为什么你的鸿蒙App网络延迟高?Java请求封装优化的4个关键步骤

第一章:Java鸿蒙网络请求封装

在鸿蒙应用开发中,网络请求是实现数据交互的核心环节。为了提升代码的可维护性与复用性,对网络请求进行统一的封装至关重要。通过封装,可以集中处理请求拦截、响应解析、异常处理等通用逻辑,从而降低业务模块的耦合度。

封装设计原则

  • 统一请求入口,屏蔽底层实现细节
  • 支持同步与异步调用模式
  • 自动处理JSON序列化与反序列化
  • 集成日志输出与错误回调机制

核心实现代码


// 定义网络请求工具类
public class HttpRequest {
    private static final String BASE_URL = "https://api.example.com";

    // 异步GET请求示例
    public static void get(String endpoint, Callback callback) {
        String url = BASE_URL + endpoint;
        // 创建任务并提交到线程池
        TaskDispatcher dispatcher = HiApp.getContext().getMainTaskDispatcher();
        Runnable task = () -> {
            try {
                URL httpUrl = new URL(url);
                HttpURLConnection conn = (HttpURLConnection) httpUrl.openConnection();
                conn.setRequestMethod("GET");
                conn.setConnectTimeout(10000);
                int responseCode = conn.getResponseCode();
                if (responseCode == 200) {
                    InputStream is = conn.getInputStream();
                    String result = convertStreamToString(is);
                    dispatcher.syncDispatch(() -> callback.onSuccess(result));
                } else {
                    dispatcher.syncDispatch(() -> callback.onFailure("HTTP Error: " + responseCode));
                }
            } catch (Exception e) {
                dispatcher.syncDispatch(() -> callback.onFailure(e.getMessage()));
            }
        };
        new Thread(task).start();
    }

    private static String convertStreamToString(InputStream is) {
        // 流转换逻辑省略
        return "";
    }

    public interface Callback {
        void onSuccess(String result);
        void onFailure(String error);
    }
}

使用场景对比

场景是否需要封装说明
单次请求建议便于后期扩展与调试
多接口调用必须避免重复代码
graph TD A[发起请求] --> B{检查网络状态} B -- 无网络 --> C[返回错误] B -- 有网络 --> D[执行HTTP连接] D --> E[解析响应] E --> F[回调结果]

第二章:理解鸿蒙App网络延迟的根源

2.1 网络请求链路中的性能瓶颈分析

在现代分布式系统中,网络请求链路涉及 DNS 解析、TCP 握手、TLS 协商、服务端处理及响应回传等多个环节,任一阶段延迟都可能成为性能瓶颈。
常见瓶颈点
  • DNS 查询耗时过高,尤其在跨区域解析场景
  • TCP 连接复用率低导致频繁握手开销
  • HTTPS 加密协商(TLS 1.3 以下)增加往返延迟
  • 服务端处理慢请求阻塞 I/O 线程
优化示例:连接池配置

client := &http.Client{
    Transport: &http.Transport{
        MaxIdleConns:        100,
        MaxIdleConnsPerHost: 10,
        IdleConnTimeout:     90 * time.Second,
    },
}
该配置通过提升空闲连接复用率,减少 TCP 与 TLS 重复建立开销。MaxIdleConns 控制全局连接数,PerHost 限制每主机连接分布,避免资源倾斜。
关键指标对比
阶段平均耗时(ms)可优化手段
DNS 解析20-100本地缓存、HTTPDNS
TLS 协商50-150会话复用、升级 TLS 1.3
首字节时间80-300CDN、边缘计算

2.2 Java线程模型对请求响应的影响

Java的线程模型直接影响Web应用的并发处理能力与响应延迟。每个HTTP请求通常由独立线程处理,采用Thread-per-Request模型时,高并发场景下线程数量激增,导致上下文切换开销加大。
线程池优化示例

// 使用固定大小线程池控制并发
ExecutorService threadPool = Executors.newFixedThreadPool(100);
threadPool.submit(() -> {
    // 处理请求逻辑
    handleRequest();
});
上述代码通过限制线程总数减少资源竞争。核心参数:100表示最大并发执行线程数,适用于CPU密集型任务。
阻塞与非阻塞对比
  • 阻塞IO:每个连接占用一个线程,等待期间无法释放
  • 非阻塞IO(NIO):单线程可监听多个连接事件,提升吞吐量

