- 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+<
- Mamba架构的模型 (内容由deepseek辅助汇总)
Jiang_Immortals
人工智能
基于Mamba架构的模型近年来在效率和性能上展现出显著突破,以下按架构类型分类列出当前表现最出色的代表模型及其核心特点:一、纯SSM架构模型FalconMamba-7B关键创新:首个通用大规模纯Mamba模型,由阿布扎比TII开发,基于Mamba-1改进,增加RMS归一化层提升训练稳定性13。性能表现:在综合基准(IFEval、BBH、MMLU-PRO等)平均得分15.04,超越Llama3.1-
- 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
- 【Ollama】大模型本地部署与 Java 项目调用指南
科马
LLMjava开发语言llama语言模型
Ollama大模型本地部署与Java项目调用指南一、引言背景介绍Ollama是一个轻量级的大语言模型部署工具,支持快速在本地拉取、运行主流开源模型(如LLaMA3、Mistral、Gemma等)。它简化了模型部署的过程,内置RESTfulAPI,使得开发者可以像调用本地服务一样使用强大的大模型能力。本文将介绍如何在本地部署Ollama模型,并通过Java项目调用Ollama提供的API接口,实现本
- 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
- 9、LLaMA-Factory项目微调介绍
Andy_shenzl
大模型学习llamaLLaMAFactory微调大模型LoRA
1、LLaMAFactory介绍 LLaMAFactory是一个在GitHub上开源的项目,该项目给自身的定位是:提供一个易于使用的大语言模型(LLM)微调框架,支持LLaMA、Baichuan、Qwen、ChatGLM等架构的大模型。更细致的看,该项目提供了从预训练、指令微调到RLHF阶段的开源微调解决方案。截止目前(2024年3月1日)支持约120+种不同的模型和内置了60+的数据集,同时封
- 【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
- 【AIGC半月报】AIGC大模型启元:2024.04(下)
AIGC大模型启元:2024.04(下)(1)Llama-3(MetaLLM)(2)Eurux-8x22B(面壁智能)(3)MEGALODON(Meta上下文长度不受限的神经网络架构)(4)Phi-3Mini(微软-最强小参数大模型)(5)日日新5.0(商汤大模型5.0版)(6)中文版Llama3(7)Qwen1.5-110B(国产Llama3)(8)Vidu(国产Sora)(1)Llama-3(
- 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
- 深度解析:Meta148亿美元收购Scale AI,扎克伯格的AI翻身仗能成功吗?
Code_流苏
AI知识图谱人工智能MetaScaleAIAI竞赛数据标注收购
名人说:博观而约取,厚积而薄发。——苏轼《稼说送张琥》创作者:Code_流苏(CSDN)(一个喜欢古诗词和编程的Coder)目录一、史上最大AI收购案之一:148亿美元的收购1.交易规模史无前例2.不只是钱的问题3.为什么是49%?二、Meta的AI困境:为什么扎克伯格如此焦虑?1.Llama4的"滑铁卢"2.人才流失较重3.数据质量的"阿喀琉斯之踵"4.扎克伯格的"创始人模式"三、ScaleAI
- 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
- LLaMA-Factory快速入门
@BangBang
LLMllama
文章目录1.背景2.环境准备2.1硬件要求2.2CUDA和Pytorch环境2.3模型下载2.4模型推理3.自定义数据集构建4.基于LoRA的sft指令微调4.1Lora微调训练4.2动态合并LoRA的推理4.3训练效果评估4.4LoRA模型合并导出5.webuiboard的使用5.1使用介绍5.2APIServer的启动与调用6进阶6.1大模型主流评测benchmark6.2部署Ollama1.
