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
1.8k累计阅读
1.8k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
在 Java 中设置一个可以这样
@SerializedName(value = "flag")
public String result;
设置多个可以这样
@SerializedName(value = "flag",alternate = "code")
public String result;
@SerializedName(value = "flag",alternate = {"code","code2"})
public String result;
但是在 Kotlin 中有所不同
一个情况下是这样
@SerializedName("img")
var img: String?
多个情况下可以这样
@SerializedName("img",alternate = ["img1","img2"])
var img: String?
简单记录，希望有所帮助
STM32F407控制舵机
STM32F407控制舵机运行 使用STM32F407控制舵机，首先来看下舵机图片 [黑红白，黑线接GND，红线接VCC，信号线接白色线（有的舵机线的颜色不同，例如褐色红色橘色，仅颜色不同接法还如上述）] 舵机需要信号的周期为20ms，即频率为50Hz。 接下来正式操作： 步骤一：STM32F4程序（本次程序的PWM信号产生的周期频率由定时器TIM14通道1产生（TIM14_CH1）,想要使用其它定时器也没关系下面会讲到） #include "pwm.h" void TIM14_CH1_PWM_In
Kotlin 4. Kotlin 函数注解：Suppress，Volatile, Synchronized, Bindable, RequiresApi，SerializedName
这篇博客我们解释 Kotlin 函数注解：Suppress，Volatile, Synchronized, Bindable, RequiresApi，SerializedName 等。
若依前后端分离版集成nacos
服务动态配置与服务注册发现根据公司要求，需要将项目集成到nacos中，当前项目是基于若依前后端分离版开发的，若依的版本为3.8.3，若依框架中整合的springBoot版本为2.5.14。Nacos核心提供两个功能：服务注册与发现，动态配置管理。
【5】kotilin 数据bean 实现序列化
像java 一个类通常只可以写一个json 传。。 而kt 改变了这个写法 新建一个FruitBean.kt.kt import com.google.gson.annotations.SerializedName import java.io.Serializable data class FruitA( @SerializedName("banana") val bana...
【STM32】R05D电控红外协议的美的空调遥控器
目录一、设计思路一、R05D红外协议原理1.协议手册理解2.验证时序（重点）二、硬件实现1.需要的材料2.对发射模块电路进行修改3.STM32 GPIO选择三、代码实现1.载波38kHZ实现2.R05D时序实现3.调用函数并验证 一、设计思路 通常红外遥控采用NEC传输协议，而美的空调采用的是R05D红外协议（应该是自己设计的协议），因此用一般红外编码发射模块无法直接对空调进行控制。 解决方法：获取R05D协议手册 + 用红外接收管对原有遥控器红外接收进行波形分析。 一、R05D红外协议原理 R05D电控功
临床预测模型R语言全流程实战：从建模到Bootstrap验证的完整代码
临床预测模型是利用患者特征预测疾病结局发生概率的重要统计工具，其核心在于通过Logistic回归或Cox比例风险模型建立风险函数，并借助ROC曲线、校准曲线等指标评估模型的区分度与校准度。Bootstrap内部验证和DCA决策曲线分析则是当前审稿人关注的焦点，前者用于校正过拟合带来的乐观估计，后者用以判断模型在临床决策中的实际净获益。在肿瘤预后、慢病风险评估等场景中，基于R语言的模型构建与列线图可视化已成为论文发表的关键环节。本文以survival包自带肺癌数据为例，系统展示从数据预处理、变量筛选到多因素建
Kotlin中Gson解析忽略特定字段问题解析(@Expose,@SerializedName)
引言: 在获取后台数据或者向后台提交请求体的时候,我们需要传递一个bean实体,但这个bean中有我们定义的不想被序列化的字段,怎样把这些特殊字段标记为不序列化的字段呢.从我个人而言,一般常用的三种形式如下. @Expose字段 Expose有两个属性,serialize和deserialize,顾名思义是序列化和反序列化,如果在Gson解析时不指定,默认都为true. data class Us...
