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
487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
阅读本书有两种原因：第一，你是个程序员；第二，你想成为更好的程序员。
略。
略。
略。
略。
略。
略。
写整洁代码，需要遵循大量的小技巧，贯彻刻苦习得的“整洁感”。这种“代码感”就是关键所在。有些人生而有之，有些人费点儿劲才能得到。它不仅让我们看到代码的优劣，还予我们以借戒规之力化劣为优的攻略。
略。
略。
略。
略。
在本书中，你会发现对不同设计原则的引用，包括单一权责原则（Single Responsibility Principle，SRP）、开放闭合原则（Open Closed Principle，OCP）和依赖倒置原则（Dependency Inversion Principle，DIP）等。
略。
UE5.2 DynamicMesh避坑指南：从蓝图生成到物理碰撞的完整流程
本文详细解析了在UE5.2中使用DynamicMesh组件时，如何正确选择ADynamicMeshActor与AGeneratedDynamicMeshActor，并提供了从蓝图生成、初始化到配置物理碰撞的完整避坑流程。重点解决了SpawnActor失效、碰撞更新等常见问题，帮助开发者高效实现程序化网格生成与动态变形效果。
《代码整洁之道》
本文，摘录一下《代码整洁之道》这本书，最让我印象深刻的片段。 一，整洁代码 1，什么是整洁代码 ————————————书本第6页————————————待补充图片 z这里提到了2个关键词：优雅，高效。 优雅就不说了，现在讨论整洁代码的时候，大家都会提到这个词，代码是一种艺术。 高效，这个观点还挺有意思的，尤其是这句： 性能调至最优，省得引诱别人做没规矩的优化，搞出一堆混乱来。 二，有意义的命名 1，名副其实 我理解这个和代码自注释意思差不多，当命名做的好，就不需要注释。 ..
非目标代谢组学（untargeted metabolomics）中常用的方法学考察的方法（四）
最早使用的一种方法，从QC样本的总离子流图中选择具有代表性的离子峰（覆盖不同的保留时间，不同的强度），在对QC样本进行重复检测之后，计算这些离子的保留时间以及峰面积的相对标准偏差（RSD），用以考察分析方法的稳定性以及重复性。所有样品检测完之后，收集所有的QC样本的原始数据进行数据预处理，包括（峰提取，排列，归一化等），经过数据过滤（80%规则）之后，计算剩下的峰的峰面积的RSD值。由于QC样本是 等量混合了所有的被检测样本，理论上QC样本包含了所有样本中的代谢物，因此QC样本理论上会。
代码整洁之道
谈谈代码整洁之道、重构
Android 13 Hotseat定制化修改——001 hotseat布局方向
一.背景由于需求是需要自定义修改Hotseat，所以此篇文章是记录如何自定义修改hotseat的，应该可以覆盖大部分场景，修改点有修改hotseat布局方向，hotseat图标数量，hotseat图标大小，hotseat布局位置，hotseat图标禁止形成文件夹，hotseat图标禁止移动到Launcher...
逆变器、转换器、DCDC、继电器等器件的原理和作用
交流电变成直流电的过程：整流==》滤波==》稳压。
《代码整洁之道》—第1章1.7节前传与原则
本节书摘来自异步社区《代码整洁之道》一书中的第1章1.7节前传与原则，作者【美】Robert C. Martin，更多章节内容可以访问云栖社区“异步社区”公众号查看。 1.7 前传与原则从许多角度看，本书都是我2002年写那本Agile Software Development：Principles，Patterns，and Practices（中译版《...
