- 双塔模型(Two-Tower Model)推荐系统实践
双塔模型双塔模型(Two-TowerModel)是一种常用的推荐系统或搜索排序模型架构,由两个独立的神经网络(即“双塔”)组成,分别处理用户和物品的特征,最后通过相似度计算(如点积、余弦相似度)得到匹配分数。Rust因其高性能和安全性,适合实现此类模型。双塔模型的定义双塔模型(Dual-TowerModel)是一种深度学习架构,由两个独立的神经网络塔(Tower)组成,分别处理不同的输入数据,最后
- RAG、Function Call、MCP技术笔记
大佐不会说日语~
面试笔记篇笔记
核心概念理解这三种技术都是为了增强大模型能力的重要手段,但各有侧重点和应用场景。RAG(检索增强生成)RAG本质上是为大模型外接一个动态知识库。当模型需要回答问题时,先从知识库中检索相关信息,再结合检索结果生成答案。核心原理:将文档内容进行向量化存储(通常使用Embedding模型)用户提问时,将问题也向量化通过相似度计算(如欧氏距离、余弦相似度)找到最相关的文档片段将检索到的内容作为上下文传给大
- RAG面试内容整理-3. 向量检索原理与常用库(ANN、FAISS、Milvus 等)
不务正业的猿
面试LangChainAI面试职场和发展大模型RAGAI人工智能算法
向量检索利用向量空间的相似度来查找相关内容,是近年来兴起的检索技术核心。其基础是在语义嵌入(embedding)模型的支持下,将文本、图像等数据表示为高维向量,以便通过向量相似度(如余弦相似度或欧氏距离)找到内容上的邻近项。由于直接精确计算所有向量之间的距离在大规模下计算开销巨大,实际系统通常采用近似最近邻搜索(ApproximateNearestNeighbor,ANN)算法,在保证结果精度接近
- 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
- 大模型核心概念 | 嵌入模型(Embedding)、向量模型(Vector Model)
一、核心概念解析1.1嵌入模型(Embedding)作为AI领域的核心基础技术,嵌入模型通过将非结构化数据映射为低维稠密向量,实现语义特征的深度捕捉:文本嵌入:如将语句转换为1536维向量,使"机器学习"与"深度学习"的向量余弦相似度达0.92跨模态嵌入:支持图像与文本的联合向量空间映射,如CLIP模型实现文图互搜1.2向量模型(VectorModel)作为嵌入技术的下游应用体系,主要包含两大方向
- 机器学习知识点复习 上(保研、复试、面试)百面机器学习笔记
机器学习知识点复习上一、特征工程1.为什么需要对数值类型的特征做归一化?2.文本表示模型3.图像数据不足的处理方法二、模型评估1.常见的评估指标2.ROC曲线3.为什么在一些场景中要使用余弦相似度而不是欧氏距离?4.过拟合和欠拟合三、经典算法1.支持向量机SVM2.逻辑回归3.决策树四、降维1.主成分分析(PrinalComponentsAnalysis,PCA)降维中最经典的方法2.线性判别分析
- 如何在Python中实现文本相似度比较?
