Re: [笔记]类加载器

最新推荐文章于 2025-08-12 16:52:42 发布

最新推荐文章于 2025-08-12 16:52:42 发布 · 74 阅读

文章标签：

#[笔记]类加载器

此博客记录了关于类加载器的学习情况，目前处于正在学习的阶段，后续可能会有更多关于类加载器的知识分享。

正在学习中

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

real2000

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

大模型学习笔记五：RAG

谢白羽

03-04

2413

1、LLM 的知识不是实时的2、LLM 可能不知道你私有的领域/业务知识搭建过程：1、文档加载，并按一定条件切割成片段2、将切割的文本片段灌入检索引擎3、封装检索接口4、构建调用流程：Query -> 检索 -> Prompt -> LLM -> 回复1、文档加载2、文档切分3、向量化4、灌入向量数据库。

Windows的中心医院：Windows RE

weixin_47243498的博客

07-25

2228

Windows恢复环境（Window RE的全称为Windows Recovery Environment）。Windows RE是微软公司为Windows操作系统设计的一个恢复工具，其目的是为了在系统无法正常启动或运行时，帮助用户进行故障排除和系统恢复。Windows RE是基于Windows预安装环境（Windows PE）的基础上提供了一系列工具，用于修复启动问题、系统还原、数据恢复以及进行高级诊断和修复。

参与评论您还未登录，请先登录后发表或查看评论

Re：从零开始的html学习笔记（01）

kunnnnn_23的博客

05-24

1815

html学习笔记

学习笔记：尚硅谷Vue2基础篇

D_boj的博客

04-22

2170

通过B站尚硅谷学习，了解Vue2基本概述，以及基本使用。本章节主要了解选项式API以及组件化编程

Linux 可执行程序核心知识笔记：ELF、加载、虚拟地址与动态库

2201_75446108的博客

08-12

1196

本文深入解析了Linux可执行程序的运行机制，主要包含四个关键环节：1. ELF文件格式作为二进制程序的"骨架"，通过文件头、程序头表和节区表描述加载和链接信息；2. 程序加载过程将ELF段按需映射到虚拟地址空间，由内核完成地址空间重建和动态链接处理；3. 虚拟地址空间为进程提供独立的内存视角，按代码段、数据段、堆栈等区域分层布局；4. 动态库采用延迟绑定机制，在首次调用时才解析函数地址，通过PLT/GOT结构实现高效共享。这些机制相互配合，保证了Linux程序的高效安全运行，可通过re

L4RE 学习笔记——编程相关概念

一墨的博客

06-27

1453

1.Capabilities and NamingL4Re是一个基于细粒度访问控制及Capabilities （能力权限）的系统。通常来讲，拥有一个Capabilities（能力权限）意味着被允许同其代表的对象通信。所有用户可见的内核对象，如task,thread,IRQs等都只能通过能力权限来访问。能力权限存储在每个任务的能力权限表中，并且由选择器引用。简单的讲，选择器就是一个指向当前任务能力权...

huggingface 笔记：聊天模型

qq_40206371的博客

05-21

1143

在原来生成的chat的基础上，追加一条消息，并将其传入pipeline。

大模型学习笔记七：LLM应用

谢白羽

03-20

2741

1）管理一个 LLM 应用的全生命周期，需要用到以下工具：1、调试 Prompt 的 Playground2、测试/验证系统的相关指标3、数据集管理4、各种指标监控与统计：访问量、响应时长、Token费等等2）根据自己的技术栈，选择：1、LangFuse：开源平台，支持 LangChain 和原生 OpenAI API2、LangSmith: LangChain 的原始管理平台3、Prompt Flow：开源平台，支持 Semantic Kernel。

TensorFlow 学习笔记--基础文本分类

小陈的博客，持续学习中--

12-05

1778

官网的教程代码有一些问题：1.调用文件夹时，官网的调用方式有错。2.测试函数，vetorize_text()调用vectorize_layer 后没有返回值，3.模型编译时，metics少加了[]。4.最后新的数据要转为张量才能用来预测。这个笔记里代码里都改过来了

JVM 学习笔记 2 : 类加载器

走马观花

01-08

715

双亲委派模型的工作过程是：如果一个类加载器收到了类加载的请求，他首先不会自己去尝试加载这个类，而是将这个请求委派给自己的父类加载器，每一个层次的类加载器都是如此，因此所有的类加载请求最终都应该传送到最顶层的启动类加载器中，只有当父类加载器反馈自己无法完成这个类加载请求时，子类加载器才会尝试自己去完成加载。java.lang.ClassLoader类的getSystemClassLoader()方法返回的就是sum.misc.Lanucher类的loader属性即AppClassLoader对象。

re学习笔记（56）WUSTCTF – Re方向WP

12-21

在这个问题中，作者使用了IDA64（Interactive Disassembler）来加载64位ELF文件，并直接在main函数中找到了check函数。通过对check函数的分析，作者成功提取出了flag：`wctf2020{cpp_@nd_r3verse_@re_fun}`。这表明...

