JNU freshman
JNU freshman

Transfomer相关最新研究

文章目录

  • LogTrans `* `(有代码）
  • TFT （有代码）
  • InfluTran （有代码）
  • Informer `*`（有代码）（长时间）
  • ProTran
  • Autoformer `***`（有代码）
  • Aliformer
  • Pyraformer （有代码）
  • Preformer （有代码）
  • FEDformer （有代码）
  • ETSformer （有代码）
  • TACTis （有代码）
  • Triformer （有代码）
  • TDformer （有代码）
  • Non-statitionary-Transformer
  • Scaleformer （有代码）
  • Quatformer (有代码）
  • Persistance Initialization
  • W-Transformers （有代码）
  • Crossformer （有代码）
  • PatchTST （有代码）
  • AirFormer `***` (有代码）
  • TVT
  • Conformer （有代码）
  • PDFormer (有代码）
  • ViTST ( 有代码）
  • CARD
  • JTST
  • HSTTN `*`
  • Client （有代码）
  • Taylorformer (有代码）
  • Corrformer `***` （有代码）
  • GCformer `*` （有代码）
  • SageFormer
  • DifFormer `*`
  • HUTFormer
  • DSformer
  • SBT
  • PETformer
  • TACTis-2
  • PrACTis(减少内存）
  • iTransformer
  • ContiFormer
  • BasisFormer
  • MTST
  • MultiResFormer
  • FPPformer
  • DOzerfomer
  • CSformer
  • MASTER
  • PCA + former `**`
  • PDF
  • Pathformer
  • VQ-TR

