- 综合排序
- 最热优先
- 最新优先
- 来自专栏算法学习日常
求阶乘（优化版）
明天考试，今天复习，复习编程题时想到了一种较 原本求阶乘的方式 好的求阶乘办法：因为一个数的阶乘=该数 x（该数-1）的阶乘，所以把每次阶乘的结果用数组记录下来，后续求更大的数的阶乘时，可以直接运用已求出的阶乘 ，避免重复计算 具体代码如下： //优化版阶乘：增加了存储阶乘的功能，减少重复计算的部分 int jie_cheng(int i,int a[]) { if (a[i-1] !
34410编辑于 2024-03-25 - 来自专栏小徐学爬虫
Java使用Selenium反爬虫优化方案
当我们爬取大站的时候，就得需要对抗反爬虫机制的场景，因为项目要求使用Java和Selenium。Selenium通常用于模拟用户操作，但效率较低，所以需要我们结合其他技术来实现高效。 在 Java 中使用 Selenium 进行高效反爬虫对抗时，需结合特征隐藏、行为模拟、代理管理及验证码处理等策略，以下为系统性优化方案及代码实现：一、特征隐藏：消除自动化痕迹Selenium 暴露的 最佳实践总结策略适用场景关键优势JS 特征重写所有基于检测的网站根本性绕过自动化标志随机行为模拟行为分析型反爬（如鼠标轨迹监测）大幅降低行为规律性动态代理池IP 高频访问封禁场景分散请求源，避免黑名单Cookie -------^通过组合使用特征隐藏（JS 重写 + 启动参数）、行为模拟（随机延迟 + 鼠标移动）、资源管理（动态代理 + Cookie 复用），可显著提升 Selenium 在 Java 环境中的反爬能力
68610编辑于 2025-06-11 - 来自专栏V站
SEO丨为什么要反链优化？
反链即反向链接，又叫导入链接（Backlinks），是指一个页面指向另一个页面，简单的说就是 A 网页有一个链接指向 B 网页，那么 A 网页上的链接就是 B 网页的反向链接，站外链接和站内链接统称为反链 反链的第一点作用：反链的作用是用来提升你网站的等级的，在各个搜索引擎算法里面基本都有一条算法，你网站的反链越多你网站的等级也就越高，从而你就有优先获得排名的好处，也就是为什么你的排名一直在第二三页徘徊的原因所在 ，因为网站的反链不能够支持起你网站去首页。 其实这就是你网站等级不够，不能触发搜索引擎的算法从而来提升你网站的等级，也就是说你网站的反链太少了。 一个网站的外链数量越多和外链质量越高，那么在搜索引擎眼里说明这个网站越有权威性，从而网站的关键词排名也都会更好，流量自然越多，同时外链讲究数量也更讲究质量，外链做的太杂会稀释关键词排名而无法达到很好的效果，所以子凡从最开始 SEO 优化就曾在交换链接时网站相关性越高的越好
1.1K40发布于 2018-06-08 - 来自专栏网络百科
【SEO优化】在SEO优化中，反链是什么意思？
在做网站SEO优化的时候，有些SEO人员怎么优化网站都排不到搜索引擎的首页，文章每天都有发，而且都被收录了，外链也正常发，就是排名没有变化，这是为什么呢？其实，就是SEO人员都忽略了反链的作用。 反链是什么呢？ 反链就是指其它的网站指向自己网站的链接，这都包括友情链接，单向链接等等，也就是其它网站只链接自己的网站，但自己的网站不链接其它网站。 外链和反链有区别吗？ 外链和反链的最大区别就在于反链的要求会比较高，必须要在其它的网站上有自己网站的指定链接，就像友情链接一样，而这样的链接才能算是反链。 反链有什么作用 反链的第一个作用就是可以提升网站的等级，在搜索引擎的算法里，有一条法则就是，网站的反链越多，网站的等级也就会越高，最终会导致网站的排名也就会越好，这也就是为什么网站排名一直不稳定的原因所在 ，因为网站中的反链数量无法支持网站排在搜索引擎的首页。
2.9K20编辑于 2023-03-23 - 来自专栏labuladong的算法专栏
谁能想到，求最值的算法还能优化？
