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
2.5k累计阅读
2.5k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
weblogic启动异常故障处理（boot认证失败）
root 用户生成的文件属主为 root，WebLogic进程将无权读取，直接导致认证失败。· ⚠️ 密码必须完全一致：第3步 AdminAccount 命令中设置的密码，与第5步所有 boot.properties 文件中 password= 字段的值，必须保证完全一致。如果您的域下配置了受管服务器实例（如 ms_server1、ms_server2 等），必须逐一更新各实例下的免密启动文件，确保实例重启时密码与AdminServer保持一致，否则实例启动会因认证失败而报错。此步骤至关重要，必须执行。
Java实现传递引用类型的基本数据类型、Integer、String等
Java使用单元素数组便捷地间接实现传递引用类型的基本数据类型、Integer、String等
ANSYS Workbench对称分析进阶：手把手教你用Pre-Meshed Cyclic Region处理外部导入的复杂网格模型
本文详细介绍了ANSYS Workbench中Pre-Meshed Cyclic Region功能在处理外部导入复杂网格模型时的应用。通过循环对称分析技术，可显著减少计算资源消耗，特别适用于叶轮机械、齿轮组等周期性结构分析。文章深入解析了该功能的底层逻辑，并提供了从NASTRAN文件导入的离心压缩机叶轮案例，帮助工程师克服网格匹配难题。
Java 到底是值传递还是引用传递？
在开始深入讲解之前，有必要纠正一下大家以前的那些错误看法了。如果你有以下想法，那么你有必要好好阅读本文。 错误理解一：值传递和引用传递，区分的条件是传递的内容，如果是个值，就是值传递。如果是个引用，就是引用传递。 错误理解二：Java是引用传递。 错误理解三：传递的参数如果是普通类型，那就是值传递，如果是对象，那就是引用传递。 实参与形参 我们都知道，在Java中定义方法的时候是可以定义参数的。比如Java中的main方法，public static void main(String[] args)
保边滤波之Mean shift filter
保边滤波之Mean shift filter 目录 保边滤波之Mean shift filter 一、算法原理 二、练手实现的算法代码如下： 三、实现结果 一、算法原理 在OpenCV中，meanshift filter函数为 p...
SKUA-GOCAD入门教程-第六节
DisplayElements窗口是用于浏览和处理项目数据的工具，包含多个数据浏览器，如模型列表、对象、未分类对象、属性数据及资源数据。
JAVA传值和传引用的区别
基本类型（byte,short,int,long,double,float,char,boolean）为传值，传的是副本所以不会影响原有的值对象类型（Object，数组，容器）为传引用，会影响原来的值String、Integer、Double等immutable类型因为类的变量设为final属性，无法被修改，只能重新赋值或生成对象。当Integer作为方法参数传递时，对其赋值会导致原有的引用被指向了方法内的栈地址，失去原有的的地址指向，所以对赋值后的Integer做任何操作都不会影响原有值。...
YOLOv11改进策略【Conv和Transformer】| IJCAI 2024 利用FreqFormer中的SFA 空间 - 频率注意力和CTA 通道转置注意力 二次改进C3k2
在FreqFormer模型中，SFA（Spatial-Frequency Attention）和CTA（Channel Transposed Attention）模块是关键组成部分，它们针对传统Transformer在图像超分辨率任务中的不足而设计，旨在更好地恢复高频细节，提升模型性能。
24、Java中值传递和引用传递的区别。
小景哥哥博客 Java中值传递和引用传递的区别。 值传递：在方法调用中，实参会把它的值传递给形参，形参只是用实参的初始化值初始化一个临时的存储单元，因此形参与实参虽然有着相同的值，但是却有着不同的存储单元，因此形参的改变不会影响实参的值。 引用传递：在方法调用中，传递的是对象(也可以看做是对象的地址)，这时形参与实参的对象指向同一块存储单元，因此形参的修改会影响到实参的值。 在Java语言中，原始数据类型在传递参数时，都是按值传递，而包装类型在传递参数时是按引用传递的。Java8中处理8中基本的数据类型用的
