Android 日常开发(31) 如何使用Rxjava做集合遍历转换

使用RxJava实现集合遍历转换
最新推荐文章于 2025-10-09 10:52:22 发布
原创 最新推荐文章于 2025-10-09 10:52:22 发布 · 913 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#rxjava #集合变换 #jdk1.8stream #rxjavaiterator

本文介绍了如何在Android开发中使用RxJava作为 JDK 1.8 Stream 的替代方案进行集合变换操作。由于将Android SDK最小版本设置为24（Android 7.0）以使用Stream可能不理想，作者提供了Rxjava的实现方式，详细比较了JDK 1.8的写法和Rxjava的替代写法。

前言

我们知道jdk1.8增加了stream，可以对集合做变换操作。但是android上如果想使用这个特性的话，需要讲sdk最小版本设置到24也就是android7.0设备。这个看起来不是很合适，那么有什么好的替代办法吗？
Rxjava可以帮助你解决这个困境

代码

jdk1.8的写法

List<String> strings= checkTypeBeans.stream().map(CheckTypeBean::getValue).collect(Collecto
最低0.47元/天 解锁文章
大模型的有监督微调(SFT)与强化学习(RL)有何区别？
Here_violet的博客
03-14 2723
有监督微调（SFT）强化学习（RL）数据静态标注数据（输入-输出对）动态环境交互（状态-动作-奖励序列）反馈即时、明确（损失函数）延迟、稀疏（奖励信号）目标最小化预测误差最大化长期累积奖励探索无需探索，拟合现有数据需探索新策略以发现高奖励路径典型场景文本分类、机器翻译游戏AI、机器人控制、对话策略优化算法梯度下降、交叉熵损失Q-Learning、策略梯度、PPO。
大模型微调（二）微调的3种方法：自监督学习、监督学习、强化学习
老皮的博客
08-12 1941
给大家分享一本大模型入门书籍《从零开始大模型开发与微调：基于PyTorch与ChatGLM》，适合PyTorch深度学习初学者、大模型开发初学者、大模型开发人员学习。有需要这本书籍PDF文档，可以微信扫描下方优快云官方认证二维码，免费领取【保证100%免费】人工智能与大模型PyTorch 2.0深度学习环境搭建从零开始学习PyTorch 2.0深度学习基础算法详解基于PyTorch卷积层的MNIST分类实战PyTorch数据处理与模型展示ResNet实战有趣的词嵌入。
David Silver强化学习课程笔记（二）
微念的博客
10-11 6280
第二课：马尔科夫决策过程         为什么要讲马尔科夫决策过程？因为几乎所有的强化学习问题都可以表述成马尔科夫决策过程（MDP）的形式，比如说：最优控制主要是处理连续MDP问题、任何部分可观测的问题都可以转化为MDP问题、bandits都是仅有一个状态的MDP问题。这里的bandit是一种最为简单的马尔科夫问题：给你一组actions，然后你选择一个action，从而得到reward，仅此...
模型优化之强化学习（RL）与监督微调（SFT）的区别和联系
搏博的专栏
03-01 3676
监督微调（SFT）是使用有标签的数据来调整一个预训练模型。是在预训练的基础上，用特定任务的数据进行进一步的训练，让模型适应具体的任务。比如，在自然语言处理中，预训练模型如BERT或GPT已经在大规模文本上进行了训练，然后通过SFT在特定任务的数据集（如问答、分类）上进行微调，以提高在该任务上的性能。这时候模型通过监督学习，利用输入和对应的标签来调整参数，最小化预测误差。定义：基于有标签数据对预训练模型进行任务适配，通过最小化预测误差（如交叉熵损失）调整模型参数。
强化学习入门
wlxsp的博客
12-23 1534
策略模型（Policy Model）根据当前参数生成了两个回答：
【实战教程】结合自定义损失函数采用LoRA微调Llama3-8B
weixin_36488653的博客
04-28 3801
结合自定义损失函数微调llama3
再聊大模型的微调训练——指令监督微调SFT & 强化学习RL
2401_85375186的博客
03-06 1951
