墨衍会员
·
1平台
·
800+阅读
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
800+累计阅读
875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
近期，看了一份24岁60W年薪架构师简历，上面写着他的求职意向+所掌握的技能.......
所掌握的技能大部分写的都是精通！我不禁想问，大佬都这么强吗？你敢在简历上把所有的技能都写精通吗？
下面来带大家看一下他所掌握的技能：
除了所掌握的技能之后，还有工作经历+个人经历+自我的评价，内容太多不方便透露给大家 。
除了60W年薪架构师简历之外，还有一份可以让你再简历上写精通JVM的技术文档，包含11个JVM的技术点，大家可以看一下：
1.JVM入门以及Class文件格式；
2.详解Class加载过程；
3.Java内存模型；
4.内存屏障与JVM指令；
5.Java运行时数据区和常用指令；
6.JVM调优必备理论知识-GCCollector-三色标记；
7.PS+PO调优实战；
8.JVM调优实战；
9.JVM实战调优；
10.垃圾回收算法串讲；
11.JVM常见参数总结；
最后还有配套的视频来学习提升，让你也可以再简历上写上精通JVM！
Java技术变现新路径：基于JVM生态的工程化赚钱模型
Java作为一门成熟语言，其核心价值已从语法特性升维为JVM生态所承载的稳定性、向后兼容性与企业级信任背书。在等保合规、遗留系统现代化和垂直领域工具链等刚性需求驱动下，Java凭借字节码增强、Java Agent、ClassLoader热加载等原生能力，成为构建合规即服务（Compliance-as-a-Service）、遗留系统缝合层及微型SaaS的关键技术底座。它不追求性能极限，而以‘可审计、可验证、零改造集成’满足法务签字、运维背书与终端用户习惯三重决策节点。本文聚焦Java在2025年中小企业技术变
[职场] 数据架构师求职简历工作经历范文（精选5篇） #职场发展#学习方法
数据架构师求职简历工作经历范文（精选5篇）数据架构师在找工作做简历的时候，经常不知道求职简历中的工作经历板块怎么写，下面是简历网小编整理的适合数据架构师在做简历时写的工作经历范文5篇！希望能帮助到大家。
Android开发者用Cursor写Kotlin的真实体验与避坑指南
Kotlin作为强类型、高表达力的JVM语言，其协程、DSL和编译器插件生态为AI编程工具带来独特机遇与挑战。AI代码生成的核心原理是基于上下文窗口的模式匹配与语法补全，技术价值在于显著降低样板代码编写成本，尤其在数据转换、算法实现等逻辑层；但在Android框架集成场景（如lifecycleScope绑定、Room注解、WorkManager调度）中，因缺乏完整项目语义理解而易出错。典型应用场景包括快速构建Repository骨架、生成Excel解析逻辑、补全Flow操作符等，但必须配合人工核验关键生命周
架构师/技术负责人简历模板范文
优秀的架构师/技术负责人是企业成功的关键。在求职路上，一份出色的简历同样至关重要。幻主简历网提供精美的简历模板和便捷的在线制作工具，助您脱颖而出。欢迎前来体验，让您的求职之旅更加顺利。幻主简历huanzhucvcv.com案例，架构师/技术负责人简历模板范文：求职意向求职类型：全职 意向岗位：架构师/技术负责人 意向城市：广东广州 薪资
网络安全面试题
在当今社会网络安全行业越来越发达，也有越来越多的人去学习，为了更好地进行工作，除了学好知识外还要应对企业的面试。 所以在这里我归总了一些网络安全方面的常见面试题，希望对大家有所帮助。 windows常见 1：描述tcp/udp的区别及优劣，及其发展前景 TCP—传输控制协议,提供的是面向连接、可靠的字节流服务。当客户和服务器彼此交换数据前，必须先在双方之间建立一个TCP连接，之后才能...
