BravestSnail's Blog

基本原理分析对象动态作用域，当一个对象在方法里面被定义后，它可能被外部方法所引用，例如作为调用参数传递到其他方法中，这种称为方法逃逸；甚至还有可能被外部线程访 问到，譬如赋值给可以在其他线程中访问的实例变量，这种称为线程逃逸；从不逃逸、方法逃逸到线程逃逸，称为对象由低到高的不同逃逸程度。 栈上分配如果确定一个对象不会逃逸出线程之外，可以对这个对象进行栈上分配。当然，这里给您提供另一个使用Java栈上分配的示例： 假设我们有一个方法，它需要创建大量的String对象并对它们进行操作。在常规情况下，每次创建String对象时都会在堆上分配内存，这可能会导致性能问题。 为了避免这种情况，我们可以使用Java栈上分配技术来优化代码。具体做法是将StringBuilder对象声明为局部变量，并在该对象上执行操作，最终将其转换为String对象并返回。以下是示例代码： 1234567public String buildString(int count) { StringBuilder builder = new StringBuilder(); for (int i...

封装变化的代码找出应用中可能需要变化之处，把它们独立出来，不要和那些不需要变化的代码混在一起。针对接口编程，而不是针对实现编程。 多用组合，少用继承使用组合建立系统具有很大的弹性，不仅可以将算法族封装成类，更可以在运行时动态的改变行为，只要组合的行为对象，符合正确的接口标准

计划 ASM架构 Class结构 解析类 生成类 转换类 移除类成员 添加类成员 转换链 类分析工具 方法结构 生成方法 转换方法 无状态转换 有状态转换 方法分析工具 参考资料 ASM4-guide

菜鸟教程 文件权限管理 文件目录管理 磁盘管理 文件的打包和压缩 vim基础 Bash 正则表达式 Shell Scripts

Dialog Toast RecyclerView

要使用PyTorch训练文章分类AI，需要执行以下步骤： 准备数据集：首先要准备一个由多篇文章组成的数据集，每篇文章都带有它所属的分类标签，例如“科技”、“娱乐”、“体育”等等。数据集需要分为训练集、验证集和测试集。 数据预处理：对数据集进行处理，例如对文本进行分词、去除标点符号、停用词，将词汇转化为数值表示等等。 定义模型结构：使用PyTorch定义模型结构，例如使用卷积神经网络（CNN）或循环神经网络（RNN）等。 训练模型：使用训练集对模型进行训练，通过反向传播算法更新权重和偏差参数。 模型评估：使用验证集评估模型的性能，例如计算准确率、召回率和F1得分。 模型应用：使用测试集来测试模型的性能，例如使用一篇新的文章来测试模型对其分类的准确性。 以下是一个简单的PyTorch代码示例，用于训练文章分类AI： 123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960import...

正则表达式学习 正则表达式笔记

策略模式 观察者模式 装饰模式

策略模式对于类行为的处理，过去我们是将其抽象成一个接口，有相同行为的类实现同样的接口。这样做产生了一个问题，假设有一天你需要对行为作出修改，你需要对所有实现行为接口的类作出改变。 对此，我们应该将行为从类中剥离出来，抽象出单独的Behavior类去实现接口，在类中去依赖Behavior类即可。 这样即使我们需要新的行为实现，只需要替换Behavior类即可，不需要影响类本身的代码。 flowchart LR s([开始])-->f1{if条件} f1-->|true|n1[if语句块]-->e([结束]) f1-->|false|f2{else if条件} f2-->|true|n2[else if语句块]-->e f2-->|false|n3[else语句块]-->e 装饰模式开闭原则类应该对扩展开放，对修改关闭。