【AI Agent 记忆共享实战】【下篇】多 Agent 会话 Session 统一共享实战：全链路工程落地、采集归一、MCP 服务、私有化部署、源码级实战
中篇我们已经锁定最终最优架构方案： 非侵入式、外部旁路采集、只读归一、中心化存储、MCP 按需检索注入。摒弃「改 Agent 源码」「软链接互通」「原生 Session 互导」等不现实方案。本篇直接落地可上线、可简历复用、可个人私有化部署多 Agent 异构 Session专属采集器（Claude/CODex/DSH/OpenCode/Kimi/WorkBuddy/ 豆包）统一消息归一化解析层（解决所有 Schema 异构）增量同步、去重、时间戳对齐核心逻辑。
基于 STM32 的乒乓球发球机控制系统设计与实现
乒乓球发球机是一种能够按照预设参数自动、连续发出乒乓球的训练设备。本系统以 STM32F103C8T6 为主控核心，通过控制实现球速调节、实现落点与旋转方向控制、实现出球节奏控制，并配合 OLED 显示与按键人机交互，实现速度、频率、落点、旋转四大参数的可调发球训练。
Java中传值和传引用的区别
声明：此文是作为本人自己学习的心得与总结，同时也是与同学们进行交流，如果有错误的地方，希望同学们进行指正 在这里，要想搞清楚二者的区别，那么首先明白两个概念，“传值”、“传引用”。 1、传值：传值就是指将一个值传递到方法的内部。例如int a = 5,那么也就是给int型变量a赋值，值为5.如果一个方法，将这个变量传进方法的内部，则进行的就是传值。在java中，有8
HFSS 3D Layout仿真PCB操作说明
本文介绍一种特别适合PCB这种叠层结构的仿真软件，HFSS 3D Layout既有操作的简便性，又有同3D软件仿真所有的精确性，仿真速度上又比3D软件快很多。
[ Java ] 超级大白话解释 —— 强引用、弱引用、软引用、虚引用（59.99秒懂）
前言： 万能的程序猿可以指定哪些不是垃圾不能被回收，哪些是普通的垃圾可以晚点回收，哪些是超级垃圾需立马被回收… [ 强引用 ] 解释： 我们日常用 “=” 号 直接赋值的对象大都属于强引用，它被认为是必须用到的对象，哪怕是抛出OOM，GC也不会回收。 ( 如何中断强引用？ 直接赋值为 null 即可，这时GC会认为对象无引用，可直接回收 ) [ 软引用 ] 注意弱引用、软引用、虚引用和强引用的直接区别就是对象都要被一个Reference类包裹。 举例： SoftReference.
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")
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
JAVA大白话之强引用、软引用、弱引用、虚引用
软考差不多算这次考了五次了，初级考了一次，没拿下，就直接考中级，每次都是差一点点，要么上午试题差几分，要么是下午试题差几分，总的老说就是准备的粗心大意，太不认真，不充分，之前也是在学校，考软考就像平常一门考试一样，也不收费，三月报名，五月去考，靠前一两周临时看看真题，抱抱佛脚，也没怎么重视过，结果感受就是每次都是看着试题都很熟悉，都学过，做过几套，但是练习的程度不够，量太少，只知道大概考题，考试内容
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
Java JVM 引用有什么用
专栏原创出处：github-源笔记文件 ，github-源码 ，欢迎 Star，转载请附上原文出处链接和本声明。 Java JVM-虚拟机专栏系列笔记，系统性学习可访问个人复盘笔记-技术博客 Java JVM-虚拟机 引用的概念 JDK 1.2 版之后引入了软（SoftReference）、弱（WeakReference）、虚（PhantomReference）三种引用。 强引用：是最...
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。
【JVM】Java 关于强引用，软引用，弱引用和虚引用的区别与用法
目录 一、引用的概念 二、引用到底有什么作用 三、弱引用的 GC 实战 四、再理解 ThreadLocalMap 的弱引用 五、ReferenceQueue 引用队列 六、应用场景 总结 内容来自：https://blog.youkuaiyun.com/junjunba2689/article/details/80601729 https://blog....