CodeJourney代码之旅
python学习python开发语言
在Python中实现文本相似度比较可以通过多种方法,每种方法都有其适用场景和优缺点。以下是一些常见的文本相似度比较方法:1.余弦相似度(CosineSimilarity)余弦相似度是通过计算两个向量之间夹角的余弦值来确定它们之间的相似度。在文本处理中,可以使用TF-IDF(TermFrequency-InverseDocumentFrequency)将文本转换为向量。fromsklearn.fea
- 【RAG排序】rag排序代码示例-高级版
weixin_37763484
大模型人工智能搜索引擎
以下是利用claude生成的排序示例,相对来说高级一些,例如使用了图排序、混合排序、mmr等技术。代码是示例代码,受输出长度限制,无法给出完整例子,在最后对输入的query、document_embedding等进行了实例展示。可以参考“使用案例解释”尝试进行修改和运行。RAG系统排序阶段的多种方法与实现1.基础排序方法1.1余弦相似度排序最基本的相似度计算方法,适用于向量检索后的重排序。impo
- PDF多表格结构识别与跨表语义对齐:基于对抗迁移的健壮性相似度度量模型
最难不过坚持丶
pdf
文章目录前言倒排索引、前缀树、FST、向量与编辑距离的技术原理及应用差异探讨一.项目结构二.流程分析2.1批处理器核心代码解析三.跨页表格相似度匹配原理3.1表头内容相似度-特征向量归一化3.2表头内容相似度-余弦相似度3.3定时缓存清理前言ocr扫描有其局限性。对于pdf文本类型这种pdfbox,aspose-pdf,spire直接提取文本的精准性更高。经过综合对比我们觉得aspose和spir
- 向量数据库ChromaDB简介
topfine
人工智能语言模型python
本文会带给你什么是ChromaDB相比传统数据库,有哪些独特优势适合哪些应用场景安装及使用案例怎样监控性能一.什么是ChromaDBChromaDB是一个专为AI时代设计的开源向量数据库,核心功能是高效存储和检索高维向量数据(embeddings)。与传统基于关键词匹配的数据库不同,它通过计算向量间的余弦相似度或欧氏距离来实现语义级搜索。作为大语言模型应用的关键组件,ChromaDB支持Pytho
- 【程序员AI入门:应用】11.从零构建智能问答引擎:LangChain + RAG 实战优化指南
无心水
程序员零门槛转型AI开发专栏人工智能langchain程序员AI开发入门程序员AI入门程序员的AI开发第一课AI入门RAG
一、技术选型与核心组件解析1.1黄金技术栈选型组件推荐方案核心优势资源需求文本嵌入模型sentence-transformers/all-MiniLM-L6-v2轻量级(128MB)、支持多语言语义编码,余弦相似度准确率达89.2%CPU即可运行向量数据库FAISS(内存检索)/Chroma(持久化存储)FAISS毫秒级检索速度,Chroma支持增量更新和元数据过滤本地部署优先选Chroma大语言
- 【NLP-01】文本相似度算法:Cosine Similarity、Levenshtein Distance、Word2Vec等介绍和使用
云天徽上
NLP算法机器学习人工智能word2vec自然语言处理nlp
文本相似度计算的算法是自然语言处理领域中的关键技术,主要用于衡量两段文本在内容、语义或结构上的相似程度。以下是一些常用的文本相似度计算算法:余弦相似度(CosineSimilarity):余弦相似度是通过计算两个向量的夹角余弦值来评估它们的相似度。在文本相似度计算中,首先将文本转换为向量表示(如TF-IDF向量),然后计算这些向量之间的余弦值。余弦值越接近1,表示文本越相似。Jaccard相似度:
- 探索Neo4j向量索引:提升图数据库的搜索能力
akhfuiigabv
neo4j数据库python
引言Neo4j是一款开源的图形数据库,最近推出了对向量相似性搜索的支持。这让开发者能够在处理包括图形和文本数据在内的复杂数据集时,利用近似最近邻搜索、欧几里得相似度和余弦相似度等技术进行更加高效的查询。本篇文章将详细探讨Neo4j的向量索引(Neo4jVector),并通过代码示例展示如何利用这些特性。主要内容向量相似性搜索Neo4j支持多种相似性搜索方式,包括:近似最近邻搜索:高效地寻找与给定查
- 构建推荐系统的相似检索技术:从距离度量到深度学习的快速了解
张彦峰ZYF
互联网系统架构与深入学习汇总算法后端推荐算法
目录一、相似检索方法总体分析二、基于距离度量的方法(一)余弦相似度(二)欧氏距离(三)曼哈顿距离(四)汉明距离三、基于集合的方法(一)Jaccard相似度(二)杰卡德距离四、基于内容的方法五、协同过滤方法(一)基于用户的协同过滤基本原理应用分析案例数据准备工作原理步骤案例分析(二)基于物品的协同过滤基本原理应用分析案例数据准备工作原理步骤案例分析六、基于图的方法(一)基本原理(二)案例应用案例:社
- 【阿里云大模型高级工程师ACP习题集】2.4 自动化评测答疑机器人的表现(⭐️⭐️⭐️ 重点章节!!!)
