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
500+累计阅读
570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
之前一直使用的是assign，今天调试一段代码的时候，发现程序会crash掉，报错EXC_BAD_ACCESS
经过一番研究，发现如果使用
@property (nonatomic, assign, readwrite) id delegate;
声明一个delegate，那么即便delegate指向的对象销毁了，delegate中依然会保存之前对象的地址
即，delegate成为了一个野指针...
而使用weak，则不会有上述问题，当delegate指向的对象销毁后，delegate = nil
--------------------------------------------
所以答案就是，使用weak。
Windows 10/11 注册表 ProfileImagePath 误改修复：3步恢复用户登录与数据安全
本文详细介绍了Windows 10/11系统中因误改注册表ProfileImagePath键值导致用户无法登录的修复方法。通过3个关键步骤，包括定位SID、安全修复注册表项及验证处理，帮助用户恢复登录并保障数据安全。特别强调了操作顺序的重要性以避免数据丢失，适用于各类Windows用户账户登录错误的紧急处理。
iOS中delegate代理对象使用weak和assign哪个
之前不停应用的是assign，本日调试一段代码的时间，发明顺序会crash失落，报错EXC_BAD_ACCESS 经由一番研讨，发明若是应用 @property (nonatomic, assign, readwrite) id delegate; 声明一个delegate之前一直使用的是assign，今天调试一段代码的时候，发现程序会crash掉，报错EXC_BAD_ACCESS
从逻辑门到RISC-V指令：ALU设计实战与Verilog实现
本文详细介绍了从逻辑门到RISC-V指令集的ALU设计实战与Verilog实现方法。通过构建1位ALU并扩展至64位，深入解析了RISC-V指令集的算术逻辑单元实现技巧，包括加法器设计、零标志检测和溢出检测等关键功能。文章还分享了Verilog代码优化、流水线设计和常见问题调试的实用经验，为开发者提供了一套完整的ALU设计解决方案。
iOS 关于修饰代理用weak还是assign, strong
最近在网上看博客，看到有的代理用weak、assign、strong修饰。 对于weak: 指明该对象并不负责保持delegate这个对象，delegate这个对象的销毁由外部控制。 对于strong：该对象强引用delegate，外界不能销毁delegate对象，会导致循环引用(Retain Cycles) 对于assing：也有weak的功效。但是网上有assign是指针赋值，不对引用计
北斗B1频点信号捕获实战：如何应对NH码跳变带来的挑战？
本文深入探讨了北斗B1频点信号捕获中NH码跳变带来的核心挑战。针对NH码以1kHz速率调制导致的相干积分中断和相关峰畸变问题，文章提出并详细解析了一种基于伪码与多普勒频率分离技术的优化捕获方案。该方案通过差分处理消除NH跳变影响，并利用匹配滤波器与FFT分别进行码相位和多普勒频率的快速估计，有效提升了弱信号环境下的捕获灵敏度和稳定性，为北斗接收机设计提供了实用的工程参考。
安卓ai自动化脚本 Yyds.Auto实现 示例 纯ai图像识别自动点击脚本
纯ai识别实现自动化脚本
IOS:代理delegate为什么要用assign或者weak
最近很多朋友问我代理为什么要用assign或者weak,很多人都知道是为了避免循环引用，但问其实质却并不了解。下面是我开发过程中对代理为什么要用assign或者weak的一些个人看法： 首先要明白内存管理，最主要的一点就是知道IOS的内存管理机制，就是任何对象里都有一个retainCount属性，一旦retainCount=0，那么该对象就会自动销毁，而strong或者iOS以前的retain，
Voxel Hashing技术解析：如何解决TSDF内存爆炸问题？
本文深入解析Voxel Hashing技术如何有效解决TSDF内存爆炸问题。通过动态内存分配和空间哈希函数设计，该技术将内存占用降低96.6%，同时保持高精度重建。文章详细介绍了GPU加速实现、现代系统演进及实践指南，为实时3D重建提供工程解决方案。
OC基础面试题
1.iOS中delegate代理对象使用weak 之前不停的使用assign，今天在调试一段的时候，发现使用assgin的时候程序会crash，报错EXC_BAD_ACCESS， 经过一番研讨，发明如果应用 @property (nonatomic, assign, readwrite) id delegate;，用assign声明一个delegate，那么即便代理指向的对象销毁...
FDTD Script命令学习-farfield3d/farfieldux/farfielduy
介绍了farfield3d/farfieldux/farfielduy命令功能，及不同应用语法和参数介绍，以及对官网示例进行介绍。
Qt应用软件【协议篇】自定义协议处理串口半包贴包
Qt串口数据，半包，贴包，丢包数据处理
关于IOS delegate的weak和assign 探讨
在使用IOS的别人写的SDK时，发现定义的delegate都是assign修饰的，相信很多人也会和我一样刚开始表示很不解。 1、delegate为什么用weak来修饰？ 2、delegate用assign修饰怎么办？
STM32实现等精度测频
上一章介绍了利用STM32的TIM的捕获功能实现频率测量的方法，但测量误差受被测信号频率的影响，不适合测量频率变化较大的。本章将介绍等精度测频的方法以及STM32的实现。STM3...
iOS中delegate代理对象使用weak
之前不停应用的是assign，本日调试一段代码的时间，发明顺序会crash失落，报错EXC_BAD_ACCESS 经由一番研讨，发明若是应用 @property (nonatomic, assign, readwrite) id delegate; 声明一个delegate，那末即] 之前一直使用的是assign，今天调试一段代码的时候，发现程序会crash掉，报错EXC_BAD_
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")
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
ios什么情况使用weak关键字，相比assign有什么不同?
