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
1k累计阅读
1k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
一 标记-清除算法（Mark-Sweep）
首先标记出所有需要回收的对象，标记完成后统一回收。
主要缺点: 1. 标记和清除效率都很低 2. 产生大量不连续的内存碎片，导致后面分配大内存空间失败
二 复制算法
将可用内存划分为大小相等的两块, 每次只使用其中一块。 当这块用完后，就将还存活对象复制到另外一块上面，再把已经使用的内存空间一次清理掉。
主要缺点: 代价太高，至少一半的内存不能使用。
三 标记-整理算法
标记过程和标记-清除算法一致，但是后续步骤是让所有存活的对象都向一端移动，然后清理掉边界以外的内存。
四 分代收集算法
当前商业虚拟机都采用此算法，分为不同对象代，去进行不同管理。
【关于四足机器人那些事】足端轨迹规划-八次多项式轨迹
系列文章目录 文章目录系列文章目录前言一、多项式曲线二、八次多项式曲线总结 前言 在四足机器人的研究中，有一个很关键的问题，就是如何减少足端在触地瞬间的冲击，避免把机器人把自己给蹬倒了？这时候就需要一个合理的足端轨迹规划。本篇将会介绍几种足端轨迹。 本文将对四足机器人的足端轨迹进行规划。将数学中的复合摆线和多项式曲线引入到足端轨迹的规划中，根据零冲击原则[2]，规划出 3 条满足要求的足端轨迹，包括： 复合摆线轨迹 八次多项式轨迹 分段五次多项式轨迹 本篇先介绍 - 八次多项式轨迹 一、多项式曲
Java虚拟机学习笔记（二）：垃圾收集算法及HotSpot的算法实现
概述 垃圾收集（GC）需要考虑3件事情： （1）哪些内存需要回收？ （2）什么时候回收？ （3）如何回收？ 前面我们已经提及程序计数器、虚拟机栈、本地方法栈3个区域随线程而生，随线程而灭；栈中的栈帧随着方法的进入和退出而有条不紊地执行着出栈和入栈的操作，每一个栈帧中分配多少内存基本上是在类结构确定下来时就已知。而Java堆和方法区则不一样，一个接口中的多个实现类需要的内存可能不一样，一个方法中的多...
Java虚拟机学习2：垃圾收集算法
跟踪收集器 跟踪收集器采用的为集中式的管理方式，全局记录对象之间的引用状态，执行时从一些列GC Roots的对象做为起点，从这些节点向下开始进行搜索所有的引用链，当一个对象到GC Roots 没有任何引用链时，则证明此对象是不可用的。 下图中，对象Object6、Object7、Object8虽然互相引用，但他们的GC Roots是不可到达的，所以它们将会被判定为是可回收的对象。 可作为GC Roots 的对象包括： 虚拟机栈(栈帧中的本地变量表)中的引用对象。 方法区中的类静态属性引用的..
从零解析：富斯i6遥控器与STM32的IBUS协议通信实战
本文详细解析了富斯i6遥控器与STM32通过IBUS协议通信的实战指南，涵盖硬件准备、协议解析、驱动实现及常见问题解决。特别适合机器人及智能小车开发者，提供低成本、高可靠性的无线控制方案，助力快速实现多通道控制功能。
Qlib+backtrader：2014.1.1-2023.9.20最新回测结果，可以实盘吗？
今年以来，在研究了qlib和backtrader的基础上，把二者结合起来进行了一个策略研究。简单说就是用qlib在200只股票的股票池中进行滚动训练与预测（walk forward），总体数据范围是2005到2023年，以20日间隔滚动训练和预测，最终得到2014.1.1-2023.9.20共10年测试期的收益率预测结果。将预测结果代入backtrader进行回测，得到如下回测结果。
Java虚拟机学习（2）：垃圾收集算法
跟踪收集器 跟踪收集器采用的为集中式的管理方式，全局记录对象之间的引用状态，执行时从一些列GC Roots的对象做为起点，从这些节点向下开始进行搜索所有的引用链，当一个对象到GC Roots 没有任何引用链时，则证明此对象是不可用的。 下图中，对象Object6、Object7、Object8虽然互相引用，但他们的GC Roots是不可到达的，所以它们将会被判定为是可回收的对象。
行人检测模型在海思平台上的部署：从 PyTorch 到 NNIE 深度优化与实践
