- MotionLCM 部署优化 踩坑解决bug
AI算法网奇
aigc与数字人深度学习宝典文生motion
目录依赖项windowstorchok:渲染黑白图问题解决:humanml3d:sentence-t5-large下载数据:报错:Nomodulenamed'sentence_transformers'继续报错:fromtransformers.integrationsimportCodeCarbonCallback解决方法:推理相关转mesh:module‘matplotlib.cm‘hasno
- 如何运用深度学习打造高效AI人工智能系统
AI智能探索者
AIAgent智能体开发实战人工智能深度学习ai
如何运用深度学习打造高效AI人工智能系统关键词:深度学习、AI系统、神经网络、模型优化、实战开发摘要:本文将从深度学习的核心概念出发,结合生活实例和代码实战,系统讲解如何构建高效AI系统。我们会拆解数据准备、模型设计、训练优化、部署落地的全流程,揭秘“数据-模型-训练-推理”的协同机制,并通过具体案例演示从0到1开发AI系统的关键技巧,帮助开发者掌握打造高效AI系统的底层逻辑。背景介绍目的和范围在
- 基于Python引擎的PP-OCR模型库推理
张欣-男
pythonocr开发语言PaddleOCRPaddlePaddle
基于Python引擎的PP-OCR模型库推理1.文本检测模型推理#下载超轻量中文检测模型:wgethttps://paddleocr.bj.bcebos.com/PP-OCRv3/chinese/ch_PP-OCRv3_det_infer.tartarxfch_PP-OCRv3_det_infer.tarpython3tools/infer/predict_det.py--image_dir=".
- 模型压缩中的四大核心技术 —— 量化、剪枝、知识蒸馏和二值化
由数入道
人工智能剪枝人工智能算法模型压缩量化知识蒸馏二值化
一、量化(Quantization)量化的目标在于将原始以32位浮点数表示的模型参数和中间激活,转换为低精度(如FP16、INT8、甚至更低位宽)的数值表示,从而在减少模型存储占用和内存带宽的同时,加速推理运算,特别适用于移动、嵌入式和边缘计算场景。1.1概念与目标基本思想将高精度数值离散化为低精度表示。例如,将FP32权重转换为INT8,可降低内存需求约4倍,同时在支持低精度运算的硬件上加速计算
- BGE-M3模型结合Milvus向量数据库强强联合实现混合检索
在基于生成式人工智能的应用开发中,通过关键词或语义匹配的方式对用户提问意图进行识别是一个很重要的步骤,因为识别的精准与否会影响后续大语言模型能否检索出合适的内容作为推理的上下文信息(或选择合适的工具)以给出用户最符合预期的回答。在本篇文章中,我将尽可能详细地介绍想达成准确识别用户提问意图的解决方案之一,即基于功能强大的BGE-M3模型和Milvus向量数据库实现混合检索(稠密向量densevect
- AI Agent开发第60课-巧用QWEN3.0 0.6B:小身板扛大旗,AI界的轻骑兵
TGITCIC
AIAgent开发大全qwen3qwenaliqwen国产大模型小模型开源小模型aiagent
第一章:小模型的生存法则——为什么0.6B参数就够了?1.1参数量的"黄金分割点"模型类型参数量推理延迟(ms)并发量(QPS)Qwen-0.6B6亿15-3010万+Qwen-1.5B15亿50-805万Qwen-7B70亿200+1万数据对比显示,当参数量超过6亿后,性能提升与成本增长呈现"抛物线"关系。就像智能手机从4G到5G的迭代,用户感知不到的速度提升,却要为硬件升级买单。Qwen-0.
