互联网产品经理学习:Ophone是如何设计出来的(解锁界面设计)

Go 语言 net/http 常见用法指南 net/http 是 Go 标准库中最常用的包之一,它同时提供了 HTTP 客户端与服务端的实现。得益于标准库的完整性和 Go 的并发模型,我们无需引入任何第三方框架,就能快速构建一个生产可用的 HTTP 服务。本文围绕日常开发中最常见的场景,梳理 net/http 的核心用法,包括服务端路由、请求处理、中间件、客户端请求、超时控制与优雅关闭等,并给出可直接运行的示例代码。 阅读详情

 

互联网产品经理学习:Ophone是如何设计出来的(解锁界面设计)

推荐者:业内网 作者:刘超 时间:2009-08-27 23:26:04 字体:[ 大 中 小] 我要投稿
Ophone屏幕保护的解锁设计其实是相辉的面试题。2007年底,我又发现了一个设计天才就是相辉(Dooky),他是Yahoo widget的设计师,我曾经看过Yahoo widget下载网页的那套紫色界面,确实让我兴奋不已。后来通过曹宇的介绍,颜姐和我面试了他。那时候已经有Iphone了,当时Bill和颜姐给我们设计团队每人都配了Iphone, Mac book, G5等苹果装备,并且对我们说不白给你们买,要好好研究苹果,一定要超越他们,至少在一些设计细节上。正好相辉那天面试,我给相辉出了一个题目:请设计一个全触摸无键盘手机解锁得方案,并且给他看了看Iphone 。第2天相辉拿来了方案,是1个小亮点在屏幕上来回的飘动,靠重力可以把小亮点弄到相应的区域然后解锁。创意很不错,不过不实用,用户每次解锁要是必须使用重力感应就累死了。我和相辉又讨论了一会,很快就想到了新的方案,就是现在网上一直热炒的那个解锁方式,一个小圆圈在屏幕上飘动,当用户把它拖到指定的位置上就会解锁。

但是光想出来还是不能证明这个方案是不是好用和新奇,于是李超又帮我用flash程序写出了一个Demo,当时的Demo已经做的相当精细,小球上还有动力加速度的感应,还有回力反弹等。当我们把这个方案给了Bill之后,Bill很高兴的批准了这个设计,而且还帮我们想出更牛的创意就是小球的自定义,于是我们就设计出了DIY的解锁图片,用户可以把自己的头像当解锁的钥匙,从而解锁。

得到Bill的肯定后,我到Borqs和邹伟沟(开发工程师)通后,终于实现了这个想法。后来这个设计成为了OMS一大亮点,尤其是用户炫耀他的手机的时候,‘‘你会解锁我的手机么?’’成了ophone用户炫耀最多的话。


用户可以将自己的头像设置成解锁的钥匙(如图:)
Transformer 常见面试题深度解析:从原理到工程实践 先给结论,再展开推导:面试官时间有限,先一句话回答核心,再补充细节;公式与直觉并重:能推导dk\sqrt{d_k}dk​​的方差来源,也能用"防止 softmax 饱和"的直觉解释;主动关联工程实践:提到 FlashAttention、KV Cache、GQA 等,体现落地经验;诚实面对不确定:不清楚的细节不要编造,可以说"这部分我了解思路,具体实现需要再确认";准备一个完整项目故事:能讲清"遇到什么问题 → 如何定位 → 用什么方案 → 效果如何量化"。 阅读详情

相关推荐

21 硬件工程师笔面试高频考点真题解析——单片机

本文系统介绍了单片机的核心概念与应用知识,包括:单片机定义与选型要点(性能、存储、外设等);核心参数(主频、I/O、通信接口等);最小系统组成(电源、复位、晶振、BOOT);常见外设(GPIO、ADC、定时器等);GPIO工作模式(输入/输出);死机原因分析(硬件干扰、软件错误等);上电故障排查流程(电源、时钟、程序等);与DSP、FPGA的对比(控制vs运算vs可编程);常用通信总线特点(UART、I2C、SPI、CAN);看门狗功能(超时复位防死机)。内容涵盖单片机硬件设计关键要点,适合嵌入式开发者参考

XU157303764的博客 1333

macOS 27 升级后,如何用 Xcode 27 继续在 iPhone X(iOS 16)上运行 App?