2023年Python正则表达式re模块简明笔记.docx

06-14

finditer函数的用法与findall类似，不同之处在于它返回的是一个迭代器，这样可以一次处理一个匹配对象，而不是一次性加载所有的结果到内存中。 split函数可以按照正则表达式定义的分隔符来分割字符串，并返回一个...

【嵌入式AIoT】系统架构与轻量化模型部署：面向智能家居与工业监测的边缘智能终端实战设计

12-21

内容概要：本文系统介绍了嵌入式AIoT应用场景的实战方法与实践路径，涵盖从场景选择、系统架构设计到AI模型部署、通信与数据管理的全流程。重点阐述了嵌入式系统与人工智能、物联网技术的融合，强调在资源受限环境下实现感知、分析与决策一体化的智能终端系统。文章详细解析了感知层、边缘计算层和云端服务层的协同机制，突出边缘侧数据处理与轻量化AI模型优化的重要性，并倡导以实际需求为导向，避免“为AI而AI”的设计误区。同时，强调系统稳定性、远程维护和长期运行能力的建设。; 适合人群：具备嵌入式系统基础、物联网或AI相关背景，有一定开发经验的工程师或工作1-3年的技术研发人员；适用于希望深入理解AIoT系统集成与实战落地的学习者。; 使用场景及目标：①智能家居、工业监测、智慧农业等分布式智能系统开发；②在算力、功耗受限的嵌入式设备上实现AI推理与边缘智能；③构建高效、可靠、可维护的端云协同AIoT系统。; 阅读建议：建议结合实际硬件平台进行项目化学习，边学边练，重点关注系统架构设计、模型优化与通信协议选型，注重整体系统思维的培养，而非仅关注单一技术点。

基于Python 的UART 文件传输工具

最新发布

12-21

基于Python 的UART 文件传输工具，基于Pyside6的GUI界面

C# 基于 Onnx 与 P2PNet 的人群检测与计数系统源码实现

12-21

基于C#编程语言与Onnx运行时环境，本文档详细阐述了一种利用P2PNet架构实现人群密度估计与个体计数的技术方案。该方案通过解析预训练模型，实现了对图像或视频流中人群分布的精准检测，并提供了可靠的计数功能。核心内容包括模型加载与推理流程的完整实现、数据处理管道的构建以及性能优化策略的探讨。本文旨在为相关领域的开发人员提供一个清晰、可复现的参考实现，着重于工程实践的严谨性与代码模块的可用性。所有实现代码均经过结构化组织与详细注释，以确保其易于理解与集成。资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！

Theoretical Machine Learning Notes (Princeton COS511)

12-21

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结（summarization）预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类根据数据配置(setting,是否有标签，可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...

食堂线上预约点餐系统_一个基于现代Web技术构建的面向学校企业及园区食堂的综合性数字化餐饮服务平台_该系统旨在通过线上化流程彻底革新传统食堂就餐模式_核心功能模块包括用户端小程序.zip

12-21

Unity STL文件读取插件：pb_Stl-master

12-21

Unity STL文件导入工具该工具为Unity引擎提供标准STL格式三维模型文件的导入功能，支持二进制与ASCII两种编码格式的解析。通过集成此插件，开发者可直接在Unity编辑器中加载由各类CAD软件或三维扫描设备生成的STL模型文件，无需借助第三方转换软件进行格式预处理。核心特性包括： 1. 完整几何数据解析：精确读取顶点坐标、法线向量及三角面片拓扑关系 2. 自适应材质分配：根据模型几何特征自动生成并配置基础材质球 3. 内存优化机制：采用流式加载技术处理大型STL文件，避免编辑器卡顿 4. 坐标系统转换：自动校正不同三维软件坐标系差异，确保模型方向一致性技术实现层面，插件通过托管DLL封装了经过优化的STL解析算法，在保证读取精度的同时维持了较高执行效率。导入后的模型将自动生成标准网格组件，支持Unity光照系统、碰撞体生成及导航网格烘焙等后续处理流程。该工具适用于机械设计展示、三维打印预览、工业仿真等需要频繁交换CAD数据的开发场景，显著简化了从工程设计到实时渲染的工作流程。资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！

（60页PPT）某省市某省市集活动策划方案63.pptx

12-21

（60页PPT）某省市某省市集活动策划方案63.pptx

掌握Python：从基础到面向对象及高级特性学习笔记

- 类和对象：掌握面向对象编程的基础，了解类的定义、对象的创建和实例属性。 - 继承：学习如何通过继承机制创建子类，继承父类的属性和方法。 - 封装：理解如何通过访问控制来封装对象内部状态，保护对象数据不...