- 赋能未来数学课堂——基于Qwen3、LangChain与Agent架构的个性化教辅系统研究
微学AI
langchain架构
文章目录摘要引言:技术融合催生的教育新范式第一章:Qwen3+LangChain+Agent架构的核心能力与优势1.1Qwen3模型:专为复杂推理打造的“智能大脑”1.2LangChain框架:构建智能体的“灵活骨架”1.3Agent智能体:自主解决问题的“执行中枢”1.4部署与成本优势第二章:在数学教育中解决的关键问题2.1从“答案”到“过程”:深度解析与分步式辅导2.2千人千面:实现高度个性化
- RK3568笔记九十二:QT使用Opencv显示摄像头
殷忆枫
RK3568学习笔记笔记
若该文为原创文章,转载请注明原文出处。测试使用QT调用Opencv的API显示摄像头,板子为正点原子的RK3568,最终想实现的是在RK3568平台上使用Qt框架进行部署,利用NPU推理加速视频目标识别。此篇为测试功能代码为正点原子提供的代码,直接用来测试,在未看代码时一直不明白怎么添加opencv的库,后面明白了,只增加了下面的两行:CONFIG+=link_pkgconfigPKGCONFIG
- 【YOLO系列】YOLOv1详解:模型结构、损失函数、训练方法及代码实现
一碗白开水一
yolo系列助你拿捏AI算法YOLO人工智能目标检测计算机视觉
YOLOv1(YouOnlyLookOnce):实时目标检测的革命性突破✨motivation在目标检测领域,传统方法如R-CNN系列存在计算冗余、推理速度慢的问题。2016年提出的YOLO(YouOnlyLookOnce)首次实现端到端单阶段检测,将检测速度提升至45FPS(FasterR-CNN仅7FPS),彻底改变了实时目标检测的格局。其核心思想是将检测视为回归问题,实现"看一眼即知全貌"的
- 【三维目标检测】Complex-Yolov4详解(二):模型结构
Coding的叶子
Python三维点云实战宝典Complex-YoloComplex-Yolov4三维目标检测目标检测python
本文为博主原创文章,未经博主允许不得转载。本文为专栏《python三维点云从基础到深度学习》系列文章,地址为“https://blog.csdn.net/suiyingy/article/details/124017716”。Complex-Yolo网络模型的核心思想是用鸟瞰图BEV替换Yolo网络输入的RGB图像。因此,在完成BEV处理之后,模型的训练和推理过程基本和Yolo完全一致。Yolov
- Claude 4 全新上线,科研和写作能力大幅提升!文献检索和综述更容易,实测好用!(附专业提示词)
智写AI
AI学术写作指南人工智能
在2025年5月22日,Claude正式发布了它的4系列模型:Opus4和Sonnet4七哥总结下这两款模型的特点,Sonnet4适合快速响应的任务,Opus4适合需要推理的复杂多步骤任务。两款模型都有20万token的上下文窗口。对科研人员、程序开发者来说,Claude这一代模型不仅性能强悍,还在多项核心能力上实现了突破式进阶。说说最新亮相的Claude4系列模型在多项核心能力上的三大进阶之处:
- LIMO:仅需817样本激活大模型数学推理能力,挑战“数据规模至上”传统范式
大千AI助手
人工智能#OTHER#Prompt人工智能机器学习神经网络算法大模型LIMOLessIsMore
“以认知模板唤醒沉睡知识,让推理能力在精不在多”LIMO是由上海交通大学、SII(ShanghaiArtificialIntelligenceLaboratory)、GAIRLab联合提出的突破性研究(2025年2月发表),其核心颠覆了传统AI领域“复杂推理需海量训练数据”的认知,证明仅用817个高质量样本即可激发大语言模型(LLMs)的数学推理能力,在AIME、MATH等竞赛级任务中超越使用10
- 提示工程架构师总结:Agentic AI智能健康项目需求分析的8个关键步骤
AGI大模型与大数据研究院
人工智能需求分析ai
AgenticAI智能健康项目需求分析:从0到1构建智能健康助手的8个关键步骤关键词AgenticAI(智能体AI)、智能健康、需求分析、用户旅程、场景建模、伦理合规、数据策略、系统交互摘要当AI从“被动响应”进化到“主动服务”,AgenticAI(智能体AI)正在重新定义智能健康的边界——它不再是“你问我答的健康助手”,而是“能主动感知、推理、行动的健康管家”:比如监测到糖尿病患者餐后血糖超标,
- 智慧零售 AI 卡顿?陌讯轻量化方案 FPS 升 40%
2501_92722744
零售人工智能目标跟踪计算机视觉目标检测算法