摘要 本文详细介绍行人检测模型从PyTorch到海思NNIE平台的部署流程。首先分析了行人检测面临的挑战(尺度变化、遮挡、姿态多样性等)及边缘部署的优势(实时性、隐私保护等)。重点阐述了模型转换过程：PyTorch→ONNX→Caffe→NNIE-WK，其中PyTorch转ONNX需注意评估模式设置、虚拟输入匹配、操作集版本选择等关键点。文章旨在帮助开发者在海思3516D芯片上实现高效的行人检测，克服部署过程中的常见问题，最终实现边缘设备的实时目标检测能力。
《深入理解 Java 虚拟机》学习笔记 Day14（垃圾收集器与内存分配：垃圾收集算法之分代收集理论）
即如果当前进行一次局限于新生代区域的垃圾收集（Minor GC），但新生代中的对象完全有可能被老年代所引用，为了找出这个区域内的存活对象，就需要在固定的 GC Roots 之外再额外遍历整个老年代所有对象来确保可达性分析结果的正确性，反过来也是如此。在这之后，如果一个区域内大部分对象都是朝生夕灭的，难以熬过垃圾收集过程，把他们集中在一起，每次收集的时候就只需要关注如何保留少量存活对象而不是标记大量要被回收的对象，就可以。，如“标记 - 复制算法”“标记 - 清除算法”“标记 - 整理算法”等。
【RT-DETR多模态融合改进】| 自研 多模态大核选择模块：MM_LSK，适配多模态图像信息融合
本文记录的利用改进的多模态大核选择模块（MM-LSK）优化RT-DETR，构建可见光-红外双模态目标检测网络。在遥感等大尺寸图像的可见光-红外双模态小目标检测任务中，单模态检测易受光照、云雾、背景干扰等因素影响，且小目标外观信息匮乏，无法仅基于单模态外观实现较好的识别，因此需要融合双模态互补特性与广泛的跨模态上下文信息进行辅助。
YOLOv11 改进 - 即插即用 | PST金字塔稀疏Transformer：粗粒度到细粒度推理优化特征提取，提升复杂场景适应性
本文介绍了金字塔稀疏 Transformer（PST）与 YOLOv11 的结合。主流基于注意力的特征融合方法计算复杂度高、实现难度大，作者提出 PST 模块，融合粗到细令牌选择与共享注意力参数机制，在保留空间细节的同时降低计算量。该模块通过层级化注意力机制、动态令牌选择与参数共享，实现高效多尺度特征融合
Java 虚拟机学习（ 2 ）：垃圾收集算法
跟踪收集器跟踪收集器采用的为集中式的管理方式，全局记录对象之间的引用状态，执行时从一些列GC Roots的对象做为起点，从这些节点向下开始进行搜索所有的引用链，当一个对象到GC Roots 没有任何引用链时，则证明此对象是不可用的。下图中，对象Object6、Object7、Object8虽然互相引用，但他们的GC Roots是不可到达的，所以它们将会被判定为是可回收的对象。可作为GC Root
Android 9.0 系统framework关于忘记开机锁屏密码进不去系统桌面清除锁屏密码问题的解决
在9.0的系统rom定制化开发中，在一些产品中带锁屏密码的功能中，系统默认是滑动解锁，但是客户会设置锁屏密码，在某些时候会 忘掉锁屏密码，导致需要进入恢复出厂设置然后才能进入系统桌面，这样就导致系统的保存的资料都丢失了，所以需要要求提供接口 在下拉状态栏中或者系统服务中在忘记锁屏密码后不恢复出厂设置的情况下，可以清除锁屏密码，接下来就来实现功能
《深入理解Java虚拟机》（第二版）学习2：垃圾收集算法
对象存活判断 在对堆进行回收之前虚拟机需要判断这些对象中那些是“存活”的。 引用计数算法（Reference Counting） 原理：给对象中添加一个引用计数器，每当有一个地方引用它时，计数器值就加一；当引用失效时，计数器值就减一；任何时刻计数器为0的对象就是不可能再被使用的。 优点：实现简单，判定效率高。 缺点：很难解决对象之间相互循环引用的问题。 JVM并没有使用这种判断方法，而是被广泛使用在FlashPlayer、Python等语言上。 可达性分析算法（Reachability Analysis）
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
《深入理解 Java 虚拟机》学习笔记 Day15（常见垃圾收集算法：标记 - 清除算法、标记 - 复制算法、标记 - 整理算法）
