墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
500+累计阅读
597平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
创建Pair : Pair<Integer, Integer> pair = new Pair<>(10,10); //不能用基本数据类型
取值： pair.getKey() pair.getValue()
创建Queue ： Queue<Integer> q = new LinkedList<>();
入队： q.offer() 出队 q.poll(); 这两个操作出错时会返回false
入队： q.add() 出队 q.remove();这两个出错时会抛出异常
peek()和element() 用于查询队头数据 出错时peek()返回null element()抛出异常
Xilinx Vitis 2020.1中Microblaze SREC SPI Bootloader初始化失败的调试与修复指南
本文详细解析了在Xilinx Vitis 2020.1开发环境中，Microblaze SREC SPI Bootloader初始化失败的常见原因与解决方案。核心问题通常源于Flash上电时序或软件配置，如`serial_flash_family`参数未生效、链接脚本设置不当或BRAM初始化文件选择错误。文章提供了从硬件配置检查、工程设置修正到代码级添加重试机制的完整调试路径，帮助开发者快速定位并修复启动故障，确保系统稳定启动。
Java中Pair 配对的使用以及和Map的区别
Java中Pair和Map的区别
数字芯片后端设计实战：Memory Compiler参数配置与SRAM生成优化
本文深入解析数字芯片后端设计中Memory Compiler的核心参数配置与SRAM生成优化策略。详细探讨了容量结构、频率设定、工艺角选择等关键参数的配置要点与常见误区，并提供了从.lib/.lef文件转换到后端流程整合的实战指南，旨在帮助设计者生成面积、性能和功耗更优的存储单元。
STL总结：（queue队列）（pair）（set集合）（stack栈）（priority_queue优先队列）
queue队列 （1）特点： 只能访问容器的第一个和最后一个元素 只能在容器的末尾添加新的元素 只能从头部移出元素 先进先出（FIFO，First in first out） (2)定义： queue&amp;lt;数据类型&amp;gt;名称； queue&amp;lt;int&amp;gt;q1; queue&amp;lt;char&amp;gt;q2; (3)函数 back()返回
libfranka---joint_impendence_control例程分析
joint_impedance_control.cpp例程分析 部分内容来自链接，我个人以初学者的角度对代码进行了更加细致的解释。 核心部分： // Set and initialize trajectory parameters. const double radius = 0.05; const double vel_max = 0.25; const double acceleration_time = 2.0; const double run_time = 20.0; d
极智AI | 谈谈为什么卷积加速更喜欢 NHWC Layout
本文主要讨论一下为什么卷积加速更加喜欢 NHWC 的数据排布。
Java键值对Pair的使用方式和操作流程
键值对是一种常见的数据结构，它由一个唯一的键（key）和与之关联的值（value）组成。键和值之间存在一种映射关系，通过键可以查找或访问对应的值。在键值对中，键通常用于唯一标识和区分不同的数据项，而值则存储了与键相关联的具体数据。键值对经常用于存储和表示多个相关的属性或信息。在编程语言中，键值对通常通过字典（Dictionary）、哈希表（Hashtable）或映射（Map）等数据结构来实现。不同的编程语言可能有不同的实现方式和命名，但核心概念都是一样的：通过键来关联值。
YOLOv13多分支融合机制+SE注意机制 RepVGGBlock_OREPA架构 map提升4.89,召回率提升8.66
本文提出了一种改进的YOLOv13目标检测模型，通过引入RepVGGOREPA模块和重参数化技术，显著提升了模型性能。实验结果表明，采用RepVGGBlock后，mAP提升4.89，召回率提升8.66%。文章详细介绍了模型移植过程，包括创建YOLOv13-REPVGGOREPA配置文件、修改任务处理代码和模块初始化文件，并提供了完整的OREPA模块实现代码。该模块通过多尺度特征融合和SE注意力机制，实现了训练时的丰富表征能力和推理时的高效计算，为YOLO系列模型提供了新的优化思路。
关于队列中使用pair的总结
今天在学到广度优先搜索时，学长给我们提到大部分广度优先搜索都会用到队列（queue），而在使用queue时有两种方法来给队列赋多个值，一个是自写结构体，另一个就是使用pair。 pair是将2个数据组合成一个数据，当需要这样的需求时就可以使用pair。就像STL中的map就是将key和value放在一起来保存。同样的，当一个函数需要返回2个数据的时候，可以选择pair。pair会将两个数据分别转换为first和second储存到pair定义的变量中。 拿广度优先搜索来举例，可以使用queue<pa
使用FSL对DTI数据进行预处理
在fsl官网我们可以看到是同时使用了AP和PA图像处理，采用的是最小二乘法将2个图像合并为1个图像。–inindex此处需要处理的是PA图像，在acq_param.txt中我们是把这个放在第一行的，此处为1，如果处理的是AP图像，则此处为2。为了校正磁场引起的畸变，对DTI的B0像分别采集了A>P和P>A的反向编码的两种B0像。即如果AP和PA只有1个B0像时，那么这里就是两行，如果各有3个B0像则这里应该是6行。假设转换后的图像为sub01_AP.nii.gz和sub01_PA.nii.gz。
使用SIMD思想进行memcpy的优化
arm64平台的memcpy的性能优化，相比C库提升30~40%，SIMD优化思路
C++和Java中STL库入门
C++和Java中STL库入门STL简介为什么使用STLSTL基本概念STL使用前的初始化C++里STL基本容器详解 STL简介 STL简称标准模版库，被容纳在C++标准程序库，包含了许多基本数据结构和基本算法，使程序员写起来得心应手。 为什么使用STL 在学习数据结构的时候，在程序中会使用到堆、栈、队列、链表等一些基本的算法，而学习数据结构的时候，这些基本算法写起来十分繁琐，如果不想写这些，那么就可以考虑一下STL了。 但是不要太过于依赖STL！ STL基本概念 要使用STL，需要理解以下几个基本概念：
