博客 RSS 訂閱

rabbitcodeman 頭像

兔子碼農 - C# 的 Action 和 Func

Action 封裝一個沒有參數或 1 ～ 16 個參數且不返回值的方法。Func 封裝一個沒有參數或 1 ～ 16 個參數且有指定類型的返回值的方法。 public delegate void Action ( ); public delegate void Action ( T1 ～ T16 ); public delegate TResult Func out TResult ( ) wh

visual-studio

收藏 評論

u_17607032 頭像

Python灑灑水啦 - RocketMQ 的消息堆積問題如何解決？

一、先搞懂：消息堆積的核心原因 消息堆積本質是「生產速度 消費速度」，常見誘因： 消費端：消費線程數不足、業務邏輯耗時久、消費端故障 / 重啓、消費異常重試頻繁； 生產端：突發流量（如秒殺）導致消息量暴增； 集羣端：Broker 性能瓶頸（磁盤 IO / 網絡帶寬不足）、隊列數配置不合理、消息堆積閾值未監控。 二、應急處理：快

機器學習 , 業務邏輯 , 消息處理 , 人工智能 , JAVA

收藏 評論

u_17607032 頭像

Python灑灑水啦 - RocketMQ 介紹

RocketMQ 是阿里開源的分佈式消息中間件，基於 Java 開發，遵循 Apache 2.0 協議，主打高吞吐、低延遲、高可用，適配海量消息場景（如電商秒殺、交易對賬、日誌同步），也是阿里雲消息隊列 MQ 的開源版，廣泛應用於電商、金融、物流等企業級系統，兼容 Kafka/RabbitMQ 部分特性，同時適配微服務架構。 核心特性 高性能支持百萬

中間件 , 運維 , 數據可視化 , 人工智能 , JAVA

收藏 評論

wuyongyin 頭像

且行且碼 - Java 操作 Markdown(1)--commonmark-java 使用

commonmark-java 是一個用於解析和渲染 Markdown 文本的 Java 庫；本文主要介紹其基本使用，文中所使用到的軟件版本：Java 17.0.5、commonmark-java 0.25.1。 1、簡介 commonmark-java 可以用來解析抽象語法樹（AST），訪問和操作其節點，以及生成HTML 或Markdown。它最初是 commonmark.js 的移植版，但後來

後端

收藏 評論

u_17597808 頭像

有代理 - 短效動態ip是什麼？有哪些類型？

在數據採集、賬號運營等高頻網絡操作中，短效動態IP憑藉“高頻切換、臨時可用”的特性成為剛需工具。但多數人對其定義及分類認知模糊，本文將從基礎定義入手，拆解短效動態IP的核心類型，結合場景説明適配邏輯，幫你精準匹配使用需求。 一、什麼是短效動態IP？ 短效動態IP是指有效時長較短、到期自動更換的動態IP地址，核心特徵可概括為三點：一是時效性短，單IP存活期通常3-60分

雲計算 , ip , 自定義 , 雲服務 , 動態代理

收藏 評論

moshuying 頭像

墨抒穎 - RAG技術演進：從外部知識庫到智能體核心記憶系統

技術演進全景圖 檢索增強生成技術自2020年提出以來，經歷了明確的範式演進。以下時間軸概括了各核心範式出現的時間點與演進關係： timeline title RAG技術演進時間軸 2020 : 樸素RAG奠基 : 檢索-生成基礎架構 2022 : 語義增強RAG興起 : 向量檢索與多跳查詢 2023 : 多模態與圖RAG發展

人工智能 , Python

收藏 評論

huodadexiang 頭像

南瓜 - 基於深度學習的河道垃圾檢測系統設計（YOLOv8）

基於深度學習的河道垃圾檢測系統設計（YOLOv8） 一、研究背景：AI 如何參與河道環境治理？ 隨着城市化進程加快，河道、湖泊、水庫等水體中的塑料垃圾問題日益嚴峻。其中，塑料瓶因體積明顯、數量龐大、難以自然降解，已成為水環境污染治理中的重點對象。 傳統河道垃圾監測方式主要存在以下痛點： ❌ 人工巡查成本高、效率低 ❌ 監測結果主觀性強，難以量化 ❌ 無法實現實時、連續監控 ❌ 難以形成

機器學習 , 人工智能 , 深度學習

收藏 評論

huodadexiang 頭像

南瓜 - 從人工目檢到 AI 質檢-YOLOv8 驅動的 PCB 缺陷檢測系統【完整源碼】

從人工目檢到 AI 質檢-YOLOv8 驅動的 PCB 缺陷檢測系統【完整源碼】 一、項目背景與研究意義 在電子製造領域，PCB（Printed Circuit Board，印製電路板）缺陷檢測是保障產品質量的核心環節之一。傳統的人工目檢或規則算法存在以下問題： ❌ 效率低：人工檢測難以滿足大規模流水線需求 ❌ 一致性差：不同檢測人員經驗差異明顯 ❌ 規則泛化能力弱：傳統圖像算法難以應對