JAVA中的四种引用类型（大白话版本）
当一个对象被强引用变量引用时，它处于可达状态，它是不可能被垃圾回收机制回收的，即 使该对象以后永远都不会被用到JVM也不会回收。但是，如果院子里堆满了东西，空间不够了（系统内存不足），松紧带就会松开，气球就会被风吹走（对象被回收）。弱引用需要用WeakReference类来实现，它比软引用的生存期更短，对于只有弱引用的对象 来说，只要垃圾回收机制一运行，不管JVM的内存空间是否足够，总会回收该对象占用的内存。所以，弱引用就像这根细线，它绑着的对象非常容易被清理掉，只要垃圾回收机制一运行，对象就会被回收。
白话阿里巴巴Java开发手册高级篇
不久前，阿里巴巴发布了《阿里巴巴Java开发手册》，总结了阿里巴巴内部实际项目开发过程中开发人员应该遵守的研发流程规范，这些流程规范在一定程度上能够保证最终的项目交付质量，通过在时间中总结模式，并推广给广大开发人员，来避免研发人员在实践中容易犯的错误，确保最终在大规模协作的项目中达成既定目标。 无独有偶，笔者去年在公司里负责升级和制定研发流程、设计模板、设计标准、代码标准等规范，并在实际工作中进行...
【JAVA-Day18】用大白话讲解 Java 中的内存机制
作为一位热爱分享的技术博主，我将以大白话的方式向你解释Java中的内存机制。在本文中，我将详细介绍Java内存机制的各个方面，包括栈内存和堆内存的概念，以及Java如何管理内存。我们还将讨论合理管理内存的重要性，并提供实用建议。无论你是初学者还是有一定经验的开发者，都将从本文中获得有关Java内存管理的深刻理解。本文以通俗易懂的方式解释了Java中的内存机制，包括栈内存和堆内存的基本概念。我们讨论了Java如何管理内存，以及合理管理内存的重要性。了解和掌握Java内存管理是编写高效和稳定应用程序的关键。
2022年Java面试题最新整理，附白话答案
序列化就是一种用来处理对象流的机制，就是将对象的内容进行流化，可以对流化后的对象进行读写操作，也可以将流化后的对象传输于网络之间。可通过实现接口来实现序列化。AOP是面向切面编程，用于在不改变原有逻辑的基础上增加一些额外的功能，如事务管理、日志、缓存、权限控制等。Spring AOP是基于代理的。如果目标对象实现了接口，则默认采用JDK动态代理。如果目标对象没有实现接口，则采用CgLib进行动态代理。如果目标对象实现了接口，且强制CgLib代理，则采用CgLib动态代理。IOC翻译为。...
JAVA参数传递方式 (按值传递与引用传递区别)
首先要明确的是JAVA中没有引用传递, 全部是按值调用 令大家所费解的 当对象引用作为参数时 函数为什么能修改真实的对象呢?这不是引用传递的特征吗? 尤其先学习C++再学习JAVA的同学(比如说我自己)会这样认为, 用白话解释就是: 引用传递指针时, 连函数操作的指针都是原来的指针,比如C++传入对象时直接用传入的指针操作 而JAVA的引用传进函数时 , 会复制一个引用与实参指向同一对...
Java方法传参：值传递还是引用传递？
在Java方法传参中有一个让疑惑又很经典的问题：在方法传递时，到底传递的是值，还是引用？ 其实Java只有值传递这一种。不过是传数据值还是地址值的问题。 首先我们要知道两个Java存储区：栈（虚拟机栈）和堆。 我们说的“栈”就是虚拟机栈，虚拟机栈描述的是Java方法执行的内存模型：每个方法在执行的同时会创建一个栈帧用于存储局部变量表、操作数栈、动态链接、方法出口等信息。 局部变量表存放了编译期可...
Activity跳转和Intent传值
多个Activity之间的调用 Intent显式调用 Intent隐式调用 使用Intent在Activity之间传递数据 直接使用Intent传递数据 使用Bundle传递数据 回传数据
用最通俗易懂的大白话聊一聊Java中的this和super以及this()和 super()
1、this关键字 package com.cj.study.thissuper; public class Student{ public String name; public void setName(String name) { this.name = name; } public String getName() { return name; } } ...
大白话理解可达性分析算法
垃圾收集（Garbage Collection，下文简称GC）是Java有别于其他编程语言的一大特点，GC主要考虑的有三个问题： 哪些内存需要回收？ 什么时候回收？ 如何回收？ 今天咱们主要聊聊JVM是如何判断对象可以被回收的。 常用的算法有两种： 引用计数算法 可达性分析算法 引用计数算法 在对象中添加一个引用计数器，每当新加一个引用时，计数器就加1，当引用失效时，计数器就减1。任何时刻只要计数器为0就代表对象没有引用可以被回收。 这种算法实现简单，判断高效，但是有一些缺点： 主流的商用JVM
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
223
扫一扫