都是用于修饰对象引用的关键字，但它们的用途和行为有显著区别。也可用于对象类型（如 Objective-C 中），但。，可能导致悬垂指针（Dangling Pointer）。），需手动管理生命周期，避免访问已释放对象。指针仍指向原地址（悬垂指针），访问会崩溃。，因为视图层级本身已由父视图强持有。在 iOS/macOS 开发中，，且在对象被释放时自动置为。当两个对象互相强引用时（如。：不能用于基本数据类型（如。）不应强持有委托对象（如。），需将其中一方改为。：需开发者手动处理。
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
iOS关键词weak和assign的区别
一、区别 首先说说在什么情况下使用 weak 关键字 1、ARC中，在有可能出现循环引用的时候，往往要通过让其中一端使用weak来解决，比如：delegate 的代理属性。 2、自身已经对它有过一次强引用，所以没有必要再强引用一次。这个时候也会使用weak；还有就是自定义IBOutlet控件属性一般也使用weak，一般情况也可以使用strong。 那么weak和assign有什...
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
iOS中 assign 和 weak 修饰符的区别
一、区别 assign 与 weak，它们都是弱引用声明类型，最大的区别在那呢？ 如果用 weak 声明的变量在栈中就会自动清空，赋值为 nil。 如果用 assign 声明的变量在栈中可能不会自动赋值为 nil，就会造成野指针错误！ 二、实例 他们常用在基本类型属性，比如 BOOL，int 等，还有就是 delegate。 在使用 delegate 时，需要注
iOS中assign和weak的区别
一、区别 assign与weak，它们都是弱引用声明类型，最大的区别在那呢？ 如果用weak声明的变量在栈中就会自动清空，赋值为nil。 如果用assign声明的变量在栈中可能不会自动赋值为nil，就会造成野指针错误！ 二、实例 他们常用在基本类型属性，比如BOOL，int等，还有就是delegate。 在使用delegate时，需要注意，非ARC时
iOS中assign和weak修饰符的区别
assign与weak，它们都是弱引用声明类型，最大的区别在那呢？ 如果用weak声明的变量在栈中就会自动清空，赋值为nil。 如果用assign声明的变量在栈中可能不会自动赋值为nil，就会造成野指针错误！
ios开发中ARC下的assign和weak区别
在ARC中的assign和weak可以说非常相像，导致有很多人误以为他们是一摸一样的，在任何时候都可以划等价，但事实却不是这样。 id类型的delegate属性到底是用assign还是weak @property (weak, nonatomic) id<AnyDelegate> delegate; @property (assign, nonatomic) id<AnyDelegate> delegate; 大家众说纷纭，说都可以的，说assign的，说weak..
iOS开发-修饰代理delegate用weak还是assign？
1.对于strong：该对象强引用delegate，外界不能销毁delegate对象，会导致循环引用(Retain Cycles)2.对于assing：assign是指针赋值，不对引用计数操作，使用之后如果没有置为nil，可能就会产生野指针。@property (nonatomic, assign, readwrite) id delegate;即便delegate指向的对象销毁了，delegate
delegate 为什么用 weak assign 修饰
我们平常在写一个ViewController时，经常会把属性设为strong，如 @property (nonatomic, strong) UITableView * tableView; @property (nonatomic, strong) NSMutableArray * datasource; @property (nonatomic, strong) NWListVie
【iOS】weak和assign的区别
一、区别 1.修饰变量类型的区别 weak 只可以修饰对象。如果修饰基本数据类型，编译器会报错-“Property with ‘weak’ attribute must be of object type”。 assign 可修饰对象，和基本数据类型。当需要修饰对象类型时，MRC时代使用unsafe_unretained。当然，unsafe_unretained也可能产生野指针，所以它名字是"unsafe_”。 2.是否产生野指针的区别 weak 不会产生野指针问题。因为weak修饰的对象释放后（引用计数器
iOS 中利用strong,copy,assign,weak修饰变量的异同点
ARC中以下内容摘自博客http://blog.youkuaiyun.com/liushuo19920327/article/details/51465318在iOS开发中定义@property属性时，经常用到assign、weak、strong、copy等关键字。我们经常会考虑在何时应该使用哪个关键字，尤其是在面试的时候，经常会被问到这些关键字之间的区别，下面详细和大家探讨一下：assign：用于对基本数据类
用assgin，和用weak修饰delegate的区别
MRC中使用 assgin 修饰代理，ARC中推荐使用weak 修饰代理assign是指针赋值，不对引用计数进行操作，如果使用完毕以后，不把其置为nil，就有可能产生野指针，这时候如果操作就会crash(很容易产生野指针错误: EXC_BAD_ACCESS)； 而weak修饰的对象销毁了就会将指针置为nil，所以ARC中代理对象使用weak修饰更安全。如果ARC中使用了assign修饰了代理对象，
delegate的内存管理属性是weak还是assign
delegate的内存管理属性是weak还是assign ARC引入strong和weak两个内存管理属性（以及__strong, __weak, __unsafe_unretained, __autoreleasing四个变量生命期qualifier）之后，对象的delegate成员变量就面临着对内存管理属性的选择：weak or assign 众所周知，weak属性的
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
403
扫一扫