LogTrans * (有代码）

Transfomer相关最新研究_第1张图片

TFT （有代码）

Transfomer相关最新研究_第2张图片

InfluTran （有代码）

Transfomer相关最新研究_第3张图片

Informer *（有代码）（长时间）

Transfomer相关最新研究_第4张图片

ProTran

Autoformer ***（有代码）

Transfomer相关最新研究_第5张图片

Aliformer

Transfomer相关最新研究_第6张图片

Pyraformer （有代码）

Preformer （有代码）

Transfomer相关最新研究_第7张图片

FEDformer （有代码）

Transfomer相关最新研究_第8张图片

ETSformer （有代码）

Transfomer相关最新研究_第9张图片

TACTis （有代码）

Transfomer相关最新研究_第10张图片

Triformer （有代码）

Transfomer相关最新研究_第11张图片

TDformer （有代码）

Transfomer相关最新研究_第12张图片

Non-statitionary-Transformer

Transfomer相关最新研究_第13张图片

Scaleformer （有代码）

Transfomer相关最新研究_第14张图片

Quatformer (有代码）

Transfomer相关最新研究_第15张图片

Persistance Initialization

Transfomer相关最新研究_第16张图片

W-Transformers （有代码）

Transfomer相关最新研究_第17张图片

Crossformer （有代码）

Transfomer相关最新研究_第18张图片

PatchTST （有代码）

Transfomer相关最新研究_第19张图片

AirFormer *** (有代码）

Transfomer相关最新研究_第20张图片

TVT

Transfomer相关最新研究_第21张图片

Conformer （有代码）

Transfomer相关最新研究_第22张图片

PDFormer (有代码）

Transfomer相关最新研究_第23张图片

ViTST ( 有代码）

Transfomer相关最新研究_第24张图片

CARD

Transfomer相关最新研究_第25张图片

JTST

Transfomer相关最新研究_第26张图片

HSTTN *

Transfomer相关最新研究_第27张图片

Client （有代码）

Transfomer相关最新研究_第28张图片

Taylorformer (有代码）

Transfomer相关最新研究_第29张图片

Corrformer *** （有代码）

Transfomer相关最新研究_第30张图片

GCformer * （有代码）

Transfomer相关最新研究_第31张图片

SageFormer

Transfomer相关最新研究_第32张图片

DifFormer *

Transfomer相关最新研究_第33张图片

HUTFormer

Transfomer相关最新研究_第34张图片

DSformer

Transfomer相关最新研究_第35张图片

SBT

Transfomer相关最新研究_第36张图片

PETformer

Transfomer相关最新研究_第37张图片

TACTis-2

Transfomer相关最新研究_第38张图片

PrACTis(减少内存）

Transfomer相关最新研究_第39张图片

iTransformer

Transfomer相关最新研究_第40张图片

ContiFormer

Transfomer相关最新研究_第41张图片

BasisFormer

Transfomer相关最新研究_第42张图片

MTST

Transfomer相关最新研究_第43张图片

MultiResFormer

在这里插入图片描述

FPPformer

Transfomer相关最新研究_第44张图片

DOzerfomer

Transfomer相关最新研究_第45张图片

CSformer

Transfomer相关最新研究_第46张图片

MASTER

Transfomer相关最新研究_第47张图片

PCA + former **

Transfomer相关最新研究_第48张图片

PDF

Transfomer相关最新研究_第49张图片

Pathformer

Transfomer相关最新研究_第50张图片

VQ-TR

Transfomer相关最新研究_第51张图片

你可能感兴趣的:(transformer)

