- 综合排序
- 最热优先
- 最新优先
- 来自专栏java一日一条
Java的常见误区与细节
2 true、false和null在IDE中虽然以不同的颜色显示，但是并不是关键字，而是“字面常量”，就和String类型的abc一样。
88430发布于 2018-09-14 - 来自专栏Java技术栈
Java 常见的 30 个误区与细节！
2 true、false和null在IDE中虽然以不同的颜色显示，但是并不是关键字，而是“字面常量”，就和String类型的abc一样。 例如： // char c1 = 'u00a'; // char c2 = 'u00d'; 在程序中出现这两行代码编译报错。 这两个Unicode码分别表示”换行”和”回车”，所以，在编译器编译的时候，代码是这样的： // char c1 = ' '; // char c2 = ' '; 5 Unicode码使用16位字符编码
78010发布于 2018-06-04 - 来自专栏Java架构师进阶
Java 常见的 30 个误区与细节！
2 true、false和null在IDE中虽然以不同的颜色显示，但是并不是关键字，而是“字面常量”，就和String类型的abc一样。
75230发布于 2018-08-23 - 来自专栏ROS2
TF2使用细节
启动键盘控制节点 ros2 run turtlesim turtle_teleop_key 观察坐标转换的结果 ros2 run tf2_ros tf2_echo turtle2 turtle1 示例分析 所以tf2树是不会形成闭环的。 ros2 run tf2_tools view_frames 用这个命令可以保存当前系统中tf2树的关系图（以pdf文件的形式保存在运行命令的目录下）。 TF 调试工具 打印两个link的相对位置关系 ros2 run tf2_ros tf2_echo turtle2 turtle1 保存tf关系框图 ros2 run tf2_tools view_frames tf2::Quaternion tf2_quat, tf2_quat_from_msg; tf2_quat.setRPY(roll, pitch, yaw); // Convert tf2::Quaternion tf_transformations rpy = tf_transformations.euler_from_quaternion([0.06146124, 0, 0, 0.99810947]) 更多细节请查看下面的文章
3.1K00编辑于 2022-06-05 - 来自专栏Ray学习笔记
RabbitMQ的API参数细节-2
通道绑定对应消息队列和发布消息 参数1：queue表示队列的名称 生产者代码： // 通道绑定对应消息队列 // 参数1：队列名称，如果队列不存在会自动创建 // 参数2：用来定义队列特性是否要持久化 // 参数5：额外附加参数 channel.queueDeclare("hello", false, false, false, null); // 发布消息 // 参数1：交换器名称 // 参数2： "change", null, message.getBytes()); 结论： 同一个通道可以向不同的队列发送消息 basicPublish才是决定消息去什么通道，而不是queueDeclare 2. 队列持久化 参数2：durable 表示队列特性是否要持久化，这里设置为 false，重启RabbitMQ后，所有队列将丢失 // 通道绑定对应消息队列 // 参数1：队列名称，如果队列不存在会自动创建 // 发布消息 // 参数1：交换器名称 // 参数2：队列名称 // 参数3：传递消息额外设置 // 参数4：消息的具体内容 String message = "hello rabbitmq"; //
1.2K30发布于 2021-04-05 - 来自专栏CDA数据分析师
数据分析，需要当心这2个误区
大家都说数据是客观的，但其实数据受背景环境、统计者、统计方法、分析者看法等多重因素影响，以致我们在统计和分析时却常常陷入误区，得不到正确的答案。下面简单说一下关于数据的两个常见误区。 误区一：把某一类型数据当做全部数据，导致分析结果错误 先说个小故事：二战时英国空军希望增加飞机的装甲厚度，但如果全部装甲加厚则会降低灵活性，所以最终决定只增加受攻击最多部位的装甲。 误区二：鲜明事件让我们夸大了偶然因素 鲜明的事件更容易占据我们的视线，从而让我们高估事件发生的概率。
700100发布于 2018-02-11 - 来自专栏机器学习炼丹术
alphaFold2 | 模型细节之Evoformer
<<AlphaFold2专题>> alphaFold2 | 解决问题及背景(一) alphaFold2 | 模型框架搭建(二) alphaFold2 | 模型细节之特征提取（三） 文章转自微信公众号：机器学习炼丹术 这个GEGLU倒是一个新的激活函数，咱们看看： class GEGLU(nn.Module): def forward(self, x): x, gates = x.chunk(2, self.to_q = nn.Linear(dim, inner_dim, bias = False) self.to_kv = nn.Linear(dim, inner_dim * 2, dim = -1)) i, j = q.shape[-2], k.shape[-2] q, k, v = map(lambda t: rearrange(t, 'b 然后8刚好对应8个head，所以通过这个操作就可以融合特征了： 1.4 gating 上述的内容和这个alphafold2论文的补充材料中的图2是对应的上的。