Charles茶总
学习笔记阿里云人工智能大模型ACP认证模拟题
习题集:【单选题】在使用Ragas评估RAG应用时,AnswerCorrectness指标计算中,语义相似度是通过以下哪种方式得到的?()A.大模型直接判断B.计算文本向量的余弦相似度C.对比文本词汇重合度D.统计文本字数差异【多选题】当Contextrecall指标得分较低时,可采取的优化措施有()。A.检查知识库内容是否完备B.更换性能更强的大模型C.更换embedding模型D.改写quer
- 浅析AI大模型为何需要向量数据库?【入门基础】
Microi风闲
【人工智能】AI大模型人工智能数据库向量数据库欧氏距离余弦相似度
文章目录引言:大模型时代的存储挑战一、向量数据库:大模型的"海马体"1.1什么是向量数据库?1.2为什么大模型离不开向量数据库?(1)嵌入(Embedding)的本质(2)突破上下文窗口限制二、相似性度量:欧氏距离与余弦相似度的数学本质2.1欧氏距离(EuclideanDistance)2.2余弦相似度(CosineSimilarity)2.3对比实验:何时选择哪种度量?三、技术深度:向量数据库的
- 文本主题模型之潜在语义索引(LSI)
多尝试多记录多积累
好文章的搬运工:https://www.cnblogs.com/pinard/p/6805861.html先对矩阵做SVD分解,然后利用V矩阵,计算LSI,LSI得到的文本主题矩阵可以用于文本相似度计算。而计算方法一般是通过余弦相似度。需要选取主题的k值。LSI是最早出现的主题模型了,它的算法原理很简单,一次奇异值分解就可以得到主题模型,同时解决词义的问题,非常漂亮。但是LSI有很多不足,导致它在
- 协同过滤(Collaborative Filtering)
pljnb
推荐算法基础算法协同过滤
协同过滤(CollaborativeFiltering)算法原理一、基于记忆的协同过滤(Memory-BasedCF)1.用户-用户协同过滤(User-BasedCF)核心思想通过计算用户之间的相似度,利用相似用户的评分预测目标用户的兴趣。算法步骤相似度计算使用余弦相似度或皮尔逊相关系数:sim(u,v)=∑i∈Iuv(rui−rˉu)(rvi−rˉv)∑i∈Iuv(rui−rˉu)2∑i∈Iuv
- 简单AI智能体客服落地
@半良人
python人工智能
简单智能客服系统,主要功能包括:加载和管理知识库。预处理用户问题并将其转换为向量。通过余弦相似度匹配最相似的问题并返回答案。调用外部API获取AI回复。记录用户偏好和反馈以优化知识库importosimportjsonimportrefromdatetimeimportdatetimeimportrequestsimportpaddlefrompaddlenlp.transformersimpor
- 基于.NET后端实现图片搜索图片库 核心是计算上传图片与库中图片的特征向量相似度并排序展示结果
云草桑
C#.net.netmicrosoft图像处理C#
基于.NET后端实现图片搜索图片库的方案,核心是计算上传图片与库中图片的特征向量相似度并排序展示结果。整体思路图像特征提取:使用深度学习模型(如ResNet)提取图片的特征向量。特征向量存储:将图片的特征向量存储在数据库中。相似度计算:使用余弦相似度算法计算上传图片与库中图片的特征向量相似度。结果排序与展示:按相似度从高到低排序,并将相似图像展示给用户。实现步骤1.项目搭建创建一个新的.NETWe
- Day09【基于Tripletloss实现的简单意图识别对话系统】
Mechanotrooper
自然语言处理文本匹配意图识别自然语言处理
基于Tripletloss实现的表示型文本匹配目标数据准备参数配置数据处理TripletLoss目标TripletLoss计算公式公式说明模型构建网络结构设计网络训练目标损失函数设计主程序推理预测类初始化加载问答知识库文本向量化知识库查询主程序`main`测试测试效果参考博客目标在此之前已经实现了基于余弦相似度实现的文本匹配1,本文将实现基于tripletloss实现文本匹配,并实现简单的意图识别
- 每日面试题-什么是向量数据库?在基于大模型的应用开发中,向量数据库主要解决什么问题?