一、开篇痛点:智慧零售视觉算法的三大行业困境在智慧零售场景中,传统视觉算法正面临着难以突破的技术瓶颈。自助结算台的商品误识别率常高达12%-18%,导致消费者频繁触发人工核验;复杂货架场景下,商品重叠、光照变化和包装相似性问题,使得目标检测漏检率超过20%;而边缘设备的算力限制,又让实时推理帧率(FPS)普遍低于25,无法满足流畅交互需求[1]。这些问题直接造成商超运营成本增加30%以上,严重制约
- 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
- 黄仁勋链博会首秀:中国开源AI催化全球革命,机器人浪潮重塑未来工厂
未来智慧谷
开源人工智能机器人
7月16日,北京链博会开幕式迎来一位特殊演讲者——英伟达创始人黄仁勋身着唐装,首次以中文登台演讲。这位AI芯片巨头的掌舵人坦言“很紧张”,却清晰传递出一个重要观点:中国的开源AI已成为世界进步的催化剂,让每个国家、每个行业都有机会参与这场AI革命。一、下一波AI浪潮:物理世界的理解与执行黄仁勋在演讲中明确指出,AI的下一波浪潮将是具备推理与执行能力的机器人系统,这类机器人能够理解物理世界。他预测:
- 智慧水库边缘计算技术路线与框架设计
小赖同学啊
testTechnologyPrecious边缘计算人工智能
智慧水库边缘计算技术路线与框架设计一、边缘计算技术路线1.整体技术路线云边协同层边缘管理层边缘计算层边缘感知层设备层配置下发模型更新数据同步容器编排资源调度安全管理实时数据处理本地AI推理规则引擎协议适配数据采集设备管理水位计雨量计摄像头闸门传感器设备层边缘感知层边缘计算层边缘管理层云边协同层中心云平台2.关键技术演进路线阶段技术重点目标1.0基础建设期容器化部署、基础数据采集实现设备接入和基础数
- sahi+yolov8实现图像切片推理
文章目录前言一、SAHI介绍切片推理兼容性设计二、使用步骤图像切片推理与结果融合代码示例结果对比总结前言本文记录项目中涉及到了无人机正射图像的推理(通常8000像素*8000像素以上),由于模型推理尺寸是640*640的,如果直接整图送入模型推理,推理效果极差,可以考虑采用多个切片进行分别进行推理,最后合并推理结果的方式。一、SAHI介绍SAHI(SlicingAidedHyperInferenc
- yolov8seg如何获取每个结果的mask,不是一整个的mask
boss-dog
视觉算法开发yolov8rk3588
使用rk3588开发板对yolov8-seg进行推理时,瑞芯微官方代码中对推理的结果进行了封装,返回的分割结果是所有目标的mask,而不是单个目标的mask。yolov8seg怎么获得每个结果的mask,不是一整个的mask:https://github.com/airockchip/rknn_model_zoo/issues/175解决postprocess.h中关于检测结果的结构体解析type
- 大模型服务架构设计与性能优化指南
陈乔布斯
人工智能大模型AI性能优化人工智能Python大模型AI模型服务
引言在大模型应用开发中,模型服务作为核心组件,负责提供高效、稳定的模型推理能力。随着大语言模型(LLM)的快速发展,模型服务架构面临着性能、可扩展性和成本的多重挑战。本文将深入探讨模型服务的核心组件、架构设计、性能优化技术,并结合电商、金融科技等合规行业案例,为开发者提供全面的模型服务设计指南。一、模型服务核心组件1.1推理引擎推理引擎是模型服务的核心,负责执行模型推理计算。目前主流的推理引擎包括
- 网络安全-网络安全智能体所有详细工作原理和架构及案例
大家读完觉得有帮助记得关注和点赞!!!网络安全智能体(AISecurityAgent)是人工智能与网络安全融合的新范式,通过自主感知、分析决策、联动响应实现动态防护,正在重构传统“人防为主”的安全体系。以下从工作原理、架构设计、行业案例三方面进行深度解析:一、工作原理:三层认知闭环与动态进化1.核心能力分层(L1-L5标准)等级能力特征代表产品L1基础辅助型单步推理,处理预定义任务(如告警初判)9
- LLM微调训练指南
小小怪 @
人工智能自然语言处理
模型选择策略开源LLM的选择需综合评估任务需求与资源限制:LLaMA-2(7B/13B/70B):商用友好,推荐使用HuggingFace格式的社区变体(如NousResearch版本)Mistral(7B):Apache2.0许可,在推理和数学任务表现突出Falcon(7B/40B):商业授权宽松,特别适合多轮对话场景硬件匹配参考:NVIDIA3090可微调7B模型(QLoRA),A100建议尝
- 为什么《贝克街的亡灵》能成为柯南剧场版中的经典之作?