大模型很多技术干货，都可以共享给你们，如果你肯花时间沉下心去学习，它们一定能帮到你！
在Linux系统下微调Llama2（MetaAI）大模型教程—Qlora
浩栋的博客
11-13 4323
是Meta最新开源的语言大模型，2万亿token，上下文长度是由Llama的2048扩展到4096，可以理解和生成更长的文本，包括7B、13B和70B三个模型，在各种基准集的测试上表现突出，最重要的是，该模型可用于研究和商业用途。
LLM 预训练|SFT监督微调|推理
Maxcu的博客
04-01 2498
LLM预训练阶段、SFT阶段、推理阶段简要辨析
SFT（监督微调）和RLHF（基于人类反馈的强化学习）的区别
guntangsanjing的博客
11-29 5243
STF（Supervised Fine-Tuning）和RLHF（Reinforcement Learning from Human Feedback）是两种不同的模型训练方法，分别用于不同的阶段和目的。以下是它们的主要区别：
TRL多任务训练新范式：用单个模型攻克NLP全场景任务
gitblog_00899的博客
10-03 1005
你还在为文本分类、情感分析、对话生成分别训练模型吗？算力耗费大、模型难以协同？本文将带你探索TRL框架的多适配器强化学习（MARL）技术，一次训练即可实现多任务协同优化，让单个基础模型灵活适配NLP全场景需求。读完本文你将掌握：多任务训练核心方法、3阶段实操流程、内存优化技巧及避坑指南。 ## 多任务学习为何优于传统单任务训练？ 传统单任务训练需为每个NLP场景单独训练模型，存在三大痛点： ...
SFT只训练指定的部分
huijigo的博客
05-09 2911
第一个for循环，找到labels中和response_template相同token的最后一个的index作为response_token_ids_start_idx，然后将labels中的开头到responese_tempalte的最后一个token都标记为-100，这样的话就不会计算损失了。要训练指定的部分，需要对tokenizer返回的labels进行特殊的标记，这个特殊的标记的实现过程要进行DataCollatorForCompletionOnlyLM这个进行修改。我们来阅读一下这个类的源码。
一文彻底搞懂监督微调(SFT) VS 强化学习(RL)，收藏这篇就够了！
2401_85373691的博客
10-09 1088
该研究对比了监督微调(SFT)和强化学习(RL)两种AI训练方法。实验表明，SFT训练的模型擅长记忆训练数据，在见过的任务上表现优异，但面对新变化时会失败；而RL训练的模型能理解底层逻辑，展现出强大的泛化能力，可适应新情境。值得注意的是，RL需要SFT作为基础，两者结合使用效果最佳。这一发现对构建真正智能而非简单模仿的AI系统具有重要指导意义。
Lua非空判断方法[源码]
11-24
本文详细介绍了在Lua中进行非空判断的几种方法，特别是针对table类型的变量。首先，文章指出了直接对nil值进行索引会导致异常的问题，并给出了一个简单的例子来说明如何避免这种情况。接着，文章讨论了如何判断一个table是否为空，指出不能简单地使用`#table == 0`的方式，而是应该使用`next(t) == nil`的方法。此外，文章还提到了`next`指令在LuaJIT中的优化问题，建议在非必要情况下少用。最后，文章简要介绍了如何判断一个字符串是否全部由空格组成，使用了正则匹配的方法。这些内容对于Lua开发者来说非常实用，能够帮助他们避免常见的错误。
JS表格转Excel实现[可运行源码]
11-24
该文章详细介绍了如何使用JavaScript将HTML表格数据导出为Excel文件。内容涵盖了针对不同浏览器的兼容性处理，包括IE和非IE浏览器的不同实现方式。对于IE浏览器，使用ActiveXObject进行导出；对于非IE浏览器，则通过base64编码和数据URI方案实现。文章还提供了完整的代码示例，包括表格数据的处理、格式化和导出功能，支持文本和图片类型的数据导出。
图片转bin文件存储[项目代码]
11-24
本文介绍了在OpenCV项目中如何将大量图片数据转换为二进制（bin）文件进行高效存储和读取的方法。作者在项目中遇到需要处理大量图片数据的问题，尝试了多种格式（如.mat、.txt、.yml）后发现效率较低。通过使用二进制文件存储，显著提升了读写速度。文章详细展示了使用OpenCV将图片写入二进制文件的代码示例，以及从二进制文件读取图片数据的实现方法。虽然该方法需要提前知道图片的尺寸和数量，但读写速度极快，适合处理大量图片数据。作者还提到可以通过换行符或终止符优化读取过程，但未深入探讨。