接下来，我们想办法优化这两个算法，使这两个算法只需要固定的1.5n次比较。 最大值和最小值 为啥一般的解法还能优化呢？肯定是因为没有充分利用信息，存在冗余计算。 对于第一个求最大值和最小值的问题的分治算法和这道题基本一样，只是最后合并子问题答案的部分不同，而且更简单，读者可以尝试写一下第一题的分治解法。 如果可以利用分治解决问题，复杂度一般可以优化，比如以上两个问题，分治法复杂度都是1.5n，比一般解法要好。 其次，对于同时求最大值最小值的那个问题，怎么想到一次前进 2 步的呢？ 如果你能明白这个递归关系（归纳假设），就有可能想到每次前进 2 步的优化解法。 归纳假设是可以随意加强、减弱的，现在我们是假设已知f(n-1)去求f(n)，那么不妨试试假设已知f(n-2)或f(n-3)去求f(n)？
1.2K20发布于 2021-09-23 - 来自专栏算法学习日常
求斐波那契数列数列（优化版）
期末考试复习，复习编程题时想到了一种较 原本求斐波那契数列的方式 好的求阶乘办法：因为一个数的斐波那契数列=（该数-1）的斐波那契数列 +（该数-2）的斐波那契数列 ，所以把每次斐波那契数列 的结果用数组记录下来 ，后续求 更大的数的斐波那契数列 时，可以直接运用 已求出的斐波那契数列 ，避免重复计算 具体代码如下： //斐波那契数列优化版（与阶乘类似） int fbnq(int i, int a[]) {
28110编辑于 2024-03-25 - 来自专栏shysh95
Flink Sink的反压优化（Sink异步化）
Hi~朋友，关注置顶防止错过消息 背景 原因分析定位 优化思路 实现方案 SinkTaskProcessor AbstractAsyncRichSinkFunction AsyncSinkTaskRunnable 我们有一个场景是基于阿里的SLS进行消费，对一些监控指标进行清洗和采集，存入后面的TSDB，在第一次上线以后，系统正常运作无异常，随着指标数量的增加， 有一天收到了SLS消费延迟的告警，于是有了今天关于Sink的异步优化 已经推测大概率是最后的Sink问题，因为最后的Sink需要通过网络与TSDB交互 在整个流程加入日志，进行最终问题确认，最终确认了是由于Sink处理缓慢，处理速率远远低于Source生产的速率，形成了反压现象 （需要对上游进行限速） 优化思路 原来的Sink是收到一条数据，就请求TSDB接口进行数据写入，所有接口都是同步顺序执行，因此需要将Sink中的处理逻辑改为异步操作。 ，Checkpoint就可以执行了 调用getNumberWaiting方法，如果小于等于0，说明Checkpoint没有触发，此时线程继续下一轮循环去数据缓存队列尝试取数据进行消费 源码 Sink反压优化的源码
1.1K20编辑于 2022-10-31 - 来自专栏余生大大
求m的n次方（优化时间复杂度）
面试官眉头紧皱： 看面试官的意思是对卷哥解法的时间复杂度不太满意，卷哥想了15分钟没想出来； 卷哥：卒 题解 正常循环求m的n次方，时间复杂度为O(n)。 上面我们是固定的两个值缩减，效率固定了就是O(n/2)，我们再分析一下：求平方的m值是固定的，那我们能不能不固定两个值缩减，反正值固定，每一次平方后n/2这样对数的算法效率就很快了。
1.1K40编辑于 2022-11-02 - 来自专栏AI深度学习求索
实验artifacts优化：生成图片反卷积与棋盘伪影
反卷积&重叠 使用神经网络生成图像时，经常使用反卷积操作从低分辨率与高阶描述构建图像。这会让网络先描绘粗糙的图像，再填充细节。 大致来说，反卷积层允许模型使用小图像中的每个点来“绘制”更大图像中的方块。但是反卷积很容易由于“不均匀重叠”，使图像中的某个部位的颜色比其他部位更深（Gauthier, 2015）。 例如，在一个维度中，一个步长为2，大小为3的反卷积的输出是其输入的两倍，但在二维中，输出是输入的4倍。 神经网络通常使用多层反卷积，从一系列较低分辨率的描述中迭代建立更大的图像。 虽然这些堆栈的反卷积可以消除棋盘效应，但它们经常混合，在更多尺度上产生棋盘效应。 ? 步长为1的反卷积层——通常被认为是成功的模型中的最后一层（eg. 解决方法： 1）确保反卷积核的大小可以被步长整除，从而避免重叠问题。