过去有一种名为“半区复制”的垃圾收集算法，即把可用内存按容量划分为大小相等的两部分，每次只使用其中的一块内存，当这一块内存用完了，就把内存中还存活的对象复制到另一块内存上，把使用过的内存一次清理完毕，这样简单高效，但是缺点也很明显——对于老年代的特性，标记 - 整理算法被提出，其标记过程与标记 - 清除算法一样，但后续的步骤不是直接对可回收对象进行清理，而是把所有存活对象向内存空间一端移动，然后直接清除掉边界以外的内存。标记对象的过程就是前几天学习的垃圾的判定过程，主要是使用可达性分析算法进行判断。
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")
《深入理解 Java 虚拟机》学习笔记 Day11（垃圾收集器与内存分配：可达性分析算法、Java 中引用的概念）
这个定义并没有问题，但在现在看来过于狭隘了，一个对象只有“被引用”和“未被引用”的两种状态，无法描述一些“食之无味弃之可惜”的对象。也被称为“幽灵引用”或者“幻影引用”，它是最弱的一种引用关系，一个对象是否有虚引用存在，完全不会对齐生存时间构成影响，也无法通过虚引用来取得一个对象实例。只被软引用关联的对象，在系统将要发生内存溢出异常前，会把这些对象列入到回收范围内进行第二次回收，如果这次回收后还没有足够的内存，才会抛出内存溢出异常。强引用就是最传统引用的定义，指的是在程序代码中普遍存在的引用赋值，如。
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
《深入理解 Java 虚拟机》学习笔记 Day16（HotSpot 垃圾收集算法的实现细节：根节点枚举）
可达性分析算法从 GC Roots 集合中查找引用链的操作里，固定可作为的 GC Roots 的节点目标较为明确，但是要想做到高效的查找并非容易的事，尤其是现在 Java 程序越来越庞大，逐个检查引用肯定要消耗不少时间。中才能正常进行，在这个过程里，分析时根节点集合的对象引用关系不能变化，如果这一点不能保证，分析结果的准确性就不能保证，这也是为什么垃圾收集过程里，根节点枚举必须暂停用户线程。前面学习的垃圾收集相关算法在实现时，对于执行效率有严格的考量，因此了解实现细节也是比较重要的一点。
常见的【垃圾收集算法】
在可回收的对象(垃圾对象)多时，大量的标记清除特别耗时(由于标记过程需要全堆遍历，会使得 GC 停顿时间较长，比较耗时)标记-整理算法:标记过程和标记清除过程一样，首先是从GC Roots出发标记存活的对象，但后续过程它是将存活的对象移到内存一端，然后直接清除边界以外的内存。标记-复制算法:将内存分为两个大小相同的区域，每次只使用其中一个，当垃圾回收时将存活的对象复制到另一块区域，然后清除正在使用的区域。标记清除算法:从GC root出发扫描，并标记所有存活的对象，之后清除没有标记的对象。
JVM 垃圾回收算法的详细介绍
把 Java 堆想象成一个巨大的 “停车场”，里面停满了各种 “车辆”（也就是对象）。有些车是 “正在使用的”（可达对象），有些车是 “废弃的”（垃圾对象）。GC 算法就是不同的 “清障车” 工作模式，它们的目标都是：高效地把废弃的车辆清理掉，腾出空间给新的车辆停放。
深入学习JVM底层原理：源码剖析与实例详解！
对于JVM，我想大部分小伙伴都是要面试了才会去学，其余时间基本不会去看。但值得一说的是，当你工作多年之后，你遇到的项目会越来越复杂，遇到的问题也会越来越复杂：各种古怪的内存溢出，死锁，应用崩溃……这些都会迫使你不得不去深入学习JVM底层原理
Java虚拟机学习笔记(2)——垃圾收集算法
上一篇文章学习了JVM基本的内存模型，JVM内存区域可以分为：方法区、堆区、虚拟机栈、本地方法栈、程序计数器。方法区和堆区属于线程共享区域， 而虚拟机栈、本地方法栈、程序计数器则属于线程隔离区域。其中，Hotspot虚拟机将虚拟机栈和本地方法栈合二为一，并且，由于该虚拟机实现将GC范围扩展 至方法区，所以方法区也常被Hotspot开发者称为“永久代”。
常见java垃圾收集器
阅读文本大概需要3分钟。垃圾回收垃圾回收可以说时java中的一大特色，那么java时如何自动判断什么样的对象应该被回收的呢？ 常用的算法时下面两种引用计数法可达性分析法引用计数法引用计数...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2955
扫一扫
