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
800+累计阅读
814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
告别重打包：在Android 9上实现免Root的Frida-Gadget持久化Hook（附AOSP源码修改详解）
本文详细介绍了在Android 9上实现免Root的Frida-Gadget持久化Hook技术方案。通过修改AOSP源码，绕过传统重打包方式面临的签名校验和完整性检查，实现在非Root环境下的系统级Hook。文章包含核心代码修改、编译配置调整及调试技巧，为移动安全研究提供高效稳定的解决方案。
IWidgetFactory obsolete
貌似与FactoryManger 与 GenericFactory 的效用相似 但是它采用了继承关系： 两层关系： ＩＷｉｄｇｅｔＦａｃｔｏｒｙ 而BaseWidgetFactory 很值得注意，因为作者在MyGui的命名空间中引入 namespace factory 引入代码： 这种模式在MyGUI中应该是过时的： 因为关于IWidgetFactory的操作都是
SCDM学习笔记（5）
几何前处理后一般会获得几何的固体区域，然而当进行流体仿真的时候是对流体的区域进行计算的。因此，如何快速地从固体的几何模型获得流体的几何模型是一个重点问题。 流体问题一般可分为内流场与外流场问题，对于内流场问题，SCDM有专门的处理工具 工程图纸大致如下： 要创建这个几何的大致策略是画出截面的圆形，再画出轴线，通过扫掠的方式建立几何。 以上是mixing的国体区域，通过体积抽...
rman report obsolete的问题
这个命令是列出不符合备份策略的备份。 但是在我的环境中，我的备份策略设置了恢复窗口30天 CONFIGURE RETENTION POLICY TO RECOVERY WINDOW OF 30 DAYS; report obsolete命令使用后30天内的备份也给显示了出来，也是说无效了 Backup Set 7209 27-MAR-17 Backup Piec
PaddleOCR在医疗票据识别中的实战：从部署到业务字段提取
本文详细介绍了PaddleOCR在医疗票据识别中的实战应用，重点阐述了其离线部署方案与PP-OCRv3模型选型优势。针对医疗票据敏感数据不出本地的合规要求，文章提供了从环境搭建、模型配置到核心字段提取策略的完整流程，并分享了性能优化与系统集成的实践经验，有效解决了医疗票据自动化录入的难题。
【OpenClaw从入门到精通】第26篇：从0到1构建OpenClaw二次发行版——企业专属AI平台实战指南（2026实测）
本文基于OpenClaw 2026.3.7开源内核，聚焦企业级AI平台的二次发行构建，从技术原理、实操流程到商业落地提供完整方法论。核心围绕“内核层-能力层-产品层”三层架构，详解源码编译、私有化部署、企业级特性开发（数据合规、国产化适配、业务系统集成）、产品化包装等关键步骤，并通过审计行业“智审助手”虚拟实战案例具象化落地路径。文章兼顾新手入门与进阶提升，提供可直接复用的代码、配置文件及执行结果，解决企业对AI Agent“开箱即用”“数据不出域”“业务适配”的核心诉求，助力开发者快速打造企业专属AI平台
闪控窗性能优化与多实例资源治理【鸿蒙心迹】
本文是闪控窗系列第三篇，聚焦**多实例场景下的资源治理**。针对用户高频开关、多任务切换导致闪控窗实例越攒越多、内存与绘制开销失控的问题，给出"实例有上限、绘制会节流、销毁能统一"的完整方案：用全局单例 `FloatMgr` 统筹实例，设硬上限（建议 3 个）并淘汰最旧；用空闲实例池复用避免频繁 create/destroy；用 `Animator` 把静止态刷新压到 1fps 甚至停更；页面销毁与退后台统一 `releaseAll`，并配合 5 分钟超时回收。
马达种类全解析：VCM、Stepper、Piezo 在手机相机中的驱动原理与工程差异
在现代手机影像系统中，马达承担着核心成像组件的动态调节任务，如自动对焦（AF）、光学防抖（OIS）以及变焦调节。目前主流采用三类驱动器件：VCM（Voice Coil Motor）、Stepper（步进马达）、Piezo（压电马达）。不同马达方案在结构复杂度、响应速度、功耗、驱动方式与模组厚度适配等方面差异显著，对成像系统的性能表现有直接影响。本文将结合最新旗舰设备的应用现状，系统剖析这三类驱动马达的工作原理、架构特点与工程应用经验，为工程实践中选型与调试提供参考。
〖物流终端实战 05〗纯血鸿蒙 ArkTS 高阶性能优化：长列表渲染、组件复用与内存泄漏排查
本文深度剖析鸿蒙ArkTS高阶性能优化，直击长列表卡顿与内存泄漏痛点。针对渲染，指出ForEach全量构建的缺陷，强调采用LazyForEach（V2推荐Repeat）配合增量通知及稳定业务Key；针对组件复用，明确@Reusable仅复用实例不重置状态，必须在aboutToReuse中手动清理UI状态；针对内存泄漏，总结全局监听未注销、定时器未清理及长生命周期对象持有页面引用三大元凶，并指导通过DevEco Profiler的Heap快照排查引用链。文章强调优化需遵循“先定位后改代码”原则，助力开发者打造
【WorkBuddy专栏19】技能的创造与迁移——从零开始打造你的AI工作流
【WorkBuddy专栏19】技能的创造与迁移——从零开始打造你的AI工作流
KUKA机器人在自动运行时，动作不流畅，每个点位都有停顿的解决办法
KUKA机器人在自动运行时，动作不流畅，每个点位都有停顿的解决办法
AI 应用开发工程师技术实践：大模型接入、通用组件封装与性能优化