2.3 DNS解析与连接复用效率问题探究

DNS解析延迟对性能的影响
频繁的DNS查询会引入显著延迟,尤其在短连接场景下。通过连接复用可有效减少重复解析开销。
HTTP/1.1连接复用机制
使用持久连接(Keep-Alive)避免多次TCP握手和DNS查询。以下为Go语言中配置连接池的示例:
transport := &http.Transport{
    MaxIdleConns:        100,
    MaxConnsPerHost:     10,
    IdleConnTimeout:     90 * time.Second,
    DisableCompression:  true,
}
client := &http.Client{Transport: transport}
上述配置限制每主机最大连接数,复用空闲连接,降低DNS解析频次。MaxIdleConns控制全局空闲连接上限,IdleConnTimeout设定复用窗口。
优化策略对比
策略DNS查询频率连接建立开销
短连接每次请求高
长连接+复用首次解析低

2.4 HTTPS握手开销与TLS版本优化实践

HTTPS连接建立过程中,TLS握手带来的延迟显著影响首屏加载性能。随着TLS 1.3的普及,握手轮次从传统TLS 1.2的2-RTT降至1-RTT,大幅减少连接建立时间。
TLS版本对比与性能差异
  • TLS 1.0–1.2:需两次往返(2-RTT),支持多种加密套件,但存在已知安全漏洞
  • TLS 1.3:仅需一次往返(1-RTT),默认启用前向保密,禁用不安全算法
版本握手延迟加密套件前向保密
TLS 1.22-RTT可选需配置
TLS 1.31-RTT(或0-RTT)精简安全集强制启用
优化实践:启用TLS 1.3与会话复用
ssl_protocols TLSv1.3;
ssl_session_cache shared:SSL:10m;
ssl_session_timeout 4h;
上述Nginx配置强制使用TLS 1.3,启用共享会话缓存,将重复握手开销降至最低。会话缓存可避免完整握手,提升回归用户访问速度。

2.5 鸿蒙系统资源调度对网络任务的制约

鸿蒙系统采用分布式任务调度框架,网络任务需与其他进程竞争CPU、内存与带宽资源。
资源优先级分配机制
系统通过ResourceManager动态分配资源,高优先级任务(如音视频通信)将抢占网络带宽。
// 设置网络请求优先级
ResourceRequest request = new ResourceRequest();
request.setPriority(ResourcePriority.HIGH); // 可选:HIGH, NORMAL, LOW
request.setLatencySensitive(true); // 标记为延迟敏感
上述代码通过设置优先级和延迟敏感标志,影响调度器对网络任务的资源分配决策。
多任务并发限制
在低内存设备上,系统可能限制并发网络请求数量,防止资源耗尽。
  • 默认最大并发连接数:8
  • 空闲连接超时时间:30秒
  • 后台任务带宽配额:限制为总带宽的20%
这些策略虽保障系统稳定性,但也可能延缓数据同步速度,尤其在弱网环境下表现更为明显。

第三章:构建高效Java网络请求核心组件

3.1 基于OkHttp封装可复用的客户端实例

在Android或Java网络编程中,频繁创建OkHttpClient会带来资源浪费。通过单例模式封装一个可复用的客户端实例,能有效提升性能与维护性。
核心封装实现
public class HttpClient {
    private static OkHttpClient instance;
    
    public static synchronized OkHttpClient getInstance() {
        if (instance == null) {
            instance = new OkHttpClient.Builder()
                .connectTimeout(10, TimeUnit.SECONDS)
                .readTimeout(10, TimeUnit.SECONDS)
                .writeTimeout(10, TimeUnit.SECONDS)
                .retryOnConnectionFailure(true)
                .build();
        }
        return instance;
    }
}
上述代码使用双重检查锁定确保线程安全。连接、读写超时统一设置为10秒,开启连接失败重试机制,适用于大多数HTTP场景。
配置项说明
  • connectTimeout:建立Socket连接的最大时间
  • readTimeout:从服务器读取数据的最长等待时间
  • writeTimeout:向服务器写入请求的超时控制
  • retryOnConnectionFailure:网络异常时是否自动重试

