- 综合排序
- 最热优先
- 最新优先
- 来自专栏学习计划
多线程7 ReentrantLock原理
1.ReentrantLock加锁原理 1.第一个线程进来 FairSync里的lock方法 final void lock() { // 加锁成功后，修改的值 acquire(1); } 其抽象父类的方法
41520发布于 2021-01-29 - 来自专栏正则
PHP7语言执行原理
下面就简单描述PHP7语言执行原理： 1. 源代码首先利用Re2c实现的词法分析器进行词法分析，将源代码切割为多个字符串单元，分割后的字符串称为Token； 2. 陈雷，PHP7底层设计与源码实现 2. 列旭松，陈文，PHP核心技术与最佳实践 以上就是浅述PHP7底层设计01-PHP7语言执行原理的详细内容 更多学习内容请访问： 腾讯T3-T4标准精品PHP架构师教程目录大全，只要你看完保证薪资上升一个台阶
76910编辑于 2021-12-05 - 来自专栏学习计划
JDK 7 HashMap原理解读
存储原理 数组是最基本的数据结构，ArrayList内部就是数组实现的，下标定位位置，然后在数组下标位置存放元素，每添加一个元素，下标就+1，map和list有一点相似，就是内部也有个数组， 它通过key 比如下标是0-7，那么我们可以余它的数组大小（length），hashCode是随机的，得出的下标也是随机的，这也使得数组下标随机平均。 ? 上面只是对map的一个原理说明，并不严谨。 源码解析 这里从HashMap的源码上去看HashMap这个结构，从源码分析理解。
30520发布于 2021-01-29 - 来自专栏大数据成长之路
HDFS中SecondaryNamenode工作原理(7)
我们在刚开始学习HDFS的时候,知道HDFS主要由管理者NameNode和DataNode组成。其中还有一个SecondaryNameNode在HDFS中扮演着辅助的作用,负责辅助NameNode管理
84920发布于 2021-01-22 - 来自专栏ops技术分享
Nginx结构原理全解析（7）
访问权限检查准备阶段，ngx_limit_req和ngx_limit_zone在这个阶段运行，ngx_limit_req可以控制请求的访问频率，ngx_limit_zone可以控制访问的并发度； access 7.
31630发布于 2021-05-11 - 来自专栏黄腾霄的博客
2019-7-13-FirstChanceException原理
-Microsoft Docs ---- 本文会经常更新，请阅读原文： https://xinyuehtx.github.io/post/FirstChanceException%E5%8E%9F%E7%
81130发布于 2020-06-10 - 来自专栏JavaEdge
CurrentHashMap原理从7到8
return sun.misc.Hashing.stringHash32((String) k); } h ^= k.hashCode(); h += (h << 15) ^ 0xffffcd7d 在插入和获取元素时,先通过散列算法定位到Segment private static int hash(int h) { h += (h << 15) ^ 0xffffcd7d segmentMask为15,再散列后的数最大是32位二进制数据,向右无符号移动28位,即让高4位参与到散列运算中,(hash>>>segmentShift)&segmentMask的运算结果分别是4、15、7和
4.9K101发布于 2018-05-16 - 来自专栏Netty应用与源码
Netty源码—7.ByteBuf原理三
PooledByteBufAllocator的directBuffer()方法通过其newDirectBuffer()方法执行代码directArena.allocate()时，首先会调用PoolArena的allocate()方法，然后会调用PoolArena的allocateNormal()方法，接着会调用PoolChunk的allocate()方法，并最终调用到PoolChunk的allocateSubpage()方法进行SubPage级别的内存分配。进行SubPage级别的内存分配时不会分配多个Page而只会分配一个Page的一部分。
25010编辑于 2025-06-13 - 来自专栏Netty应用与源码
Netty源码—7.ByteBuf原理二