别再说Fortran过时了！手把手教你用VS Code + gfortran搭建现代开发环境（2024版）
本文打破Fortran过时的刻板印象，详细介绍如何利用VS Code和gfortran搭建现代开发环境。从编译器安装、VS Code插件配置到项目结构标准化，提供完整的2024版跨平台解决方案，并展示Fortran 2023标准的协程、并行计算等现代特性，助力科学计算与高性能开发。
年薪120W的架构师简历你见过吗？java程序员该如何达到？
金三银四马上就到了，希望大家能好好学习一下这些技术点学习视频：大厂面试真题：码讲义、实战项目、讲解视频**如果你觉得这些内容对你有帮助，可以添加下面V无偿领取！（备注Java）[外链图片转存中…(img-f4cQiPLJ-1711108394634)]金三银四马上就到了，希望大家能好好学习一下这些技术点学习视频：[外链图片转存中…(img-clcX88Ca-1711108394634)]大厂面试真题：[外链图片转存中…(img-NNOmV9l4-1711108394635)]本文已被。
影刀RPA：轻松搞定Excel表格自动化操作
影刀RPA是一款功能强大的自动化工具，通过模拟人类操作实现各种重复性任务的自动化。零代码操作：通过拖拽式流程设计器，无需编程基础即可快速上手。功能丰富：提供丰富的组件库，涵盖文件操作、数据处理等多种功能。高效稳定：支持多任务并行，确保任务的高效执行和稳定性。支持Python语法：内置数据表格，支持Python语法，对新手友好，同时具备循环功能。通过影刀RPA，您可以轻松实现Excel表格的拆分、列数据合并和归档工作的自动化。这不仅节省了手动操作的时间，还能确保数据处理的高效和准确，提升工作效率和管理水平。
Java架构师简历模板
1、分布式系统基于dubbo划分为商品线、交易线、资金线、用户线、支付线、履约线构成的电商系统架构，dubbo配置关闭启动时检查、服务分组、多版本、延迟暴露等。基于dubbo如何做服务治理、服务降级以及重试。13、遵循华为测试规范，功能测试（单元测试、冒烟测试、集成测试、QA测试）性能测试（Jmeter、LoadRunner）、自动化测试（selenium、QTP）3、精通dubbo、spring cloud（Eureka、Ribbon、Feign、Hystrix、zuul），阅读过相关源码。
Lumerical-定向耦合器1
概述：本文章使用FDE求解器对定向耦合器进行了数值仿真，讨论了耦合器的间距相关性，耦合长度相关性，波长相关性。讨论了脊形波导和条形波导两种情况。
从机械臂示教到厨房做饭：ACT模仿学习如何让机器人更“人性化”？
本文探讨了ACT（Action Chunking with Transformers）模仿学习技术如何让机器人更“人性化”，特别是在厨房等复杂场景中的应用。通过动作分块（Action Chunking）和时态融合（Temporal Ensemble）技术，机器人能够像人类一样记忆和执行复杂任务，如烹饪。文章还分析了ACT在家庭场景中的落地挑战及其在康复医疗、柔性制造等领域的跨领域应用潜力。
靠这份35w字Java面试题，终于收到字节Java开发岗满意Offer了!