- 【运维】SGLang服务器参数配置详解
EulerBlind
LLM服务器运维网络
SGLang是一个高性能的大语言模型推理框架,提供了丰富的服务器参数配置选项。本文将基于官方文档详细介绍SGLang服务器的各种参数配置,帮助开发者更好地优化模型推理性能。常用启动命令多GPU张量并行python-msglang.launch_server--model-pathmeta-llama/Meta-Llama-3-8B-Instruct--tp2多GPU数据并行python-msgla
- 深入解析LoRA:低秩适应的高效大模型微调技术
Zhong Yang
大模型微调人工智能机器学习算法
1.背景与动机随着大语言模型(如GPT-3、Llama)的参数规模突破千亿级,传统全参数微调面临三大挑战:显存爆炸:微调70B模型需数千GB显存(如Llama-270B全微调需1.2TB显存)计算成本:全参数微调的计算量随模型规模呈二次增长过拟合风险:大规模模型对少量下游数据易产生过拟合LoRA(Low-RankAdaptation)由微软研究院提出,通过低秩矩阵分解技术,将微调参数量压缩至原模型
- *SFT深度实践指南:从数据构建到模型部署的全流程解析
大千AI助手
人工智能Python#OTHER人工智能深度学习算法大模型SFT微调Lora
一、SFT技术原理与定位核心定义SFT是在预训练语言模型(如LLaMA、GPT)基础上,利用标注数据优化模型以适应特定任务的技术。其本质是通过调整模型参数,将通用语言能力迁移至专业领域(如法律、医疗)或任务(如对话生成、代码补全)。与预训练的区别预训练:使用无标注数据(如维基百科)学习通用表征,消耗千亿级token算力。SFT:使用标注数据(如指令-答案对)进行任务适配,成本仅为预训练的1/100
- 【RAG专题】如何选择合适的RAG架构?
星际棋手
人工智能
选择适合的RAG架构需结合自身业务需求、数据特点、性能要求等因素综合判断,以下是关键考量维度及对应架构选择建议:1.按数据规模与类型选择•小规模、单一类型数据(如纯文本文档库):适合基础单阶段检索架构(检索模块+生成模块)。◦检索:用轻量级嵌入模型(如BGE-base、all-MiniLM)+简单向量数据库(如FAISS)。◦生成:搭配中小型LLM(如Llama2-7B、Mistral),无需复杂
- 6、LangChain —— 使用 Huggingface 中的开源模型
Miyazaki_Hayao
LangChain实战langchain
文章目录一、概述二、大语言模型发展史三、预训练+微调的模式四、用HuggingFace跑开源模型五、申请使用Meta的Llama2模型六、通过HuggingFace调用Llama七、LangChain和HuggingFace的接口1、通过HuggingFaceHub2、通过HuggingFacePipeline八、用LangChain调用自定义语言模型一、概述 大语言模型,不止ChatGPT一种。
- 大模型或多模态在能源系统优化调度中的应用
u013250861
LLM能源人工智能
1.大模型在电力调度中的应用GAIA-电力调度大语言模型项目描述:专为电力调度设计的大语言模型,能够处理运行调整、运行监控和黑启动等任务技术特点:基于LLaMA2微调,专门针对电力系统领域优化论文:“Alargelanguagemodelforadvancedpowerdispatch”(NatureScientificReports,2025)GitHub:暂未公开源代码,但论文中提到了完整的技
- 大模型格式
目录大模型格式:ollma可以加载ggufChatGPT说:什么是GGUF?大模型格式:Ollama模型格式只能运行已打包成.gguf格式的模型,或通过其Modelfile方式构建ModelScope模型格式大多使用HuggingFaceTransformers格式,如.bin、.safetensors,与Ollama不兼容模型加载方式不同Ollama自带封装推理引擎(ggml/llama.cpp
- 本地部署 Kimi K2 全指南(llama.cpp、vLLM、Docker 三法)
迎风斯黄
llamadocker容器kimi
KimiK2是MoonshotAI于2025年7月11日发布的高性能多专家语言模型(MoE),支持最大128K上下文,激活参数规模为32B,具备极强的推理、代码生成与多轮对话能力。自从其权重以多种格式开源以来,许多开发者希望将其部署在本地,以获得更高的私密性和灵活性。本文将详细介绍三种主流本地部署路径,并提供完整的配置步骤和使用建议。准备工作(通用部分)在进行部署前,请准备如下环境与资源:✅最低硬
