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
100+累计阅读
163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
如果你知道一个对象是不可变动 ，那么需要拷贝的对象的内容时就不用复制它本身二只是复制它的地址，复制地址(通常一个指针的大小)需要很小的内存，效率也很好。二对于其他引用同一个对象的其他变量也不会造成影响。
因为在多线程同时进行的情况下，一个可变对象的值很可能被其他线程改变这样会造成不可预期的结果么人使用不可变对象就可以避免这种情况出现。
java将String设成不可变最大的原因是效率（地址内存小）和安全（多线程不会产生错误）。
解决turmex安装kali报错问题
在手机上安装好turmex后，都喜欢安装一个Linux系统，我当时安装的时kali，但是安装过程中，报错不断。 2019.8.24更新 1，出现问题首先看下载kali源文件是否完整 安装步骤中，会显示[解压中.....] ，可以看到解压的大小。 如图所示，完整源文件不小于81M。 如果源文件过小，则说明下载错误，而且在remove kali这个命令下，是不会删除源文件的，下一次安装只...
字符串的不变性_不变性
面向对象的编程通过封装运动部件使代码易于理解。 函数式编程通过最大程度地减少运动部件来 使代码易于理解 。 — Michael Feathers，《 使用旧版代码》的作者 ，通过Twitter 关于本系列 本系列旨在将您的观点重新定位为实用的心态，帮助您以新的方式看待常见问题并找到改善日常编码的方式。 它探讨了函数式编程的概念，允许在Java语言中进行函数式编程的框架，在JVM上运...
MinerU安装指南：从源码到验证的完整流程
本文详细介绍了MinerU文档转换工具的安装流程，从源码获取、依赖安装到验证步骤，提供了完整的安装指南和常见问题解决方案。特别适合技术写作者和开发者快速部署这款高效的文档转换工具，提升工作效率。
字符串的不可变性
字符串的不可变性核心原因是因为String内部的Char [] value属性是final修饰的，是不可变的。
ESP32实战指南：SPI驱动ADXL345三轴加速度传感器的精准数据采集与姿态解算
本文详细介绍了如何使用ESP32通过SPI接口驱动ADXL345三轴加速度传感器，实现精准数据采集与姿态解算。从硬件连接到SPI通信优化，再到数据处理和低功耗策略，提供了全面的实战指南。特别适合物联网开发者和硬件工程师参考，帮助快速掌握传感器数据采集技术。
YOLOv8性能提升：基于SPD-Conv的高效空间深度转换卷积技术解析【YOLOv8】
SPD-Conv是一种结合了空间和深度信息的卷积技术。与传统卷积不同，SPD-Conv通过在卷积过程中动态调整空间维度和深度维度之间的关系，使得模型能够在较少的参数下捕捉到更多的空间细节。这种方法尤其适用于检测小目标和复杂场景中的细微特征。SPD-Conv的核心思想是通过引入一个空间深度转换矩阵，将输入特征图的空间信息有效地映射到更高维度的深度信息中。这种转换不仅可以保留输入图像的空间细节，还可以在卷积操作中增强特征的表达能力。空间深度转换：通过一个线性变换矩阵，将输入特征图的空间信息转换为深度信息。
什么是字符串(String)的不变性？
Strnig的不变性是指什么
zabbix系列：内存VM.MEMORY.SIZE监控之total、free、pused、available 参数说明
free -m buffer是即将要被写入磁盘的，而cache是被从磁盘中读出来的. zabbix Web total:1046/1024=1.02G Available：216/1046=20.65% zabbix参数 total- 总物理内存. free- 可用内存. active- 内存当前使用或最近使用，所以它在RAM中。 inactive- 未使用内存. wired- 被标记为始终驻留在RAM中的内...