3.6K20发布于 2018-12-11 - 来自专栏mythsman的个人博客
从一个诡异的问题看JVM动态反优化
，程序运行的环境会发生变化，如果继续保留之前动态优化的代码则会无法起作用甚至可能会出现错误，此时就需要卸载之前做的优化，这就是**“动态反优化（Dynamic Deoptimization）”**。 显然，我们并不希望jvm经常进行动态反优化，但是其实正常情况下，相比于程序逻辑的执行时间，这点反优化造成影响还是微不足道的。 那么显然，test_1,test_5在运行的时候一定是受到了JVM的动态优化，而test_2,test_4在执行的时候则受到了动态反优化，回归了正常而无用的计算。这里主要用到了两种优化逻辑。 最后，在test_2和test_4中，由于环境中存在着Operator类的不同实例，因此单形调用变换失效，内联代码被重新动态反优化成了函数调用。 那么，有什么方法能够让我们尽量避免编译优化与编译反优化对我们的基准测试的影响呢？
37120编辑于 2022-11-14 - 来自专栏全栈程序员必看
【C语言】输入两个正整数m和n，求其最大公约数和最小公倍数。（要求用while语句实现）[通俗易懂]
（要求用while语句实现） 一、最大公约数求法 （1）辗转相除法 （2）相减法 二、求最小公倍数算法 一、最大公约数求法 （1）辗转相除法 设有两整数a和b： ① a%b得余数c ② 若c==0 例如求27和15的最大公约数过程为： 27÷15 余12 15÷12 余3 12÷3 余0 因此，3即为最大公约数。 例如求27和15的最大公约数过程为： 27－15＝12( 15>12 ) 15－12＝3( 12>3 ) 12－3＝9( 9>3 ) 9－3＝6( 6>3 ) 6－3＝3( 3==3 ) 因此 二、求最小公倍数算法 最小公倍数=两整数的乘积÷最大公约数 代码如下： #include <stdio.h> int main() { int m,n,max,min,b,c; printf
3.7K20编辑于 2022-08-29 - 来自专栏不正经的技术
网站优化之自建CDN：通过Nginx反代自建CDN节点加速网站
前言 如果你的源站服务器在国外，又不想用cdn（因为太贵了）使用反代是一个比较好的选择。 (´∇ﾉ｀*)ノ 正文 假设：源站域名fsacg.cn 源站ip111.111.111 反代服务器ip 000.000.000 首先我们需要新购一台服务器，要线路好，速度快，不需要配置多高。 因为这里我们用宝塔自带的反代功能，比较方便。 安装宝塔再安装ningx，其他的都不需要安装。然后点击添加网站，绑定你源站域名，再点击反向代理→添加反向代理。代理昵称随便填，目标url填写你源站网址。 最后我们去源站域名控制台把A解析记录值修改为反代服务器ip就可以了。等待生效。 验证反代是否成功，可以对源站域名ping，看看返回的ip是不是反代服务器的。
27.3K40编辑于 2022-03-22 - 来自专栏三太子敖丙
在线求CR，你觉得我这段Java代码还有优化的空间吗？
还有人给出了一些优化的建议。那么，这是怎样的一段代码呢？涉及到哪些知识，又有哪些可以优化的点呢？ 让我们来看一下。 背景 先说一下背景，也就是要知道我们单元测试要测的这个方法具体是什么样的功能。 优化点 以上代码涉及到了很多知识点，但是，难道就没有什么优化点了吗？ 首先说一下，其实单元测试的代码对性能、稳定性之类的要求并不高，所谓的优化点，也并不是必要的。 这里只是说讨论下，如果真的是要做到精益求精，还有什么点可以优化呢？ 优化的方法也比较简单，那就是在每一个update方法被调用之前都wait一下，直到所有的子线程都创建成功了，再开始一起执行。 但是还是想问一下，对于这部分代码，你觉得还有什么可以优化的地方吗？