- 大模型本地部署-dify私有化部署-教程
一、简介dify是一个开源的LLM应用开发平台。其直观的界面结合了AI工作流、RAG管道、Agent、模型管理、可观测性功能等,可以让您快速从原型到生产。二、核心功能列表1、工作流:在画布上构建和测试功能强大的AI工作流程。2、全面的模型支持:与数百种专有/开源LLMs以及数十种推理提供商和自托管解决方案无缝集成,涵盖GPT、Mistral、Llama3以及任何与OpenAIAPI兼容的模型。完整
- LLM系统性学习完全指南(初学者必看系列)
GA琥珀
LLM学习人工智能语言模型
前言这篇文章将系统性的讲解LLM(LargeLanguageModels,LLM)的知识和应用。我们将从支撑整个领域的数学与机器学习基石出发,逐步剖析自然语言处理(NLP)的经典范式,深入探究引发革命的Transformer架构,并按时间顺序追溯从BERT、GPT-2到GPT-4、Llama及Gemini等里程碑式模型的演进。随后,我们将探讨如何将这些强大的基础模型转化为实用、安全的应用,涵盖对齐
- Llama-Omni会说话的人工智能“语音到语音LLM” 利用低延迟、高质量语音转语音 AI 彻底改变对话方式(教程含源码)
知识大胖
NVIDIAGPU和大语言模型开发教程llama人工智能nvidiallm
介绍“单靠技术是不够的——技术与文科、人文学科的结合,才能产生让我们心花怒放的成果。”——史蒂夫·乔布斯近年来,人机交互领域发生了重大变化,尤其是随着ChatGPT、GPT-4等大型语言模型(LLM)的出现。虽然这些模型主要基于文本,但人们对语音交互的兴趣日益浓厚,以使人机对话更加无缝和自然。然而,实现语音交互而不受语音转文本处理中常见的延迟和错误的影响仍然是一个挑战。关键字:Llama-Omni
- 【实战AI】macbook M1 本地ollama运行deepseek
东方鲤鱼
chatAImacosaillamaAIGCchatgpt
由于deepseek官网或者Aapi调用会有网络延迟或不响应的情况,故在本地搭建部署;前提条件1.由于需要拉取开源镜像,受网络限制,部分资源在前提中会下载的更快!请自行;2.设备macbookM132G下载ollamaOllama是一款跨平台推理框架客户端(MacOS、Windows、Linux),专为无缝部署大型语言模型(LLM)(如Llama2、Mistral、Llava等)而设计。通过一键式
- 在mac m1基于llama.cpp运行deepseek
lama.cpp是一个高效的机器学习推理库,目标是在各种硬件上实现LLM推断,保持最小设置和最先进性能。llama.cpp支持1.5位、2位、3位、4位、5位、6位和8位整数量化,通过ARMNEON、Accelerate和Metal支持Apple芯片,使得在MACM1处理器上运行Deepseek大模型成为可能。1下载llama.cppgitclonehttps://github.com/ggerg
- LLaMA 学习笔记
AI算法网奇
深度学习基础人工智能深度学习
目录LLaMA模型结构:模型微调手册:推理示例:指定位置加载模型测试ok:模型下载:llama-stack下载modelscope下载LLaMA优化技术RMSNormSwiGLU激活函数旋转位置编码(RoPE)LLaMA模型结构:llama3结构详解-CSDN博客模型微调手册:大模型微调LLaMA详细指南(准备环境、数据、配置微调参数+微调过程)_llama微调-CSDN博客显存占用:FP16/B
- LLaMA-Omni 深度解析:打开通往无缝人机语音交互的大门
kakaZhui
前沿多模态大模型:论文与实战llama交互LLMTTS语音识别语音合成人工智能
一、引言:语音交互大模型今天我们来看语音交互大模型LLaMA-Omni,它由中国科学院计算技术研究所的研究者们推出,是一个基于强大的Llama-3.1-8B-Instruct构建的语音语言模型。LLaMA-Omni不仅实现了低至226ms的惊人交互延迟,还能同时生成高质量的文本与语音回复,真正意义上让大语言模型(LLM)具备了“听说”的能力。这篇博客将带你由浅入深,全方位地探索LLaMA-Omni
- llama-factory微调Qwen2.5-7B-instruct实战,看这一篇就够了!!!(含windows和linux)
亚伯拉罕·黄肯
大模型llama人工智能大模型llamafactory微调Qwen