还好死磕一下前同事给的35w字的新Java八股文了，要不然真的得被淘汰了，虽然很麻烦，但是真的逃不掉。14.Spring 中，有两个 id 相同的 bean，会报错吗，如果会报错，在哪个阶段报错。15.Spring 里面的事务和分布式事务的使用如何区分，以及这两个事务之间有什么关联？39.ConcurrentHashMap的size()方法是线程安全的吗？3.关于“你对Zookeeper的理解，看看普通人和高手是如何回答这个问题的？11.关于“谈谈你对ES的理解，看看普通人和高手是如何回答这个问题的？
SAP ABAP SSSLERR_PEER_CERT_UNTRUSTED 证书过期+证书导入+案例详解+注意事项
出于 IT 审计与安全管理，外部系统间通讯发布的 API 主流都是 HTTPS 协议，SAP 支持 SSL 证书。SSL 证书是有效期的，当证书失效时将返回错误 SSSLERR_PEER_CERT_UNTRUSTED ，此时需要导入新效期的证书。这篇文章完整讲解了证书过期处理的全过程。
爆肝分享24届Java后端六个大厂秋招面经+字节Java面试手册！
切记，项目、实习一定需要总结，背诵下来，项目里有挑战的事情、前因后果、遇到的难点，实习的收获、个人的成长等，这些问题都是高频题，如果提前总结的话，面试的时候可以侃侃而谈，一般面试官问这些问题的时候，我一般就直接讲个 10 分钟，这样面试就过去 1/4 了。一些原理的介绍，千万不要讲一两句就结束了，能多深入多深入，多发散多发散，多水点面试时长，最好讲到面试官打断你，这样面试绝大部分时间都是被你掌控的。算法也是，即使你会，也要拖一会，一般拖到个 45min 左右就不会给你出第二个算法题了，这也算一个小技巧。
代数拓扑与AI架构：AI应用架构师深入探索数学研究如何分析复杂系统的结构特性
随着人工智能技术的飞速发展，AI系统变得越来越复杂。AI应用架构师需要有效的工具和方法来理解、设计和优化这些复杂系统。代数拓扑作为数学的一个分支，提供了独特的视角和技术来分析复杂系统的结构特性。本文旨在帮助AI应用架构师深入了解代数拓扑，以及如何将其应用于AI架构设计中，提升对复杂系统的分析能力。首先，我们会介绍代数拓扑和AI架构相关的核心概念及其联系，通过有趣的故事引入主题，让读者轻松理解复杂概念。接着，深入探讨代数拓扑的核心算法原理，结合具体的编程语言代码示例详细阐述。
uniapp - 实现扫码功能自定义扫描二维码/条码界面+手电筒轻触照亮+扫码屏幕添加手动输入框，手机扫描二维码并跳转过程，调用手机原生摄像头进行扫码且自动识别执行事件（uniApp安卓苹果App端）
uniapp，app端，安卓app，苹果ios，uniapp扫码识别，二维码展示和扫码，uniapp如何实现扫码功能，uni-app实现扫码功能，二维码和一维码/条码扫描，UniApp实现扫描二维码，uniapp开发原生app页面的扫码功能，自定义扫码界面，uniapp怎么调用扫一扫功能，app自定义扫码界面，uniapp 自定义扫一扫页面，扫码手电筒功能，自定义扫描框，扫码报错怎么办，扫码黑屏，扫一扫摄像头黑屏，uniapp扫码原生插件，最新扫码组件，连续扫码，uniapp APP扫码，扫码后如何处理跳转
JVM 常见面试问答：深入底层原理
本文为Java后端开发、架构师及中间件开发岗位面试提供全面的JVM知识体系，涵盖内存模型、对象创建、类加载、垃圾回收、JIT编译、性能调优等核心内容。内容分为14个章节，从基础概念到高级场景实战，包括： JVM内存模型：程序计数器、虚拟机栈、堆、方法区等运行时数据区详解。 对象创建与内存分配：对象实例化过程、TLAB机制、逃逸分析等。 类加载机制：双亲委派模型、类加载阶段、自定义类加载器。 垃圾回收：分代回收算法、CMS/G1/ZGC等回收器对比与原理。
温度PID控制PLC程序
温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值
程序员防脱发必备5大生活习惯（90%的人都忽略了第3条）
掌握程序员防脱发指南：资深开发者养生经验，分享5大实用生活习惯，从作息调整到头皮护理，专为久坐高压的开发人群设计。科学防脱，效果显著，90%人忽略的关键第3条尤为重要，值得收藏。
