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
400+累计阅读
481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
Q1：在整体的性能消耗上，CPU和GPU各占一半合理吗？如果不是，各占多少为好？还是说需要根据机型来看？其次，我如何知道游戏在手机上的GPU消耗？Profiler是看不到的，有工具推荐吗？
首先，CPU和GPU是并行的，也就是CPU在运算的时候GPU也在运算，一帧的结束时间是两者中比较晚结束的那个。因此，一般我们在考虑这个问题的时候，经常会说是CPU bound还是GPU bound，也就是GPU在等CPU还是CPU在等GPU。最理想的情况是两者都并行均衡，且都没有出现互相等待的情况。但在目前的大多数移动游戏中，都是CPU耗时为主要性能瓶颈。这也是为什么有多线程渲染的原因，多线程渲染就是利用CPU端的并行性，让CPU处理得更快，不拖后腿。
其次，对于GPU的压力分析，可以尝试用Intel GPA，Mali或者高通出的针对自家芯片的工具。
Unity 性能精讲
华为项目TR5评审后发现了重大缺陷的应急处理经验
华为TR5评审后发现重大缺陷时，启动分级应急机制：1）缺陷分级：按严重性（致命/严重/一般）评估影响；2）应急响应：跨部门会议制定方案，冻结生产并调配资源；3）根因修复：通过RCA定位问题，设计变更后回归测试；4）变更管理：评审修复影响，调整发布策略；5）持续改进：记录缺陷闭环，优化流程。案例显示，软件闪退问题通过热修复补丁和代码重构解决。关键工具包括Jira、FMEA等，确保缺陷在量产前拦截，降低风险。
Q&A——性能优化（一）
性能优化 Q1：如图，我们在UI打开或者移动到某处的时候经常会观测到CPU上的冲激，经过进一步观察发现是因为Instantiate产生了大量的GC。想请问下Instantiate是否应该产生GC呢？我们能否通过资源制作上的调整来避免这样的GC呢？如下图，因为一次性产生若干MB的GC在直观感受上还是很可观的。 准确的说这些 GC Alloc 并不是由Instantiate 直
【2026-Spark实验一-Windows中安装Spark环境】
本文详细介绍了在Windows系统中配置Spark 3.5.8开发环境的完整流程。主要内容包括：安装JDK 8并配置环境变量，下载并解压Spark 3.5.8预编译版，设置SPARK_HOME系统变量，配置Hadoop的winutils工具解决Windows兼容性问题。通过spark-shell和SparkPi示例程序验证环境配置成功，确保Spark能够正常运行分布式计算任务。文中特别强调了路径命名规范、环境变量设置顺序等关键细节，提供了完整的配置截图和验证方法，帮助开发者快速搭建稳定的Spark学习环境。
简单易懂的Q&A作成的10个方法
外包软件项目中，Q&A LIST是我们不可缺少的与客户进行沟通和问题确认的手段。由于我们与客户在语言，文化，习惯，思维方式等方面存在差异，经常导致在Q&A中出现不够顺利的情况，不仅耽误了项目进度，而且会增加项目的成本。下面根据我个人对日软件开发的项目经验，总结一下如果能够写好Q&A。 一、与客户进行Q&A过程中经常出现的问题。 1. 客户不知道我们在问什么。 原因：问题的主
电磁场可视化
电磁场可视化 如题，做了电磁场可视化这么久了，也是颇有些心得了，简单描述一下怎么做这个项目的。 开始时是从最基本的OpenGL开始做的，必不可少的翻了许多的文献，后来是直接在unity中做，发现效果挺好，而且可控性强好多。反复琢磨后，发现可视化的渲染，有几种思路，第一就是用linerender，画线的方法，另一种就是用shader。 第一种我通过unity自带的linewave插件可以做到 详细的就是，linewave插件可以轻松画出曲线等，并且可以添加碰撞，控制频率幅度长度等一切的条件数值，而且令人惊喜
校招总结—FPGA从入门到放弃
校招总结—FPGA从入门到放弃 感谢咸鱼FPGA的授权转发，原文地址为https://www.cnblogs.com/xianyufpga/ 其实 offer 早就定下来了，最近忙着入党考试，现在才腾出时间来写个总结。我校招开始于 7 月底，算是比较晚了，后面加了各大校招交流群，发现很多同学都是过完年后就开始打磨项目、复习基础、寻找实习。对比之下我这准备确实仓促，不过结果还算满意。 ...