機器學習 , 人工智能 , 深度學習

收藏 評論

youqingyouyidejidan 頭像

底層邏輯探索 - 金融行業智能識別、覆蓋率高、低代碼配置數據分類分級最佳實踐與案例

一、概要 （提示：在強監管與高風險並存的金融行業，數據分類分級正在從合規要求演進為數據治理與業務創新的基礎能力。） 隨着金融行業全面邁入數字化深水區，數據已成為支撐交易處理、風險防控與客户服務的核心生產要素。但與數據價值同步放大的，是客户信息泄露、賬户濫用、數據越權等風險隱患。金融數據一旦失控，不僅影響單一機構，更可能引發系統性風險。在此背景下，數據分類分級不再是簡單的“貼標籤”工作，

深度學習

收藏 評論

lanyiyun666 頭像

藍易雲 - 藍易雲cdn:10個非常有用的Python庫，你知道幾個？

下面這 10 個 Python 庫，我不止“知道”，而且它們在做 span style="color:red"CDN平台/span、span style="color:red"控制枱/span、span style="color:red"自動化運維/span、span style="color:red"高併發接口/span 時，基本屬於“上了就回不去”的生產力工具🙂 10個非常有用的 Pyth

mariadb , 數據庫 , postgresql , sqlite , SQL

收藏 評論

lanyiyun666 頭像

藍易雲 - 藍易雲cdn:div+css詳解

藍易雲CDN：span style="color:red"div + CSS/span 一次講透（能直接落地）🙂 在控制枱、產品頁、活動海報頁裏，span style="color:red"div/span本質是“結構容器”，span style="color:red"CSS/span負責“視覺與交互”。把這兩者用對，你的頁面會同時具備：span style="color:red"信息層級清晰/

kubernetes , devops , serverless , Docker , apache

收藏 評論

deephub 頭像

deephub - CALM自編碼器：用連續向量替代離散token，生成效率提升4倍

過去這些年語言模型的效率優化基本圍繞着兩條主線展開：參數規模和注意力機制的複雜度。但有個更根本的問題一直被忽視，那就是自迴歸生成本身的代價。這種逐token生成的模式讓模型具備了強大的通用性，同時也帶來了難以迴避的計算開銷。 現在有一種思路值得關注：不去替換現有的優化手段，而是在上層加一個潛在空間的映射層，直接削減前向傳播的次數。 每次讓GPT-5寫封郵件模型都得一個token一個token地往外

llm , 人工智能 , 深度學習

收藏 評論

u_16391614 頭像

老艾的AI世界 - AI生成原創歌曲真的來了！支持19種語言，還能説唱，GenMel下載介紹

説起音樂創作，在以前是隻有懂樂理知識的科班人員才能涉足到的領域，並且需要一套專業的編曲設備，就是最普通音樂棚的造價也是一筆不菲的數字，況且，即使是最具天賦的音樂人才的靈感也是會枯竭的。在人工智能技術持續突破的今天，音樂創作領域也迎來了革命性的變革，據説火遍各大平台的神曲《跳樓機》就是藉助AI工具創作的，過去需要數月編曲、反覆調試樂器軌道的工作，如今只需一句話告知AI你的想法，一首

yyds乾貨盤點 , AI , 人工智能 , AI歌手 , 深度學習 , AI歌曲 , AI音樂

收藏 評論

lxlinux 頭像

良許 - 為什麼計算機需要操作系統？

大家好，我是良許。 前幾天我讀小學的侄子問我一個問題："叔叔，為什麼電腦需要操作系統？沒有操作系統不能用嗎？" 這個問題把我問住了，不是因為我不知道答案，而是我在想怎麼用最簡單的方式讓一個小學生聽懂。 作為一個做了十幾年嵌入式開發的程序員，我天天跟操作系統打交道，從單片機的裸機程序到Linux系統，各種操作系統我都用過。但要把這個問題講得通俗易懂，還真不容易。 今天我就用最簡單的方式，給大家講講為

後端

收藏 評論

znai 頭像

老艾的智能世界 - AI生成原創歌曲真的來了！支持19種語言，還能説唱，GenMel下載介紹

説起音樂創作，在以前是隻有懂樂理知識的科班人員才能涉足到的領域，並且需要一套專業的編曲設備，就是最普通音樂棚的造價也是一筆不菲的數字，況且，即使是最具天賦的音樂人才的靈感也是會枯竭的。在人工智能技術持續突破的今天，音樂創作領域也迎來了革命性的變革，據説火遍各大平台的神曲《跳樓機》就是藉助AI工具創作的，過去需要數月編曲、反覆調試樂器軌道的工作，如今只需一句話告知AI你的想法，一首旋律流暢、情緒遞進

AI

收藏 評論

wintersun 頭像

PetterLiu - ConTextTab一個語義感知的表格情境學習模型

概要 ConTextTab的核心設計哲學在於“兩全其美”——它旨在將大語言模型級別的深度語義理解和世界知識，無縫注入到一個高效、為表格數據原生設計的ICL框架中。其目標是創造一個既能理解數據“説什麼”（語義），又能高效處理數據“長什麼樣”（結構）的模型。另一個名字是SAP-RPT1-OSS ConTextTab(2506.10707)的核心目標，是將表格原生模型的高效性與大型語言模型（LLM）