3.2 连接池配置与长连接保持策略实施

在高并发系统中,数据库连接的创建与销毁开销显著影响性能。通过合理配置连接池参数,可有效复用连接资源,减少频繁建立连接的消耗。
连接池核心参数配置
  • maxOpenConns:控制最大打开连接数,避免数据库过载;
  • maxIdleConns:设定空闲连接数,保证常用连接持续可用;
  • maxLifetime:设置连接最长存活时间,防止长时间运行后出现失效连接。
db.SetMaxOpenConns(100)
db.SetMaxIdleConns(10)
db.SetConnMaxLifetime(time.Hour)
上述代码将最大连接数设为100,保持10个空闲连接,并限制每个连接最长存活时间为1小时,适用于中高负载服务。
TCP长连接保活机制
启用TCP Keep-Alive可防止中间代理或防火墙断开空闲连接:
conn, _ := net.Dial("tcp", "db-host:5432")
tcpConn := conn.(*net.TCPConn)
tcpConn.SetKeepAlive(true)
tcpConn.SetKeepAlivePeriod(5 * time.Minute)
该配置每5分钟发送一次保活探测,确保链路活跃,降低重连概率。

3.3 请求拦截器设计实现日志与鉴权统一处理

在微服务架构中,通过请求拦截器可集中处理通用逻辑。使用拦截器机制,能够在请求进入业务层前完成日志记录与权限校验。
拦截器核心逻辑实现
// 定义HTTP请求拦截器
func AuthLoggerMiddleware(next http.Handler) http.Handler {
    return http.HandlerFunc(func(w http.ResponseWriter, r *http.Request) {
        // 记录请求日志
        log.Printf("Request: %s %s", r.Method, r.URL.Path)
        
        // 验证JWT令牌
        token := r.Header.Get("Authorization")
        if !validateToken(token) {
            http.Error(w, "Unauthorized", http.StatusUnauthorized)
            return
        }
        
        // 调用下一处理器
        next.ServeHTTP(w, r)
    })
}
上述代码通过高阶函数封装公共逻辑,validateToken负责解析并验证JWT,确保请求合法性。
拦截器注册方式
  • 在路由层统一注入中间件链
  • 支持按路径排除特定接口(如登录接口)
  • 结合上下文传递用户身份信息

第四章:请求性能优化的关键实践步骤

4.1 启用GZIP压缩减少传输数据体积

在Web性能优化中,启用GZIP压缩是降低HTTP响应体积的有效手段。通过压缩文本资源如HTML、CSS和JavaScript,可显著减少网络传输时间。
配置Nginx启用GZIP

gzip on;
gzip_types text/plain text/css application/json application/javascript text/xml application/xml;
gzip_min_length 1024;
gzip_comp_level 6;
上述配置开启GZIP,并指定对常见文本类型进行压缩。其中:
- gzip_min_length 1024 表示仅对大于1KB的文件压缩,避免小文件开销;
- gzip_comp_level 6 在压缩比与CPU消耗间取得平衡。
压缩效果对比
资源类型原始大小GZIP后大小压缩率
CSS120KB30KB75%
JS300KB80KB73%

4.2 实现智能缓存机制降低重复请求频率

在高并发系统中,频繁访问后端服务会增加响应延迟并消耗大量资源。引入智能缓存机制可显著减少重复请求,提升系统性能。
缓存策略选择
常见的缓存策略包括:
  • LRU(最近最少使用):适合热点数据场景
  • TTL过期机制:保证数据时效性
  • 写穿透与写回模式:根据业务一致性要求选择
Go语言实现示例

type Cache struct {
    data map[string]entry
    mu   sync.RWMutex
}

type entry struct {
    value      interface{}
    expireTime time.Time
}

func (c *Cache) Get(key string) (interface{}, bool) {
    c.mu.RLock()
    defer c.mu.RUnlock()
    e, ok := c.data[key]
    if !ok || time.Now().After(e.expireTime) {
        return nil, false
    }
    return e.value, true
}
上述代码通过读写锁保护并发访问,每个缓存项设置过期时间,避免脏数据长期驻留。Get操作先获取读锁,判断键是否存在且未过期,确保线程安全与数据有效性。

