性能优化-开发中的注意事项

C#游戏开发中的注意事项 主要内容包括: 性能优化:避免不必要的循环、减少字符串拼接、利用Unity生命周期函数、使用对象池。 内存管理:及时释放非托管资源、避免空引用异常、合理使用引用与值类型、防止内存泄漏。 异常处理:避免过度使用异常、采用防御性编程、记录和调试异常。 线程同步:使用线程同步机制、避免死锁、采用异步编程模式。 代码设计:遵循面向对象原则、避免重复代码、使用设计模式。 资源管理:合理加载资源、避免内存泄漏、使用资源池技术。 安全性:验证用户输入、加密敏感数据、防止调试与逆向工程。 阅读详情

一、前言

性能优化是一个持续的过程,好比我们身体,不能等生大病了才明白健康的重要,平时我们就该注意锻炼身体,保证一个健康的身体状况。对程序而言也是如此,平时开发的就要注意性能方面的问题,不能等到后期出现体验不好的时候再进行优化。对硬件而言,我们开发的程序的影响在两个方面:CPU和内存。下面就从这两个方面入手分享一些在开发中应该注意的事项。

二、内存

针对JVM而言,内存的管理由虚拟机帮我们完成,GC在回收内存的过程中可能会暂停当前的所有线程,然后进行内存回收,这样就可能造成UI显示丢帧,出现卡顿,如果再频繁的进行内存分配和回收,这样就有可能出现内存抖动。

如果我们开发中使用的对象得不到回收,造成内存泄漏,当内存泄漏达到一定数量后就可能会出现OOM,导致应用程序奔溃。

2.1 内存按需使用

2.1.1 图片的按需使用

开发中进程会使用图片,比如一张1024* 1024像素的图片,但是我们的控件只需要200*200像素大小。如果不做任何处理,将这张原始大小图片显示到控件上,将会消耗4M内存( 假设bitmap configuration ARGB_8888),在UI体验没有太大差别的情况下我们只需约0.153M的内存即可,而不是使用4M内存。

图片的按需使用需要改变inSampleSize,取合适值对图片进行压缩处理。当然我们也可以使用一些第三方的库,比如Glide、Picasso、Fresso,这些库已经从多级缓存的角度来处理了图片,保证UI显示过程中快速和高效的渲染。

2.1.2 切记在onDraw中new对象

在Android中,View的onDraw()方法复制绘制UI,若果View频繁的刷新,那么onDraw()方法会频繁的调用,如果在该方法中new 对象,那么产生很多短生命周期对象,可能因为频繁的内存申请和回收,造成内存抖动,从而影响体验。

2.2 使用经过优化的数据容器:SparseArray、SparseBooleanArray、SparseIntArray、SparseLongArray

上面的数据容器功能和HashMap一致,在了解这几个数据容器之前我们先简单来了解一下HashMap的基础使用:

    private fun testHashMap(){
        val hashMap = HashMap<Int,String>()
        hashMap[1] = "data1"
        hashMap[2] = "data2"
        hashMap[3] = "data3"
    }

上面示例已int作为key,String作为value,添加三个数据,下面了解public V put(K key, V value)实现。

    public V put(K key, V value) {
        return putVal(hash(key), key, value, false, true);
    }
    
    final V putVal(int hash, K key, V value, boolean onlyIfAbsent,
               boolean evict) {
    Node<K,V>[] tab; Node<K,V> p; int n, i;
    if ((tab = table) == null || (n = tab.length) == 0)
        n = (tab = resize()).length;
    if ((p = tab[i = (n - 1) & hash]) == null)
        tab[i] = newNode(hash, key, value, null);
    else {
        Node<K,V> e; K k;
        if (p.hash == hash &&
            ((k = p.key) == key || (key != null && key.equals(k))))
            e = p;
        else if (p instanceof TreeNode)
            e = ((TreeNode<K,V>)p).putTreeVal(this, tab, hash, key, value);
        else {
            for (int binCount = 0; ; ++binCount) {
                if ((e = p.next) == null) {
                    p.next = newNode(hash, key, value, null);
                    if (binCount >= TREEIFY_THRESHOLD - 1) // -1 for 1st
                        treeifyBin(tab, hash);
                    break;
                }
                if (e.hash == hash &&
                    ((k = e.key) == key || (key != null && key.equals(k))))
                    break;
                p = e;
            }
        }
        if (e != null) { // existing mapping for key
            V oldValue = e.value;
            if (!onlyIfAbsent || oldValue == null)
                e.value = value;
            afterNodeAccess(e);
            return oldValue;
        }
    }
    ++modCount;
    if (++size > threshold)
        resize();
    afterNodeInsertion(evict);
    return null;
}