一.安装llama-factoryllama-factort的网站:https://github.com/hiyouga/LLaMA-Factory安装llama-factory很简单,打开github后滑到安装LLaMAFactory跟着步骤走即可。安装LLaMAFactorygitclone--depth1https://github.com/hiyouga/LLaMA-Factory.git
- 在LLM快速迭代时代构建持久AI应用:架构设计与实施策略
引言:技术浪潮下的开发困境大型语言模型(LLM)的发展速度令人瞠目:从GPT-3到GPT-4,从Claude1到Claude3,从Llama1到Llama3,迭代周期正在从"年"缩短到"月"。作为一名AI应用开发者,我亲身经历了这种技术浪潮带来的挑战:昨天精心调优的prompt今天可能失效;上个季度集成的模型这个季度已有更优选择;刚完成的功能设计瞬间被新模型的能力超越。在如此快速变化的环境中,如何
- 零代码玩转大模型!LLaMA Factory:你的专属模型精修师
jane_xing
人工智能llama
你是否曾对大语言模型(LLM)的强大能力心驰神往,却苦于以下难题?想定制专属模型?微调代码看不懂,环境配置太复杂…硬件资源有限?动辄需要数张A100,普通设备望而却步…中文任务不给力?原生模型中文理解弱,效果难达预期…部署门槛高?模型优化、压缩、服务化步步是坎?好消息是:LLaMAFactory来拯救你啦!它就像一家功能齐全的“模型精修店”,让你无需深厚AI功底,也能轻松定制、优化和部署大模型!一
- Java常用排序算法/程序员必须掌握的8大排序算法
cugfy
java
分类:
1)插入排序(直接插入排序、希尔排序)
2)交换排序(冒泡排序、快速排序)
3)选择排序(直接选择排序、堆排序)
4)归并排序
5)分配排序(基数排序)
所需辅助空间最多:归并排序
所需辅助空间最少:堆排序
平均速度最快:快速排序
不稳定:快速排序,希尔排序,堆排序。
先来看看8种排序之间的关系:
1.直接插入排序
(1
- 【Spark102】Spark存储模块BlockManager剖析
bit1129
manager
Spark围绕着BlockManager构建了存储模块,包括RDD,Shuffle,Broadcast的存储都使用了BlockManager。而BlockManager在实现上是一个针对每个应用的Master/Executor结构,即Driver上BlockManager充当了Master角色,而各个Slave上(具体到应用范围,就是Executor)的BlockManager充当了Slave角色
- linux 查看端口被占用情况详解
daizj
linux端口占用netstatlsof
经常在启动一个程序会碰到端口被占用,这里讲一下怎么查看端口是否被占用,及哪个程序占用,怎么Kill掉已占用端口的程序
1、lsof -i:port
port为端口号
[root@slave /data/spark-1.4.0-bin-cdh4]# lsof -i:8080
COMMAND PID USER FD TY
- Hosts文件使用
周凡杨
hostslocahost
一切都要从localhost说起,经常在tomcat容器起动后,访问页面时输入http://localhost:8088/index.jsp,大家都知道localhost代表本机地址,如果本机IP是10.10.134.21,那就相当于http://10.10.134.21:8088/index.jsp,有时候也会看到http: 127.0.0.1:
- java excel工具
g21121
Java excel
直接上代码,一看就懂,利用的是jxl:
import java.io.File;
import java.io.IOException;
import jxl.Cell;
import jxl.Sheet;
import jxl.Workbook;
import jxl.read.biff.BiffException;
import jxl.write.Label;
import
- web报表工具finereport常用函数的用法总结(数组函数)
老A不折腾
finereportweb报表函数总结
ADD2ARRAY
ADDARRAY(array,insertArray, start):在数组第start个位置插入insertArray中的所有元素,再返回该数组。
示例:
ADDARRAY([3,4, 1, 5, 7], [23, 43, 22], 3)返回[3, 4, 23, 43, 22, 1, 5, 7].