  • 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
  • 基于深度学习的目标检测算法综述：从RCNN到YOLOv13，一文看懂十年演进！ 人工智能教程 深度学习目标检测算法人工智能自动驾驶YOLO机器学习
    一、引言：目标检测的十年巨变2012年AlexNet拉开深度学习序幕，2014年RCNN横空出世，目标检测从此进入“深度时代”。十年间，算法从两阶段到单阶段，从Anchor-base到Anchor-free，从CNN到Transformer，从2D到3D，从监督学习到自监督学习，迭代速度之快令人目不暇接。本文将系统梳理基于深度学习的目标检测算法，带你全面了解技术演进、核心思想、代表算法、工业落地与
  • 视觉Transformer还有哪些点可以研究？怎么应用？ 计算机视觉工坊 3D视觉从入门到精通学习算法开源
    0.这篇文章干了啥？今天笔者为大家推荐一篇最新的综述，详细总结了Transformer的网络架构、优化策略、发展方向，还会定期更新Github，研究注意力机制的小伙伴一定不要错过。注意机制有助于人类视觉系统有效地分析和理解复杂场景，它能够聚焦于图像的关键区域，同时忽略无关紧要的部分。受此概念启发，注意机制已经被引入到计算机视觉（CV）中，以动态地为图像中的不同区域分配权重。这使得神经网络能够专注于
  • 【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（
  • Llama 2 模型架构深度解析：Transformer的进化 SuperAGI架构师的AI实验室 AI大模型应用开发宝典llama架构transformerai
    Llama2模型架构深度解析：Transformer的进化关键词：Llama2、Transformer、模型架构、进化、人工智能摘要：本文将深入剖析Llama2的模型架构，探讨它作为Transformer进化版本的独特之处。从背景知识的介绍，到核心概念的解释，再到算法原理、实战案例以及实际应用场景等方面，为读者全面展现Llama2的魅力和价值。通过通俗易懂的语言，让即使是对技术不太熟悉的读者也能理
  • 【Python】Python+sentence-transformers框架实现相似文本识别 宅男很神经 python开发语言
    第一章：文本相似度与语义表示概述在深入sentence-transformers框架之前，我们首先需要对文本相似度计算及其背后的核心概念——语义表示，有一个清晰且全面的理解。这构成了后续所有讨论的基础。1.1什么是文本相似度？1.1.1定义与重要性文本相似度（TextSimilarity）是指衡量两段文本（可以是词、短语、句子、段落或整个文档）在意义或内容上相近程度的指标。这种相近可以是字面上的（
  • 揭秘Transformer架构：残差流与隐藏层的关系 ZhangJiQun&MXP 教学2024大模型以及算力2021AIpythontransformer深度学习人工智能linux算法
    在Transformer架构的LLM中，“残差流”（residualstream）和“隐藏层”（hiddenlayers）是密切相关但不同的概念，前者是层间流动的核心数据，后者是处理这些数据的结构单元。1.残差流（ResidualStream）：层间传递的“信息流”残差流指的是在Transformer层之间传递的核心张量，它是模型中“流动”的数据载体。其本质是通过“残差连接”（residualco
  • 【代码问题】【模型部署】部署千问时，ImportError: Cannot import available module of Qwen2_5_VLForConditionalGeneration Catching Star pythonpytorch开发语言
    多半是环境的问题，最主要的是python版本要高python==3.12.9accelerate==1.8.1pipinstallqwen-vl-utils[decord]==0.0.8peft==0.14.0transformers==4.52.3torch==2.7.0torchvision==0.22.0modelscope==1.27.1
  • 人工智能自然语言处理：Transformer 模型详解 大力出奇迹985 人工智能自然语言处理transformer
    一、Transformer模型的诞生背景在自然语言处理的漫长征程中，早期的传统模型，如循环神经网络（RNN）及其变体长短时记忆网络（LSTM），曾占据主导地位。RNN试图通过依次处理序列中的每个元素，来捕捉上下文信息。但它存在一个致命弱点，在处理长序列时，会面临梯度消失或梯度爆炸的问题，就像一个长途跋涉的旅人，随着路程的增加，逐渐忘记了出发时的目标和重要信息。LSTM虽然在一定程度上缓解了这个问题
  • LightGBM+Transformer-LSTM多变量回归交通流量预测,附模型研究报告(Matlab) matlab科研助手 transformerlstm回归
    ✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。往期回顾关注个人主页：Matlab科研工作室个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。内容介绍交通流量预测作为智能交通系统（ITS）的核心组成部分，对城市规划、交通管理、交通诱导和出行决策具有至关重要的意义。准确、可靠的流量预测能够有效缓解交通拥堵，提高道路利用率，降
  • AAAI 2024 | TMFormer：用于缺失模态脑肿瘤分割的令牌合并Transformer 小白学视觉 医学图像处理论文解读transformer深度学习人工智能AAAI论文解读计算机顶会
    论文信息题目：TMFormer:TokenMergingTransformerforBrainTumorSegmentationwithMissingModalitiesTMFormer：用于缺失模态脑肿瘤分割的令牌合并Transformer作者：ZheyuZhang,GangYang,YueyiZhang,HuanjingYue,AipingLiu,YunweiOu,JianGong,Xiaoy
