关于女神SQLite的疑惑（3）
秘籍酷·微店IT编程入门指导这篇主要来讨论SQLite的多线程中的疑惑。1.SQLite支持三种线程模式单线程（Single-thread）模式。在此模式下，所有的互斥锁都将被禁用，相关代码被删除，SQLite在多线程并发访问时将不再安全。但根据马克思辩证法，此模式下代码量最小，对数据库的增删改查的单次运行效率最高。线序化（Serialized）模式在此模式下，应用程序的多线程可以使用同一个SQLite数据库连接，然后一起操作数据库，此时SQLite内部将保证数据库的安全性。其本质是，SQLit...
教程 [2026-05-02]
Java EE之旅07-数据库基础（1）
数据库概述数据库（DataBase，简称DB）：指长期保存在计算机的存储设备上，按照一定规则组织起来，可以被各种用户或应用共享的数据集合。(属于文件系统)数据库管理系统（DataBaseManagementSystem，简称DBMS）：指一种操作和管理数据库的大型软件，用于建立、使用和维护数据库，对数据库进行统一管理和控制，以保证数据库的安全性和完整性。用户通过数据库管理系统访问数据库中的数据。数据库：存储、维护和管理数据的集合。数据库软件应该为数据库管理系统，数据库是通过数据库管理系统创建和操...
教程 [2026-05-02]
机器翻译整体进步了十年 但各家公司却在暗自“较量”
由于人工智能的飞速发展，机器翻译水平正在大幅提升，并逐渐赶超人类，这已经是不争的事实。然而，同在机器翻译这个赛道里的各位“赛手”，谷歌、有道等传统翻译产品或公司，也正在上演着一场激烈的角逐和比拼。人工智能翻译大赛谷歌竟然连败两场？12月的一个早上，北京798软件园，一场机器翻译的pk赛正在进行。活动主办方品玩，是一家“有品好玩”的科技媒体。这场人工智能翻译大赛的规则是三局两胜，第一局考验对话翻译，第二局考验识别能力，第三局是挑战图像翻译。而三款同台竞技的翻译软件则是：Google翻译、有道翻译官...
教程 [2026-05-02]
ansible2.4 源码分析-自定义inventory解析插件实现
微信公众号：进击的大杂烩通过上一篇文章,初步的分析了ansible2.4的一个运行流程,没有对ansible解析source的过程进行详细分析。本文通过分析ansible解析source并生成inventory对象的过程,从而进一步理解inventory。入口文件分析解析source的入口函数为:parse_sources()。源文件位置:ansible/inventory/manager.pyhost_list插件分析host_list源文件位置:ansible/plugins/invento...
教程 [2026-05-02]
java基础思维图解
Java是一门面向对象编程语言，不仅吸收了C++语言的各种优点，还摒弃了C++里难以理解的多继承、指针等概念，因此Java语言具有功能强大和简单易用两个特征。Java语言作为静态面向对象编程语言的代表，极好地实现了面向对象理论，允许程序员以优雅的思维方式进行复杂的编程[1]。Java具有简单性、面向对象、分布式、健壮性、安全性、平台独立与可移植性、多线程、动态性等特点[2]。Java可以编写桌面应用程序、Web应用程序、分布式系统和嵌入式系统应用程序等JavaSE（JavaPlatform，St...
教程 [2026-05-02]
AI技术词条 强化学习
关注AI君，领略人工智能之美强化学习ReinforcementLearning前言各位读者，新年好！欢迎阅读《AI技术词条》系列文章，这一系列文章主要针对人工智能领域的专业词汇和算法，AI君力求用最通俗易懂的话语解释清楚相关概念，不废话不凑字，直达最核心的内容。概述在之前的《AI技术词条》中，AI君分别讲了监督式和非监督式学习算法，这篇文章里，AI君就来讲讲机器学习的第三类算法，大名鼎鼎的“强化学习”，强化学习算法介于监督式学习和非监督式学习之间，有着独特的学习系统。强化学习英文全称Reinfo...
教程 [2026-05-02]
去中心化只是投机的幌子，比特币未来走向值得警惕
[亿欧导读]全球大约40%的比特币控制在仅约千人手中同时，从比特币发展的历史沿革看，直到其价格飞涨前夜，该币也不过是在为数不多的平台上进行“小圈子”交易。这很容易让人想到交易共谋的可能——持有大量比特者自然拥有哄抬币价以套现的动机。比特币的行情如同过山车。在刚刚过去的2017年，暴涨暴跌的比特币，无疑成了全球最热门的话题之一：一年之内价格暴涨约20倍，一日之内深跌逾40%。新年伊始，比特币延续了近日颓势，价格跌破1.3万美元/枚，但与去年初不足千元的价格相比，比特币的价格依旧与价值背离。回想比特...
教程 [2026-05-02]
如何用Vim提高开发效率
背景虽然笔者是Android开发工程师，但也接触过各种IDE（不限于Android开发）。不同的IDE往往都有不同的快捷键，我们总不能对每种IDE都进行配置吧。实际上，现在大部分IDE都能通过插件的形式支持Vim了。所以，只需要掌握Vim的基本使用，在支持Vim的IDE都能很快上手，熟悉的操作，熟悉的手感。Vim模式Vim可分为3种模式，分别是Normal模式、Visual模式和Insert模式。以下的基本操作都是在Normal模式进行。三种模式的区别这里不详解了，Bing搜索有很多相关的基础教...