AI

收藏 評論

u_16213620 頭像

mob64ca1401464d - HarmonyConnect之AT指令_鴻蒙社區的技術博客

功能説明 這個4G AT指令測試器包含以下功能： AT指令輸入：用户可以輸入任何AT指令 快捷按鈕：提供常用AT指令的快捷按鈕 指令發送：發送AT指令並獲取模擬響應 歷史記錄：顯示發送過的指令和響應 自動滾動：可選是否自動滾動到最新響應 歷史管理：可以清空歷史記錄

text , 自動滾動 , Css , 前端開發 , HTML , Json

收藏 評論

u_17609497 頭像

小小小趙02 - 一份關於 Gemini 如何輔助解決各項工作問題的實戰指南

在當今快節奏的工作環境中，AI 已不再僅僅是一個聊天機器人，而是進化成了能夠深度參與工作流的“數字副手”。作為 Google 開發的多模態 AI，Gemini 憑藉其對文本、代碼、圖像及視頻的強大處理能力，正成為職場人士提升效率的利器。 以下是一份關於 Gemini 如何輔助解決各項工作問題的實戰指南： 一、 信息處理與知識內化：告別“信息過載” 工作中常面臨海量的文檔、長郵件

數據 , google , 人工智能 , 深度學習 , 模態

收藏 評論

u_16213605 頭像

mob64ca13fd9f8e - bci測試如何整改_老劉工程師睡前故事-

BCI大電流注入測試是汽車電子產品認證的關鍵門檻，許多零部件在此環節反覆失敗。本文基於真實案例與測試數據，系統梳理BCI測試失敗根源、整改措施及驗證方法，並提供可複用的解決方案。 一、BCI測試失敗的核心原因 接地系統設計缺陷：PCB工作地與外殼地連接阻抗超過10mΩ，形成公共阻抗耦合。TVS管或ESD管接地路徑未連接至低阻抗GND平面，導致干擾電流注入時產

看門狗 , 引腳 , Css , 信號線 , 前端開發 , HTML

收藏 評論

u_16213688 頭像

mob64ca14116c53 - podman的host模式

（1）Set Controller To Host Flow Control Command 這個命令是Host用來開啓/關閉從Controller到Host的流控（ACL數據和(e)SCO數據），如果不使用這個命令，ACL數據和(e)SCO數據的流控一般來説默認都是開啓的（不確定，一般都不下這個命令）。 參數

參數説明 , data , 數據 , 雲計算 , 雲原生 , podman的host模式

收藏 評論

u_16213696 頭像

mob64ca14133dc6 - presto 新建用户

Adobe Premiere是Adobe家族的一款剪輯軟件，它給我的感覺就是入門快、功能強大，無論是對於新手還是專業人士，pr在大部分情況下都是很友好的。 今天我們就來快速入門一下，Pr這款視頻剪輯軟件 新建項目 左上角：文件-新建-項目(P) 選擇好「名稱」和「位置(存儲路徑)」後點確定了就可以，其它內容目前可以不用管它

關鍵幀 , adobe , presto 新建用户 , 雲計算 , 雲原生 , php.450 pr , 右鍵

收藏 評論

u_16213686 頭像

mob64ca1410eb61 - 多個from會生成多個鏡像嗎

上一期我們講了%格式化輸出，這次我們來講另外兩種格式化輸出方式： {}和format()、f-strings。 先來看{}和format()。 這種輸出方式的格式是這樣： print("輸出區".format(變量區)) 舉個小小的例子： #Program_35 print("我有{}只{

多個from會生成多個鏡像嗎 , 雲計算 , 賦值 , 格式化輸出 , 雲原生 , ci , Python

收藏 評論

u_16380863 頭像

未聞花名AI - 構建AI智能體：五十四、智能投資顧問的兩種實現：反應式與深思式實踐策略對比

一、項目介紹 前面幾篇內容重點討論了智能體的相關知識點，特別對反應式和深思式做了深入的探討，今天結合智能投資顧問的實例，繼續深入探討基於反應式與深思熟慮式兩種架構的實現方式，重點討論兩種架構的設計理念、技術實現和應用場景。 通過詳細的對比分析和實際案例展示，進一步揭示兩種架構在用户體驗、處理深度和商業價值方面的差異化優勢，同時為金融機構構建新一代智能投顧系統提供了全面

規則引擎 , 智能體 , 私藏項目實操分享 , pytorch , 響應時間 , 人工智能 , Json

收藏 評論

u_16213573 頭像

數據探索家 - mwavedemowisualize怎麼用

在vc中調用MATLAB產生的組建時，需要將vc中的參數轉換成mwArray格式。 對mwArray賦值，主要包括矩陣賦值和字符串賦值。 一.矩陣賦值 1mwArray 定義矩陣變量 mwArray A(rows, cols, type) 參數説明： A ： 變量名 rows：行數 col ：列數 type

機器學習 , 字符串 , 賦值 , bc , 人工智能

收藏 評論