loader,test_loader,criterio
  • 【WebGPU学习杂记】数学基础拾遗（1）三角学基础
    本文主要记录一些基础数学中的关键术语、公式、定义，方便查阅并基于此拓展和补充。部分内容需要有函数基础。主要目的是熟悉这些公式即可，如果能够手推公式效果最理想（增加对公式的信任感）。基础概念内角、外角、补角、对边、临边内角、外角和均为π\piπ、任意两边长度加和>第三边相似：三边对应成比例两边对应成比例且夹角相等两角对应角度相等全等：三边相等、两边对应相等且夹角相等、双边角对应相等且夹边对应相等单位
  • rust的指针作为函数返回值是直接传递，还是先销毁后创建？ wudixiaotie 返回值
     这是我自己想到的问题，结果去知呼提问，还没等别人回答， 我自己就想到方法实验了。。 fn main() { let mut a = 34; println!("a's addr:{:p}", &a); let p = &mut a; println!("p's addr:{:p}", &a
  • java编程思想 -- 数据的初始化 百合不是茶 java数据的初始化
      1.使用构造器确保数据初始化      /* *在ReckInitDemo类中创建Reck的对象 */ public class ReckInitDemo { public static void main(String[] args) { //创建Reck对象 new Reck(); } }
  • [航天与宇宙]为什么发射和回收航天器有档期 comsci
           地球的大气层中有一个时空屏蔽层,这个层次会不定时的出现,如果该时空屏蔽层出现,那么将导致外层空间进入的任何物体被摧毁,而从地面发射到太空的飞船也将被摧毁...        所以,航天发射和飞船回收都需要等待这个时空屏蔽层消失之后,再进行 &
  • linux下批量替换文件内容 商人shang linux替换
    1、网络上现成的资料 　　格式: sed -i "s/查找字段/替换字段/g" `grep 查找字段 -rl 路径` 　　linux sed 批量替换多个文件中的字符串 　　sed -i "s/oldstring/newstring/g" `grep oldstring -rl yourdir` 　　例如：替换/home下所有文件中的www.admi
  • 网页在线天气预报 oloz 天气预报
    网页在线调用天气预报 <%@ page language="java" contentType="text/html; charset=utf-8" pageEncoding="utf-8"%> <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transit
  • SpringMVC和Struts2比较 杨白白 springMVC
    1. 入口 spring mvc的入口是servlet，而struts2是filter（这里要指出，filter和servlet是不同的。以前认为filter是servlet的一种特殊），这样就导致了二者的机制不同，这里就牵涉到servlet和filter的区别了。 参见：http://blog.csdn.net/zs15932616453/article/details/8832343 2
  • refuse copy, lazy girl! 小桔子 copy
           妹妹坐船头啊啊啊啊！都打算一点点琢磨呢。文字编辑也写了基本功能了。。今天查资料，结果查到了人家写得完完整整的。我清楚的认识到： 1.那是我自己觉得写不出的高度 2.如果直接拿来用，很快就能解决问题 3.然后就是抄咩~~ 4.肿么可以这样子，都不想写了今儿个，留着作参考吧！拒绝大抄特抄，慢慢一点点写！  
  • apache与php整合 aichenglong php apache web
    一  apache web服务器 1 apeche web服务器的安装   1)下载Apache web服务器   2)配置域名(如果需要使用要在DNS上注册)   3)测试安装访问http://localhost/验证是否安装成功 2 apache管理   1)service.msc进行图形化管理   2)命令管理，配
  • Maven常用内置变量 AILIKES maven
    Built-in properties ${basedir} represents the directory containing pom.xml ${version} equivalent to ${project.version} (deprecated: ${pom.version}) Pom/Project properties Al
  • java的类和对象 百合不是茶 JAVA面向对象 类 对象
    java中的类：     java是面向对象的语言，解决问题的核心就是将问题看成是一个类，使用类来解决   java使用 class 类名   来创建类 ，在Java中类名要求和构造方法，Java的文件名是一样的   创建一个A类： class A{ }   java中的类：将某两个事物有联系的属性包装在一个类中，再通