Node<K,V> newNode(int hash, K key, V value, Node<K,V> next) {
    return new Node<>(hash, key, value, next);
}
static class Node<K,V> implements Map.Entry<K,V> {
    ...
}

put(K key, V value)的具体实现我们先不分析,单从上面的中我们可以看出,key和value最终会包装到Node对象中,总的来说每次调用put()方法,都会创建新的对象Map.Entry,这样造成一定的内存浪费,同时int是基本数据类型,使用中需要转为Intergr类型,存在自动装箱和拆箱,有一定的性能开销。因此针对上面的基本数据类型的自动装箱和拆箱以及创建新的Map.Entry,Android提供了新的容器SparseArray、SparseBooleanArray、SparseIntArray、SparseLongArray来避免这些问题。下面了解SparseArray这对这些问题是如何做优化处理。

public class SparseArray<E> implements Cloneable {
    private static final Object DELETED = new Object();
    private boolean mGarbage = false;

    private int[] mKeys;
    private Object[] mValues;
    private int mSize;
    
    ......
}

SparseArray直接使用int[]数组来存储int型的key,Object[]来存储value,就避免了int类型的key的自动拆箱和装箱以及创建Map.Entry实例来存储。针对value 类型是boolean,int,long基本类型的数据,还提供了SparseBooleanArray、SparseIntArray、SparseLongArray来避免boolean,int,long的自动拆箱和装箱。

public class SparseBooleanArrayimplements Cloneable {

    private int[] mKeys;
    private boolean[] mValues;
    private int mSize;
    
    ......
}
public class SparseIntArray implements Cloneable {

    private int[] mKeys;
    private int[] mValues;
    private int mSize;
    
    ......
}
public SparseLongArray implements Cloneable {
    private int[] mKeys;
    private long[] mValues;
    private int mSize;
    
    ......
}

注意:

虽然SparseArray做了基本数据类型的自动装箱和拆箱以及创建新的Map.Entry,但是因为内部采用数组来存储key和value,因此针对大量数据删除和查询操作有一定性能影响,内部的分二分查询效率会低于HashMap,同时删除数据后的数组位置移动,也会消耗一定的性能。

因此SparseArray、SparseBooleanArray、SparseIntArray、SparseLongArray适用于一下场景:

  1. int类型作为key的情况
  2. 数据量小于1000一下

在上述两个场景下才能发挥他们的优势,其他的情况建议使用HashMap

2.3 内存缓存

内存缓存的目的是为了减少频繁的分配和释放内存导致的内存抖动问题,达到一种空间换时间的效果。这个方案在资源读写中比较常见,在这种情况下一般会使用bbyte[]来存储每次读取的数据,这块的实现在okio中就有对应的实现,Segment中生命byte[8192]的内存空间,SegmentPool按照约定大小来缓存Segment,从而达到内存空间的复用。但是这种方案必须有大小限制,避免OOM问题。

2.3.1 单列的合理利用

单列能够保证我们的程序在整个运行期间只有一个实例,但它因此也会常驻内存,不容易被GC回收,在开发中如果满足以下场景,我们可以考虑使用单列:

  1. 需要频繁实例化然后销毁的对象
  2. 创建对象耗时过的或者消耗资源过多,但同时又经常用到
  3. 有状态的工具类对象

这里举个例子,网络框架OkHttp中的OkHttpClient,每个OkHttpClient对象都有自己的线程池和连接池,并且在开发会经常用到,因此就需要使用单列模式。

另外单列在使用过程只有一个对象,因此我们需要考虑线程同步问题。

2.3.2 线程池的使用

我们知道每次都new Thread 会有很大的性能开销,因此我们需要根据功能需求来使用线程池。
我们可以使用已经提供的几种方式来创建线程池:

  1. Executors.newCachedThreadPool
  2. Executors.newFixedThreadPool
  3. Executors.newSingleThreadExecutor
  4. Executors.newScheduledThreadPool

同时也可以用ThreadPoolExecutor相关的构造方法来创建线程。下面描述ThreadPoolExecutor的构造方法的参数含义,了解后可根据需要自行选择.