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
2024年最全程序员的“鱿鱼游戏”，你能活到第几关？，面试Java岗
这份《“java高分面试指南”-25分类227页1000+题50w+字解析》同样可分享给有需要的朋友，感兴趣的伙伴们可挑战一下自我，在不看答案解析的情况，测试测试自己的解题水平，这样也能达到事半功倍的效果！（好东西要大家一起看才香）本文已被CODING开源项目：【一线大厂Java面试题解析+核心总结学习笔记+最新讲解视频+实战项目源码】收录需要这份系统化的资料的朋友，可以点击这里获取看完你就知道，说“巨制”不过分（手动狗头）。如果你对“83行代码”历史感兴趣，不妨花2分钟继续阅读。
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")
程序员如何与Bug共处：日志、工具与小步迭代实战指南
在软件工程中，Bug并非代码缺陷的简单代名词，而是系统预期与实际行为之间的信任裂隙。其根源常源于需求沟通损耗、抽象建模失真及人类认知局限导致的编码熵增。真正可持续的工程质量，不依赖零缺陷神话，而建立在可追溯的日志体系、能放大技术直觉的诊断工具链，以及可验证、可回滚的小步迭代节奏之上。本文聚焦工程落地视角，详解如何通过结构化日志设计规避信息淹没、利用Arthas+ELK+Grafana构建主动观测能力，并以量化标尺（≤5人日/≤3服务/≤3分钟验证）定义‘小步’边界，最终将Bug从失败符号转化为持续改进的信号
程序员核心竞争力：数据与逻辑解耦的工程直觉
在现代分布式系统中，'数据库+编程语言'的单一技术栈已难以应对实时风控、高并发秒杀、跨源数据分析等复杂场景。理解数据生命周期（产生→传输→存储→计算→消费）和计算范式本质（命令式/函数式/响应式），是构建可扩展架构的基础。掌握ClickHouse列存聚合、Redis内存索引、Flink流处理等引擎的适用边界，结合Rust所有权、Go Goroutine调度、SQL与NoSQL语义差异等底层原理，才能实现从‘建表思维’到‘数据契约思维’、从‘语法熟练’到‘范式驾驭’的跃迁。本文聚焦真实项目中的技术选型逻辑与认
字节工程师薪资排世界第五，中位数 43 万美元，2021 全球程序员收入报告出炉！...
程序员的成长之路互联网/程序员/技术/资料共享关注阅读本文大概需要 2.8 分钟。来自：程序人生近日，美国科技公司数据收集网站Levels.fyi发布了2021年全球程序员收入报告，在该...
RM电控卡尔曼滤波实战：IMU姿态解算与整车调参
在机器人控制与嵌入式系统中，多传感器数据往往带有噪声和漂移，状态估计成为提升控制精度的基础环节。卡尔曼滤波通过预测与更新两步迭代，依据过程噪声Q与测量噪声R动态分配权重，把陀螺仪、加速度计等不完全可靠的信息融合成可信姿态。它不仅能抑制IMU姿态解算中的零偏漂移，也能用于底盘速度估计与超级电容功率预测。对于robomaster电控而言，云台稳定、弹道解算、打滑补偿和功率分配都依赖干净的状态量。中科大RM电控合集围绕这些实战场景，拆解建模、C代码实现、Q/R调参与排错方法，帮助从公式走向实车落地。
AI时代程序员生存指南：识别代码洼地与决策高地
在人工智能加速渗透软件开发的背景下，'程序员是否会被取代'本质是工程能力坐标的重构问题。AI已能稳定生成标准化CRUD、单元测试、日志埋点等模式化代码，但其核心局限在于缺乏业务上下文理解、多目标权衡和模糊信息处理能力。真正不可替代的是架构权衡决策、需求模糊澄清、故障根因定位等高阶工程实践。技术价值不在于替代人力，而在于将人类从重复劳动中解放，聚焦于定义约束规则、设计提示词边界、构建LLM输出校验流水线等AI治理工作。本文基于真实项目日志与事故复盘，系统梳理AI已接管的六大代码洼地与人类必须坚守的三大决策高地
程序员的100大Java多线程面试问题及答案
线程是进程内部比进程更小的执行单元(执行流|程序片段),每个线程完成一个任务,每个进程内部包含了多个线程每个线程做自己的事情，在进程中的所有线程共享该进程的资源；
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
406
扫一扫