晚夜微雨问海棠呀
数据库
向量数据库是专门用于存储、索引和检索高维向量数据的数据库系统。其核心能力是通过高效的相似性搜索算法(如余弦相似度),快速找到与查询向量最接近的数据项。典型技术实现包括:量化索引(如PQ、SQ)近似最近邻算法(ANN)分层可导航小世界图(HNSW)混合索引结构在大模型应用中的关键作用:问题领域具体挑战向量数据库解决方案知识外延限制大模型训练数据截止性和领域局限性存储私有知识/实时数据的向量化表示,通
- 相似度计算全攻略:从理论到Python实战
gorgor在码农
#Python基础python开发语言
目录一、基于向量的相似度1.余弦相似度(CosineSimilarity)2.点积(DotProduct)3.欧氏距离(EuclideanDistance)4.曼哈顿距离(ManhattanDistance)二、基于集合的相似度1.Jaccard相似系数(JaccardIndex)2.余弦相似度的集合扩展三、基于统计的相似度1.皮尔逊相关系数(PearsonCorrelation)2.斯皮尔曼秩相
- 【推荐系统】由浅入深
HP-Succinum
机器学习算法机器学习人工智能
目录一、相似度计算方法1.杰卡德系数2.余弦相似度3.编辑距离二、推荐系统算法1.基于内容的推荐系统2.协同过滤推荐系统三、冷启动问题与数据稀疏性问题1.冷启动问题2.数据稀疏性问题四、数据预处理的重要性五、结论在互联网时代,推荐系统已经成为各大平台提升用户体验和增加用户粘性的重要工具。无论是电商平台的商品推荐,还是视频平台的内容推荐,其核心思想都是通过计算对象之间的相似度,为用户提供个性化的推荐
- Milvus向量数据库安装与使用
何宜秋
milvus人工智能深度学习数据库
向量数据库是一种专门应对向量数据存储和处理的数据库系统,它以向量为基本数据类型,将向量作为数据存储的基本单元。这种数据库系统采用高维索引技术,通过多级索引结构将向量空间划分为多个超平面,实现对大规模高维向量数据的迅速定位和访问。向量数据库支持相似性查询,能够快速查找最接近给定向量的数据,通过计算余弦相似度或欧氏距离等度量,实现对向量相似性的有效评估。此外,向量数据库还支持向量聚合操作,可将多个向量
- 搜广推校招面经五十五
Y1nhl
搜广推面经深度学习机器学习python推荐算法搜索算法广告算法人工智能
腾讯搜推面经一、双塔模型有什么缺点双塔模型(Two-TowerModel)是一种常见的推荐系统或检索系统架构,尤其在处理大规模用户-物品交互数据时表现出色。1.1.特征交互受限问题:双塔模型将用户特征和物品特征分别编码为两个独立的向量(用户塔和物品塔),然后在顶层通过简单的点积或余弦相似度计算得分。这种设计限制了用户特征和物品特征之间的细粒度交互。影响:无法捕捉复杂的特征交叉信息,可能导致模型性能
- 数据挖掘导论——第七章:聚类
Wis4e
数据挖掘聚类人工智能
什么是聚类?数据间的相似性和距离的测量方式有哪些?数据标准化如何进行距离计算?层次聚类的思想和流程?K-均值聚类的思想和流程?距离的计算方式如何影响聚类结果?聚类的要素,包括数据,差异性/相似性测量方式,聚类算法(标准化执行程序或流程)理解相似性和差异性的度量(p40)。Jaccard和余弦相似性度量。以下内容由AI生成:余弦相似度(CosineSimilarity)是一种衡量两个向量在方向上相似
- 相似度计算
Panesle
python人工智能算法
1.余弦相似度计算(不区分向量方向,互换顺序也相同)sen_vec1=sbert.get_sentence_emb(context15)#向量化sen_vec1=sen_vec1*(1.0/(np.linalg.norm(sen_vec1)+0.00001))#normal化sen_vec2=sbert.get_sentence_emb(context14)#向量化sen_vec2=sen_vec
- 语义向量模型全解:从基础到现在的deepseek中的语义向量主流模型
来自于狂人
人工智能语言模型