升级 macOS 27 后,Xcode 27 不再支持 iPhone X(iOS 16)真机调试。通过社区项目 xcode-legacy-device-bridge,将 Xcode 26.6 与 27.0 桥接,生成独立副本,成功实现对 iPhone X(iOS 16.7.16)的构建与运行。需保留原版 Xcode,按指引执行桥接脚本,并处理 WatchKit 校验、Metal 工具链及工程兼容性问题。本方案为实验性,不获官方支持,仅适用于特定版本组合。

Luka的異想世界 325

react +ant desiagn pro实现按钮操作权限控制

在ant desiagn pro中提供了一个access用于对权限进行控制,需引入useAccess和Access

Sylvasylva的博客 2215

用 iPhone 扫一间房,AI 帮你在浏览器里 1:1 重建它:Wes Bos 的 scan-to-threejs 工作流

Wes Bos 的 scan-to-threejs 工作流:LiDAR iPhone 扫房间 → 导出采集数据 → AI 代理测量建模 → 同机位照片比对迭代 → Three.js 场景浏览器漫游。拆解采集契约、技能文件与视觉比对三层架构。

话梅糖の优快云 Blog 208

tree_sitter多语言解析器配置实战指南

本文是一份详细的Tree-sitter多语言解析器配置实战指南。文章从零开始,手把手指导如何搭建Python环境、安装指定版本的tree-sitter库、下载并编译多种语言的语法规则,最终构建一个统一的解析器库。通过实战代码演示了如何初始化解析器、解析代码并遍历语法树,旨在帮助开发者高效处理多语言代码分析任务,并分享了高级技巧与常见问题排坑经验。

weixin_29245767的博客 269

国产SR8201F以太网PHY芯片调试避坑指南:从机贴失败到杜邦线救场的实战记录

本文详细介绍了国产SR8201F以太网PHY芯片的调试避坑指南,涵盖硬件设计、PCB布局、SMT贴片及软件驱动等关键环节。通过实战案例解析,帮助工程师解决MII/RMII接口配置、电源设计、信号完整性等典型问题,提升以太网通信稳定性与EMC性能。

c6d7e8f9g的博客 1218

iPhone 如何添加日历?

无论是新建个人日历、同步谷歌 / Outlook 第三方账户,还是订阅共享公共日程,iPhone 添加日历的操作都十分简单。如果需要在电脑和 iPhone 之间迁移日历文件,iReaShare iPhone Manager 能一站式完成导入、导出,操作便捷无繁琐步骤。

Digitally的博客 227

深度学习(Deep Learning, DL)简介

深度学习(Deep Learning, DL)是机器学习的一个子领域,主要使用多层神经网络来处理复杂的数据和任务。深度学习通过模拟人脑的神经网络结构,能够自动提取特征并进行高效的模式识别和预测。

qq_28791753的博客 1万+

iPhone 打字总被改错,是键盘学坏了吗?

要开关它,可按住表情符号或地球图标,点「键盘设置」,或到「设置」>「通用」>「键盘」里找「输入预测」或「预测文本」。路径是「设置」>「通用」>「键盘」>「自定义短语」。如果你主要用英文打字,这批帖子里说的「拼错、被自动改成别的词」,和「自动改正」、键盘词典里学到的内容更接近。【图3】苹果官方支持页配图(iOS 26,中文界面):按住表情符号后,可进入「键盘设置」,当前键盘显示为「简体拼音」。路径是:「设置」>「通用」>「传输或还原 iPhone」>「还原」>「还原键盘词典」,再输入密码,点「还原词典」。

weixin_65191557的博客 231

linux 4.19在龙芯平台上编译出错解决方法

OS: Loongnix server 1.7 工具链为:系统自带的gcc-4.8.5 和 gcc-7.3 平台:3A3000/3A4000 源码:kernel: 4.19 编译步骤 ··· make loongson3_defconfig make -j4 ··· 出错信息: HOSTCC arch/mips/boot/compressed/calc_vmlinuz_load_addr arch/mips/boot/compressed/head.S: Assembler messages: arch/m