本文提出AI应用从PoC到生产的核心挑战：模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移，封装对话、工具调用与RAG组件以解耦业务逻辑，结合前缀缓存、批处理与流式背压治理等性能优化手段，形成“接通→接稳→接快”的工程路径，最终以工程化能力决定AI应用的生产可用性。
2025_NIPS_Truthful Aggregation of LLMs with an Application to Online Advertising
大型语言模型（LLMs）生成内容的 revenue 变现是在线广告的下一个前沿领域。我们考虑这样一种场景：广告商旨在影响LLM的回复，而平台则寻求最大化广告商价值并确保用户满意度。核心挑战在于，广告商的偏好通常与用户偏好存在冲突，且广告商可能误报其偏好。为解决这一问题，我们提出MOSAIC——一种拍卖机制，它确保真实申报是广告商的占优策略，并使每个广告商的效用与其对社会福利的贡献保持一致。重要的是，该机制无需LLM微调或访问模型权重，且随着计算资源的增加，可证明收敛到最优微调LLM的输出。
RISC-V 基础软件的工程化与性能优化实践
从软件生态现状、优化方法到在龙蜥社区、如意社区等的开源贡献，这些探索展现了基础软件连接硬件能力与业务价值的作用，也为 RISC-V 生态共建提供了实践参考。
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")
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
ABAP 程序性能优化总结
排序要按照字段的读取顺序进行排序！否则二分法BINARY SEARCH会读取失败。推荐「在 DB 做 LEFT JOIN」，而不是读出來再 READ 匹配。尽量减少第一步结果集的行数，这样可以大量减少后续连接大表时的耗时。减少辅助表的行数，也就是需要读取数据的内表的行数。程序性能优化、效率优化、速度优化。
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
医院医学学术交流语音处理性能优化实践：单机CPU瓶颈、并发控制与硬件边界分析
针对医院医学学术交流中的语音转写与多语种翻译需求，分析单机CPU处理瓶颈，通过任务队列、并发控制和资源监控优化系统吞吐量与运行稳定性。
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
.NET 性能优化：先找瓶颈，再谈技巧
NET 性能优化没有“一招鲜”。Span<T>ValueTaskstackalloc这些工具在特定场景下确实很强，但它们解决的是微观层面的分配问题。如果你的应用瓶颈在数据库查询或者线程池阻塞，用再多Span<T>也救不回来。先测量，找到热路径，再针对性修改，改完再测量验证。跳过第一步的优化，大概率是在给编译器添乱。
美团发布新一代大模型LongCat-2.5，面向长程智能体任务的原生多模态模型
从LongCat-2.5的技术路线看，模型升级重点已经从单纯扩大参数规模，转向视觉统一建模、长程Agent训练、训推一致性和国产算力适配等系统工程。尤其是在复杂代码库开发、3D页面生成和多轮工具调用等任务中，模型能否持续执行、验证结果并根据失败轨迹修正策略，将成为衡量Agent能力的重要指标。LongCat-2.5把原生视觉理解与长程Agent训练结合起来，也意味着多模态模型正在从“看懂内容”进一步走向“完成任务”。
用用户认证系统一次讲清 Serverless 性能优化实战
在现代 Web 应用开发中，用户认证与权限管理是不可或缺的模块。随着业务规模的扩大，传统的服务器部署模式逐渐暴露出响应延迟、资源浪费等问题。Serverless 架构因其按需付费、自动扩展的特性，成为许多开发者的首选。然而，在实际使用过程中，开发者往往忽视了对 Serverless 函数性能的优化，导致用户体验下降、成本增加。本文将围绕一个真实的用户认证场景展开，通过基准测试定位性能瓶颈，并进行一系列优化措施，最终实现响应时间降低 60% 的显著提升。
从内核源码出发：卡顿/冻屏/黑屏问题的日志关键字速查与性能优化实战指南
第一步：dmesg 大口径过滤第二步：命中后定位源码用日志原字符串 grep 源码树 → 落到 file:line → 看触发条件第三步：顺栈分析调用栈最底层函数 → grep 调用者 → 检查锁/中断/睡眠上下文是否合法第四步：量化验证（日志无命中时）ftrace/perf 抓取 → 量化 runnable 延迟 / 回收耗时 / VSync 间隔第五步：优化修复按第六节子系统优化清单逐项验证核心心法：关键字记忆是辅助，"拿串搜树"才是本能。每一个pr_errpr_warn。
Python 进阶实战：装饰器、生成器、描述符与 GIL 并发一篇打通【上下文管理器、元类、asyncio 异步、性能优化】
本文深入解析Python进阶核心机制：装饰器的闭包本质、生成器的惰性协程特性、描述符的属性控制协议及GIL下的并发真相。通过可运行代码与面试追问点，揭示“会写”与“懂”的分水岭，助开发者突破熟练层，真正掌握语言底层逻辑，实现编程能力跃迁。
Coding Agent 推理性能优化：Decode、KV Cache 与多 Session 调度
单用户 Decode 提升 2.8 倍，单实例吞吐提升 5.6 倍。
开源多维表格SmartTable v1.6.10 —— 用户名登录、数据评论及@人、表单分享二维码、性能优化、部署及升级优化
这版主要干了这几件：💬。
Chrome浏览器视频播放性能优化配置完整指南
本文从网络排查、硬件加速验证、核心参数配置、缓存清理、扩展管理等维度，手把手带你解决Chrome浏览器视频卡顿、跳帧、CPU占用过高的问题，快速实现4K视频流畅硬解码。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
501
扫一扫