  • 【AIGC调研系列】敢于挑战Transformer的新架构Megalodon有什么优势 Zachary AI AIGC调研相关AIGCtransformer架构
    Megalodon作为一种新架构，其优势主要体现在以下几个方面：无限上下文处理能力：Megalodon能够处理无限上下文，这一点在多个证据中得到了强调[1][2][3]。这意味着它能够在处理长文本时保持高效和准确，而不会因为上下文长度的限制而降低性能。高性能：在2万亿token的训练任务中，Megalodon的性能超越了Llama2-7B，实现了非凡的效率[1][2][3]。这表明Megalodo
  • 大模型系列——长度外推 confiself 深度学习
    1.长度外推存在的问题1.长度外推存在不能识别的2.长度外推存在熵变问题3.长度内插入存在缩小距离分布2.直接使用外推技巧1.窗口局部关注+最终输出全局注意2.熵变+✖系数3.keynorm，增加模型识别距离能力4.增加bias，类似于SandwichTransformer升级之路：16、“复盘”长度外推技术
  • RoPE：相对位置编码的旋转革命——原理、演进与大模型应用全景 大千AI助手 人工智能Python#OTHER人工智能深度学习大模型算法RoPE位置编码相对位置
    “以复数旋转解锁位置关系的本质表达，让Transformer突破长度藩篱”旋转位置编码（RotaryPositionEmbedding,RoPE）是由JianlinSu等研究者于2021年提出的突破性位置编码方法，通过复数空间中的旋转操作将相对位置信息融入Transformer的自注意力机制，解决了传统位置编码在长序列建模中的外推瓶颈。该方法是当前主流大模型（如LLaMA、GPT-NeoX）的核心
  • 浅谈生成式AI语言模型的现状与展望
    摘要生成式人工智能语言模型作为当前人工智能领域最具突破性的技术之一，正在深刻改变着自然语言处理的技术范式和应用格局。本文从学术文献综述的角度，系统梳理了从Transformer架构到大语言模型的技术演进历程，深入分析了当前生成式AI语言模型的核心技术特征、应用现状以及面临的主要挑战，并展望了未来发展趋势。研究表明，生成式AI语言模型在参数规模扩展、多模态融合、推理能力提升等方面取得了显著进展，但仍
  • 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
  • Pytorch实现细节解析：Transformer模型的Encoder与Decoder逐行代码讲解 lazycatlove pytorchtransformer人工智能
    文章目录摘要一、Transformer1.1为什么要使用attention1.2Transformer的优点二、Transformer模型Encoder和Decoder原理讲解与其Pytorch逐行实现2.1wordembedding2.2单词索引构成源句子和目标句子2.3构建positionembedding2.4构造encoder的self-attentionmask2.5构造intra-at
  • 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
  • Transformer Masked loss原理精讲及其PyTorch逐行实现
    MaskedLoss的核心原理是：在计算损失函数时，只考虑真实有意义的词元（token），而忽略掉为了数据对齐而填充的无意义的填充词元（paddingtoken）。这是重要的技术，可以确保模型专注于学习有意义的任务，并得到一个正确的性能评估。1.原理精讲为什么需要MaskedLoss？在训练神经网络时，我们通常会用一个批次（batch）的数据进行训练，而不是一次只用一个样本。对于自然语言处理任务，
  • 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
  • LLM面试题详解：拿到大厂Offer ZhangJiQun&MXP 教学2024大模型以及算力2021AIpythontransformer深度学习人工智能
    LLM面试题核心架构与基本概念Token化包含哪些内容，为什么它对LLM至关重要？Token化是将文本分解为更小单元（如单词、词的一部分或字符）的过程。它对LLM至关重要，因为LLM处理的是token的数值版本，通过Token化，模型可以处理多种语言、稀有词汇，保持词汇表大小可管理，提高计算速度和模型有效性。注意力机制在Transformer模型中如何运作？注意力机制通过计算查询（query）、键
  • Transformer模型Decoder原理精讲及其PyTorch逐行实现 老鱼说AI transformerpytorch深度学习人工智能学习python
    原理：Decoder的核心是一个自回归(Auto-regressive)的生成器。它的任务是在给定源序列的编码表示(encoder_outputs)和已生成的目标序列部分(y_1,...,y_{t-1})的条件下，预测出下一个词y_t的概率分布。一个标准的DecoderLayer包含三个核心子层：1.带掩码的多头自注意力(MaskedMulti-HeadSelf-Attention):用于处理已生
  • 大模型训练全攻略：从数据到部署，小白也能看懂的技术手册
    最近总有人问：“我也想训练一个自己的大模型，该从哪儿下手？”其实大模型训练就像盖房子——得先备料（数据）、搭骨架（架构）、按图纸施工（训练），最后还要验收（评估）和维护（监控）。今天就用“工程思维”拆解全流程，从基础概念到平台工具，从参数配置到避坑指南，一文讲透。先了解一下基础的概念一、LLM的基本原理LLM的底层逻辑依赖于一个叫Transformer的神经网络架构（2017年由Google提出）
  • Transformer危！谷歌MoR架构发布：内存减半推理速度还翻倍 2501_92765346 transformer架构深度学习