1.7K20编辑于 2022-11-22 - 来自专栏钱塘小甲子的博客
python的一些细节（2）
1.字符编码问题 ASCII编码是1个字节，而Unicode编码通常是2个字节，utf-8则是1-6个字节。同时utf-8中对英文字母的编码就是ASCII码。 2.dict类型如何同时遍历键值对 d = {'x': 'A', 'y': 'B', 'z': 'C' } for k, v in d.iteritems(): ... reduce把一个函数作用在一个序列[x1, x2, x3...]上，这个函数必须接收两个参数，reduce把结果继续和序列的下一个元素做累积计算，其效果就是 reduce(f, [x1, x2, x3 , x4]) = f(f(f(x1, x2), x3), x4) reduce中的第一个函数必须是两个参数。 def is_odd(n): return n % 2 == 1 filter(is_odd, [1, 2, 4, 5, 6, 9, 10, 15]) 这样返回的list就会只剩下奇数。
49740发布于 2019-01-28 - 来自专栏爬虫资料
稳定性隐患手册：开发日常中的六个易被忽略的细节误区
undefined无数任务崩溃，并非出在核心逻辑，而是隐藏在某个不起眼的结构细节中。 except (Timeout, SSLError): print(f"[连接慢] 第{attempt+1}次尝试，延迟后重试") sleep(2) 通道抽象 + 状态切换机制# 爬虫代理 参考亿牛云示例ip_pool = [ "http://16YUN1:16IP1@proxy.16yun.cn:3100", "http://16YUN2: 16IP2@proxy.16yun.cn:3200"]def rotate_proxy(): ip_pool.append(ip_pool.pop(0)) proxies["http"] = page={i}")06｜记录误区：错误日志缺乏上下文信息没有结构化日志格式，就像黑盒飞行记录器断电，事后追踪极其困难。
21810编辑于 2025-07-31 JavaScript 使用误区
本章节我们将讨论 JavaScript 的使用误区。 ; 但是，在字符串中直接使用回车换行是会报错的： 实例 2 var x = "HelloWorld!" 以下两个实例返回结果是一样的(一个有分号一个没有): 实例 1 function myFunction(a) { var power = 10 return a * power} 实例 2 实例 var person = []; person[0] = "John"; person[1] = "Doe"; person[2] = 46;var x = person.length;
14210编辑于 2025-12-16- 来自专栏用户1692782的专栏
手撕rtmp协议细节（2）——rtmp Header
具体长度为多少个字节，由RTMP header数据包的第一个字节的高2位决定。 ? 如下方表格，Format决定了RTMP header的长度为多少个字节： Format取值（2bits） header的长度 说明 0（二进制00） 12字节 onMetaData流开始的绝对时间戳控制消息 第一个字节，高2位为01，所以RTMP Header的长度为8字节，接下来是时间戳的delta，简单讲就是时间戳的变化量，BodySize不多说，后面6个字节也比较赤裸裸。 可以看到，第一个字节为0xa2，所以高2位的值为10，所以，RTMP Header占用4个字节，后面跟着的时间戳的增量。 1字节的RTMP Header ? 抓个包，好奇的看一下。 ? 一个字节，就是第一个字节，后面啥也没有喽，高2位为11，所以，RTMP Header占用1个字节，只包含Format 和chunk stream ID。
4.5K40发布于 2020-05-20 AMD 2nm Venice CPU细节曝光
1月14日消息，根据Wccftech报导，继AMD 在CES 2026 披露了采用台积电2nm制程的EPYC Venice 处理器部分信息之后，近日“X”平台用户@hms1193 曝光了更多官方尚未公开的 Venice构架细节。 此前披露的信息显示，“Venice”CPU将基于2nm制程，拥有 8 个大型 Zen 6 核心控制单元 (CCD) 和两个 I/O Die，以及包含管理控制器的微型芯片。 其中，每颗Zen 6C CCD 可容纳32颗核心，较前一代Zen 5C 的16核心设计直接翻倍，N2制程下面积为155mm²，AMD 能在仅使用8颗CCD 的情况下，达成更高的256核心配置。 在制程工艺方面，负责运算的CCD 采用台积电2nm（N2P）制程，以追求极致性能；而负责I/O 的IO Die 则维持6nm制程。