1.2K30发布于 2021-07-27 - 来自专栏杨建荣的学习笔记
MySQL反连接的优化总结（r10笔记第51天）
因为MySQL里面的优化改进空间相比Oracle还是少很多，我决定循序渐进来尝试优化。 `login_account`)))))) | 是否是因为子查询中的数据量太大导致整个反连接的查询过程中回表太慢，那我缩小一下子查询的数据条数。 在反连接的查询中，在这个问题场景中，需要对子查询的表添加一个索引基于login_account，可以和外层的查询字段映射，提高查询效率。
86170发布于 2018-03-20 Hadoop面试必备：10亿条数据求TopN的MapReduce优化思路详解
10亿条数据求TopN的挑战 在处理10亿条数据求TopN的问题时，我们面临着多重技术挑战，这些挑战直接考验着分布式计算框架的性能极限和工程师的优化能力。 当面对10亿级数据求TopN的场景时，Combiner组件的引入能够显著优化这一过程。 TreeMap堆排序的实现与优化 在MapReduce框架中处理10亿级数据求TopN问题时，TreeMap堆排序技术因其高效的内存管理和排序性能成为核心优化手段。 但该技术存在明显的应用边界：首先，对于求中位数、方差等非幂等运算，局部聚合会破坏全局结果的准确性；其次，当数据分布极度倾斜时（如某个map任务处理80%的热点数据），Combiner的优化效果会被弱化。 极端场景的预判思维（当N值超过单机内存容量时，需引入二次分片机制） 有开发者曾在实际测试中发现：在1亿条日志数据中求Top100时，未优化版本的MapReduce作业耗时218秒，而采用Combiner
38810编辑于 2025-08-27- 来自专栏愿天堂没有BUG（公众号同名）
这次我们来学习深入解析java虚拟机：C2编译器，编译流程吧
C2编译器 C2编译器即Op to Compiler，又叫Server Compiler，它的定位与C1相反：C1面向客户端程序，需要快速响应用户请求；C2面向长期运行的服务端程序，它允许在编译上花更多时间 Use-Def信息而不需要先修改IR再计算Use-Def，如代码清单9-3所示： 代码清单9-3 简单方法 public static int justReturn(int x){ return x; = 0; if(x<12345){ int t = 12; return t + result +1; }else{ int q = result; return q * 2; } } 它的理想图如图9- 有了以上认识，回到图9-3，Region#13节点的第二个和第三个输入表示IfTrue传递的control值和IfFalse传递的control值，输出合并后的control值相当于从true和false Phi#17节点的第一个输入是control，其他是数据输入，在图9-3中它根据Region节点输出的control选择一个合适的数据输入，如果是IfTrue则选择节点35，如果是IfFalse则选择节点
2.7K51编辑于 2022-10-28 - 来自专栏素质云笔记
笔记︱盘点实验科学的三种实验模型（A/B实验、因果推断、强化学习）