    超越Transformer，谷歌推出全新底层架构——Mixture-of-Recursions（MoR），注意不是MoE，它能推理速度提高2倍，而KV内存直接减半！而且AllinOne，首次在单一框架中实现，用同一组参数处理不同任务的同时，进行动态分配计算资源。就像给LLM开了个双层增强buff，模型性能和效率全都要。谷歌DeepMind联合KAISTAI、Mila人团队通过统一参数共享、自适应递
  • stable diffusion No module named taming
    图片gan模型部署报错。pipinstalltaming-transformersImportError:cannotimportname'VectorQuantizer2'from'taming.modules.vqvae.quantize'，用https://github.com/CompVis/taming-transformers/blob/master/taming/modules/vq
  • ModuleNotFoundError: No module named ‘taming‘ lh_lyh taminglightning
    参考：https://stackoverflow.com/questions/69983020/modulenotfounderror-no-module-named-taming【问题】缺少taming模块，错误提示：ModuleNotFoundError:Nomodulenamed‘taming’【解决】pipinstalltaming-transformers若发现安装时因为pytorch_
  • 解决HPC环境下Python的持续性ModuleNotFoundError-No module named ‘taming‘ yang_li_wen python开发语言
    一、问题描述我们的目标是在一个HPC集群的计算节点上，通过提交作业脚本来执行一个依赖于taming-transformers库的Python程序。该程序的运行环境由Conda进行管理，且环境与项目代码均部署在所有节点均可访问的共享文件系统（/project和/scratch）上。尽管我们确认依赖包已在环境中安装，但在计算节点上执行脚本时，程序在尝试导入taming模块时（fromtaming.mo
  • 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
  • Python常用医疗AI库以及案例解析（场景化进阶版） Allen_Lyb pythonpython人工智能开发语言健康医疗
    框架应用拓扑图用例MONAISimpleITKBiopythonscanpyPyTorchscikit-learnLLaVA-MedTransformersFHIRFastAPIFlowerPySyft医学图像处理生物信息学模型训练多模态分析数据交换隐私保护部署应用医学图像处理
  • Python----大模型（ RAG的向量化（embedding）） 蹦蹦跳跳真可爱589 Python大模型pythonembedding开发语言人工智能
    一、向量化向量化是将非结构化数据（如文本、图像等）转化为数字表示的一种过程。在RAG中，通常会使用预训练的Transformer模型（如BERT、RoBERTa等）将文本表示为高维的向量。这些向量能够捕捉到数据的语义信息，从而在向量空间中表示相似性。两段相似的文本在向量空间中将非常接近。快速检索：向量化将文本转换为向量后，可以通过向量相似度算法（如余弦相似度）快速检索与查询相关的信息。语义理解：通
  • PHP，安卓，UI，java，linux视频教程合集 cocos2d-x小菜 javaUIlinuxPHPandroid
    ╔-----------------------------------╗┆                           
  • zookeeper admin 笔记 braveCS zookeeper
      Required Software 1) JDK>=1.6 2)推荐使用ensemble的ZooKeeper(至少3台)，并run on separate machines 3)在Yahoo!，zk配置在特定的RHEL boxes里，2个cpu，2G内存，80G硬盘   数据和日志目录 1)数据目录里的文件是zk节点的持久化备份，包括快照和事务日
  • Spring配置多个连接池 easterfly spring
    项目中需要同时连接多个数据库的时候，如何才能在需要用到哪个数据库就连接哪个数据库呢？ Spring中有关于dataSource的配置：     <bean id="dataSource" class="com.mchange.v2.c3p0.ComboPooledDataSource"   &nb
  • Mysql 171815164 mysql
    例如，你想myuser使用mypassword从任何主机连接到mysql服务器的话。 GRANT ALL PRIVILEGES ON *.* TO 'myuser'@'%'IDENTIFIED BY 'mypassword' WI TH GRANT OPTION; 如果你想允许用户myuser从ip为192.168.1.6的主机连接到mysql服务器，并使用mypassword作
  • CommonDAO（公共/基础DAO） g21121 DAO
            好久没有更新博客了，最近一段时间工作比较忙，所以请见谅，无论你是爱看呢还是爱看呢还是爱看呢，总之或许对你有些帮助。         DAO(Data Access Object)是一个数据访问（顾名思义就是与数据库打交道）接口，DAO一般在业
  • 直言有讳 永夜-极光 感悟随笔
      1.转载地址:http://blog.csdn.net/jasonblog/article/details/10813313   精华: “直言有讳”是阿里巴巴提倡的一种观念，而我在此之前并没有很深刻的认识。为什么呢？就好比是读书时候做阅读理解，我喜欢我自己的解读，并不喜欢老师给的意思。在这里也是。我自己坚持的原则是互相尊重，我觉得阿里巴巴很多价值观其实是基本的做人
  • 安装CentOS 7 和Win 7后，Win7 引导丢失 随便小屋 centos