4.3 异步非阻塞调用提升主线程响应速度

在高并发系统中,主线程的响应速度直接影响用户体验。传统的同步阻塞调用会令主线程等待 I/O 操作完成,造成资源浪费与延迟累积。
异步非阻塞的优势
通过将耗时操作(如网络请求、文件读写)交由协程或回调处理,主线程可立即返回并响应其他请求,显著提升吞吐量。
go func() {
    result := fetchDataFromAPI()
    ch <- result
}()
// 主线程无需等待,继续执行后续逻辑
上述 Go 语言示例中,go 关键字启动一个协程执行远程请求,主线程不被阻塞。通过通道 ch 异步接收结果,实现非阻塞数据传递。
性能对比
调用方式并发能力主线程占用
同步阻塞低高
异步非阻塞高低

4.4 超时策略精细化配置避免资源浪费

在高并发系统中,粗放的超时设置易导致连接堆积或资源空转。通过精细化配置超时策略,可显著提升服务稳定性与资源利用率。
分级超时控制
针对不同操作类型设置差异化超时阈值:
  • 读请求:200ms~500ms
  • 写请求:800ms~1.5s
  • 批量任务:按数据量动态计算
代码示例:Go 中的上下文超时设置
ctx, cancel := context.WithTimeout(context.Background(), 300*time.Millisecond)
defer cancel()

result, err := db.QueryContext(ctx, "SELECT * FROM users WHERE id = ?", userID)
if err != nil {
    if ctx.Err() == context.DeadlineExceeded {
        log.Println("查询超时,释放资源")
    }
}
上述代码通过 context.WithTimeout 限制数据库查询最长执行时间,超时后自动取消操作并释放底层连接,防止长时间阻塞。
超时参数配置建议
场景建议超时值重试策略
缓存访问50ms最多1次
核心RPC调用300ms指数退避
异步任务触发2s不重试

第五章:总结与未来优化方向

性能监控的自动化扩展
在高并发系统中,手动调优已无法满足实时性需求。通过引入 Prometheus 与 Grafana 的联动机制,可实现对 Go 服务的关键指标(如 GC 暂停时间、goroutine 数量)的持续监控。以下为 Prometheus 配置抓取 Go 应用指标的代码片段:

// 在 main 函数中注册默认 metrics
import "github.com/prometheus/client_golang/prometheus/promhttp"

http.Handle("/metrics", promhttp.Handler())
log.Fatal(http.ListenAndServe(":8080", nil))
基于 Pprof 的生产环境诊断
线上服务出现性能瓶颈时,可通过 pprof 远程采集运行时数据。建议在 API 路由中启用安全鉴权后的调试接口:

import _ "net/http/pprof"

// 启动独立端口用于调试信息暴露
go func() {
    log.Println(http.ListenAndServe("127.0.0.1:6060", nil))
}()
未来架构优化路径
  • 引入 eBPF 技术进行内核级性能追踪,捕获系统调用延迟
  • 采用 GraalVM 编译 Go 或 Java 混合微服务,提升启动速度与内存效率
  • 构建 A/B 测试框架,对比不同 GC 参数对吞吐量的实际影响
  • 部署边缘缓存层,减少核心服务的重复计算压力
优化方向预期收益实施难度
异步日志写入降低 P99 延迟 15%中
连接池预热减少冷启动抖动低
HarmonyOS 6原生重构:从App开发到系统能力编排的范式迁移 HarmonyOS 6并非Android兼容层升级,而是以Stage模型、ArkTS语言和分布式能力为核心的全新操作系统范式。其核心原理在于将应用生命周期、后台调度、安全执行等关键逻辑收归系统管控,强制开发者转向‘能力调用’而非‘代码堆砌’——例如ExtensionAbility替代Service、TEE可信执行环境开箱即用、WantAgent实现跨设备意图调度。这一转变带来显著技术价值:更细粒度的资源控制、更高确定性的安全边界、更轻量的业务逻辑。典型应用场景涵盖政务核验(交管12123)、出行协同(高德融 阅读详情