  • int corePoolSize 该池中核心线程数最大值
  • int maximumPoolSize 该线程池中线程总数最大值
  • long keepAliveTime 非核心线程闲置超时时长
  • TimeUnit keepAliveTime的单位
  • BlockingQueue workQueue 线程池中的任务队列
  • ThreadFactory threadFactory 创建线程的工厂
  • RejectedExecutionHandler handler 饱和策略

关于更多ThreadPoolExecutor的用法,可以参考网上其他文章。

三、CPU

CUP作为系统的运算和控制核心,程序在运行过程中,减少CPU的计算时间,能够让我们的程序快速的响应。

3.1 合理的布局

合理布局注意以下几点:

  1. 能实同等功能的情况下,选择消费性能少的布局:FrameLayout、LinearLayout
  2. 减少布局嵌套层级:布局层级越多,消耗的性能也就越大,可以使用RelativeLayout、ConstraintLayout减少嵌套层级
  3. 结合inclue,merge,ViewStub结合来提升布局重用、减少布局层级、延迟加载

3.2 合理使用数据结构

这里举个开发中的常用数据容器ArrayList和LinkedList,其他的根据需求来定。
这个两个List都能存储数据,完成数据的增、删操作,但使用过程中有一定的区别。ArrayList使用数组来存储数据,这种情况随机的访问就比较快,根据索引就得到对应的值,但是随机的增删就影响性能,因为需要做数组的复制和移动操作。而LinkedList采用的是列表结构,针对数据的随机增删只需要改变对应Node的上下应用关系即可。但是访问就比较耗时了,需要循环遍历,效率相对就要差一些。

Python与Web 开发 Python 在 Web 开发领域应用广泛,下面从常用框架、开发流程、优势以及一些注意事项几个方面详细介绍 Python 与 Web 开发。 阅读详情

相关推荐

手把手教你用DLP4500和海康相机搭建双目结构光系统(附完整代码获取路径)

本文详细介绍了如何利用DLP4500投影仪和海康工业相机搭建低成本双目结构光三维测量系统。从硬件选型、软件配置到结构光编码解码实现,再到三维重建全流程,提供了完整的实战指南和优化技巧,帮助用户以不到2万元的预算实现0.05mm精度的三维扫描。

weixin_32447969的博客 318

Android 内存优化-内存抖动★

1.内存抖动 内存抖动是Android性能优化中内存优化的一种情况。内存抖动主要是由于频繁的创建和销毁对象导致的。 在程序里,每创建一个对象,就会有一块内存分配给它。每分配一块内存,程序的可用内存也就少一块。当程序被占用的内存达到一定临界程度,垃圾回收器GC(Garbage Collector)就会出动,来释放掉一部分不再被使用的内存。 比如Android里的View.onDraw()方法在每次需要重绘的时候都会被调用,这就意味着,如果在 onDraw()里写了创建对象的代码,在界面频繁刷新的时候,就

zenmela2011的专栏 3069

手把手教你用AD9834 DDS模块DIY一个可调信号源(附AD原理图/PCB/程序)

本文详细介绍了如何使用AD9834 DDS模块DIY一个高精度可调信号源,涵盖硬件搭建、原理图解读、PCB优化和程序烧录等关键步骤。通过STM32控制实现0-10MHz频率范围输出,特别适合电子设计与射频实验,提供完整的AD原理图、PCB设计和程序代码参考。

weixin_31854867的博客 409

Android中关于在onDrow或者onMeasure中创建对象提示Avoid object allocations during draw/layout operations (prealloca...