然后进行缓存分配在进行缓存分配时会有3种规格：一是cache.allocateTiny()方法二是cache.allocateSmall()方法三是cache.allocateNormal()方法这三种类型的原理差不多
25310编辑于 2025-06-13 - 来自专栏生信学习小组--张三
D7-测序原理-张三
构建DNA文库上样#待测序列自带了p5接头和p7接头桥式PCR#序列补成双链、去杂、桥式形成、桥式PCR、循环、解链测序双端测序特点：通量高、时间短、读长短三代测序单分子实时DNA测序 DNA测序时不需要经过
39520编辑于 2023-07-24 - 来自专栏AI系统
【AI系统】知识蒸馏原理
本文将介绍知识蒸馏（Knowledge Distillation, KD）的原理，这是一种通过从大型的教师模型向小型的学生模型转移知识来实现模型压缩和优化的技术。 例如 MNIST 数据集中存在一个数字 2 的样本被预测为 3 的概率为 10^{-6} ，被预测为 7 的概率为 10^{-9} ，这部分负标签的信息就意味着这个数字 2 有可能与 3 和 7 有些相像
80810编辑于 2024-12-06 - 来自专栏AI系统
【AI系统】GPU 工作原理
前面的文章对 AI 计算体系和 AI 芯片基础进行讲解，在 AI 芯片基础中关于通用图形处理器 GPU 只是简单地讲解了主要概念，将从 GPU 硬件基础和英伟达 GPU 架构两个方面讲解 GPU 的工作原理 英伟达 GPU 有着很长的发展历史，整体架构从 Fermi 到 Blankwell 架构演变了非常多代，其中和 AI 特别相关的就有 Tensor Core 和 NVLink。 在实际硬件工作的过程当中，更倾向于利用多线程对循环展开来提高整体硬件的利用率，这就是 GPU 的最主要的原理。 GPU 工作原理 基本工作原理 首先通过 AX+Y 这个加法运算的示例了解 GPU 的工作原理，AX+Y 的示例代码如下： void demo(double alpha, double *x, = alpha * x[i + 7] + y[i + 7]; } } 每次执行从 0 到 7 的数据，实现一次性迭代 8 次，每次传输 16 bytes 数据，因此同样在 Intel Exon
85810编辑于 2024-12-04 - 来自专栏AI系统
【AI系统】卷积操作原理
卷积的数学原理 在通常形式中，卷积是对两个实变函数的一种数学运算。 填充背后的数学原理是这样的，如果我们有一个 n×n 的图像，用 k×k 的卷积核做卷积，那么输出的大小就是 (n-k+1)×(n-k+1) 。
92011编辑于 2024-12-13 - 来自专栏AI系统
【AI系统】计算图原理
在前面的文章曾经提到过，目前主流的 AI 框架都选择使用计算图来抽象神经网络计算表达，通过通用的数据结构（张量）来理解、表达和执行神经网络模型，通过计算图可以把 AI 系统化的问题形象地表示出来。 AI 系统化问题遇到的挑战在真正的 AI 工程化过程中，我们会遇到诸多问题。而为了高效地训练一个复杂神经网络，AI 框架需要解决许多问题，例如：如何对复杂的神经网络模型实现自动微分？ 因此派生出了目前主流的 AI 框架都选择使用计算图来抽象神经网络计算。计算图的定义我们会经常遇到有些 AI 框架把统一的图描述称为数据流图，有些称为计算图，这里可以统称为计算图。 在 AI 框架中数据流图表示对数据进行处理的单元，接收一定的数据输入，然后对其进行处理，再进行系统输出。 x_mat = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]图中对标量、向量、矩阵进行形象化表示：张量张量（tensor）理论是数学的一个分支学科，在力学中有重要应用。
67110编辑于 2024-12-06 - 来自专栏AI系统
【AI系统】常量折叠原理
举个例子：int x = 14;int y = 7 - x / 2;return y * (28 / x + 2);编译器首先会进行一次常量传播，将所有对 x 的引用替换成 14：int x = 14; int y = 7 - 14 / 2;return y * (28 / 14 + 2);对于 7 - 14 /2 和 28/14+2 这两个表达式，由于其所有的子表达式都是常量(字面值)，所以这两个表达式可以进常量折叠优化 AI 编译器的常量折叠常量折叠作为传统编译器的一种优化技术，其迁移到 AI 编译器依然适用。传统编译器通常是对抽象语法树进行常量折叠优化，而 AI 编译器是对计算图进行常量折叠优化。 以下是 AI 编译器常量折叠的几个类型：当计算图中某个节点的数据输入节点均为编译期常量(不同 AI 编译器的定义可能完全不相同)的节点，则可以提前计算出该节点的值来完全替换该节点。 AI 编译器实现案例不同的 AI 编译器对于常量折叠的细节不尽相同，这里以 tensorflow 为例，描述其常量折叠的实现细节：获得逆后续节点集。