剑指offer系列——剑指 Offer 58 - II. 左旋转字符串（C/C++/Java语言）
字符串的左旋转操作是把字符串前面的若干个字符转移到字符串的尾部。请定义一个函数实现字符串左旋转操作的功能。比如，输入字符串"abcdefg"和数字2，该函数将返回左旋转两位得到的结果"cdefgab"。 剑指 Offer 58 - II. 左旋转字符串（C语言）
Claude Code 学习笔记之一：理解 Agentic Loop 与内置工具
本文介绍了Claude Code这一终端智能助手的工作原理与使用方式。作者从ABAP开发经验出发，指出学习Claude Code的高级用法具有长期价值。文章详细解析了Claude Code的Agentic Loop机制：通过大语言模型进行推理，借助各类工具执行任务，并循环收集上下文、执行操作、验证结果三个步骤。系统阐述了Claude Code支持的五大类工具及其扩展方式，说明了其访问本地资源的范围和自治处理能力，同时介绍了权限模式等安全机制。最后提供了从小任务开始、充分探索、及时引导、使用CLAUDE.md
一次点击跑通：用 Postman 自动获取并携带 CSRF token，测试 SAP OData 写操作
SAP OData 写操作自动化测试方案 针对 SAP Gateway OData 服务写操作中常见的 CSRF token 验证问题，本文提出了一套基于 Postman 的自动化解决方案： 问题分析：解释了 CSRF token 的验证机制及其必要性，说明手工测试效率低下的原因 解决方案： 使用 Postman 环境变量存储 token 通过脚本自动获取并传递 token 利用 Collection Runner 实现一键执行 实施步骤： 创建环境变量存储 token 第一个请求获取 token 并存入变
《剑指offer》Java版全系列题解（2021版，持续更新！）
《剑指offer》Java版全系列题解（2021版，持续更新！） 本系列记录了最新版 《剑指Offer》 的题解过程与代码，因为原书是c语言。这里用Java代码复现并优化，并包含解题分析。 希望各位能够点赞，收藏！关注我！ 每日更新！ 如果在准备java面试，可以看看我的另外一篇文章！ Java面试复习体系总结（2021版,持续更新） csdn题解（包含详细分析过程，代码） 力扣链接 剑指Offer系列（java版，详细解析） 03. 数组中重复的数字 剑指 Offer 03. 数组中重复
网络管理与维护综合实训2：基于AD证书服务构建企业内部HTTPS安全访问体系
本实训项目通过在Windows Server 2022环境下搭建AD域、DNS服务和Web服务器，实现安全的企业网站访问。主要内容包括：在两台服务器上安装操作系统并配置网络；在S1服务器上部署活动目录域、证书服务和Web服务；创建两个网站（HTTP和HTTPS）；配置DNS记录和SSL证书；设置防火墙规则限制HTTP访问而允许HTTPS访问。通过实践掌握了AD证书管理、DNS配置、Web服务器设置及防火墙规则配置等关键技能，为网站管理工作奠定了基础，同时认识到证书管理在Web安全中的重要性。
【剑指offer】Python、java，C++三种语言同时实现
文章目录前言 前言 1、关于剑指offer的题，只要是博主发出来的都是经过牛客AC的 2、实现语言多半是python和java以及C++同时实现的，很少没用c++实现 3、只是用于交流，毕竟自我感觉整理的很好哎 ...
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
150页的剑指Offer解答PDF，它来了！！！
它来了！！！ 终于整理出了第一版剑指Offer的PDF，主要以Java语言为主，一共67道题，100多页。 领取方式如下（无套路直接获取百度网盘的 ???? 链接,如果链接失效可以直接找我）: 【秦怀杂货店】公众号内发送：剑指Offer 刷题仓库：CodeSolution ，具体的分类如下: 数组 剑指Offer（二）–二维数组中的查找 剑指Offer（十三）–调整数组顺序使奇数位于偶数前面 剑指Offer（十九）-- 顺时针打印矩阵 剑指Offer（二十八）-- 数组中次数出现超过一半的数字 剑指
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")
《剑指offer》—— 43. 左旋转字符串（Java）
秋招春招笔试面试必备！内附完整《剑指Offer》算法题全解析系列！
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
刷题——[剑指 offer] JAVA 版题解
序号 题解 牛客 OJ 数据结构类型 03 [剑指 offer] 二维数组中的查找 二维数组中的查找 数组 04 [剑指 offer] 替换空格 替换空格 字符串 05 [剑指 offer] 从尾到头打印链表 从尾到头打印链表 链表 06 [剑指 offer] 重建二叉树 重建二叉树 ...