全息说电影
要说剧场版哪一步最好看?很多人都会选择《贝克街的亡灵》。《贝克街的亡灵》于2002年上映,所有剧场版中,《贝克街的亡灵》以8.9的评分在豆瓣傲视群雄。《贝克街的亡灵》的故事结合了未来科技(VR游戏以及人工智能)和历史实事,以及殿堂级的推理小说(《福尔摩斯》)创作了一个扣人心弦又具有反思意义的作品。《名侦探柯南》中挺喜欢说教,但是像《贝克街的亡灵》这样深入人心又不突兀的说教却很少。那么,我们现在就来
- vllm源码解析(一):整体架构与推理代码
m0_74825634
架构
vlllm官方代码更新频发,每个版本都有极大变动,很难说哪个版本好用.第一次阅读vllm源码是0.4.0版本,对这版圈复杂度极高的调度代码印象深刻0.4.1对调度逻辑进行重构,完全大变样,读代码速度快赶不上迭代的速度了。现在已经更新到0.5.4,经过长时间观察,发现主要的调度逻辑基本也稳定了下来,应该可以作为一个固话的版本去阅读。本文解读依据vllm0.5.4版本.没有修改任何代码,大家不必担心夹
- 【思维链(CoT)技术深度解析】从理论到实践的革命性推理方法
满怀1015
人工智能人工智能思维链大语言模型推理技术提示工程
目录前言️技术背景与价值当前技术痛点️解决方案概述目标读者说明一、技术原理剖析核心概念图解核心作用讲解关键技术模块⚖️技术演进对比️二、实战演示⚙️环境配置要求核心代码实现案例1:基础CoT提示案例2:自我一致性CoT✅运行结果验证⚡三、性能对比测试方法论量化数据对比结果分析四、最佳实践✅推荐方案❌常见错误调试技巧五、应用场景扩展适用领域创新应用方向技术生态✨结语⚠️技术局限性未来发展趋势学习资源
- ✨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
- Deja Vu: 利用上下文稀疏性提升大语言模型推理效率
AI专题精讲
模型加速人工智能模型加速AI技术应用
温馨提示:本篇文章已同步至"AI专题精讲"DejaVu:利用上下文稀疏性提升大语言模型推理效率摘要拥有数百亿参数的大语言模型(LLMs)催生了一系列令人振奋的AI应用。然而,在推理阶段它们计算开销极大。稀疏化是一种自然的降本策略,但现有方法要么需要代价高昂的重新训练,要么必须放弃LLM的“in-contextlearning”能力,要么在现代硬件上无法带来真实的墙钟时间加速。我们提出**上下文稀疏
- 拉普拉斯的魔女-东野圭吾
更欣
看完《拉普拉斯的魔女》后感觉东野似乎从社会推理转向了科幻推理,从思考人性转向思考人类的未来。只是遗憾,科幻没做好,推理的韵味也消散了,只有对未来的惶惑能窥一二。人类的未来到底会如何,你还是不知道为好;这本书做为推理小说来看如何,你还是不看为好。细一琢磨,虽明确告诉了我们所有案件的凶手,可是每个案件的操作手法都没有细说。尤其是谦人设计的两次事件都是近乎应用超能力的不可能事件,便是一点想象空间我都酝酿
- 判断推理---逻辑判断
offer来砸我呀
行测
一、翻译推理有明显的逻辑关联词:如果,就;只有,才提问方式:可以推出、不能推出解题思路:先翻译,再推理1、前推后A可以推B,等价于-B推出-A(逆否等价)如果…那么…只要…就…所有…都为了…一定……是…的充分条件2、后推前B推A只有…才不…不…除非A否则不B。。。。。。除非A否则B,-B推A…是…的必要条件,,,,,谁是必不可少的谁放在箭头的后面。3、且和或A且B:二者同时成立和、既有、不仅而且、
- 逻辑判断与推理-黑与白
爱编码的小八嘎
c语言
有A、B、C、D、E五人,每人额头上都贴了一张或黑或白的纸。五人对坐,每人都可以看到其他人额头上的纸的颜色,但都不知道自己额头上的纸的颜色。五人相互观察后,A说:“我看见三人额头上贴的是白纸,一人额头上贴的是黑纸。”B说:“我看见其他四人额头上贴的都是黑纸。”C说:“我看见有一人额头上贴的是白纸,其他三人额头上贴的是黑纸。”D说:“我看见四人额头上贴的是白纸。”E什么也没说。现在已知额头贴黑纸的人
- 用MiddleGenIDE工具生成hibernate的POJO(根据数据表生成POJO类)
AdyZhang
POJOeclipseHibernateMiddleGenIDE
推荐:MiddlegenIDE插件, 是一个Eclipse 插件. 用它可以直接连接到数据库, 根据表按照一定的HIBERNATE规则作出BEAN和对应的XML ,用完后你可以手动删除它加载的JAR包和XML文件! 今天开始试着使用