39810编辑于 2024-11-29 - 来自专栏python
详解AI作画算法原理
本文将深入浅出地探讨AI作画的核心算法原理，分析常见问题与易错点，并通过一个简单的代码示例，带领大家一窥AI艺术创作的奥秘。一、核心概念与原理1. layers# 定义生成器def make_generator_model(): model = tf.keras.Sequential() model.add(layers.Dense(7* 7*256, use_bias=False, input_shape=(100,))) model.add(layers.BatchNormalization()) model.add(layers.LeakyReLU ()) model.add(layers.Reshape((7, 7, 256))) assert model.output_shape == (None, 7, 7, 256) 随着算法的不断进步，AI创作的图像越来越接近甚至超越人类艺术家的作品。然而，掌握其背后的原理与技巧，避免常见陷阱，才能真正释放AI在艺术领域的无限潜能。
1.7K10编辑于 2024-04-29 - 来自专栏终有链响
详解AI作画算法原理
AI作画算法原理：深度学习驱动的艺术革新 引言 在数字化时代，人工智能正以前所未有的方式重塑着艺术的边界。 本文将深入探讨AI作画背后的算法原理，解析其如何借助深度学习的力量，实现从数据到艺术的华丽转变。 1. 生成对抗网络（GANs）的魔术 原理介绍：GANs通过一个生成网络与一个判别网络的动态博弈，推动生成网络逐步逼近真实数据分布。 变分自编码器（VAEs）与创意探索 原理：VAEs通过学习数据的低维表示，可以在潜在空间中进行采样，生成新的、但符合训练数据分布的图像。这种随机采样机制为AI艺术创作提供了无限的创意可能。 用户交互与定制化创作 交互界面：现代AI作画平台通常提供用户友好的界面，用户可以通过文字描述、上传参考图片或选择预设风格来引导AI创作过程。
1.1K10编辑于 2024-07-29 - 来自专栏AI系统
【AI系统】NVLink 原理剖析
随着 AI 技术的飞速发展，大模型的参数量已经从亿级跃升至万亿级，这一变化不仅标志着 AI 的显著提升，也对支持这些庞大模型训练的底层硬件和网络架构提出了前所未有的挑战。 虽然这在当时被视为高效的数据传输方式，但随着 AI 和机器学习领域的快速发展，数据集和模型的规模呈指数级增长，这种传统的 GPU-CPU 互联方式很快成为了系统性能提升的瓶颈。
91410编辑于 2024-11-27 - 来自专栏EdisonTalk
操作系统核心原理-7.设备管理：IO原理
邹恒明，《操作系统之哲学原理》，机械工业出版社 作者：周旭龙 出处：http://edisonchou.cnblogs.com 本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文链接
78450发布于 2018-08-21 - 来自专栏微信公众号【Java技术江湖】
Spring源码剖析7：AOP实现原理详解
AOP实现原理——找到Spring处理AOP的源头 有很多朋友不愿意去看AOP源码的一个很大原因是因为找不到AOP源码实现的入口在哪里，这个确实是。 第4行~第7行的代码是用于判断标签中有没有”order”属性的，有就设置一下，”order”属性是用来控制切入方法优先级的。 第5行~第7行的代码构建了一个Aspect标签组件定义，并将Apsect标签组件定义推到ParseContext即解析工具上下文中，这部分代码不是关键。 最终通过第7行的Proxy.newProxyInstance方法获取接口/类对应的代理对象，Proxy是JDK原生支持的生成代理的方式。 代理方法调用原理 前面已经详细分析了为接口/类生成代理的原理，生成代理之后就要调用方法了，这里看一下使用JdkDynamicAopProxy调用方法的原理。
86510发布于 2019-11-26
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