     在实际开发中Android中自带的控件有时无法满足我们的需求,这时就需要我们重写控件来实现我们想要的功能。 还有个关于UI体验的问题,就是在onDraw()函数中最好不要去创建对象,否则就提示下面的警告信息:因为onDraw()调用频繁,不断进行创建和垃圾回收会影响UI显示的性能 例如: protected void onDraw(Canvas canvas) {   super...

weixin_34034261的博客 349

高杂合度基因组组装实战:Hifiasm参数调优与purge_dups过滤效果对比(附猪毛菜案例)

本文深入探讨了高杂合度基因组组装中Hifiasm参数调优与purge_dups过滤的实战效果对比,通过猪毛菜案例详细解析了两种方法的适用场景与优化策略。文章重点分析了purge_dups在contig过滤中的显著效果,为基因组组装提供了关键的技术参考。

weixin_29232121的博客 499

MinIO vs 华为云OBS:成本、性能与兼容性深度对比(含实测数据)

本文深度对比了开源对象存储MinIO与华为云OBS在成本、性能、兼容性及运维方面的核心差异。通过实测数据与全生命周期成本分析,为技术决策者提供选型依据。文章指出,MinIO在长期成本控制、性能深度优化及S3 API兼容性方面优势显著,而华为云OBS则提供开箱即用的便利性。

kmeans3miner的博客 597

Android性能优化

    前言:还记得之前做一个app,服务器在新加坡,国内访问新加坡的网速很慢,再加上测试机又是东南亚的低端机,导致开发的时候经常遇到app卡死的情况,因而开始重视Android性能优化,个人觉得Android性能优化主要有以下几方面:网络优化、内存优化、布局优化、线程控制、精简app大小,下面就跟大家分享一下我在这些方面所做的一些优化    1.网络优化:每次打开一个界面的时候我们可能会去请求服...

ShadowWalker的博客 323

(HAL)stm32f407+freertos通过usb驱动移远4G模块-EC600U

文章记录了stm32cubemx+stm32f407+freertos+usb host实现移远4G模块EC600U的usb驱动的调试过程,usb host cdc库的使用和遇到的问题及解决办法。

gongrulin的博客 3901

【Android渲染】在onDraw()中创建对象的隐形成本

熟悉Android自定义View的人大概都知道: 不要在onDraw里创建对象 大家在讲到这里,理由大概都是: onDraw()被调用快速高频 --> 快速频繁申请内存 —> 频繁GC–> 线程挂起 --> UI卡顿 当然,上面的理由重要且正确,没有什么可说的。因为它明显地写在了onDraw()里,你一看就能联想到这些内容,所见即所得。 今天聊一个容易被忽略(或完全不知道)的隐形成本: 我们重写onDraw()方法是为了自定义View,这时创建的对象很可能是与View绘制相

二手认知 1019

从零开始学 PyTorch 7天路线图(完整可运行代码版)

本文提供了5天PyTorch入门教程的完整代码,涵盖从基础到实战的核心内容。Day1测试环境并介绍张量基础;Day2讲解常用张量操作;Day3演示自动求导机制;Day4实现完整线性回归模型;Day5构建MNIST手写数字识别全连接网络。所有代码可直接运行,包含GPU检测、梯度计算、模型训练和可视化等关键环节,帮助新手快速掌握PyTorch核心概念和典型应用场景。

IT老农民的博客 315

【AI测试干货】软件测试 - 全流程提示词完整体系

本篇教程是一套专为软件测试工程师打造的 AI 协作提示词体系。从测试计划制定、用例设计、自动化脚本开发、缺陷管理,到测试报告生成,每个环节都提供了结构化的提示词模板,帮助测试人员高效利用 AI 提升工作质量。

blues_C的博客 359

Android自定义View---正式篇

本文转自 http://blog.youkuaiyun.com/jiangwei0910410003/article/details/42640665 稍有修改,感谢分享!考虑到篇幅和内容相关性,将其分为两篇文章,这里主要记录自定义View的具体使用 接上文 Android自定义View—前奏篇(Paint和Canvas的使用)自定义View的流程为: 创建一个继承自View的自定义类 当然也可以继承自任

classTC的博客 3240

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

Vue 开发中的技巧与注意事项:从入门到精通的全面指南

本文将全面总结 Vue 开发中的 **技巧、注意事项、最佳实践**,涵盖 **组件设计、状态管理、性能优化、代码规范** 等方面,助你从入门到精通 Vue 开发!

嗨,欢迎来到我的 优快云 博客小天地!一名深耕多年的技术发烧友。在这里,我将把日常工作中积累的宝贵经验,从复杂架构设计的精妙之处,到代码优化的实战技巧,毫无保留地分享给大家。 6038

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")

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

jsp开发技术应用的29个注意事项

[size=small]JSP技术使用Java编程语言编写类XML的tags和scriptlets,来封装产生动态网页的处理逻辑。网页还能通过tags和scriptlets访问存在于服务端的资源的应用逻辑。JSP将网页逻辑与网页设计和显示分离,支持可重用的基于组件的设计,使基于Web的应用程序的开发变得迅速和容易。下面来看jsp开发技术应用的29个注意事项。 1. 服务器端必须提供输入数据正...

