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
115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
命名规范：
可以通过工具扫描
Java扫描插件有很多的，本文讲的是跑p3c + eclipse
文档：https://github.com/alibaba/p3c/blob/master/eclipse-plugin/README_cn.md
命名要规范
首先
类中要有注释 一定要多行注释 /** 成员变量的注释也是如此！
方法要有注释 一定要多行注释/**
接口中的类和属性 不需要加 public 保证代码的整洁
单个代码总行数 不能超过80行 要勇于封装
加了事务注解后
try代码需要在catch 中手动回滚 或者干脆不要try catch
阿里巴巴代码规范竟然 不建议写 取反这种条件代码
方法前端传递参数太多 需要封装成json
代码优化：
对象什么时候用 什么时候声明
控制层的 代码抽取出来丢到业务层里面 控制层不要太多代码
请求参数过多 实体类进行封装
控制层对参数进行验证
if else 不要嵌套太多
Android进阶之路 - 代码规范
写一份好的代码，就像我们的脸面，所以代码规范必不可少，此乃修行必备之技 ~
＜ 知识拓展：前端代码规范 ＞
前端开发在日新月异的发展下，各式各样开箱即用的工具组件的出现，给开发人员带来便捷与高效，也给开发人员带来挑战与思考。 在开发过程中，一千个人之中有一千个哈姆雷特，也出现了一千份截然不同的代码，也就是人们常说的 `“ 千人千面 ”`。使得代码后期的`管理` 以及 `维护`带来困难。在此基础下，不同的团队在自身的环境下具体问题具体分析后制定出自己的一套`规范`，由此，展开了规范化在于项目过程中的重要性讨论。
保姆级教程：用北醒TFmini-i-CAN雷达给PixHawk飞控加装‘眼睛’，实现自动避障与定高
经过多次测试，前向雷达的最佳安装位置是机架前部下方5-10cm处，倾斜角度20-30度。电源方面，建议为CAN设备单独供电，避免电机启动时的电压骤降导致数据异常。北醒TFmini-i-CAN雷达与PixHawk飞控的组合，为DIY爱好者打开了低成本实现智能避障的大门。实际部署时，需确保整个CAN网络的波特率一致（TFmini-i默认为250kbps），每个设备具有唯一ID。雷达的安装角度也直接影响检测效果，建议通过3D打印支架将雷达向前下方倾斜15-30度。当使用多个雷达时，需为每个设备创建独立的参数组。
代码规范利器-阿里代码规范插件
好的代码规范不管对自己还是对别人都很重要，毕竟大家都不想接手到各种难以读懂的代码。 今天跟大家介绍一下阿里代码规范插件的安装使用以及注意事项。 首先需要在线安装插件到Idea，可以直接在File-> Setteings->Plugins->Browse Repositories,在Browse Repositories搜索Alibaba，然后安装重启idea就安装完成了。 如果无法在线安装，另外也可以通过下载插件的方式离线安装。 ...
【数字电源/MATLAB+PLECS】如何进行 Buck 数字电源仿真（二）PLECS 搭建开环 Buck 功率级
本文介绍了如何在PLECS中搭建开环Buck功率级模型，验证数字电源设计的基本思路。重点内容包括： 明确开发顺序：先开环验证功率级，再闭环设计控制器 搭建关键组件：输入电源、PWM模块、MOSFET开关、续流二极管、LC滤波电路及负载 设置初始参数：24V输入、12V输出、200kHz开关频率、22μH电感、100μF电容 测量关键波形：MOSFET Vds验证开关动作、电感电流纹波和输出电压稳态值 提供完整仿真模型和GitHub资源，便于读者复现验证 文章强调通过开环测试先确保功率级正确性，为后续闭环控制
79.ScottPlot的MVVM实现 C#例子 WPF例子
在你的 WPF 窗口的 XAML 文件中，定义一个，并将其Content属性绑定到 ViewModel 中的属性。这样可以将WpfPlot控件动态绑定到 ViewModel。
前端 ESlint 代码规范及修复代码规范错误
代码规范：一套写代码的约定规则。例如：赋值符号的左右是否需要空格？一句结束是否是要加分号？虽然不遵守这些代码规范并不会造成语法错误，但是一个团队中，我们通常希望各个团队成员的代码风格是统一的没有规矩不成方圆ESLint：是一个代码检查工具，用来检查你的代码是否符合指定的规则（你和你的团队可以自行约定一套规则）。在创建项目时，我们使用的是代码风格的规则。创建vue项目时可以添加ESLint代码检查工具。
新手必看：Infineon Memtools烧录配置全流程（附常见错误解决方案）
本文为嵌入式开发新手提供了Infineon AURIX开发环境搭建与Memtools烧录的全流程实战指南。详细解析了ADS、DAS和Memtools三大核心工具的角色与协同关系，并重点讲解了Memtools的图形界面配置步骤、烧录操作流程，以及针对“无法连接设备”、“编程失败”等常见错误的系统性排查与解决方案，帮助开发者快速上手并规避典型陷阱。
前端代码规范
前端代码规范
告别夜间噪点！用瑞芯微RV1126B的AI-ISP，手把手教你打造0.01Lux超低光摄像头
本文详细介绍了如何利用瑞芯微RV1126B芯片的AI-ISP技术，打造0.01Lux超低光摄像头，解决夜间噪点问题。通过AI算法与图像信号处理的深度融合，RV1126B的3TOPS边缘算力实现了像素级AI降噪和语义感知增强，显著提升低光环境下的图像质量。文章包含硬件选型、软件配置和实战调优指南，助力开发者在AIoT领域实现高性能视觉应用。
十九、帧间预测编码_2、解码、显示顺序与图像管理、参考帧管理