教程 [2026-05-02]
应用架构之择
有什么样架构，就有什么样建筑!前者的架构用来盖厂房，后者的架构是建摩天大厦特不正经就今天和大家讨论软件应用的大厦如何构建？I、单体架构or微服务架构微服务已经风靡神州，已然是万人迷那么，微服务这个万人迷长得很美吗？这个万人迷有以下特点：易于开发、理解和更新；比单体应用启动快；易于扩展，提供高并发服务；局部修改很容易部署，有利于持续集成和持续交付；故障隔离，一个服务出现问题不会影响整个应用；不会受限于任何技术栈,每一个微服务可以用不同技术开发。那么微服务架构导致那些问题？效率问题；微服务之间的调用...
教程 [2026-05-02]
人工智能、机器学习、深度学习、数据挖掘、数据分析都是什么意思
在开始学习python大数据之前，我们先要搞清楚人工智能、机器学习、深度学习、数据挖掘、数据分析都是什么意思。会用30多堂课的内容带大家学习python、数据爬虫，数据分析，数据挖掘，机器学习，数据可视化。想转行大数据、人工智能的朋友可以加入，欢迎支持。人工智能大家族包含着丰富的内容，分清楚了每一项都是做什么的，才能选对路线。人工智能AI人工智能分为强人工智能和弱人工智能。强人工智能是通过计算机来构造复杂的、拥有与人类智慧同样本质特性的机器，它有着我们所有的感知（甚至比人更多），我们所有的理性，...
教程 [2026-05-02]
区块链技术能为人工智能做些什么？
说到人工智能大家肯定都不陌生，诸多电子产品、科研都“自动”贴上了人工智能的标签，其实人工智能最主要的还是为人类本身服务，带来更多便捷，更多智能化好玩的东西。区块链与人工智能被认为是改变整个互联网底层发展逻辑的两大技术力量，人工智能需海量大数据作为机器人深度学习的“饲料”，并要以不同领域的大数据来“训练”相应的人工智能。但掌握大数据的互联网公司把自家的大数据资源视为核心资产，开放程度并不够。而要想让数据彻底商品化、社会化，就必须在区块链基础上。天生具有协调合作精神的区块链，尤其是“公有链”的数据运...
教程 [2026-05-02]
深度学习 selectivesearch算法理解
采用selectivesearch算法产生的regionproposalObjectDetection，即物体检测，是计算机视觉领域中的经典任务之一。给定一幅图像，使之能够定位物体、并判断该物体的类别(比如是只猫还是狗)。所以，解决这个问题，很重要的一点就是要准确地找到物体的位置，否则即便有再好的判别器，也事倍功半。传统的算法在做regionproposal时，多采用滑动窗口方法，虽然涵盖面广，却生成了许多无用的图像块，耗费大量的计算，速度也很慢。那么有没有一种算法，既可以产生能够覆盖目标区域的...
教程 [2026-05-02]
未来AI比人聪明咋办？
马斯克常常在公开场合对人工智能和机器人发表观点，其中大部分都是悲观的。他在2017年7月份的美国州长大会上表示：“工作肯定会被颠覆，因为无论任何事情，机器人都能够做的比我们更好。我是说我们所有人，我不知道该怎么做。这对我来说是最可怕的问题。”他还曾表示：“如果你以前不关心人工智能安全，现在应该这样做，它比朝鲜核武器还要危险得多！”对人类未来充满担忧的马斯克打算怎样应对“比朝鲜核武器还危险”的人工智能呢？答案是人机结合。早在2017年2月份举办于迪拜的世界政府峰会上，马斯克就表示，人们需要成为半机...
教程 [2026-05-02]
卷积神经网络学习笔记
1.卷积神经网络的图像识别原理：通过过滤函数来描绘出图像的边界：过滤函数和图像相同区域的数值进行相乘，得到新的图像，新图像则只剩下边图像。cross-correlation:可以旋转过滤函数，让不同方向的边都可以识别。111-101000-101-1-1-1-101nn为大图，ff为核函数,p为边padding默认为0，s为步长stride默认为1，oo为输出图像公式为：(n+2p-f)/s+1=o2.RGB图像边界识别问题：height,width,channel，RGB是3个chann...
教程 [2026-05-02]
智能刷脸，打开新“视界”
不久前，在2017年美国国家标准与技术研究院组织的全球人脸识别技术测试上，一支中国人工智能技术团队超过来自俄罗斯、美国、法国的对手，成为第一个获得冠军的中国团队。参赛团队需要在百万量级人脸数据库中找到目标人脸或判断其在不在库中。查询照片来自出入境等真实业务场景，包含识别对象不在摄像头前特定位置的“非配合性”照片。机器面临曝光过度、逆光、侧脸、远距离、低像素的挑战。衡量指标在于搜索的准确率，以千万分之一误报率下的性能为评估标准。检索准确率越高，就意味着参赛者的算法可以在更大规模的人脸数据库中获得可...