  • JS控制页面输入框为只读 bijian1013 JavaScript
    在WEB应用开发当中，增、删除、改、查功能必不可少，为了减少以后维护的工作量，我们一般都只做一份页面，通过传入的参数控制其是新增、修改或者查看。而修改时需将待修改的信息从后台取到并显示出来，实际上就是查看的过程，唯一的区别是修改时，页面上所有的信息能修改，而查看页面上的信息不能修改。因此完全可以将其合并，但通过前端JS将查看页面的所有信息控制为只读，在信息量非常大时，就比较麻烦。  
  • AngularJS与服务器交互 bijian1013 JavaScriptAngularJS$http
            对于AJAX应用（使用XMLHttpRequests）来说，向服务器发起请求的传统方式是：获取一个XMLHttpRequest对象的引用、发起请求、读取响应、检查状态码，最后处理服务端的响应。整个过程示例如下： var xmlhttp = new XMLHttpRequest(); xmlhttp.onreadystatechange
  • [Maven学习笔记八]Maven常用插件应用 bit1129 maven
    常用插件及其用法位于：http://maven.apache.org/plugins/   1. Jetty server plugin 2. Dependency copy plugin 3. Surefire Test plugin 4. Uber jar plugin           1. Jetty Pl
  • 【Hive六】Hive用户自定义函数(UDF) bit1129 自定义函数
    1. 什么是Hive UDF Hive是基于Hadoop中的MapReduce，提供HQL查询的数据仓库。Hive是一个很开放的系统，很多内容都支持用户定制，包括： 文件格式：Text File，Sequence File 内存中的数据格式： Java Integer/String, Hadoop IntWritable/Text 用户提供的 map/reduce 脚本：不管什么
  • 杀掉nginx进程后丢失nginx.pid，如何重新启动nginx ronin47 nginx 重启 pid丢失
    nginx进程被意外关闭，使用nginx -s reload重启时报如下错误：nginx: [error] open() “/var/run/nginx.pid” failed (2: No such file or directory)这是因为nginx进程被杀死后pid丢失了，下一次再开启nginx -s reload时无法启动解决办法：nginx -s reload 只是用来告诉运行中的ng
  • UI设计中我们为什么需要设计动效 brotherlamp UIui教程ui视频ui资料ui自学
    随着国际大品牌苹果和谷歌的引领，最近越来越多的国内公司开始关注动效设计了，越来越多的团队已经意识到动效在产品用户体验中的重要性了，更多的UI设计师们也开始投身动效设计领域。 但是说到底，我们到底为什么需要动效设计？或者说我们到底需要什么样的动效？做动效设计也有段时间了，于是尝试用一些案例，从产品本身出发来说说我所思考的动效设计。 一、加强体验舒适度 嗯，就是让用户更加爽更加爽的用你的产品。
  • Spring中JdbcDaoSupport的DataSource注入问题 bylijinnan javaspring
    参考以下两篇文章： http://www.mkyong.com/spring/spring-jdbctemplate-jdbcdaosupport-examples/ http://stackoverflow.com/questions/4762229/spring-ldap-invoking-setter-methods-in-beans-configuration Sprin
  • 数据库连接池的工作原理 chicony 数据库连接池
           随着信息技术的高速发展与广泛应用，数据库技术在信息技术领域中的位置越来越重要，尤其是网络应用和电子商务的迅速发展，都需要数据库技术支持动 态Web站点的运行，而传统的开发模式是：首先在主程序（如Servlet、Beans）中建立数据库连接；然后进行SQL操作，对数据库中的对象进行查 询、修改和删除等操作；最后断开数据库连接。使用这种开发模式，对
  • java 关键字 CrazyMizzz java
    关键字是事先定义的，有特别意义的标识符，有时又叫保留字。对于保留字，用户只能按照系统规定的方式使用，不能自行定义。 Java中的关键字按功能主要可以分为以下几类：    （1）访问修饰符       public,private,protected       p
  • Hive中的排序语法 daizj 排序hiveorder byDISTRIBUTE BYsort by
    Hive中的排序语法 2014.06.22 ORDER BY hive中的ORDER BY语句和关系数据库中的sql语法相似。他会对查询结果做全局排序，这意味着所有的数据会传送到一个Reduce任务上，这样会导致在大数量的情况下，花费大量时间。 与数据库中 ORDER BY 的区别在于在hive.mapred.mode = strict模式下，必须指定 limit 否则执行会报错。