14800编辑于 2026-03-19- 来自专栏人工智能
ChatBot 的误区
2.用例并不那么强大 这是世界上每一项新技术都会发生的事情：设计师和开发人员对此非常兴奋。 我们现在看到的是一个试图成为第一个成功部署机器人的公司的淘金热。
2K100发布于 2018-01-02 - 来自专栏新智元
全面取代Llama 2！Baichuan 2自曝史上最全训练细节
新智元报道 编辑：编辑部 【新智元导读】就在最近，百川智能正式发布Baichuan 2系列开源大模型。作为开源领域性能最好的中文模型，在国内，Baichuan 2是要妥妥替代Llama 2了。 下载链接：https://github.com/baichuan-inc/Baichuan2 在所有主流中英文通用榜单上，Baichuan 2全面领先Llama 2，而Baichuan2-13B更是秒杀所有同尺寸开源模型 现在看来，最有希望替代Llama 2的国产大模型，就是Baichuan 2。 原因其实很简单，一方面Baichuan 2系列大模型在性能上，不仅以绝对优势领先Llama 2，而且大幅度优于同尺寸的竞品。 然而，目前大部分的开源模型，只是对外公开了模型权重，对于训练细节却很少提及。并且，这些模型都是最终版本，甚至还带着Chat，对学术界并不友好。
96980编辑于 2023-09-19 - 来自专栏全栈程序员必看
hackbar常用误区
在web题目中，hackbar使用可以说是非常频繁，但不同hackbar使用上有略微区别. 推荐使用google chrome下的hackbar
75310编辑于 2022-09-02 - 来自专栏计算机视觉战队
深度学习入门误区
定位：深层学习在哪 1、深层学习需要什么？ 数学 线性代数：是有关任意维度空间下事物状态和状态变化的规则。 概 率：是用来衡量我们对事物在跨时间后不同状态的确信度。 编程 操作矩阵 实现
67140发布于 2018-04-17 - 来自专栏全栈程序员必看
RegisterStartupScript 使用误区
这其实是对RegisterStartupScript没有正确理解造成的误区。
24210编辑于 2022-09-09 - 来自专栏机器学习入门
算法细节系列（34）：再见字符串（2）
https://blog.csdn.net/u014688145/article/details/73162334 算法细节系列（34）：再见字符串（2） 详细代码可以fork下Github ("\\."); String[] v2 = version2.split("\\."); int min = Math.min(v1.length, v2.length \\."); String[] v2 = version2.split("\\."); int max = Math.max(v1.length, v2.length); Integer.parseInt(v2[i]) : 0; if (num1 < num2) return -1; if (num1 > num2) return Text Justification 贪心算法，比较细节，代码逻辑较复杂。
43530发布于 2019-05-26 - 来自专栏杂七杂八
神经网络训练细节part2（上）
Adagrad # 假设有梯度和参数向量x cache += dx**2 x += - learning_rate * dx / (np.sqrt(cache) + eps) RMSprop cache = decay_rate * cache + (1 - decay_rate) * dx**2 x += - learning_rate * dx / (np.sqrt(cache) + eps) Adam m = beta1*m + (1-beta1)*dx v = beta2*v + (1-beta2)*(dx**2) x += - learning_rate * m / (np.sqrt(v
54620发布于 2018-08-30 - 来自专栏程序员的知识天地
Python 容器使用的 5 个技巧和 2 个误区
Python 语言自身的内部实现细节也与这些容器类型息息相关。比如 Python 的类实例属性、全局变量 globals() 等就都是通过字典类型来存储的。 但如果这是 Python 语言的优势的话，为什么我们还要费劲去了解容器类型的实现细节呢？答案是：关注细节可以帮助我们编写出更快的代码。 写更快的代码 1. 并且在 Python 3.7 中，该功能已经从 语言的实现细节 变成了为 可依赖的正式语言特性。 常见误区 1. 当心那些已经枯竭的迭代器 在文章前面，我们提到了使用“懒惰”生成器的种种好处。但是，所有事物都有它的两面性。生成器的最大的缺点之一就是：它会枯竭。 每日分享一些学习的方法和需要注意的小细节 点击：python技术分享交流
98930发布于 2019-07-14
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