一、语义向量模型:自然语言处理的基石语义向量模型(SemanticVectorModel)是自然语言处理(NLP)的核心技术,它将词汇、句子或文档映射为高维向量,在数学空间中量化语义信息。通过向量距离(如余弦相似度)衡量语义的相似性,支撑了搜索引擎、情感分析、机器翻译等实际应用。1.1发展简史1980s~2000s:基于统计的浅层模型,如TF-IDF(直接表征词的重要性)、LSA(通过矩阵分解降维
- 人工智能深度学习系列—深入探索KL散度:度量概率分布差异的关键工具
学步_技术
自动驾驶人工智能人工智能深度学习自动驾驶机器学习
人工智能深度学习系列—深度解析:交叉熵损失(Cross-EntropyLoss)在分类问题中的应用人工智能深度学习系列—深入解析:均方误差损失(MSELoss)在深度学习中的应用与实践人工智能深度学习系列—深入探索KL散度:度量概率分布差异的关键工具人工智能深度学习系列—探索余弦相似度损失:深度学习中的相似性度量神器人工智能深度学习系列—深度学习中的边界框回归新贵:GHM(GeneralizedH
- [黑洞与暗粒子]没有光的世界
comsci
无论是相对论还是其它现代物理学,都显然有个缺陷,那就是必须有光才能够计算
但是,我相信,在我们的世界和宇宙平面中,肯定存在没有光的世界....
那么,在没有光的世界,光子和其它粒子的规律无法被应用和考察,那么以光速为核心的
&nbs
- jQuery Lazy Load 图片延迟加载
aijuans
jquery
基于 jQuery 的图片延迟加载插件,在用户滚动页面到图片之后才进行加载。
对于有较多的图片的网页,使用图片延迟加载,能有效的提高页面加载速度。
版本:
jQuery v1.4.4+
jQuery Lazy Load v1.7.2
注意事项:
需要真正实现图片延迟加载,必须将真实图片地址写在 data-original 属性中。若 src
- 使用Jodd的优点
Kai_Ge
jodd
1. 简化和统一 controller ,抛弃 extends SimpleFormController ,统一使用 implements Controller 的方式。
2. 简化 JSP 页面的 bind, 不需要一个字段一个字段的绑定。
3. 对 bean 没有任何要求,可以使用任意的 bean 做为 formBean。
使用方法简介
- jpa Query转hibernate Query
120153216
Hibernate
public List<Map> getMapList(String hql,
Map map) {
org.hibernate.Query jpaQuery = entityManager.createQuery(hql);
if (null != map) {
for (String parameter : map.keySet()) {
jp
- Django_Python3添加MySQL/MariaDB支持
2002wmj
mariaDB
现状
首先,
[email protected] 中默认的引擎为 django.db.backends.mysql 。但是在Python3中如果这样写的话,会发现 django.db.backends.mysql 依赖 MySQLdb[5] ,而 MySQLdb 又不兼容 Python3 于是要找一种新的方式来继续使用MySQL。 MySQL官方的方案
首先据MySQL文档[3]说,自从MySQL
- 在SQLSERVER中查找消耗IO最多的SQL
357029540
SQL Server
返回做IO数目最多的50条语句以及它们的执行计划。
select top 50
(total_logical_reads/execution_count) as avg_logical_reads,
(total_logical_writes/execution_count) as avg_logical_writes,
(tot
- spring UnChecked 异常 官方定义!
7454103
spring
如果你接触过spring的 事物管理!那么你必须明白 spring的 非捕获异常! 即 unchecked 异常! 因为 spring 默认这类异常事物自动回滚!!