- .9.png
Cb123456
android
“点九”是andriod平台的应用软件开发里的一种特殊的图片形式,文件扩展名为:.9.png
智能手机中有自动横屏的功能,同一幅界面会在随着手机(或平板电脑)中的方向传感器的参数不同而改变显示的方向,在界面改变方向后,界面上的图形会因为长宽的变化而产生拉伸,造成图形的失真变形。
我们都知道android平台有多种不同的分辨率,很多控件的切图文件在被放大拉伸后,边
- 算法的效率
天子之骄
算法效率复杂度最坏情况运行时间大O阶平均情况运行时间
算法的效率
效率是速度和空间消耗的度量。集中考虑程序的速度,也称运行时间或执行时间,用复杂度的阶(O)这一标准来衡量。空间的消耗或需求也可以用大O表示,而且它总是小于或等于时间需求。
以下是我的学习笔记:
1.求值与霍纳法则,即为秦九韶公式。
2.测定运行时间的最可靠方法是计数对运行时间有贡献的基本操作的执行次数。运行时间与这个计数成正比。
- java数据结构
何必如此
java数据结构
Java 数据结构
Java工具包提供了强大的数据结构。在Java中的数据结构主要包括以下几种接口和类:
枚举(Enumeration)
位集合(BitSet)
向量(Vector)
栈(Stack)
字典(Dictionary)
哈希表(Hashtable)
属性(Properties)
以上这些类是传统遗留的,在Java2中引入了一种新的框架-集合框架(Collect
- MybatisHelloWorld
3213213333332132
//测试入口TestMyBatis
package com.base.helloworld.test;
import java.io.IOException;
import org.apache.ibatis.io.Resources;
import org.apache.ibatis.session.SqlSession;
import org.apache.ibat
- Java|urlrewrite|URL重写|多个参数
7454103
javaxmlWeb工作
个人工作经验! 如有不当之处,敬请指点
1.0 web -info 目录下建立 urlrewrite.xml 文件 类似如下:
<?xml version="1.0" encoding="UTF-8" ?>
<!DOCTYPE u
- 达梦数据库+ibatis
darkranger
sqlmysqlibatisSQL Server
--插入数据方面
如果您需要数据库自增...
那么在插入的时候不需要指定自增列.
如果想自己指定ID列的值, 那么要设置
set identity_insert 数据库名.模式名.表名;
----然后插入数据;
example:
create table zhabei.test(
id bigint identity(1,1) primary key,
nam
- XML 解析 四种方式
aijuans
android
XML现在已经成为一种通用的数据交换格式,平台的无关性使得很多场合都需要用到XML。本文将详细介绍用Java解析XML的四种方法。
XML现在已经成为一种通用的数据交换格式,它的平台无关性,语言无关性,系统无关性,给数据集成与交互带来了极大的方便。对于XML本身的语法知识与技术细节,需要阅读相关的技术文献,这里面包括的内容有DOM(Document Object
- spring中配置文件占位符的使用
avords
1.类
<?xml version="1.0" encoding="UTF-8"?><!DOCTYPE beans PUBLIC "-//SPRING//DTD BEAN//EN" "http://www.springframework.o
- 前端工程化-公共模块的依赖和常用的工作流
bee1314
webpack
题记: 一个人的项目,还有工程化的问题嘛? 我们在推进模块化和组件化的过程中,肯定会不断的沉淀出我们项目的模块和组件。对于这些沉淀出的模块和组件怎么管理?另外怎么依赖也是个问题? 你真的想这样嘛? var BreadCrumb = require(‘../../../../uikit/breadcrumb’); //真心ugly。
- 上司说「看你每天准时下班就知道你工作量不饱和」,该如何回应?