【刷题】2021最新剑指Offer汇总
新手村 关卡1-1 洛谷的第一个任务 超级玛丽游戏（洛谷-P1000）：点击这里 A+B Problem（洛谷-P1001）：点击这里
剑指offer之字符串转换为数字
在剑指offer里第49道题的要求是把字符串转换成整数，在这种情况下肯定是不能用像atoi这样的库函数的哦，所以我们就得模拟实现这个函数来解决面试官所给的问题。很多人可能会一下啊就写出这样的代码： int my_atoi(const char *str) { int number=0; assert(str); while(*str) { number=number*10+*str-
【Java】 剑指offer(20) 表示数值的字符串
作者:徐公微信公众号:徐公来源:https://github.com/gdutxiaoxu/Android_interview本文参考自《剑指offer》一书，代码采用Java语言。
剑指offer之把字符串转换成整数
剑指offer之把字符串转换成整数 题目描述输入描述输出描述解题思路Code 题目描述 将一个字符串转换成一个整数(实现Integer.valueOf(string)的功能，但是string不符合数字要求时返回0)，要求不能使用字符串转换整数的库函数。 数值为0或者字符串不是一个合法的数值则返回0。 输入描述 输入一个字符串,包括数字字母符号,可以为空 输出描述 如果是合法的数值表达则返...
【Java语言】剑指offer系列之字符串---替换空格
题目描述 请实现一个函数，将一个字符串中的每个空格替换成“%20”。例如，当字符串为We Are Happy.则经过替换之后的字符串为We%20Are%20Happy。 思路：利用StringBuffer的append()方法，以及charAt()方法进行实现。 具体代码如下： public class Solution { public String replaceSpace(Strin...
剑指Offer Java版 基础知识1
最近找实习，看了看《剑指Offer》，感觉这本书里面的内容不难，而且绝大部分的代码都是可以在30行之类完成的，很适合在面试等场合。里面的例题也都是一些很经典的题目，设计的方面也很广，结合了基本的数据结构，以及常用的时间和空间复杂度。只要把每道题认真的理解了，对付一般的面试应该问题不大。 剑指offer里面的题目大多是用C/C++写的，由于Java语言与这两种语言的差异性，可能有些解法
剑指offer之表示数值的字符串
剑指offer之表示数值的字符串 题目描述解题思路Code 题目描述 请实现一个函数用来判断字符串是否表示数值（包括整数和小数）。例如，字符串"+100",“5e2”,"-123",“3.1416"和”-1E-16"都表示数值。 但是"12e",“1a3.14”,“1.2.3”,"±5"和"12e+4.3"都不是。 解题思路 字符串类最烦的题，再次翻开了书敲代码，膜评论区的
[剑指Offer]左旋转字符串(Java)
题目 左旋转字符串 -- newcoder 剑指Offer 43 题目描述 汇编语言中有一种移位指令叫做循环左移（ROL），现在有个简单的任务，就是用字符串模拟这个指令的运算结果。对于一个给定的字符序列S，请你把其循环左移K位后的序列输出。例如，字符序列S=”abcXYZdef”,要求输出循环左移3位后的结果，即“XYZdefabc”。是不是很简单？OK，搞定它！ 思路 如反...
剑指offer
本习题集用于记录一些剑指offer的习题，用于记录和复盘思路，会持续更新
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