public static boolean isCheckedException(Throwable ex)
{
return !(ex instanceof RuntimeExcep
- mongoDB 入门指南、示例
adminjun
javamongodb操作
一、准备工作
1、 下载mongoDB
下载地址:http://www.mongodb.org/downloads
选择合适你的版本
相关文档:http://www.mongodb.org/display/DOCS/Tutorial
2、 安装mongoDB
A、 不解压模式:
将下载下来的mongoDB-xxx.zip打开,找到bin目录,运行mongod.exe就可以启动服务,默
- CUDA 5 Release Candidate Now Available
aijuans
CUDA
The CUDA 5 Release Candidate is now available at http://developer.nvidia.com/<wbr></wbr>cuda/cuda-pre-production. Now applicable to a broader set of algorithms, CUDA 5 has advanced fe
- Essential Studio for WinRT网格控件测评
Axiba
JavaScripthtml5
Essential Studio for WinRT界面控件包含了商业平板应用程序开发中所需的所有控件,如市场上运行速度最快的grid 和chart、地图、RDL报表查看器、丰富的文本查看器及图表等等。同时,该控件还包含了一组独特的库,用于从WinRT应用程序中生成Excel、Word以及PDF格式的文件。此文将对其另外一个强大的控件——网格控件进行专门的测评详述。
网格控件功能
1、
- java 获取windows系统安装的证书或证书链
bewithme
windows
有时需要获取windows系统安装的证书或证书链,比如说你要通过证书来创建java的密钥库 。
有关证书链的解释可以查看此处 。
public static void main(String[] args) {
SunMSCAPI providerMSCAPI = new SunMSCAPI();
S
- NoSQL数据库之Redis数据库管理(set类型和zset类型)
bijian1013
redis数据库NoSQL
4.sets类型
Set是集合,它是string类型的无序集合。set是通过hash table实现的,添加、删除和查找的复杂度都是O(1)。对集合我们可以取并集、交集、差集。通过这些操作我们可以实现sns中的好友推荐和blog的tag功能。
sadd:向名称为key的set中添加元
- 异常捕获何时用Exception,何时用Throwable
bingyingao
用Exception的情况
try {
//可能发生空指针、数组溢出等异常
} catch (Exception e) {
 
- 【Kafka四】Kakfa伪分布式安装
bit1129
kafka
在http://bit1129.iteye.com/blog/2174791一文中,实现了单Kafka服务器的安装,在Kafka中,每个Kafka服务器称为一个broker。本文简单介绍下,在单机环境下Kafka的伪分布式安装和测试验证 1. 安装步骤
Kafka伪分布式安装的思路跟Zookeeper的伪分布式安装思路完全一样,不过比Zookeeper稍微简单些(不
- Project Euler
bookjovi
haskell
Project Euler是个数学问题求解网站,网站设计的很有意思,有很多problem,在未提交正确答案前不能查看problem的overview,也不能查看关于problem的discussion thread,只能看到现在problem已经被多少人解决了,人数越多往往代表问题越容易。
看看problem 1吧:
Add all the natural num
- Java-Collections Framework学习与总结-ArrayDeque
BrokenDreams
Collections
表、栈和队列是三种基本的数据结构,前面总结的ArrayList和LinkedList可以作为任意一种数据结构来使用,当然由于实现方式的不同,操作的效率也会不同。
这篇要看一下java.util.ArrayDeque。从命名上看
- 读《研磨设计模式》-代码笔记-装饰模式-Decorator
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.io.BufferedOutputStream;
import java.io.DataOutputStream;
import java.io.FileOutputStream;
import java.io.Fi
- Maven学习(一)
chenyu19891124
Maven私服
学习一门技术和工具总得花费一段时间,5月底6月初自己学习了一些工具,maven+Hudson+nexus的搭建,对于maven以前只是听说,顺便再自己的电脑上搭建了一个maven环境,但是完全不了解maven这一强大的构建工具,还有ant也是一个构建工具,但ant就没有maven那么的简单方便,其实简单点说maven是一个运用命令行就能完成构建,测试,打包,发布一系列功
- [原创]JWFD工作流引擎设计----节点匹配搜索算法(用于初步解决条件异步汇聚问题) 补充
comsci
算法工作PHP搜索引擎嵌入式
本文主要介绍在JWFD工作流引擎设计中遇到的一个实际问题的解决方案,请参考我的博文"带条件选择的并行汇聚路由问题"中图例A2描述的情况(http://comsci.iteye.com/blog/339756),我现在把我对图例A2的一个解决方案公布出来,请大家多指点
节点匹配搜索算法(用于解决标准对称流程图条件汇聚点运行控制参数的算法)
需要解决的问题:已知分支
- Linux中用shell获取昨天、明天或多天前的日期
daizj
linuxshell上几年昨天获取上几个月
在Linux中可以通过date命令获取昨天、明天、上个月、下个月、上一年和下一年
# 获取昨天
date -d 'yesterday' # 或 date -d 'last day'
# 获取明天
date -d 'tomorrow' # 或 date -d 'next day'
# 获取上个月
date -d 'last month'
#
- 我所理解的云计算
dongwei_6688
云计算
在刚开始接触到一个概念时,人们往往都会去探寻这个概念的含义,以达到对其有一个感性的认知,在Wikipedia上关于“云计算”是这么定义的,它说:
Cloud computing is a phrase used to describe a variety of computing co
- YII CMenu配置
dcj3sjt126com
yii
Adding id and class names to CMenu
We use the id and htmlOptions to accomplish this. Watch.