ADDARRAY([3,4, 1, 5, 7], "测试&q
- 游戏服务器网络带宽负载计算
墙头上一根草
服务器
家庭所安装的4M,8M宽带。其中M是指,Mbits/S
其中要提前说明的是:
8bits = 1Byte
即8位等于1字节。我们硬盘大小50G。意思是50*1024M字节,约为 50000多字节。但是网宽是以“位”为单位的,所以,8Mbits就是1M字节。是容积体积的单位。
8Mbits/s后面的S是秒。8Mbits/s意思是 每秒8M位,即每秒1M字节。
我是在计算我们网络流量时想到的
- 我的spring学习笔记2-IoC(反向控制 依赖注入)
aijuans
Spring 3 系列
IoC(反向控制 依赖注入)这是Spring提出来了,这也是Spring一大特色。这里我不用多说,我们看Spring教程就可以了解。当然我们不用Spring也可以用IoC,下面我将介绍不用Spring的IoC。
IoC不是框架,她是java的技术,如今大多数轻量级的容器都会用到IoC技术。这里我就用一个例子来说明:
如:程序中有 Mysql.calss 、Oracle.class 、SqlSe
- 高性能mysql 之 选择存储引擎(一)
annan211
mysqlInnoDBMySQL引擎存储引擎
1 没有特殊情况,应尽可能使用InnoDB存储引擎。 原因:InnoDB 和 MYIsAM 是mysql 最常用、使用最普遍的存储引擎。其中InnoDB是最重要、最广泛的存储引擎。她 被设计用来处理大量的短期事务。短期事务大部分情况下是正常提交的,很少有回滚的情况。InnoDB的性能和自动崩溃 恢复特性使得她在非事务型存储的需求中也非常流行,除非有非常
- UDP网络编程
百合不是茶
UDP编程局域网组播
UDP是基于无连接的,不可靠的传输 与TCP/IP相反
UDP实现私聊,发送方式客户端,接受方式服务器
package netUDP_sc;
import java.net.DatagramPacket;
import java.net.DatagramSocket;
import java.net.Ine
- JQuery对象的val()方法执行结果分析
bijian1013
JavaScriptjsjquery
JavaScript中,如果id对应的标签不存在(同理JAVA中,如果对象不存在),则调用它的方法会报错或抛异常。在实际开发中,发现JQuery在id对应的标签不存在时,调其val()方法不会报错,结果是undefined。
- http请求测试实例(采用json-lib解析)
bijian1013
jsonhttp
由于fastjson只支持JDK1.5版本,因些对于JDK1.4的项目,可以采用json-lib来解析JSON数据。如下是http请求的另外一种写法,仅供参考。
package com;
import java.util.HashMap;
import java.util.Map;
import
- 【RPC框架Hessian四】Hessian与Spring集成
bit1129
hessian
在【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中介绍了基于Hessian的RPC服务的实现步骤,在那里使用Hessian提供的API完成基于Hessian的RPC服务开发和客户端调用,本文使用Spring对Hessian的集成来实现Hessian的RPC调用。
定义模型、接口和服务器端代码
|---Model
&nb
- 【Mahout三】基于Mahout CBayes算法的20newsgroup流程分析
bit1129
Mahout
1.Mahout环境搭建
1.下载Mahout
http://mirror.bit.edu.cn/apache/mahout/0.10.0/mahout-distribution-0.10.0.tar.gz
2.解压Mahout
3. 配置环境变量
vim /etc/profile
export HADOOP_HOME=/home
- nginx负载tomcat遇非80时的转发问题
ronin47
nginx负载后端容器是tomcat(其它容器如WAS,JBOSS暂没发现这个问题)非80端口,遇到跳转异常问题。解决的思路是:$host:port
详细如下:
该问题是最先发现的,由于之前对nginx不是特别的熟悉所以该问题是个入门级别的:
? 1 2 3 4 5
- java-17-在一个字符串中找到第一个只出现一次的字符
bylijinnan
java
public class FirstShowOnlyOnceElement {
/**Q17.在一个字符串中找到第一个只出现一次的字符。如输入abaccdeff,则输出b
* 1.int[] count:count[i]表示i对应字符出现的次数
* 2.将26个英文字母映射:a-z <--> 0-25
* 3.假设全部字母都是小写
*/
pu
- mongoDB 复制集
开窍的石头
mongodb
mongo的复制集就像mysql的主从数据库,当你往其中的主复制集(primary)写数据的时候,副复制集(secondary)会自动同步主复制集(Primary)的数据,当主复制集挂掉以后其中的一个副复制集会自动成为主复制集。提供服务器的可用性。和防止当机问题
mo
- [宇宙与天文]宇宙时代的经济学
comsci
经济
宇宙尺度的交通工具一般都体型巨大,造价高昂。。。。。
在宇宙中进行航行,近程采用反作用力类型的发动机,需要消耗少量矿石燃料,中远程航行要采用量子或者聚变反应堆发动机,进行超空间跳跃,要消耗大量高纯度水晶体能源
以目前地球上国家的经济发展水平来讲,
- Git忽略文件
Cwind
git