相关推荐

Unity项目迁移鸿蒙实战:五大核心挑战与解决方案全解析

在跨平台应用开发领域,游戏引擎与操作系统底层的深度集成是关键挑战。Unity作为主流游戏引擎,其渲染管线、资源管理与平台API调用均围绕Android/iOS等成熟生态构建。当转向鸿蒙HarmonyOS这类新兴分布式操作系统时,开发者需直面架构差异带来的兼容性问题。其技术价值在于实现高性能图形应用在新生态的快速落地,尤其在游戏、AR/VR等交互式内容场景。本文聚焦Unity项目迁移至鸿蒙NEXT的实战经验,针对环境配置、构建编译、运行时初始化、API兼容性及性能调优五大核心挑战,提供系统解决方案。通过解析原

weixin_34082854的博客 478

Java与鸿蒙数据存储深度整合:6种高效方案全面解析

掌握Java鸿蒙数据存储方案,解决跨平台数据管理难题。涵盖Preferences、SQLite、分布式数据服务等6种核心技术,适用于设备本地与多端协同场景,具备高效、安全、低延迟优势。方案兼容性强,开发便捷,值得收藏。

AlgoFun的博客 675

HarmonyOS 实时公交服务开发实战:从零搭建到功能优化

本文详细介绍了如何从零开始开发HarmonyOS实时公交服务,包括环境搭建、核心功能实现、性能优化及商业化扩展。通过分布式能力和原子化服务特性,HarmonyOS为实时公交服务提供了高效的多端同步和流畅的用户体验。文章还提供了开发中的避坑指南和实战技巧,帮助开发者快速掌握实时公交服务开发的关键技术。

weixin_30300225的博客 368

【Java鸿蒙数据存储方案】:揭秘5大核心存储技术及最佳实践路径

掌握高效Java鸿蒙数据存储方案,解决跨设备数据同步难题。涵盖分布式数据库、关系型数据管理、Preferences轻量存储等5大核心技术,适用于多端协同场景,具备高并发、低延迟优势。深入解析最佳实践路径,值得收藏。

InstrFun的博客 636

Godot引擎与HarmonyOS 5融合开发实战:从环境搭建到跨设备协同

跨平台游戏开发是当前互动应用领域的重要技术方向,其核心在于通过统一的代码库适配多种操作系统和设备,以降低开发成本并扩大用户覆盖。其原理通常基于渲染引擎抽象层和平台特定的后端实现,将游戏逻辑与底层系统API解耦。这一模式的技术价值在于,它允许开发者专注于创意和玩法,而将复杂的设备兼容性问题交由引擎和中间件处理,极大地提升了开发效率。在应用场景上,除了传统的PC、移动和主机平台,新兴的物联网和分布式操作系统为游戏和互动体验带来了设备协同与场景无缝流转的新可能。本文聚焦于将轻量、开源的Godot游戏引擎与Harm

weixin_30487201的博客 355

鸿蒙分布式开发实战:从嵌入式到万物互联的应用创新

分布式系统作为现代计算架构的核心范式,通过将计算任务、数据存储和服务能力分散到网络中的多个节点,实现了资源的高效协同与弹性扩展。其技术原理基于统一的通信协议与能力抽象,使得异构设备能够像单一系统一样工作。这一架构在万物互联时代展现出巨大价值,它打破了设备孤岛,为构建无缝协同的智能场景提供了基础。在物联网、移动应用和边缘计算等应用场景中,分布式技术正驱动着体验革新与效率提升。HarmonyOS作为面向全场景的分布式操作系统,其分布式软总线与统一能力框架为开发者提供了便捷的实现路径。本文通过分析HarmonyO

weixin_30480075的博客 474

HarmonyOS WorkScheduler:深入解析延迟任务的高效实现与高级应用

WorkScheduler 是 HarmonyOS 中一个用于管理延迟和条件触发任务的系统服务。它不同于传统的Handler或Timer,而是基于系统全局资源状态进行智能调度。WorkScheduler 的核心优势在于其“条件驱动”模型:任务不仅可以在指定延迟后执行,还能在满足特定条件(如设备空闲、网络可用或充电状态)时自动触发。这种机制显著降低了资源冲突,并提升了能效,尤其适用于资源受限的 IoT 设备或移动应用。在分布式架构下,WorkScheduler 还支持跨设备任务协调。

