检验电子邮件地址是否真实

    同样用到了dnsjava(下载地址:http://www.dnsjava.org/)来获取MX记录。考虑到效率问题可将获取的MX记录保存到xml或数据库,下次使用时先检索本地数据,若不存在再获取其MX记录。

CheckEmail.java

import  java.io. * ;
import  java.net. * ;
import  org.xbill.DNS. * ;

public   class  CheckEmail
{
    
public static boolean check(String mailTo)
    
{
        
if (!mailTo.matches("w+([-_.]w+)*@w+([-.]w+)*.w+([-.]w+)*")) //判断格式
            return false;
        }

        String hostName 
= mailTo.split("@")[1];  //获得如163.com
        String host = null;  // MX记录
        
        
try {
            Lookup lookup 
= new Lookup(hostName, Type.MX);
            lookup.run();
            
if (lookup.getResult() != Lookup.SUCCESSFUL) {
                
return false;
            }

            
else {
                Record[] result 
= lookup.getAnswers();
                host 
= result[0].getAdditionalName().toString();
            }

            
            Socket socket 
= new Socket(host, 25);
            BufferedWriter out 
= new BufferedWriter(new OutputStreamWriter(socket.getOutputStream()));
            BufferedReader in 
= new BufferedReader(new InputStreamReader(socket.getInputStream()));
            in.readLine();
            out.write(
"HELO Sender ");
            out.flush();
            in.readLine();
            out.write(
"MAIL FROM:<xx@xxx.xx> ");
            out.flush();
            in.readLine();
            out.write(
"RCPT TO:<" + mailTo + "");
            out.flush();
            String r 
= in.readLine();
            out.write(
"QUIT ");
            out.flush();
            
            out.close();
            in.close();
            socket.close();
            
if (!r.startsWith("250")) {
                
return false;
            }

            
else {
                
return true;
            }

        }
 catch (Exception e) {
            
return false;
        }

    }

}

 

考虑到效率&资源问题,不推荐这样验证电子邮件的真实性。

内容概要:本文详细比较了GPU、TPU专用AI芯片在大模型推理优化方面的性能、成本及适用场景。GPU以其强大的并行计算能力和高带宽显存,适用于多种类型的神经网络模型和计算任务,尤其适合快速原型开发和边缘计算设备。TPU专为机器学习设计,擅长处理大规模矩阵运算密集型任务,如Transformer模型的推理,具有高吞吐量和低延迟特性,适用于自然语言处理和大规模数据中心的推理任务。专用AI芯片通过高度定制化架构,针对特定神经网络模型进行优化,如卷积神经网络(CNN),在处理特定任务时表现出色,同时具备低功耗和高能效比的优势,适用于边缘计算设备。文章还介绍了各自的优化工具和框架,如CUDA、TensorRT、TPU编译器等,并从硬件成本、运营成本和开发成本三个角度进行了成本对比。 适合人群:从事人工智能、深度学习领域的研究人员和技术人员,尤其是对大模型推理优化感兴趣的读者。 使用场景及目标:①帮助读者理解GPU、TPU和专用AI芯片在大模型推理中的优缺点;②为选择适合的硬件平台提供参考依据,以实现最优的推理性能和成本效益;③介绍各种优化工具和框架,帮助开发者高效部署和优化模型。 其他说明:本文不仅涵盖了硬件架构特性,还深入探讨了优化技术和应用场景,旨在为读者提供全面的技术参考。在选择硬件平台时,需综合考虑具体任务需求、预算限制及开发资源等因素。
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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