bijian1013
项目管理沟通IT职业规划
问题:上司说「看你每天准时下班就知道你工作量不饱和」,如何回应
正常下班时间6点,只要是6点半前下班的,上司都认为没有加班。
Eno-Bea回答,注重感受,不一定是别人的
虽然我不知道你具体从事什么工作与职业,但是我大概猜测,你是从事一项不太容易出现阶段性成果的工作
- TortoiseSVN,过滤文件
征客丶
SVN
环境:
TortoiseSVN 1.8
配置:
在文件夹空白处右键
选择 TortoiseSVN -> Settings
在 Global ignote pattern 中添加要过滤的文件:
多类型用英文空格分开
*name : 过滤所有名称为 name 的文件或文件夹
*.name : 过滤所有后缀为 name 的文件或文件夹
--------
- 【Flume二】HDFS sink细说
bit1129
Flume
1. Flume配置
a1.sources=r1
a1.channels=c1
a1.sinks=k1
###Flume负责启动44444端口
a1.sources.r1.type=avro
a1.sources.r1.bind=0.0.0.0
a1.sources.r1.port=44444
a1.sources.r1.chan
- The Eight Myths of Erlang Performance
bookjovi
erlang
erlang有一篇guide很有意思: http://www.erlang.org/doc/efficiency_guide
里面有个The Eight Myths of Erlang Performance: http://www.erlang.org/doc/efficiency_guide/myths.html
Myth: Funs are sl
- java多线程网络传输文件(非同步)-2008-08-17
ljy325
java多线程socket
利用 Socket 套接字进行面向连接通信的编程。客户端读取本地文件并发送;服务器接收文件并保存到本地文件系统中。
使用说明:请将TransferClient, TransferServer, TempFile三个类编译,他们的类包是FileServer.
客户端:
修改TransferClient: serPort, serIP, filePath, blockNum,的值来符合您机器的系
- 读《研磨设计模式》-代码笔记-模板方法模式
bylijinnan
java设计模式
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/
import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.PreparedStatement;
import java.sql.ResultSet;
- 配置心得
chenyu19891124
配置
时间就这样不知不觉的走过了一个春夏秋冬,转眼间来公司已经一年了,感觉时间过的很快,时间老人总是这样不停走,从来没停歇过。
作为一名新手的配置管理员,刚开始真的是对配置管理是一点不懂,就只听说咱们公司配置主要是负责升级,而具体该怎么做却一点都不了解。经过老员工的一点点讲解,慢慢的对配置有了初步了解,对自己所在的岗位也慢慢的了解。
做了一年的配置管理给自总结下:
1.改变
从一个以前对配置毫无
- 对“带条件选择的并行汇聚路由问题”的再思考
comsci
算法工作软件测试嵌入式领域模型
2008年上半年,我在设计并开发基于”JWFD流程系统“的商业化改进型引擎的时候,由于采用了新的嵌入式公式模块而导致出现“带条件选择的并行汇聚路由问题”(请参考2009-02-27博文),当时对这个问题的解决办法是采用基于拓扑结构的处理思想,对汇聚点的实际前驱分支节点通过算法预测出来,然后进行处理,简单的说就是找到造成这个汇聚模型的分支起点,对这个起始分支节点实际走的路径数进行计算,然后把这个实际
- Oracle 10g 的clusterware 32位 下载地址
daizj
oracle
Oracle 10g 的clusterware 32位 下载地址
http://pan.baidu.com/share/link?shareid=531580&uk=421021908
http://pan.baidu.com/share/link?shareid=137223&uk=321552738
http://pan.baidu.com/share/l
- 非常好的介绍:Linux定时执行工具cron
dongwei_6688
linux
Linux经过十多年的发展,很多用户都很了解Linux了,这里介绍一下Linux下cron的理解,和大家讨论讨论。cron是一个Linux 定时执行工具,可以在无需人工干预的情况下运行作业,本文档不讲cron实现原理,主要讲一下Linux定时执行工具cron的具体使用及简单介绍。
新增调度任务推荐使用crontab -e命令添加自定义的任务(编辑的是/var/spool/cron下对应用户的cr