ROS视觉处理与色彩识别[项目源码]
最新发布
11-24
本文详细介绍了在ROS环境下进行视觉处理的基础步骤，特别是针对色彩识别的实现方法。内容涵盖了从摄像头驱动的安装与配置（如usb_cam驱动和image_view工具的使用），到创建功能包和编写图像处理节点（包括RGB图像回调函数、HSV色彩空间转换、二值化处理及形态学操作）。此外，还演示了如何在仿真环境中获取图像，并通过OpenCV实现红色和绿色物体的识别与追踪。最后，文章提供了完整的代码示例和编译运行步骤，帮助读者快速上手ROS视觉处理项目。
Anaconda安装与使用指南[项目源码]
11-24
本文详细介绍了在Anaconda环境下安装和使用jupyter及numpy的步骤。首先，指导用户如何安装Anaconda并创建虚拟环境，然后详细说明了如何在虚拟环境中安装jupyter和numpy。接着，文章提供了多个numpy的练习示例，包括创建零向量、矩阵操作、归一化等。此外，还介绍了如何在Jupyter中完成numpy、pandas和matplotlib的例题，涵盖了从基础操作到实际应用的多个方面。最后，文章总结了实验过程中的经验，特别是在使用国内镜像源后下载速度的提升。
DeepSeek 完全跳过监督微调（SFT），选择依赖强化学习（RL）来训练模型。
02-14
### DeepSeek 使用强化学习替代监督微调 DeepSeek 的训练策略旨在减少传统监督微调阶段，转而采用更高效的强化学习方法来优化模型性能。这种方法不仅能够加速整个训练流程，还能提高最终生成内容的质量。 #### 强化学习框架设计 在 DeepSeek 中，通过构建特定的奖励函数和环境设置，使得模型能够在交互过程中不断调整参数以获得更高的回报值。这种方式允许模型直接从环境中获取反馈信号，从而指导其行为决策过程[^1]。 具体来说，在不经过传统的有标注数据集上的迭代更新情况下： - **定义任务目标**：明确希望达到的效果，比如对话系统的连贯性和准确性； - **设定即时奖励机制**：对于每次输出给予相应的分数评价； - **长期累积收益最大化原则下进行探索与利用之间的平衡操作** 这种基于试错的学习模式让机器可以自主发现最优解法而不依赖于预先准备好的标准答案集合。 #### 实现细节 为了支持上述理念的实际应用，技术层面采取了一系列措施确保方案可行有效: - 利用了类似于 `AutoModelForCausalLM` 这样的高级接口加载基础架构，并对其进行必要的自定义配置以便适应新的训练范式[^2]; ```python from transformers import AutoModelForCausalLM, BitsAndBytesConfig base_model = "your_base_model_name" bnb_config = BitsAndBytesConfig(...) model = AutoModelForCausalLM.from_pretrained( base_model, quantization_config=bnb_config, device_map="auto", ) ``` - 结合 GLM 架构特点引入了混合型注意力机制，既保留了一定程度的历史上下文感知能力又不会造成未来信息泄露问题[^3]: ```python class CustomAttentionLayer(nn.Module): def __init__(self): super().__init__() def forward(self, hidden_states, attention_mask=None): # Implement custom logic here to switch between uni-directional and bi-directional attention based on task requirements. pass ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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