  • 单态设计模式 dcj3sjt126com 设计模式
      单例模式（Singleton）用于为一个类生成一个唯一的对象。最常用的地方是数据库连接。 使用单例模式生成一个对象后，该对象可以被其它众多对象所使用。 <?phpclass Example{    // 保存类实例在此属性中    private static&
  • svn locked dcj3sjt126com Lock
    post-commit hook failed (exit code 1) with output: svn: E155004: Working copy 'D:\xx\xxx' locked svn: E200031: sqlite: attempt to write a readonly database svn: E200031: sqlite: attempt to write a
  • ARM寄存器学习 e200702084 数据结构C++cC#F#
    无论是学习哪一种处理器，首先需要明确的就是这种处理器的寄存器以及工作模式。     ARM有37个寄存器，其中31个通用寄存器，6个状态寄存器。 1、不分组寄存器（R0-R7）     不分组也就是说说，在所有的处理器模式下指的都时同一物理寄存器。在异常中断造成处理器模式切换时，由于不同的处理器模式使用一个名字相同的物理寄存器，就是
  • 常用编码资料 gengzg 编码
    List<UserInfo> list=GetUserS.GetUserList(11); String json=JSON.toJSONString(list); HashMap<Object,Object> hs=new HashMap<Object, Object>(); for(int i=0;i<10;i++) {
  • 进程 vs. 线程 hongtoushizi 线程linux进程
    我们介绍了多进程和多线程，这是实现多任务最常用的两种方式。现在，我们来讨论一下这两种方式的优缺点。 首先，要实现多任务，通常我们会设计Master-Worker模式，Master负责分配任务，Worker负责执行任务，因此，多任务环境下，通常是一个Master，多个Worker。 如果用多进程实现Master-Worker，主进程就是Master，其他进程就是Worker。 如果用多线程实现
  • Linux定时Job：crontab -e 与 /etc/crontab 的区别 Josh_Persistence linuxcrontab
    一、linux中的crotab中的指定的时间只有5个部分：* * * * * 分别表示：分钟，小时，日，月，星期，具体说来： 第一段 代表分钟 0—59 第二段 代表小时 0—23 第三段 代表日期 1—31 第四段 代表月份 1—12 第五段 代表星期几，0代表星期日 0—6   如： */1 * * * *   每分钟执行一次。 *
  • KMP算法详解 hm4123660 数据结构C++算法字符串KMP
         字符串模式匹配我们相信大家都有遇过，然而我们也习惯用简单匹配法（即Brute-Force算法)，其基本思路就是一个个逐一对比下去，这也是我们大家熟知的方法，然而这种算法的效率并不高，但利于理解。       假设主串s="ababcabcacbab",模式串为t="
  • 枚举类型的单例模式 zhb8015 单例模式
    E.编写一个包含单个元素的枚举类型[极推荐]。代码如下： public enum MaYun {himself; //定义一个枚举的元素，就代表MaYun的一个实例private String anotherField;MaYun() {//MaYun诞生要做的事情//这个方法也可以去掉。将构造时候需要做的事情放在instance赋值的时候：/** himself = MaYun() {*
  • Kafka+Storm+HDFS ssydxa219 storm
    cd /myhome/usr/stormbin/storm nimbus &amp;bin/storm supervisor &amp;bin/storm ui &amp;Kafka+Storm+HDFS整合实践kafka_2.9.2-0.8.1.1.tgzapache-storm-0.9.2-incubating.tar.gzKafka安装配置我们使用3台机器搭建Kafk
  • Java获取本地服务器的IP 中华好儿孙 javaWeb获取服务器ip地址
    System.out.println("getRequestURL:"+request.getRequestURL()); System.out.println("getLocalAddr:"+request.getLocalAddr()); System.out.println("getLocalPort:&quo
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他