车载网络测试实操源码_使用CAPL脚本实现安全访问解锁，并模拟各种测试场景
在车载诊断中，我们经常会使用到安全访问解锁，常见的场景包括软件刷写前、通过2E服务写入某个DID前、通过31服务执行某个例程前等，都必须先通过27服务进行安全访问，解锁相应安全等级后才能执行上述操作。在开发调试或测试时，有时候需要模拟正常的安全解锁、安全访问秘钥错误、连续多次请求安全访问等，手动操作极为不便。本文将介绍如何使用CAPL脚本实现安全访问解锁，并模拟各种测试场景。
《Clean Code《代码整洁之道》解读
编写整洁代码是一个过程：它需要不断地审视、修改和改进代码。通过坚持这些原则和实践，开发者可以编写出高质量、易于维护的代码。关注代码的细节：整洁代码的本质是对代码细节的关注。它不仅仅是为了让代码“工作”，更是为了让代码“好用”。整洁的代码文化：整洁的代码不仅是个人的追求，更需要团队文化的支持。团队成员应共同努力，维护代码库的整洁。《Clean Code》不仅提供了编写整洁代码的指南，更是一种职业素养的体现。通过实践这些原则，开发者可以不断提高代码质量，提升软件开发的整体效率。
出现 Error:Unable to access jarfile xxxx\target\nacos-server.jar 解决方法
Nacos中的 2.x执行步骤如上，如果需要安装下载1.x版本，执行该步骤之后 自动更新下载的是2.x版本 对此如果需要下载安装1.x的版本，可通过如下连接（windows版本）
蓝牙攻防实战：蓝牙技术详解
蓝牙作为轻量级、低功耗的无线通信技术，其设计兼顾了效率与灵活性，但也留下了诸多安全隐患。随着物联网设备的爆发式增长，蓝牙的攻击面也在不断扩大。理解其底层通信机制、协议栈结构以及配对加密逻辑，是提升无线安全防护能力的关键。
【Code】《代码整洁之道》笔记-Chapter9-单元测试
过去十年以来，编程专业领域进步很大。1997年时，没人听说过测试驱动开发。对于我们之中的大多数人来说，单元测试是那种用来确保程序“可运行”的用过即扔的短代码。我们辛勤地编写类和方法，再弄出一些特殊代码来测试它们。通常这些代码会是一种简单的驱动式程序，让我们能够手工与自己编写的程序交互。我记得在20世纪90年代曾为一套嵌入式实时系统编写过C++程序。想法很简单；到达指定毫秒数时，在一个新线程中执行Command的execute方法。问题在于如何测试它。我随便写了个简单的驱动式程序，聆听来自键盘的动作。
Android 13.0 开机启动优化之PMS扫描apk耗时相关功能优化
在android13.0的系统rom定制化开发中，在系统中开发产品时，会根据客户要求内置第三方app,这时如果内置app过多，或者安装的app过多，在系统开机的过程中 在pms扫描安装app的时候，就会比较耗时，这时候就需要优化下pms扫描安装app这块的功能代码，用多线程来实现pms扫描安装app，来加快开机时间，接下来 来实现这个功能
【Code】《代码整洁之道》笔记-Chapter16-重构SerialDate
如果你找到JCommon类库，深入该类库，其中有个名为的程序包。在该程序包中，有个名为SerialDate的类，我们即将剖析这个类。SerialDate的作者是David Gilbert。David显然是一位经验丰富、能力很强的程序员。如我们将看到的，他在代码中展示了极高的专业性和原则性。无论怎么说，SerialDate都是“好代码”，而我将把它撕成碎片。这并非恶意的行为，我也不认为自己比David强许多，有权对他的代码说三道四。其实，如果你看过我的代码，我敢说你也会发现好些该埋怨的东西。
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")
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
【Code】《代码整洁之道》笔记-Chapter11-系统
复杂要人命。它消磨开发者的生命，让产品难以规划、构建和测试。
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
【Code】《代码整洁之道》笔记-Chapter14-逐步改进
本章研究一个逐步改进的案例。你将看到一个开始还不错，但规模扩大后即出问题的模块。你还将看到这个模块是如何被重构得整洁起来的。我们中的大多数人都会遇到解析命令行参数的情况。如果没有就手的工具，就得遍历传入main函数的字符串数组。有一些不同来源的好工具，但没有一个是最符合要求的。所以，我当然要自己写一个，我把它叫作Args。Args非常易于使用。你只要简单地用输入参数和格式化字符串构造Args类，再向Args实体询问参数值即可。看看代码清单14-1中给出的简单例子。代码清单14-1 Args的简单用法。
【Code】《代码整洁之道》笔记-Chapter10-类
到目前为止，本书一直在讨论如何编写良好的代码行和代码块。我们深入研究了函数的恰当构成，以及函数之间如何互相关联。尽管讨论了这么多关于代码语句及由代码语句形成的函数的表达力，但是，除非我们将注意力放到代码组织的更高层面，否则始终不能得到整洁的代码。
【Code】《代码整洁之道》笔记-Chapter8-边界
我们很少能控制系统中的全部软件。有时我们购买第三方程序包或使用开放源代码，有时我们依靠公司中其他团队打造组件或子系统。不管是哪种情况，我们都得将外来代码干净利落地整合进自己的代码中。本章将介绍一些保持软件边界整洁的实践手段和技巧。