    一般安装双系统的顺序是先装Win7，然后在安装CentOS，这样CentOS可以引导WIN 7启动。但安装CentOS7后，却找不到Win7 的引导，稍微修改一点东西即可。 一、首先具有root 的权限。      即进入Terminal后输入命令su，然后输入密码即可 二、利用vim编辑器打开/boot/grub2/grub.cfg文件进行修改 v
  • Oracle备份与恢复案例 aijuans oracle
    Oracle备份与恢复案例 一. 理解什么是数据库恢复当我们使用一个数据库时，总希望数据库的内容是可靠的、正确的，但由于计算机系统的故障（硬件故障、软件故障、网络故障、进程故障和系统故障）影响数据库系统的操作，影响数据库中数据的正确性，甚至破坏数据库，使数据库中全部或部分数据丢失。因此当发生上述故障后，希望能重构这个完整的数据库，该处理称为数据库恢复。恢复过程大致可以分为复原(Restore)与
  • JavaEE开源快速开发平台G4Studio v5.0发布 無為子
      我非常高兴地宣布,今天我们最新的JavaEE开源快速开发平台G4Studio_V5.0版本已经正式发布。   访问G4Studio网站 http://www.g4it.org   2013-04-06 发布G4Studio_V5.0版本 功能新增 (1). 新增了调用Oracle存储过程返回游标，并将游标映射为Java List集合对象的标
  • Oracle显示根据高考分数模拟录取 百合不是茶 PL/SQL编程oracle例子模拟高考录取学习交流
    题目要求: 1,创建student表和result表 2,pl/sql对学生的成绩数据进行处理 3,处理的逻辑是根据每门专业课的最低分线和总分的最低分数线自动的将录取和落选     1,创建student表,和result表 学生信息表; create table student( student_id number primary key,--学生id
  • 优秀的领导与差劲的领导 bijian1013 领导管理团队
    责任 优秀的领导：优秀的领导总是对他所负责的项目担负起责任。如果项目不幸失败了，那么他知道该受责备的人是他自己，并且敢于承认错误。 差劲的领导：差劲的领导觉得这不是他的问题，因此他会想方设法证明是他的团队不行，或是将责任归咎于团队中他不喜欢的那几个成员身上。 努力工作 优秀的领导：团队领导应该是团队成员的榜样。至少，他应该与团队中的其他成员一样努力工作。这仅仅因为他
  • js函数在浏览器下的兼容 Bill_chen jquery浏览器IEDWRext
      做前端开发的工程师，少不了要用FF进行测试，纯js函数在不同浏览器下，名称也可能不同。对于IE6和FF，取得下一结点的函数就不尽相同：   IE6：node.nextSibling,对于FF是不能识别的；   FF：node.nextElementSibling,对于IE是不能识别的； 兼容解决方式：var Div = node.nextSibl
  • 【JVM四】老年代垃圾回收：吞吐量垃圾收集器(Throughput GC) bit1129 垃圾回收
    吞吐量与用户线程暂停时间   衡量垃圾回收算法优劣的指标有两个： 吞吐量越高，则算法越好 暂停时间越短，则算法越好 首先说明吞吐量和暂停时间的含义。   垃圾回收时，JVM会启动几个特定的GC线程来完成垃圾回收的任务，这些GC线程与应用的用户线程产生竞争关系，共同竞争处理器资源以及CPU的执行时间。GC线程不会对用户带来的任何价值，因此，好的GC应该占
  • J2EE监听器和过滤器基础 白糖_ J2EE
    Servlet程序由Servlet，Filter和Listener组成，其中监听器用来监听Servlet容器上下文。 监听器通常分三类：基于Servlet上下文的ServletContex监听，基于会话的HttpSession监听和基于请求的ServletRequest监听。   ServletContex监听器 ServletContex又叫application
  • 博弈AngularJS讲义(16) - 提供者 boyitech jsAngularJSapiAngularProvider
      Angular框架提供了强大的依赖注入机制，这一切都是有注入器(injector)完成. 注入器会自动实例化服务组件和符合Angular API规则的特殊对象，例如控制器，指令，过滤器动画等。   那注入器怎么知道如何去创建这些特殊的对象呢？ Angular提供了5种方式让注入器创建对象，其中最基础的方式就是提供者(provider), 其余四种方式(Value, Fac
  • java-写一函数f(a,b)，它带有两个字符串参数并返回一串字符，该字符串只包含在两个串中都有的并按照在a中的顺序。 bylijinnan java
    public class CommonSubSequence { /** * 题目：写一函数f(a,b)，它带有两个字符串参数并返回一串字符，该字符串只包含在两个串中都有的并按照在a中的顺序。 * 写一个版本算法复杂度O(N^2)和一个O(N) 。 * * O(N^2)：对于a中的每个字符，遍历b中的每个字符，如果相同，则拷贝到新字符串中。 * O(
  • sqlserver 2000 无法验证产品密钥 Chen.H sqlwindowsSQL ServerMicrosoft
    在 Service Pack 4 (SP 4), 是运行 Microsoft Windows Server 2003、 Microsoft Windows Storage Server 2003 或 Microsoft Windows 2000 服务器上您尝试安装 Microsoft SQL Server 2000 通过卷许可协议 (VLA) 媒体。 这样做, 收到以下错误信息CD KEY的 SQ
  • [新概念武器]气象战争 comsci
           气象战争的发动者必须是拥有发射深空航天器能力的国家或者组织....        原因如下:        地球上的气候变化和大气层中的云层涡旋场有密切的关系,而维持一个在大气层某个层次