不懂先生的博客 197

HarmonyOS 6原子化服务与分布式软总线实战解析

原子化服务是HarmonyOS构建全场景应用的核心范式,它超越传统小程序概念,本质是可独立部署、组合调用、热更新的声明式业务单元;分布式软总线则提供毫秒级去中心化服务发现与调度能力,支撑跨设备能力流转。二者协同构成鸿蒙‘服务即资源’的技术底座,显著提升应用性能、安全性和跨端一致性。在政务、车载、地图、社交等高频场景中,已实现无感实名核验、服务漂移导航、直播间跨设备接力等突破性体验。本文基于高德地图、交管12123等头部应用真实迁移实践,系统拆解从ArkTS语法迁移、能力调用到架构重构的完整路径,聚焦原子化服

cunfuxiao7305的博客 559

鸿蒙vsIOS音频处理

第一点(线程):解决的是“谁先走”的问题(特权)。第二点(标准):解决的是“能不能通用”的问题(生态)。第三点(零拷贝):解决的是“路有多远”的问题(效率)。这三点加起来,就是 iOS 音频体验如此丝滑的秘诀,也是鸿蒙正在努力追赶的方向。一句话:全链路掌控 (Full Stack Control)。苹果控制了芯片 -> 驱动 -> 内核 -> 框架 -> API -> 开发者生态的每一个环节。它可以在硬件设计阶段就为了“5ms 延迟”去修改电路,也可以在操作系统内核里为音频线程开“后门”。

m0_71167348的博客 1081

HarmonyOS 跨平台开发实战指南:从Android到鸿蒙的演进

HarmonyOS是华为自主研发的分布式操作系统,旨在为多设备提供统一体验。其核心优势在于微内核架构和分布式能力,支持手机、平板、PC等多种终端。1.1 HarmonyOS架构HarmonyOS采用分层架构:应用层、框架层、内核层。应用层基于ArkTS(一种基于TypeScript的语言)开发,框架层提供API服务,内核层确保安全隔离。与Android相比,HarmonyOS更轻量级,启动速度快30%以上,且支持跨设备无缝协作。1.2 ArkTS简介。

郑伟强dev的专栏 77

ZEMAX学习 6.一个照相物镜的设计

曲线越平滑表示场曲越小,曲线越接近水平,系统边缘与中心对比度越接近,虚实越接近表示色差和色散越好;第1个面设计不合理,出现前后表面相交的情况,点击第1面厚度,选择边缘厚度,设置为0.1,第1面厚度被控制在0.1mm厚,系统根据这一设置始终保持第1面边缘厚度为0.1mm。要求:设计一个照相物镜,焦距f=9mm,F#为4,视场角40°;添加有效焦距操作数EFFL 9mm 权重为1,设置优化变量,如下图,ctrl+shift+o打开优化界面。报告中系统数据有效焦距为67.381mm,设计要求为9mm;

qq_24542783的博客 4715

鸿蒙与 ArkTS 概述与DecEco Studio开发环境搭建最详解

本文介绍了华为开发者工具6.1.0.830版本的下载安装流程。首先在华为开发者官网下载该版本软件,解压后按步骤安装并创建快捷方式,安装完成后需重启设备。使用时需通过工具中的设备管理下载相应设备,特别注意要确保Hyper-V虚拟化功能处于运行状态才能正常开启设备。整个安装使用过程需注意设备检测环节。