告别机载网络通信混乱：利用ARINC825的LCC与带宽管理机制构建高可靠CAN总线
本文深入探讨了ARINC825规范如何通过逻辑通信通道(LCC)和带宽管理机制解决机载CAN总线通信的混乱问题。文章详细解析了ARINC825的核心架构设计、LCC工程实现、时间触发带宽管理等关键技术，展示了其在提升航空电子系统可靠性和实时性方面的显著效果，为现代飞机通信系统提供了高可靠解决方案。
Kotlin的Gson反序列化默认值失效（修改实体类bean中字段值的方法）
我们在开发过程中经常会遇到需要保存列表中每个条目的选中状态的需求（例如购物车多选），用户修改完数据后判断每个条目是否选中把用户修改的数据传给后台，这时我们直接修改实体类bean中的数据就会方便很多。 java中使用set,get就可以实现，而在Kotlin中修改实体类bean中对应的字段值时确遇到了坑。上代码： ...
英飞凌AURIX™ TC3xx系列MCU的ISO 26262安全机制实战：从安全手册到代码集成的避坑指南
本文深入探讨英飞凌AURIX™ TC3xx系列MCU的ISO 26262安全机制实战应用，重点解析锁步核配置、ECC策略优化及SafeTlib库集成中的关键问题。通过代码示例和配置建议，帮助开发者实现ASIL D级别安全性，规避常见陷阱，提升汽车电子系统的功能安全合规性。
OpenCV入门（一）Python环境的搭建
因为有点Python基础，并且Python是比较好入门的编程语言，所以，机器视觉后面打算在Python这个平台下进行。
JSON解析之别名的使用
通过定义别名，更灵活定义属性，从而方便读取和解析，然而，解析工具的不同，所使用的注解也不一样。下面列举3种常用JSON解析工具在实体类属性名上的定义： 1.Gson @SerializedName("idcard") private String idcardNo; 2.fastJson @JSONField(name="idcard") private String idcardNo; 3.JackSon @JsonProperty("idcard") private S..
Nerf 训练自有数据
colmap相机位姿转为LLFF格式数据
Xberg Kotlin/Android 中 Tree-sitter 代码智能配置实战：从 JSON 配置到提取链路全解析
本文以 Xberg 仓库中的 Kotlin/Android 契约测试 `config_tree_sitter` 为切入点，完整讲解 `tree_sitter` 配置段在 Kotlin/Android 绑定中的反序列化方式、全部字段语义与默认值，并深入 Rust 核心的 `CodeExtractor` 提取链路与 CLI 侧 grammar 管理命令，帮助开发者在多语言绑定中正确开启代码结构、导入/
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
从Java角度学Kotlin[0]——开篇
Kotlin，是由JetBrains开发的一种在Java虚拟机上运行的静态类型编程语言…… 关于Kotlin的背景，看到这篇文章的你想必在其他地方已多次看到介绍，这里就不赘述了。 阅前须知：本系列文章需要一定的Java基础知识，并且所举的例子可能会包含些Android上的代码，比较适合之前使用Java从事Android开发的朋友。 下面进入正题。 为什么我推荐使用Kotlin？ JVM 语言 首先...
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
Android开发实战：Moshi解析库从入门到精通的最佳实践
FromJson!@ToJson// 使用方式.build()基于火山引擎豆包大模型，从零搭建一个实时语音通话应用。它不是简单的问答，而是需要你亲手打通 ASR（语音识别）→ LLM（大脑思考）→ TTS（语音合成）的完整 WebSocket 链路。对于想要掌握 AI 原生应用架构的同学来说，这是个绝佳的练手项目。架构理解：掌握实时语音应用的完整技术链路（ASR→LLM→TTS）技能提升：学会申请、配置与调用火山引擎AI服务定制能力：通过代码修改自定义角色性格与音色，实现“从使用到创造”
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")
kotlin开发100问？
它结合了面向对象编程和函数式编程的特性，旨在提供更简洁、安全和灵活的开发体验。作为一种静态类型语言，Kotlin可以在编译时捕获许多错误，避免了在运行时出现的一些常见问题。它还提供了许多强大的功能，如扩展函数、数据类、协程等，使得开发人员能够更轻松地编写出高效且易于维护的代码。通过这些问题，您可以深入了解Kotlin的各个方面，包括基本语法、面向对象编程、函数式编程、并发编程、库的使用等。这些问题旨在帮助您更好地掌握Kotlin编程，提高开发效率，编写出高质量的代码。