反事实问题:假如因素X没有发生,会如何? 2.2 缺点 计算代价比较大，基于三大基础假设 2.3 使用场景 含有大量观测数据的情况下，可以使用各类合成A/B的方式，包括matching、合成控制等 评估干预因素的影响 需要反事实推理，评估一些决策因素异质性的场景 还有一篇因果推断实战：淘宝3D化价值分析小结： 在datafun数据科学峰会中《5-1 数据+金融营销的思考与应用》提到的结合用户增长+因果推断： 节选datafun数据科学峰会：《9- 3.2 缺点 bandits只能对单一指标进行持续优化，虽然可以把多个指标叠加成为一个复合指标，但是bandits的优化目标只能是单一的一个指标。 如果有一些长期需要优化的指标，而这些指标经常发生变化，那么这个也是bandits的一个重要的应用场景。
2.2K53编辑于 2022-05-31 - 来自专栏小樱的经验随笔
C语言求最小公倍数和最大公约数三种算法(经典)
最小公倍数：数论中的一种概念，两个整数公有的倍数成为他们的公倍数，其中一个最小的公倍数是他们的最小公倍数，同样地，若干个整数公有的倍数中最小的正整数称为它们的最小公倍数，维基百科：定义点击打开链接 求最小公倍数算法 ： 最小公倍数=两整数的乘积÷最大公约数 求最大公约数算法： (1)辗转相除法 有两整数a和b： ① a%b得余数c ② 若c=0，则b即为两数的最大公约数 ③ 若c≠0，则a=b，b=c，再回去执行① 例如求27和15的最大公约数过程为： 27÷15 余1215÷12余312÷3余0因此，3即为最大公约数 1 #include<stdio.h> 2 int main() /* 辗转相除法求最大公约数 和15的最大公约数过程为： 27－15＝12( 15>12 ) 15－12＝3( 12>3 ) 12－3＝9( 9>3 ) 9－3＝6( 6>3 ) 6－3＝3( 3==3 ) 因此，3即为最大公约数 1 #include<stdio.h> 2 int main ( ) /* 相减法求最大公约数 */ 3 { 4 int m, n, a, b, c; 5 printf("
5K90发布于 2018-04-08 - 来自专栏JavaJourney
将优化考虑在最前面-MySQL数据库设计优化：范式与反范式，主键，字符集，存储引擎
前言 优化这东西，就我个人而言，应该是在设计没有什么毛病的基础上进行的。 对一个项目，如果数据库设计这一块有很大问题，这导致后面扩展需求的时候很难复用之前的数据库，而业务耦合性又很高，优化起来是一件相当痛苦的事情！ 如果在设计的时候就把该考虑的设计好，你可能会给后面的优化工作做了相当好的铺垫。 关于数据库的设计，我来从范式、反范式、主键、字符集、存储引擎等方面总结一下。 合理使用范式与反范式 什么是范式？ 反范式 顾名思义，不遵照范式规则，就是反范式。 没有冗余的数据库未必是最好的数据库，有时为了提高运行效率，就必须降低范式标准，适当保留冗余数据。所以就有了反范式。 存储引擎 存储引擎代表数据文件的组织形式，所以存储引擎的选择对于数据的存储查询等都有影响，后面我会在索引优化、查询优化的总结中不断提到存储引擎，这里只针对MySQL的存储引擎做一个简单的对比。
94920发布于 2020-12-02 - 来自专栏机器之心
观点 | 增加深度，加速神经网络优化？这是一份反直觉的实验结果
虽然增加神经网络的层数可以提高其性能，但是训练和优化的难度也随之增加。 Hazan 合作的新论文《On the Optimization of Deep Networks: Implicit Acceleration by Overparameterization》给出了一个反直观的观点 ，文章认为，有时增加深度反而可以加速网络优化。 过参数化：表现性的解耦优化 一项有关深度对优化影响的综合研究表明了一个固有的问题存在——由于其优秀的表现力，更深的网络似乎收敛的更快。 过度参数化加速非线性优化的条件下的实证表征将是未来研究的一个有趣方向。 结论 本文从优化的角度借助过度参数化展示了增加深度的好处，但依然存在很多问题。
98880发布于 2018-05-09
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号