大道至简 642

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

小程序开发技巧及注意事项

小程序开发技巧及注意事项

light86的专栏 464

AI 应用开发中的任务管理与性能优化

在 AI 应用开发中,任务管理与性能优化是确保系统高效运行的关键环节。本文通过分析实际场景,探讨了任务取消的原因、性能监控的方法以及优化策略。文章分为多个章节,详细讲解了任务管理、资源监控、性能优化等核心内容,并提供了实践示例和代码。通过本文,读者将能够掌握如何在 AI 应用中有效管理任务并优化系统性能,从而提升用户体验和系统稳定性。在 AI 应用开发中,任务管理与性能优化是确保系统高效运行的关键环节。随着 AI 技术的快速发展,应用复杂度不断增加,对系统的性能要求也越来越高。AI 应用通常涉及大量计算任务

加入“Super Entity”,与全能开发团队共探AI智能体与数字人项目,开启前沿技术之旅。 605

Linux开发注意事项。

在 Linux 开发过程中,有很多细节和注意事项需要特别关注。

zhibaijiang的博客 963

关于uni-app的实战开发注意事项

开发注意事项 关于vue 1、注意 如果使用老版的非自定义组件模式,即manifest中"usingComponents":false,部分模版语法不支持,但此模式已于2019年11月起下线。 2、data 必须声明为返回一个初始数据对象的函数;否则页面关闭时,数据不会自动销毁,再次打开该页面时,会显示上次数据。 3、class 支持的语法: <view :class="{ active: ...

RopeHuo的博客 678

Android开发者必知的内存、性能优化细节

process后面需要记住要有个":",这表示该进程属于你的app。一般情况下,一块基本的空进程需要的内存大小在1.4m左右。

2401_84004078的博客 911

【嵌入式开发】134

OLED(有机发光二极管)是近年来发展迅速的一种显示技术,被广泛应用于电视、显示器、嵌入式系统、可穿戴设备等多个领域。在嵌入式开发中,OLED以其自发光的特性、轻薄的设计、优秀的色彩表现和低功耗等优点,成为了众多开发者的首选显示方案。OLED由两层有机材料(发射层和传输层)夹在两个电极(阴极和阳极)之间构成。当电流通过OLED时,阴极注入电子,阳极注入空穴,它们在有机层中相遇并结合,释放出能量,这些能量激发有机材料中的分子发光。不同颜色的光可以通过使用不同的有机材料来实现。

宅男很神经 934

[转]Hibernate性能优化

有很多人认为Hibernate天生效率比较低,确实,在普遍情况下,需要将执行转换为SQL语句的 Hibernate的效率低于直接JDBC存取,然而,在经过比较好的性能优化之后,Hibernate的性能还是让人相当满意的,特别是应用二级缓存之 后,甚至可以获得比较不使用缓存的JDBC更好的性能,下面介绍一些通常的Hibernate的优化策略:     1.抓取 优化      抓取是指Hi...

xiangxingchina 171

开发过程中的注意事项,想到哪写到哪

Android编码规范 layout中的id命名:命名模式为:view缩写_模块名称_view的逻辑名称 view的缩写详情如下 LinearLayout:ll RelativeLayout:rl TextView:tv ImageView:iv ImageButton:ib Button:btn 服务端可以实现的,就不要放在客户端 Android性能优化 图片尽量分拆成多个可...

weixin_33978016的博客 76

Android开发者必知的内存、性能优化细节(1)

这次面试问的还是还是有难度的,要求当场写代码并且运行,也是很考察面试者写代码因为Android知识体系比较庞大和复杂的,涉及到计算机知识领域的方方面面。在这里我和身边一些朋友特意整理了一份快速进阶为Android高级工程师的系统且全面的学习资料。涵盖了Android初级——Android高级架构师进阶必备的一些学习技能。

2401_84010901的博客 1100
上一篇: 运用弹簧物理学原理为图形运动添加动画
下一篇: 协程-Android端使用场景入门
mrRuby
博客等级 码龄11年 20粉丝 63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