Q&A——UI性能
UI 性能 Q1：UWA建议“将较多的动态UI元素分组放在不同的UI Panel中”，那么请问如果是ScrollView里面多个item的话，是否意味着每个Item都加一个Panel会更好一些？ “动态元素”其实是相对的。在 ScrollView 中，一般情况下，如背包，其中的Item在滑动过程中是相对静止的，因此这种情况下只需要将这些Item放在一个UIPanel中即可。但在类似
软件测试工程师笔试题
这里写目录标题全套软件测试面试笔试题（附答案）二、选折三、添空四、简答(资料是搜集整理的，感谢前辈的解题)无1.区别阶段评审的与同行评审2.什么是软件测试3. 简述集成测试的过程4 怎么做好文档测试5 白盒测试有几种方法6 系统测试计划是否需要同行审批，为什么7Alpha 测试与 beta 的区别8 比较负载测试，容量测试和强度测试的区别。性能测试从使用方便的角度来说，9 测试结束的标准是什么?10 描述软件测试活动的生命周期?11 软件的缺陷等级应如何划分? 软件测试工程师笔试题（附答案） 全套软件测试面
Q&A——物理性能
物理 Q2：UWA的报告中指出我们所使用的刚体超出了限制，我们经过测试发现只要使用CharacterController就会产生一个隐藏的刚体。而我们的角色移动是会使用CharacterController的。 为了避免这种情况，我们使用了CapsuleCollider来替代CharacterController接受点击，同时使用设置位置的方法来替代CharacterController的m
Mem0 vs LangMem vs Letta：三大AI记忆框架实战对比（附代码示例）
本文深入对比了Mem0、LangMem和Letta三大AI记忆框架的核心特性与适用场景。Mem0提供开箱即用的记忆管理服务，适合快速集成；LangMem深度融入LangGraph生态，适合复杂工作流；Letta则采用虚拟内存系统，旨在突破上下文窗口限制。文章通过实战代码示例，为开发者选择适合其业务需求的AI记忆解决方案提供了清晰指南。
Oracle EBS（R12+）通过Multi-Org 多组织架构、Multi-Ledger 多账簿、SLA 子分类账会计、多币种引擎、多会计政策并行五大核心能力，为跨国企业提供一体化、自动化、合规的
Oracle EBS(R12+)提供全球会计核算解决方案，通过Multi-Org多组织架构实现跨国集团数据隔离与共享，支持四层组织结构（业务组→法律实体→经营单位→库存组织）。Multi-Ledger多账簿功能允许一笔业务多准则自动核算，包含主账簿、辅助账簿和报告币种。系统内置多币种处理引擎，覆盖全流程货币业务，支持自动重估、再计量和折算。通过SLA子分类账会计实现多会计政策并行处理，满足不同国家会计准则和税制要求。该方案可同时支持本地法定、集团合并及管理分析需求，实现全球财务数据集中管理，提升合规性和运营
Q&A——运行性能（一）
运行性能 Q1：如下图，我们发现WaitingForJob这个函数消耗过高导致了卡顿，请问该卡顿是否由于渲染压力过大导致？ 从图中看，该线程最后是在等待 Canvas.sortjob，而这是 UI 排序造成的开销（自Unity5.2版本开始，UGUI的部分计算已经移出了主线程）。 详情参考：http://blogs.Unity3D.com/2015/09/07/mak
基于STM32的室内环境监测系统设计与实现
摘要 本文设计了一种基于STM32的室内环境监测系统，通过传感器实时采集温湿度、空气质量、烟雾浓度等数据，并利用Wi-Fi模块上传至云服务器。系统采用STM32F103C8T6作为主控芯片，结合DHT11、MQ系列传感器及BMP280气压传感器实现数据采集，通过ESP8266模块实现远程数据传输。用户可通过手机APP实时查看环境参数，并在数据超标时触发报警。实验表明，系统运行稳定，监测精度高，具有低成本、易扩展等特点，为改善室内环境质量提供了有效解决方案。 关键词：STM32；室内环境监测；传感器；Wi-F
安卓APP性能监测工具的Q&A
说说粉丝们关注的问题：工具的是否可靠有效？可根据你所知道的操作原理，进行获取数据跟工具进行对比，这样就可知道工具的可靠性，也便于后续你的使用，只要设计原理正确，基本数据就正确了工具是用什...
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")
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
Q&A——性能优化（二）
性能优化 Q1：Draw Call和Setpass Call，这两个指标主要是看哪一个？关于这点众说纷纭，很多地方都是说看SetPass Call，但是在UWA的性能测试中，还是把Draw Call当成唯一指标。 在 Unity 5.x 中，SetPass Call与 Draw Call相比，SetPass Call的指标与性能相关性更大（比如Static Batching
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
Q&A——性能优化（三）
性能优化 Q1：请问怎么优化下图这两者的GC Alloc？每次AddComponent 都会有这么多的开销。 图中的两项GC Alloc是在进行AddComponent时不可避免的，因此只能通过尽量减少AddComponent的调用次数来进行优化。
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...
大型网站性能监测、分析与优化常见问题Q&A
大型网站性能监测、分析与优化常见问题Q&A @tanwen110 （唐文），曾负责腾讯四大平台之一网络媒体平台的整体运维、运营规划工作；曾任百度T7架构师和百度性能优化TOPIC、百度UAQ、APM平台负责人；畅销书《海量运维、运营规划之道》作者； mmTrix创始人，后并入上市公司高升控股（000971.SZ），出任技术VP。 购买链接：...
性能诊断与优化工具（Q&A）
Q1：Texture占用内存总是双倍，这个是我们自己的问题，还是Unity引擎的机制？ 出现这种情况的原因有两种：一种是你在真机运行时开启了Read&Write。另一种可能是Unity的Bug，目前的Unity 5.2.3 release note如下 ： (735644) - OpenGL: Fixed texture memory usage reporting in profil
如何实现高效运维？来谈谈性能优化那些事（含直播回顾 Q&A）
数据库性能问题，常常是困扰DBA高效运维的难题之一。如何多角度地帮助DBA，找到“数据库慢”的原因，保证系统高效、稳定、安全地运行？
深入Apache Answer后端架构：Go语言实现的高性能Q&A引擎
Apache Answer的后端架构采用了现代化的Go语言技术栈，结合Gin框架和Pacman应用管理框架，构建了高性能、高可用的问答平台。本文深入分析了其四层架构设计：控制器层提供RESTful API接口，业务逻辑层处理核心业务，数据层采用Repository模式实现数据访问，以及基础架构层的技术支撑。文章详细探讨了各层的设计原则、实现细节和性能优化策略，展现了如何通过Go语言构建企业级Q&A...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1070
扫一扫