- Yii assets目录生成及修改
dcj3sjt126com
yii
assets的作用是方便模块化,插件化的,一般来说出于安全原因不允许通过url访问protected下面的文件,但是我们又希望将module单独出来,所以需要使用发布,即将一个目录下的文件复制一份到assets下面方便通过url访问。
assets设置对应的方法位置 \framework\web\CAssetManager.php
assets配置方法 在m
- mac工作软件推荐
dcj3sjt126com
mac
mac上的Terminal + bash + screen组合现在已经非常好用了,但是还是经不起iterm+zsh+tmux的冲击。在同事的强烈推荐下,趁着升级mac系统的机会,顺便也切换到iterm+zsh+tmux的环境下了。
我为什么要要iterm2
切换过来也是脑袋一热的冲动,我也调查过一些资料,看了下iterm的一些优点:
* 兼容性好,远程服务器 vi 什么的低版本能很好兼
- Memcached(三)、封装Memcached和Ehcache
frank1234
memcachedehcachespring ioc
本文对Ehcache和Memcached进行了简单的封装,这样对于客户端程序无需了解ehcache和memcached的差异,仅需要配置缓存的Provider类就可以在二者之间进行切换,Provider实现类通过Spring IoC注入。
cache.xml
<?xml version="1.0" encoding="UTF-8"?>
- Remove Duplicates from Sorted List II
hcx2013
remove
Given a sorted linked list, delete all nodes that have duplicate numbers, leaving only distinct numbers from the original list.
For example,Given 1->2->3->3->4->4->5,
- Spring4新特性——注解、脚本、任务、MVC等其他特性改进
jinnianshilongnian
spring4
Spring4新特性——泛型限定式依赖注入
Spring4新特性——核心容器的其他改进
Spring4新特性——Web开发的增强
Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC
Spring4新特性——Groovy Bean定义DSL
Spring4新特性——更好的Java泛型操作API
Spring4新
- MySQL安装文档
liyong0802
mysql
工作中用到的MySQL可能安装在两种操作系统中,即Windows系统和Linux系统。以Linux系统中情况居多。
安装在Windows系统时与其它Windows应用程序相同按照安装向导一直下一步就即,这里就不具体介绍,本文档只介绍Linux系统下MySQL的安装步骤。
Linux系统下安装MySQL分为三种:RPM包安装、二进制包安装和源码包安装。二
- 使用VS2010构建HotSpot工程
p2p2500
HotSpotOpenJDKVS2010
1. 下载OpenJDK7的源码:
http://download.java.net/openjdk/jdk7
http://download.java.net/openjdk/
2. 环境配置
▶
- Oracle实用功能之分组后列合并
seandeng888
oracle分组实用功能合并
1 实例解析
由于业务需求需要对表中的数据进行分组后进行合并的处理,鉴于Oracle10g没有现成的函数实现该功能,且该功能如若用JAVA代码实现会比较复杂,因此,特将SQL语言的实现方式分享出来,希望对大家有所帮助。如下:
表test 数据如下:
ID,SUBJECTCODE,DIMCODE,VALUE
1&nbs
- Java定时任务注解方式实现
tuoni
javaspringjvmxmljni
Spring 注解的定时任务,有如下两种方式:
第一种:
<?xml version="1.0" encoding="UTF-8"?>
<beans xmlns="http://www.springframework.org/schema/beans"
xmlns:xsi="http
- 11大Java开源中文分词器的使用方法和分词效果对比
yangshangchuan
word分词器ansj分词器Stanford分词器FudanNLP分词器HanLP分词器
本文的目标有两个:
1、学会使用11大Java开源中文分词器
2、对比分析11大Java开源中文分词器的分词效果
本文给出了11大Java开源中文分词的使用方法以及分词结果对比代码,至于效果哪个好,那要用的人结合自己的应用场景自己来判断。
11大Java开源中文分词器,不同的分词器有不同的用法,定义的接口也不一样,我们先定义一个统一的接口:
/**
* 获取文本的所有分词结果, 对比