//in your view
$this->widget('zii.widgets.CMenu', array(
'id'=>'myMenu',
'items'=>$this-&g
- 设计模式之静态代理与动态代理
come_for_dream
设计模式
静态代理与动态代理
代理模式是java开发中用到的相对比较多的设计模式,其中的思想就是主业务和相关业务分离。所谓的代理设计就是指由一个代理主题来操作真实主题,真实主题执行具体的业务操作,而代理主题负责其他相关业务的处理。比如我们在进行删除操作的时候需要检验一下用户是否登陆,我们可以删除看成主业务,而把检验用户是否登陆看成其相关业务
- 【转】理解Javascript 系列
gcc2ge
JavaScript
理解Javascript_13_执行模型详解
摘要: 在《理解Javascript_12_执行模型浅析》一文中,我们初步的了解了执行上下文与作用域的概念,那么这一篇将深入分析执行上下文的构建过程,了解执行上下文、函数对象、作用域三者之间的关系。函数执行环境简单的代码:当调用say方法时,第一步是创建其执行环境,在创建执行环境的过程中,会按照定义的先后顺序完成一系列操作:1.首先会创建一个
- Subsets II
hcx2013
set
Given a collection of integers that might contain duplicates, nums, return all possible subsets.
Note:
Elements in a subset must be in non-descending order.
The solution set must not conta
- Spring4.1新特性——Spring缓存框架增强
jinnianshilongnian
spring4
目录
Spring4.1新特性——综述
Spring4.1新特性——Spring核心部分及其他
Spring4.1新特性——Spring缓存框架增强
Spring4.1新特性——异步调用和事件机制的异常处理
Spring4.1新特性——数据库集成测试脚本初始化
Spring4.1新特性——Spring MVC增强
Spring4.1新特性——页面自动化测试框架Spring MVC T
- shell嵌套expect执行命令
liyonghui160com
一直都想把expect的操作写到bash脚本里,这样就不用我再写两个脚本来执行了,搞了一下午终于有点小成就,给大家看看吧.
系统:centos 5.x
1.先安装expect
yum -y install expect
2.脚本内容:
cat auto_svn.sh
#!/bin/bash
- Linux实用命令整理
pda158
linux
0. 基本命令 linux 基本命令整理
1. 压缩 解压 tar -zcvf a.tar.gz a #把a压缩成a.tar.gz tar -zxvf a.tar.gz #把a.tar.gz解压成a
2. vim小结 2.1 vim替换 :m,ns/word_1/word_2/gc  
- 独立开发人员通向成功的29个小贴士
shoothao
独立开发
概述:本文收集了关于独立开发人员通向成功需要注意的一些东西,对于具体的每个贴士的注解有兴趣的朋友可以查看下面标注的原文地址。
明白你从事独立开发的原因和目的。
保持坚持制定计划的好习惯。
万事开头难,第一份订单是关键。
培养多元化业务技能。
提供卓越的服务和品质。
谨小慎微。
营销是必备技能。
学会组织,有条理的工作才是最有效率的。
“独立
- JAVA中堆栈和内存分配原理
uule
java
1、栈、堆
1.寄存器:最快的存储区, 由编译器根据需求进行分配,我们在程序中无法控制.2. 栈:存放基本类型的变量数据和对象的引用,但对象本身不存放在栈中,而是存放在堆(new 出来的对象)或者常量池中(字符串常量对象存放在常量池中。)3. 堆:存放所有new出来的对象。4. 静态域:存放静态成员(static定义的)5. 常量池:存放字符串常量和基本类型常量(public static f