有很多文件不必使用git管理。例如Eclipse或其他IDE生成的项目文件,编译生成的各种目标或临时文件等。使用git status时,会在Untracked files里面看到这些文件列表,在一次需要添加的文件比较多时(使用git add . / git add -u),会把这些所有的未跟踪文件添加进索引。
==== ==== ==== 一些牢骚
- MySQL连接数据库的必须配置
dashuaifu
mysql连接数据库配置
MySQL连接数据库的必须配置
1.driverClass:com.mysql.jdbc.Driver
2.jdbcUrl:jdbc:mysql://localhost:3306/dbname
3.user:username
4.password:password
其中1是驱动名;2是url,这里的‘dbna
- 一生要养成的60个习惯
dcj3sjt126com
习惯
一生要养成的60个习惯
第1篇 让你更受大家欢迎的习惯
1 守时,不准时赴约,让别人等,会失去很多机会。
如何做到:
①该起床时就起床,
②养成任何事情都提前15分钟的习惯。
③带本可以随时阅读的书,如果早了就拿出来读读。
④有条理,生活没条理最容易耽误时间。
⑤提前计划:将重要和不重要的事情岔开。
⑥今天就准备好明天要穿的衣服。
⑦按时睡觉,这会让按时起床更容易。
2 注重
- [介绍]Yii 是什么
dcj3sjt126com
PHPyii2
Yii 是一个高性能,基于组件的 PHP 框架,用于快速开发现代 Web 应用程序。名字 Yii (读作 易)在中文里有“极致简单与不断演变”两重含义,也可看作 Yes It Is! 的缩写。
Yii 最适合做什么?
Yii 是一个通用的 Web 编程框架,即可以用于开发各种用 PHP 构建的 Web 应用。因为基于组件的框架结构和设计精巧的缓存支持,它特别适合开发大型应
- Linux SSH常用总结
eksliang
linux sshSSHD
转载请出自出处:http://eksliang.iteye.com/blog/2186931 一、连接到远程主机
格式:
ssh name@remoteserver
例如:
ssh
[email protected]
二、连接到远程主机指定的端口
格式:
ssh name@remoteserver -p 22
例如:
ssh i
- 快速上传头像到服务端工具类FaceUtil
gundumw100
android
快速迭代用
import java.io.DataOutputStream;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.IOExceptio
- jQuery入门之怎么使用
ini
JavaScripthtmljqueryWebcss
jQuery的强大我何问起(个人主页:hovertree.com)就不用多说了,那么怎么使用jQuery呢?
首先,下载jquery。下载地址:http://hovertree.com/hvtart/bjae/b8627323101a4994.htm,一个是压缩版本,一个是未压缩版本,如果在开发测试阶段,可以使用未压缩版本,实际应用一般使用压缩版本(min)。然后就在页面上引用。
- 带filter的hbase查询优化
kane_xie
查询优化hbaseRandomRowFilter
问题描述
hbase scan数据缓慢,server端出现LeaseException。hbase写入缓慢。
问题原因
直接原因是: hbase client端每次和regionserver交互的时候,都会在服务器端生成一个Lease,Lease的有效期由参数hbase.regionserver.lease.period确定。如果hbase scan需
- java设计模式-单例模式
men4661273
java单例枚举反射IOC
单例模式1,饿汉模式
//饿汉式单例类.在类初始化时,已经自行实例化
public class Singleton1 {
//私有的默认构造函数
private Singleton1() {}
//已经自行实例化
private static final Singleton1 singl
- mongodb 查询某一天所有信息的3种方法,根据日期查询
qiaolevip
每天进步一点点学习永无止境mongodb纵观千象
// mongodb的查询真让人难以琢磨,就查询单天信息,都需要花费一番功夫才行。
// 第一种方式:
coll.aggregate([
{$project:{sendDate: {$substr: ['$sendTime', 0, 10]}, sendTime: 1, content:1}},
{$match:{sendDate: '2015-
- 二维数组转换成JSON
tangqi609567707
java二维数组json
原文出处:http://blog.csdn.net/springsen/article/details/7833596
public class Demo {
public static void main(String[] args) { String[][] blogL
- erlang supervisor
wudixiaotie
erlang
定义supervisor时,如果是监控celuesimple_one_for_one则删除children的时候就用supervisor:terminate_child (SupModuleName, ChildPid),如果shutdown策略选择的是brutal_kill,那么supervisor会调用exit(ChildPid, kill),这样的话如果Child的behavior是gen_