2402_88992018的博客 148

LDA模型中文文本主题提取丨可视化工具pyLDAvis的使用

主题模型LDA的实现及其可视化pyLDAvis1. 无监督提取文档主题——LDA模型1.1 准备工作1.2 调用api实现模型2. LDA的可视化交互分析——pyLDAvis2.1 安装pyLDAvis2.2 结合gensim调用api实现可视化p.s. 保存结果为独立网页p.p.s. 加快prepare速度?2.3 如何分析pyLDAvis可视化结果2.3.1. **每个主题表示什么意义?**2.3.2 每个主题有多么普遍?2.3.3 主题之间有什么关联? 1. 无监督提取文档主题——LDA模型 这个模型

qq_39496504的博客 6万+

鸿蒙 Flutter 语音交互进阶:TTS/STT 全离线部署与多语言适配

本文介绍了在鸿蒙(HarmonyOS)与Flutter混合开发中实现全离线语音交互(TTS/STT)的完整方案。通过整合鸿蒙原生TTS引擎和PocketSphinx开源STT引擎,结合Flutter跨平台特性,构建了支持多语言的离线语音交互系统。文章详细阐述了环境搭建、通信架构设计、核心功能实现(包括TTS语音合成和STT语音识别)、多语言适配方案以及性能优化策略,并提供了可复用的代码示例和常见问题解决方案。该方案突破了网络依赖限制,在保障用户隐私安全的同时,适用于智能设备控制、离线导航等多样化场景。

song501的博客 1782

【Arduino】入门篇——交通信号灯

模拟交通信号灯一、实验目的二、实验材料三、电路图四、实验过程五、代码块六、实验结果 一、实验目的 我想大家都看见过交通灯,就是马路上十字路口的红绿灯。如果您开过车,我想您一定仔细观察过交通灯,如果您还没有驾驶过车,您是否仔细观察过交通灯呢?交通灯包括三种个不同颜色的灯:红灯、黄灯和绿灯。 每个路口的红绿灯切换的时间并不是相同,这个是根据不同路口的车流情况来设定的,下面就是模仿交通灯的一个实验 二...

漠宸离若的博客 1万+

CentOS8安装NVIDIA显卡驱动、CUDA和Anaconda

CentOS8安装NVIDIA显卡驱动和CUDA 参考:CentOS nvidia+cuda+cudnn 安装 安装英伟达显卡驱动 1、检查是否安装了NVIDIA的GPU(硬件层面): lspci | grep -i nvidia 2、安装GCC、kernal组件、dkms等 sudo yum install gcc sudo yum install gcc-c++ sudo yum -y install kernel-devel sudo yum -y install kernel-headers s

智慧的旋风的博客 1万+

鸿蒙4.0开发:跨设备功能实现全解析

鸿蒙4.0(HarmonyOS 4.0)通过分布式软总线、设备虚拟化、原子化服务三大技术支柱,彻底重构了跨设备交互范式。本文以开发者视角深度解析其技术架构与实践路径,涵盖​​分布式能力组网​​、​​服务流转机制​​、​​生态兼容策略​​及​​性能调优方案​​。结合智慧出行、全屋智能等场景案例,揭示如何实现“一次开发,多端自适应运行”的终极目标,为构建下一代超级终端生态提供全链路指南。

水务人 1490

计算机专业保研攻略(一):个人定位与院校推荐(必看干货)

写在最前 又是一年保研季,作为过来人,我深知保研就是一场信息战。在保研过程中,需要注意的信息太多了,最初我也因为经验不足,走了不少弯路。我写下这篇博客,希望能帮助更多有需要的同学。 怎样做好保研信息分析 我想举几个发生在我身边真实的例子: A同学推免排名不如B同学,但A保研去向比B同学好很多; C同学在年级里成绩并不算突出,但他拿到了最好的offer; D、E同学纷纷圆梦北大、浙大等名校,但是他们的成绩似乎并不突出; F同学取得了目标院校夏令营offer,但没有拿到本校推免资格; G同学认为自己拿不到推免

乔卿的博客 8394

如何在7天内掌握鸿蒙多设备协同开发?Java高效实践路径曝光

掌握鸿蒙多设备协同开发难题?本文提供Java鸿蒙多设备协同实战的7天高效学习路径,涵盖分布式任务调度、设备发现与通信等核心方法,适用于智能家居、跨端数据同步等场景,助你快速构建多设备联动应用,值得收藏。