sense的专栏 1125

Keystone变换(4)MATLAB仿真

关于Keystone变换三种方法(DFT-IFFT法、Sinc插值法和Chirp-Z法)的仿真

qq_45846079的博客 1571

深度 | 端侧大模型从能跑到能用:740亿塞进笔记本,54GB压进iPhone

2026年,端侧大模型迈过“能跑”到“能用”的分水岭。通过极端量化、架构优化与系统整合三路突破,740亿参数模型压缩至22.1GB,27B模型压至3.9GB,24B模型仅激活2B参数,均实现本地高效运行。核心瓶颈从算力转向内存,而llama.cpp、MLX等运行时生态成熟,推动模型下放。微软、OPPO等将大模型纳入系统底座,本地优先调度成胜负手。未来一年,端侧AI将深度融入系统,隐私、延迟与成本优势凸显,真正进入“可用”时代。

summerliyang的博客 612

中标麒麟,postgres报错invalid value for parameter "timeZone":"Asia/Beijing"

在中标麒麟服务器上,安装postgres,启动tomcat容器时,报invalid value for parameter "timeZone":"Asia/Beijing"。 查看postgres运行日志,也报同样的错误。 报错原因:服务器的时区,在Postgres支持的时区目录中找不到。当时在服务器上信息为Beijing 解决步骤: 1. cat /etc/sysconfig/cloc

u010213931的博客 7925

iPhone 本地扩容科普:告别云存储,外接 U 盘怎么选

MFi 认证就是苹果官方的配件准入标准,经过认证的存储配件内置苹果授权芯片,能够和 iOS 系统稳定通信,适配不同系统版本,老款 Lightning 机型和新款 TypeC 机型都能稳定识别Apple Supp...。优质的 iPhone 扩容存储盘会增设独立快充接口,支持 PD 快充,实现边传输数据边给手机补电,长时间外出拍摄,拷贝素材同时维持手机电量,不用频繁插拔切换设备。外出拍摄时,可直接把原始素材拷贝到 U 盘,释放手机机身存储空间,兼顾便携与效率,成为越来越多苹果用户的备选方案。

Maisucsdn的博客 182

大数据知识面试题-Hadoop(2022版)

序列号 内容 链接 1 大数据知识面试题-通用(2022版) 待续… 2 大数据知识面试题-Hadoop(2022版) 待续… 3 大数据知识面试题-MapReduce和yarn(2022版) 待续… 4 大数据知识面试题-Zookeepr (2022版) 待续… 5 大数据知识面试题-Hive (2022版) 待续… 6 大数据知识面试题-Flume(2022版) 待续… 7 大数据知识面试题-Hbase(2022版) 待续… 8 大数据知识面试题-sqoop(....

拉格朗日的学习笔记 1万+

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

苹果手机详细数据分析,KeyMob导出 iPhone 近数月使用记录,App / 硬件分析

iPhone 自带「电池」只给粗糙的耗电占比,想查某个 App 近几个月在后台驻留多久、调用过哪些硬件、哪个时段偷偷联网却无从下手。本文讲清如何用 KeyMob 的数据分析模块查苹果手机详细使用记录:应用前后台时长与能耗、一个 App 用过哪些硬件模块(摄像头/麦克风/蓝牙/基带等)、各硬件耗能随时间变化的读图法,以及资源用量分析「按应用」「按硬件」两个视角,附日期选择、数据空档、会员遮罩等使用前提和与 Xcode Instruments 的分工。

2501_91510632的博客 231

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

股票接口返回 404 与空数组的排查笔记:证书状态与级别参数

写数据管道时,最常见的错误处理是「看一眼状态码,200 就继续」。这套逻辑在股票数据接口上会漏掉两类情况:一类是 HTTP 层直接报错,客户端抛异常,容易发现;另一类是,程序一路跑到底,最后写出一个空文件或一张空表,等到下游发现时已经过了好几个环节。还有一种更隐蔽的情况:同样是 404,有的返回带错误码的 JSON 对象,有的返回一段纯文本。若客户端无条件json.loads,第二种会在解析那一行直接抛ValueError,连错误信息都留不下来。

u012940698的博客 167

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

河马引力与MOFT iPhone Duo手机壳对比:外屏翻盖与中轴全包覆的两条路径

如果中轴全包覆、1.2mm薄度与29g/33g的重量控制需要同时成立,并且希望磁吸规格有一个可以核对的牌号,河马引力Duo Veil把这几项写在了同一张规格表上,Veil Mag与Veil Mag Stand之间的唯一分岔是背面是否整合360°旋转支架,重量差约4g,N52磁吸与双加高在两者上完全共享。两者在“是否有可换算成米数的跌落标称”这件事上处于相似的位置,差异不在认证数字,而在防护的执行方式:MOFT靠仿皮革翻盖包裹外屏与边角(卡扣款),Duo Veil靠中轴全包覆结构与双料壳体分散冲击。