Kotlin 基础学习 （一） 关键字
Koltin 关键字 object
安卓JSON解析异常全攻略：从原理到实战的排查与防御指南
在移动应用开发中，数据交换格式的稳定性直接决定用户体验。JSON作为一种轻量级、跨语言的文本协议，凭借其可读性与通用性成为客户端与服务器通信的事实标准。然而，纯文本解析的严格语法、客户端模型与后端字段的类型映射、以及不同解析库（如Gson、Kotlin序列化）的底层机制差异，常导致类型转换错误、字段缺失、非法字符等异常。理解解析器从词法分析到对象映射的执行链路，是定位问题的关键。通过设计宽容的DTO层、自定义适配器、全局异常捕获与降级策略，并结合IO线程流式解析，开发者能从源头降低崩溃率，保障业务连续性。无
CodeGraph Kotlin 内核移植全记录：从 tree-sitter-kotlin 语法选型到 bug-for-bug 原生 walker 落地
本文基于 CodeGraph 仓库内的移植设计文档 [docs/design/kotlin-kernel-port-checklist.md](https://link.gitcode.com/i/82b1a6f72ff6024213fa4620d0b07b66)（R7b，状态：PORT COMPLETE，2026-07-20）写成。它记录了 CodeGraph 如何将 Kotlin（`.kt`/
AnkiDroid libanki 模块解析：Python pylib 的 1:1 Kotlin 移植与 Rust 后端桥接
`:libanki` 是 AnkiDroid 项目中承载 Anki 核心业务领域模型的 Gradle 模块：它把上游 Anki 桌面端 Python 代码库 `pylib` 以 1:1 的方式移植为 Kotlin，同时通过一套 Protobuf 接口包装 Rust 编写的调度、渲染与存储引擎。本文以 [libanki/README.md](https://link.gitcode.com/i/80
@SerializedName注解
在Android中解析Gson解析json数据是很方便快捷的，可以直接将json数据解析成java对象或者集合。 Gson解析json的方法我这里就不详细说明了，网上一大把的例子，我这里主要说一下使用@SerializedName进行注解的情况。 使用Gson解析json成对象时默认的是将json里对应字段的值解析到java对象里对应字段的属性里面。然后我们经常会遇到我们自己定义的java...
Infer SCOPE_LEAKAGE 检查器：基于作用域注解的 Java 字段泄漏检测实战指南
SCOPE_LEAKAGE 是 Infer 中一个专注于生命周期与作用域嵌套约束的检查器，它在 Java 字节码层检测"持有者类存储了不允许被其作用域包含的另一个作用域对象"这一编程错误。本文以 Infer 仓库中的官方文档 [infer/documentation/issues/SCOPE_LEAKAGE.md](https://link.gitcode.com/i/392a0553bce1f6
Apache Fory：Kotlin原生JSON序列化12倍加速原理
JSON序列化是现代应用开发的基础能力，其性能与类型安全直接受语言特性制约。Kotlin作为JVM/跨平台主力语言，长期受限于Java生态反射、泛型擦除与内存分配三大瓶颈。Apache Fory通过深度绑定Kotlin编译器AST、利用数据类结构契约与内联函数零开销特性，在编译期生成专用序列化器，实现运行时零反射、零中间对象、零动态类型推导。该方案不仅达成12×性能提升，更重构了Kotlin开发者对序列化的认知——将`@Serializable`从运行时注解升格为编译期契约，使JSON处理回归Kotlin原
Kotlin 进阶语法与 Android 实战理解
本文总结了Kotlin进阶特性在Android开发中的核心应用：泛型与in/out型变提升复用和类型安全；inline、reified保留类型信息并优化性能；sealed、委托、DSL简化状态与构建；协程与Flow实现结构化并发和响应式UI。紧扣实际场景，助你写出更安全、简洁、
expo-manifests 演进全解析：Expo 与 expo-updates Manifest 解析层的架构设计与版本变迁
`expo-manifests` 是 Expo 生态中负责"解析与读取 Manifest"的基础包，官方定位是 *Code to parse and use Expo and Expo Updates manifests*（见 [packages/expo-manifests/README.md](https://link.gitcode.com/i/0520f2a2b45a6b30eaff7e1
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