【Code】《代码整洁之道》笔记-Chapter7-错误处理
对异常分类有很多方式。可以依其来源分类：是来自组件还是其他地方？也可以依其类型分类：是设备错误、网络错误还是编程错误？不过，当我们在应用程序中定义异常类时，最重要的考虑应该是它们如何被捕获。我们来看一个不太好的异常分类的例子。下面的语句是对某个第三方代码库的调用。try {语句包含了一大堆重复代码，这并不出奇。在大多数异常处理中，不管真实原因如何，我们总是做相对标准的处理。我们得记录错误，确保能继续工作。
【Code】《代码整洁之道》笔记-Chapter4-注释
什么也比不上放置良好的注释来得有用。什么也不会比乱七八糟的注释更有本事搞乱一个模块。什么也不会比陈旧、提供错误信息的注释更有破坏性。注释并不像辛德勒的名单。它们并不“纯然地好”。实际上，注释最多也就是一种必需的恶。若编程语言足够有表达力，或者我们长于用这些语言来表达意图，就不那么需要注释——也许根本不需要。注释的恰当用法是弥补我们在用代码表达意图时遭遇的失败。注意，我用了“ 失败”一词，我是说真的，注释总是一种失败。我们总无法找到不用注释就能表达自我的方法，所以总要有注释，这并不值得庆贺。
【Code】《代码整洁之道》笔记-Chapter6-对象和数据结构
我们将变量设置为私有（private）有一个理由：不想让其他人依赖这些变量。我们还想在心血来潮时能自由修改其类型或实现。那么，为什么还是有那么多程序员不假思索就给对象添加赋值器（setter）和取值器（getter），将私有变量公之于众，如同它们是公共变量一般呢？
【Code】《代码整洁之道》笔记-Chapter17-味道与启发
Martin Fowler在其大作《重构：改善既有代码的设计》（Refactoring: Improving the Design of Existing Code）中指出了许多不同的“代码的坏味道”。下面的清单包括很多Martin指出的“坏味道”，还添加了更多我自己提出的“坏味道”，也包括我借以历练本业的其他珍宝与启发。我借由遍览和重构几个不同的程序总结出这个清单。每次修改，我都问自己为什么要这样改，把修改的原因写下来，结果就得到相当长的清单，该清单列出了在读代码时让我闻起来不舒服的味道。
【Code】《代码整洁之道》笔记-Chapter12-迭进
假使有4条简单的规则，跟着做就能帮助你创建优良的设计，会如何？假使遵循这些规则，你就能洞见代码的结构和设计，更能轻易地应用SRP和DIP之类的原则，便会如何？假使这4条规则有利于良好的设计“浮现”出来，又会如何？我们中的许多人认为，Kent Beck关于简单设计的4条规则，对于创建具有良好设计的软件有着莫大的帮助。据Kent所述，只要遵循以下规则，设计就能变得“简单”：运行所有测试；不可重复；表达了程序员的意图；尽可能减少类和方法的数量。以上规则按其重要程度排列。
【Code】《代码整洁之道》笔记-Chapter5-格式
当有人查看底层代码实现时，我们希望他们为代码的整洁、一致及所感知到的对细节的关注而震惊。我们希望他们高高扬起眉毛，一路看下去。我们希望他们感受到专业人士们的劳作。但若他们看到的只是一堆像是由酒醉的水手写出的鬼画符，那他们多半会得出结论，认为项目其他任何部分也同样对细节漠不关心。你应该保持良好的代码格式。你应该选用一套管理代码格式的简单规则，然后贯彻这些规则。如果你在团队中工作，则团队应该一致同意采用一套简单的格式规则，所有成员都要遵从这套规则。使用能帮你应用这套格式规则的自动化工具会很有帮助。
【Code】《代码整洁之道》笔记-Chapter2-有意义的命名
起好名字最难的地方在于需要良好的描述技巧和共有文化背景。与其说这是一种技术、商业或管理问题，还不如说是一种教学问题。其结果是，这个领域内的许多人都没能学会做得很好。我们有时会担心其他开发者反对重命名。讨论一下就会知道，如果名称改得更好，那大家真的会感激你。多数时候我们并不记忆类名和方法名，而使用现代工具应对这些细节，好让自己集中精力把代码写得像词句篇章，至少像是表和数据结构（词句并非总是呈现数据的最佳手段）。改名可能会让某些人吃惊，就像你做到其他代码改善工作一样。别让这种事阻碍你前进的步伐。
【Code】《代码整洁之道》笔记-Chapter13-并发编程
对象是过程的抽象。线程是调度的抽象。编写整洁的并发程序很难——非常难，而编写在单线程中执行的代码却简单得多。编写表面上看似不错、深入进去却支离破碎的多线程代码也简单，但是系统一旦遭受压力，这种代码就扛不住了。本章将讨论并发编程的需求及其困难之处，并给出一些应对这些难点、编写整洁的并发代码的建议。最后，我们将讨论与测试并发代码有关的问题。整洁的并发编程是个复杂话题，值得用一整本书来讨论。本书只做概览，并在附录A中提供更详细的指引。如果你只是对并发好奇，阅读本章就足够了。
【Code】《代码整洁之道》笔记-Chapter3-函数
在编程的早期岁月，系统由程序和子程序组成。后来，到Fortran和PL/1的年代，系统由程序、子程序和函数组成。如今，只有函数存活下来。函数是所有程序中的第一组代码。本章将讨论如何写好函数。请看代码清单3-1。在FitNesse中，很难找到长函数，不过我还是搜寻到一个。它不光长，而且很复杂，有大量字符串、怪异且不显见的数据类型和API。花3分钟时间，你能读懂多少？代码清单3-1 HtmlUtil.java（FitNesse 20070619）读懂这个函数了吗？大概没有。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
314
扫一扫