lkjaslkdj的博客 217

C++ 实习面试第一阶段:面向对象基础

C 和 C++ 都是通用编程语言,但设计思想和语言特性有所不同。C++ 相比 C 增加了以下重要特性:面试回答: C++ 并不是完全取代 C 的语言,它兼容了大量 C 语言的编程方式,同时提供了面向对象、泛型编程和资源管理等更丰富的特性。指针是存储对象地址的变量,引用是对象的别名。代码示例: 需要注意:两者都用于表示空指针,但类型和使用方式不同。为什么引入 nullptr?因为 NULL 在一些实现中本质上是整数 0,可能导致函数重载时产生歧义。 面试重点: C++11 以后优先使用 nullptr

zengjiajun2006的博客 1161

阿里面试:遇到 AI 碎片问句 了吗?怎么处理? AI 碎片问句实践:前置过滤 → 语义补全 → 意图槽位联合抽取

阿里面试:遇到 AI 碎片问句 了吗?怎么处理? AI 碎片问句实践:前置过滤 → 语义补全 → 意图槽位联合抽取

架构师尼恩 202

Java 集合容器高频面试题全解:HashMap 树化阈值、1.7 死循环与 ConcurrentHashMap 演进(2026 招聘 JD 真题复盘)

HashMap 树化阈值 8 的泊松分布依据、退化阈值 6 的防抖设计、JDK 1.7 头插成环死循环的排查与修复、1.8 尾插后为何仍线程不安全、ConcurrentHashMap 放弃分段锁的原因与 ForwardingNode 协作扩容、computeIfAbsent 死锁陷阱、大集合找重复的场景题选型,附三层追问链自测。题目来源为 38 期公开招聘 JD 样本与字节、拼多多、建行、美团、快手公开面经。

蒙眼过河 425

AI面试复盘:三步定位问题,四策精准优化

AI 面试的复盘重点在于。一场面试产生的数据包含提问序列、候选人回答、模型评分与最终结论,散落在日志中时很难提炼出可用的信息。复盘要做的是把过程数据整理成结构化信号,再根据信号定位薄弱环节:是题库覆盖存在偏差,是追问策略失效,还是评分标准不稳定。

m0_55877125的博客 171

你背的Spring答案,全是5.x时代的:7.0.8源码一翻,80%的博客都过时了

这是 **Spring 7.0.8 源码系列的准备篇**,不急着逐行啃代码,只解决三件事:**为什么读、读什么、怎么读才不半途而废**。如果你正处在“注解一贴、项目一跑、日志一红、开始玄学”的状态,这篇就是给你写的。

xiaokjv的博客 306

上位机面试:值类型 vs 引用类型

大部分教程会告诉你"值类型在栈上,引用类型在堆上"。如果 ④ 和 ⑤ 都用 99,⑤ 打印出 99 时你分不清是"第 3 条和第 4 条是最容易混的,也是面试最爱追问的地方。很多人把"传引用类型的参数"当成"引用传递",这是错的。所以那句"引用类型比较就是比地址"不是通则——跑 100 万次对比,数量级差异很明显。记住这张图,下面所有现象都能推出来。这一行,才是真正的"按引用传递"。的核心原因——泛型不需要装箱。生效了"还是"根本没生效"。,比背"栈和堆"高一个层次。,这是测试设计的基本要求。

hanxiaodihhh的博客 255

力扣35搜索插入位置(二分查找)

该题通过二分查找寻找插入位置。使用 mid = (left + right) >> 1 防止整数溢出,等价于 (left + right) / 2,但更安全。当 target <= nums[mid] 时,更新答案并继续向左查找;否则向右。最终返回最小的插入位置,时间复杂度 O(log n),空间复杂度 O(1)。

Pniubi的博客 197
上一篇: 打破Google编造的Andriod七大神话
下一篇: 在eclipse中查看sdk源代码的方法
lchstudy
博客等级 码龄20年 6粉丝 10原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值