2026年国赛C题微网与外部电网电力调控策略 （三）：问题三、问题四滚动预测、实时电价与结果核验
专栏内定期更新ABCDE五题详细思路、代码（含运行结果图）和讲解视频-（11号之前半价）：问题三看起来只是多给了一个光伏预报附件，实质上它改变了整道题的信息结构：问题四则是在问题二、问题三之上替换价格来源。问题4-2相当于“确定性计划+实时电价”，问题4-3相当于“滚动预测+实时电价”。物理模型完全不变，改变的是价格序列和费用口径。本文先给出核心结果：从结果看，问题3比问题2多约164.21万元，问题4-3比问题4-2多约168.79万元。主要增量不是“储能没有工作”，而是预测误差、计划偏差和紧急购电造成的
java类比C++的STL库
介绍了类比C++STL库中java的操作和常见数据结构的写法参考了他人的java的详情可以参考剑指Offe专项突破版那本书 里面有关Java数据结构和常见的介绍用法。
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
蓝桥杯JAVA-7.集合（容器）在竞赛中的使用
目录 介绍一些在竞赛中会用到的集合（容器），和使用方法。具体一些的用法可见《JAVA基础学习-集合》 而本文是快速介绍和一些基本用法。最主要的还是要知道有这些东西，比赛时针对不同的场景用不同的集合（容器）。因为我从C++转过来的，所以对C++里面的容器使用比较了解。而本文不仅会把JAVA中特有的集合介绍一下，还会把C++中的容器如何在JAVA中使用也介绍一下。因为，C++中的一些容器确实很好用而且用的还挺多，但在JAVA中却很少。 1.JAVA ArrayList、LinkedList、HashSet、Tr
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');```[](https://bitdeli.com/free "Bitdeli Badge")
Java核心技术【卷一】——学习笔记(五)--泛型（二）
定义一个泛型类，泛型的意思就是可以随意更改定义类的数据类型 使用Pair<T>来进行定义 Main类： package com.changsan.fanxing1; public class Main1 { public static void main(String[] args) { Pair<Integer> ss=new Pair&...
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
Java常用STL及常用库函数
Java常用STL及常用库函数 ArrayList @Test public void test01() { // 定义 ArrayList // 定义一个空 ArrayList List<Integer> a = new ArrayList<>(); // 定义一个空 ArrayList，初始容量为3 List<Integer> b = new ArrayList<>(3); // 定义一个包含元素1,2,3
Java集合存储二维坐标类型的数据
Java保存二维数据
java queue stack 的使用
java中queue的使用 java 中stack的使用
蓝桥杯JAVA-9.集合（容器）在竞赛中的快速入门使用
目录 个人博客 www.tothefor.com 蓝桥杯复习知识点汇总 之前写了一篇关于JAVA中集合的使用，但后面感觉写的可能太多、太杂了。所以，这一篇就直接写怎么用，类似于基本的操作增、删、查、改。 1.Collection Java标准库自带的java.util包提供了集合类：Collection，它是除Map外所有其他集合类的根接口。Java的java.util包主要提供了以下三种类型的集合： List：一种有序列表的集合。 Set：一种保证没有重复元素的集合。 Map：一种通过键值（key-va
priority_queue使用坑点和题集
2019年7月9日23:27:19 更第一波 priority使用pair比较的坑点 所以用pair的priority_queue只能使用struct的重载比较，why?! 重载运算符的操作不能用于pair类型数据的排序，只能作用于结构体或类对象。—> 所以不能使用node型的priority_queue的函数重载操作符的方法 node可以函数操作符重载 pair不支持重载运算符...
java list pair_Java Pair.getSecond方法代码示例
import azkaban.utils.Pair; //导入方法依赖的package包/类private void processQueuedFlows(long activeExecutorsRefreshWindow,int maxContinuousFlowProcessed) throws InterruptedException,ExecutorManagerException {lo...
priority_queue（优先队列）的优先级设置
基本数据类型的优先级设置： 对于基本数据类型（int,char,double），priority_queue的排序是默认是数值越大越优先。 #默认大根堆 priority_queue<int> que; #greater是小根堆 priority_queue<int,vector<int>,greater<int> > que; #less是大根堆 priority_queue<int,vector<int>,less<..
Queue队列
2019独角兽企业重金招聘Python工程师标准>>> ...
Java 集合框架中接口、之间的关系及其含义
1、Java 集合框架 Java Collection Framework ，又被称为容器 container ，是定义在 java.util 包下的一组 接口 interfaces 和其实现类 classes 。 2、接口基本关系 connection：用来存储管理一组对象 objects ，这些对象一般被成为元素 elements。 Set :元素不能重复，背后隐含着查找/搜索的语义。 SortedSet : 一组有序的不能重复的元素 List : 线性结构 Queue : 队列 Deque : 双
Java学习中的不解
一直以来，都是用C,C++,C#开发程序，从事的也是编译器相关方面的研究与开发，最近在测试方面有些比较好的想法，想从实验的角度验证想法是否可行。但C系列里面没有相关的benchmark，只有Java有，所以转而学习Java。Java中的语法基本与C++一致，上手很容易，但是有些地方依然不太顺手，故而本文记录本人在开发Java程序过程中遇到的问题，作为笔记。 1 参数传递问题。在Java...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
186
扫一扫