一、基本概念 1.1H.264的解码顺序和显示顺序： 解码过程中，每一帧的数据按照相应的NAL Unit在码流中的顺序传入解码器进行解码 由于B帧的存在，视频帧在输出时会进行顺序重排 1.2frame_num与POC frame_num：表示解码顺序 POC：表示显示顺序（picture_order_count） 在H.264的码流中，表示解码顺序和显示顺序分别有相应的语法元素表示。这两个值都会在码流中保存，并在读取slice信息时解析（SliceHeader中） 1.3参考帧列表 某一帧图像在解
【C#语言】代码规范
在 C# 的标识符命名中，主要遵循两种命名风格：Pascal 命名法和 Camel 命名法。Pascal 命名法要求每个单词的首字母都大写，例如 “CustomerName”“OrderTotal”。这种命名法常用于类名、方法名、属性名、命名空间等，能够清晰地标识出不同的代码元素，增强代码的可读性和专业性。
YOLO11改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总
YOLOv11改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总
基于google升级版c++代码规范指南
有些团队所有成员写的代码都一致，10个人写的代码像1个人写的。正因为有代码规范，使得代码可读性强，方便代码review，利于后期维护。这体现了代码规范的重要性。接下来，在参考google的代码规范基础上，详细列举代码规范细节。
AI一键生成带货短视频：电商直播的未来
随着电子商务行业的快速发展，直播带货已成为一种极为有效的营销手段。然而，传统的人工直播方式存在诸多局限性，如人力成本高、主播培训周期长等问题。为了解决这些挑战，一种基于AI技术的一键生成带货视频解决方案应运而生——这就是“Anchor Crafter”。这项创新技术不仅能够自动创建高质量的带货视频，而且还能实现人物与商品之间的自然交互，极大地提升了用户体验。
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
JavaScript 代码规范
遵循 JavaScript 代码规范是写出高质量代码的关键。通过本文所介绍的规范，我们强调了代码的可读性、可维护性和优雅性。良好的代码规范不仅有助于提升代码质量，还能提高团队协作效率，减少潜在的错误和冲突。代码规范并非一成不变的金科玉律，它随着技术的发展和团队的实践而不断演进。因此，作为开发者，我们应保持对最新编码标准和最佳实践的关注，不断学习和提升自己的编码能力。除了遵循代码规范外，我们还应该注重代码的性能优化和安全性。
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")
阿里系常用代码规范及工具
可能有同学觉得代码需要突出个人的特点，需要特异化，但是这样就会造成别人阅读起来很困难代码不仅仅是交给机器来执行的，同时代码也是让其他同事来阅读的，如果代码不规范就会出现各种各样的问题，写多了代码只是觉得代码规范化是一件很自然的事，代码写多了，自然代码规范化咯，地球人都会。其实不然，我们是不是缺少了小时候，十万个为什么的那种精神，为什么要这样做？为什么要那样做？那么我们为什么要做代码规范化？
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
如何在团队中实现一致的代码规范
1.背景介绍 在现代软件开发中，团队规模的扩大和项目的复杂性的增加，使得代码规范的实施变得越来越重要。一致的代码规范可以提高代码的可读性、可维护性和可靠性，同时也可以减少团队间的沟通成本和误解。然而，实现一致的代码规范在实践中并不容易，需要团队的共同努力和制定有效的规范。本文将讨论如何在团队中实现一致的代码规范，并提供一些实践方法和经验教训。 2.核心概念与联系 2.1 代码规范的重要性 ...
前端代码规范——HTML 代码规范
文章目录html代码规范基本结构语义化标签的使用自闭和标签分块 html代码规范 基本结构 TIP：主要注重head里的代码编写 <!doctype html> <html lang="zh-cn"> <head> <meta charset="utf-8"> <meta http-equiv="x-ua-compatible" content="ie=edge,chrome=1"> <meta name="rende
Java代码规范
（1）检查代码规范的话，直接使用 Alibaba Java Coding Guidelines 就可以了
Java代码规范指南
在 Java 编程中，常量就像是代码中的 “定海神针”，其值一旦设定便不可更改。常量的命名规范要求全部使用大写字母，当常量名由多个单词组成时，单词之间用下划线分隔，这样能让常量名一目了然，清晰地传达其代表的含义。比如在一个电商项目中，定义商品的最大折扣率常量，可以写成MAX_DISCOUNT_RATE；在数学计算相关的代码中，定义圆周率常量为PI。常量的使用场景十分广泛。在数学计算中，像PI、E（自然常数）等数学常量是不可或缺的，它们确保了计算的准确性和一致性。
Android代码规范
Android代码规范 前言 代码规范是团队高效协作开发的前提，所以说是非常重要的。最近就有想法根据各种规范文档和本人开发经验，做一个我们团队的Android代码规范。说Android开发规范就不得不说Java代码规范，除非使用kotlin进行Android开发。所以本文一共分为两个部分Java代码规范、Android代码规范 JAVA代码规范 说起java代码规范就不得不提阿里java开发手册，有阿里背书自然很权威，所以日常开发中尽量按此规范进行开发。Android studio可直接集成插件：Aliba
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2444
扫一扫