FastCompile的博客 1037

Halcon那些事:Halcon缺陷检测检测印刷数字完整性

创建模板 create_shape_model模板匹配 find_shape_model。

十多年IT经验,专注机器视觉,智能制造半导体行业 771

用 ABAP LSMW 的 Standard Batch / Direct Input 稳准快迁移物料主数据:从 MM01 录制到 RMDATIND 直入的落地指南

本文详细介绍了SAP数据迁移中LSMW工具的使用方法,重点分析了物料主数据迁移的两种主要路径:Batch Input Recording和Standard Batch/Direct Input。前者通过录制事务操作实现快速起步,后者通过调用预置接口程序实现稳定高效的批量处理。文章深入解析了Standard Direct Input的具体实施步骤,包括对象属性设置、源结构定义、字段映射规则等关键环节,并特别强调了迁移前的准备工作(如编号策略、视图策略等)对项目成功的重要性。通过对比两种方法的优缺点,为不同业务

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 156

APP开发框架的分类和特点

APP开发框架选型指南 APP开发框架分为原生(iOS/Android)、跨平台(Flutter/React Native/HarmonyOS)和混合开发(Ionic/Cordova)三大类。 原生框架(Swift/Kotlin)性能最优,适合游戏、AR/VR等高性能需求,但开发成本高。 跨平台框架(Flutter/React Native)一次开发多端运行,适合电商、社交类APP,平衡性能与效率。 混合框架(Ionic)基于Web技术,开发快但性能较差,适合内容展示类应用。 选型建议: 追求极致性能→原生

qq_48256438的博客 1417

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

从零打造鸿蒙原生 Python IDE:ArkTS + N-API + PTY + CPython 全链路解析

鸿蒙原生Python IDE技术解析 项目概述 鸿蟒工坊(HongMian Workshop)是一款运行在HarmonyOS PC上的Python集成开发环境,填补了鸿蒙PC生态的开发工具空白。项目将Thonny IDE的核心功能移植到鸿蒙平台,提供代码编辑、Shell交互和完整CPython解释器支持。 技术架构 UI层:基于ArkTS/ArkUI实现编辑器界面 桥接层:使用C++/N-API实现JS与C++的通信 运行时层:嵌入CPython 3.12解释器 系统层:利用HarmonyOS内核

一键难忘的博客 3万+

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

HarmonyOS 开发:图像识别全栈实战

从超市扫码支付到机场登机牌核验,从快递单号录入到电子发票识别,图像识别早已融入日常生活的毛细血管。而在 HarmonyOS 生态中,这一能力被封装为ScanKit,一套高性能、低功耗、端侧运行的视觉识别服务。与传统依赖云端 API 的方案不同,ScanKit 支持纯本地识别,无需网络连接,既保障了用户隐私,又提升了响应速度。更重要的是,它原生支持一图多码、倾斜码、模糊码、反光码等复杂场景,极大降低了开发门槛。

weixin_52951749的博客 1万+

鸿蒙平台Unity引擎深度集成:架构设计与工程实践指南

在跨平台应用与游戏开发领域,引擎与操作系统的深度集成是保障性能与体验的关键技术。其核心原理在于构建高效的桥接层,实现应用逻辑与原生系统服务间的双向通信与数据交换。这项技术的价值在于,它能让开发者复用成熟的引擎生态与工作流,同时无缝接入目标平台独有的硬件能力与系统特性,从而显著降低多平台适配的复杂度与成本。典型的应用场景包括将存量游戏项目迁移至新兴操作系统,并充分利用其分布式架构与原子化服务等创新功能。本文以Unity引擎与鸿蒙系统的集成为例,深入剖析了图形渲染管线适配、原生插件机制设计以及构建流程重构等核心

weixin_33981932的博客 399
上一篇: 揭秘Java与鸿蒙推送服务对接难点:5大核心问题与解决方案
下一篇: 鸿蒙平台Java应用国际化深度剖析(仅限资深开发者阅读的技术内幕)
普通网友
博客等级 码龄3年 606粉丝 2892原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值