  • oracle 中 rollup、cube、grouping 使用详解 daizj oraclegroupingrollupcube
    oracle 中 rollup、cube、grouping 使用详解 -- 使用oracle 样例表演示 转自namesliu -- 使用oracle 的样列库，演示 rollup, cube, grouping 的用法与使用场景    --- ROLLUP ， 为了理解分组的成员数量，我增加了 分组的计数  COUNT(SAL)   
  • 技术资料汇总分享 Dead_knight 技术资料汇总 分享
    本人汇总的技术资料，分享出来，希望对大家有用。 http://pan.baidu.com/s/1jGr56uE 资料主要包含： Workflow->工作流相关理论、框架(OSWorkflow、JBPM、Activiti、fireflow...) Security->java安全相关资料(SSL、SSO、SpringSecurity、Shiro、JAAS...) Ser
  • 初一下学期难记忆单词背诵第一课 dcj3sjt126com englishword
    could 能够 minute 分钟 Tuesday 星期二 February 二月 eighteenth 第十八 listen 听 careful 小心的，仔细的 short 短的 heavy 重的 empty 空的 certainly 当然 carry 携带；搬运 tape 磁带 basket 蓝子 bottle 瓶 juice 汁，果汁 head 头；头部
  • 截取视图的图片, 然后分享出去 dcj3sjt126com OSObjective-C
    OS 7 has a new method that allows you to draw a view hierarchy into the current graphics context. This can be used to get an UIImage very fast. I implemented a category method on UIView to get the vi
  • MySql重置密码 fanxiaolong MySql重置密码
    方法一:  在my.ini的[mysqld]字段加入： skip-grant-tables 重启mysql服务，这时的mysql不需要密码即可登录数据库  然后进入mysql mysql>use mysql;  mysql>更新 user set password=password('新密码') WHERE User='root'; mysq
  • Ehcache（03）——Ehcache中储存缓存的方式 234390216 ehcacheMemoryStoreDiskStore存储驱除策略
    Ehcache中储存缓存的方式   目录 1     堆内存（MemoryStore） 1.1     指定可用内存 1.2     驱除策略 1.3     元素过期 2   &nbs
  • spring mvc中的@propertysource jackyrong spring mvc
      在spring mvc中，在配置文件中的东西，可以在java代码中通过注解进行读取了： @PropertySource  在spring 3.1中开始引入 比如有配置文件 config.properties mongodb.url=1.2.3.4 mongodb.db=hello 则代码中   @PropertySource(&
  • 重学单例模式 lanqiu17 单例Singleton模式
    最近在重新学习设计模式，感觉对模式理解更加深刻。觉得有必要记下来。 第一个学的就是单例模式，单例模式估计是最好理解的模式了。它的作用就是防止外部创建实例，保证只有一个实例。 单例模式的常用实现方式有两种，就人们熟知的饱汉式与饥汉式，具体就不多说了。这里说下其他的实现方式 静态内部类方式: package test.pattern.singleton.statics; publ
  • .NET开源核心运行时，且行且珍惜 netcome java.net开源
    背景 2014年11月12日，ASP.NET之父、微软云计算与企业级产品工程部执行副总裁Scott Guthrie，在Connect全球开发者在线会议上宣布，微软将开源全部.NET核心运行时，并将.NET 扩展为可在 Linux 和 Mac OS 平台上运行。.NET核心运行时将基于MIT开源许可协议发布，其中将包括执行.NET代码所需的一切项目——CLR、JIT编译器、垃圾收集器（GC）和核心
  • 使用oscahe缓存技术减少与数据库的频繁交互 Everyday都不同 Web高并发oscahe缓存
    此前一直不知道缓存的具体实现，只知道是把数据存储在内存中，以便下次直接从内存中读取。对于缓存的使用也没有概念，觉得缓存技术是一个比较”神秘陌生“的领域。但最近要用到缓存技术，发现还是很有必要一探究竟的。   缓存技术使用背景：一般来说，对于web项目，如果我们要什么数据直接jdbc查库好了，但是在遇到高并发的情形下，不可能每一次都是去查数据库，因为这样在高并发的情形下显得不太合理——
  • Spring+Mybatis 手动控制事务 toknowme mybatis
    @Override    public boolean testDelete(String jobCode) throws Exception {       boolean flag = false;  &nbs
  • 菜鸟级的android程序员面试时候需要掌握的知识点 xp9802 android
    熟悉Android开发架构和API调用 掌握APP适应不同型号手机屏幕开发技巧 熟悉Android下的数据存储  熟练Android Debug Bridge Tool 熟练Eclipse/ADT及相关工具  熟悉Android框架原理及Activity生命周期 熟练进行Android UI布局 熟练使用SQLite数据库； 熟悉Android下网络通信机制，S
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他