- 综合排序
- 最热优先
- 最新优先
- 来自专栏mathor
枚举+优化（6）——双指针优化2
ans 这个算法的时间复杂度是O(NML)，NML是三个数组的长度，最大值都是10万，显然会超时 优化1 第一个数组是0，1，3，8，12，15，我们从中选中了8。 ); } cout << ans; return 0; } 例4.题目链接：hihoCoder1607 思路 一般的暴力枚举这题肯定是过不了的，数据量太大，那我们就要想办法优化 ，能不能只枚举Ai，而将符合条件的Aj数量直接算出来，而不是枚举出来。 其实我们仔细分析一下题目的三个条件，就能看出对于某个确定的Ai来说，他发的好友请求Aj一定是在某个年龄区间的。 比如假设Ai=8，那么年龄在[9,72]闭区间的用户都会被发送好友请求。 并且随着Ai增大，这个年龄区间也是在逐渐向右移动的。
63950发布于 2018-06-19 - 来自专栏后端精进之路
JVM性能优化系列-(6) 晚期编译优化
6. 晚期编译优化 晚期编译优化主要是在运行时做的一些优化手段。 “逃生门”，让编译器根据概率选择一些大多数时候都能提升运行速度的优化手段，当激进优化的假设不成立时，可以通过逆优化退回到解释状态继续执行。 从而抵消了额外的编译时间开销. 6.4 编译优化技术 在即时编译器中采用的优化技术有很多，本节主要针对以下四种优化技术： 语言无关的经典优化技术之一：公共子表达式消除 语言相关的经典优化技术之一：数组范围检查消除 最重要的优化技术之一：方法内联 最前沿的优化技术之一：逃逸分析 公共子表达式消除 公共子表达式消除是一个普遍应用与各种编译器的经典优化技术，它的含义是： 如果一个表达式E已经计算过了，并且从先前的计算到现在 ，它与类型继承关系分析一样，并不是直接优化代码的手段，而是为其他优化手段提供依据的分析技术。
51210编辑于 2023-10-19 - 来自专栏ceshiren0001
6步优化Dify知识库：打造精准可靠的AI解答
第二步：精雕细琢——优化文本分段处理（耗时：3分钟）核心原理： AI并非一次性阅读整个文档，而是根据你的问题，去知识库中寻找最相关的“文本片段”（Segment）。 优化提示词：在“应用”的“提示词”编排中，为知识库检索环节添加指令，例如：要避免的事 ❌：不要添加无意义或过于泛泛的问答对。不要忽略提示词的引导作用。 第五步：实战检验——提问测试与持续优化（耗时：1分钟）核心原理： 实践是检验真理的唯一标准。要做的事 ✅：在应用预览界面，提出一些边缘、刁钻的问题进行测试。 观察AI的回答，并点击回答上方的“引用”部分。核心技巧：检查AI生成答案时所引用的“文本片段”是否准确。如果引用错了，说明分段或检索策略仍需调整；如果引用对了但答错了，说明提示词需要优化。 只需十分钟，按照以上六步操作，你就能为Dify知识库进行一次彻底的“体检和优化”：上传高质量文档 - 备好原料优化文本分段 - 精加工食材配置提示词与问答对 - 定制菜谱手动检查分段 - 质量抽检提问测试与优化
1.5K20编辑于 2025-08-28 - 来自专栏iSharkFly
Confluence 6 性能优化 原
新的版本通常有更好的性能优化。 因没有足够内存避免 swapping 总是关注你服务器的交换（swapping）活动。 我们推荐你使用你熟悉的数据库，因为你能够更好的对数据库进行维护，这个可能相对你不熟悉的数据库来说，能更好的让你对数据库的性能进行优化。 数据库状态和查询分析 现代的数据库会基于你对数据库运行的查询历史来对查询进行优化。使用 SQL EXPLAIN 语句将会告诉你数据库查询的优化情况。 如果数据库查询命中率明显的不同，那么你需要考虑对数据库运行状态收集和优化。针对你数据库的版本不同，优化的版本和方向也会不同。 https://www.cwiki.us/display/CONF6ZH/Performance+Tuning
1.4K40发布于 2019-01-30 - 来自专栏每天晒白牙
IPv6定位优化
背景 随着 IPv6的推进，我们发现线上需要使用 IPv6 定位的流量已经达到了 8000 QPS。 此前我们并未对 IPv6 定位做任何缓存或者其它优化，这部分流量会直接请求定位服务，随着流量进一步提升可能触发调用量报警以及流控。 另外由于此前已经对 IPv4 进行了缓存，如果 IPv6 不做相应的优化，因为多了一次 RPC 请求，服务的响应时间会随着 IPv6 流量占比提升而变长。 inet6Address, Integer mask, Integer localId) { if (inet6Address == null || localId == null || localId 通过上述代码使用定位数据的每一行调用 put 方法即可完成前缀树的构建，下边看下构建好的前缀树如何进行查找： public Integer get(Inet6Address inet6Address)
95920发布于 2021-04-12 - 来自专栏iSharkFly
Confluence 6 缓存性能优化 原
https://www.cwiki.us/display/CONF6ZH/Cache+Performance+Tuning
67630发布于 2019-01-30 - 来自专栏测试开发干货
【简历优化平台开发教程-6】
简历优化平台被搁置有半年之久，这期间，我尽力在帮大家优化简历，也在观察招聘市场的最新技术和要求等等。现在已经有了一些成果，所以这就继续更新简历优化平台。 【简历优化平台-0】设计和实现初稿方案 【简历优化平台-1】初始页面摞代码，简历从此自问答 【简历优化平台-2】四个部分初显现，上传按钮打头前 【简历优化平台-3】随机唯一标识，贯穿时间长河 【简历优化平台 -4】js魔改文件上传，django轻松接收 【简历优化平台-5】夜半撞见男女哭，form表单初运用 之前的五章开头小说部分就先不讲了，毕竟大家也懒得看，我也没精力编了... 红圈内是选择优化意向，接口路径为jiexi_resume。点击获得建议按钮后会触发提交表单，表单中带着优化建议。 完全体的话，会除了优化建议外，还有很多意向设置。 再来看看我们的后端部分： 可以看到，目前这个简历优化模块，只有这俩个函数，一个是进入页面，一个是上传简历，上传简历的时候唯一标识码会加到简历的名称之中，以防错乱。
26120编辑于 2023-08-14 - 来自专栏深度学习与python
6 种 WebAssembly 的优化手段
但对文件大小的优化并不是到此为止了，我们还有其他手段可以进一步优化二进制的大小。 利用编译选项的优化 部分编译器提供了内置的编译选项，以优化其所生成的二进制。 借助 wasm-opt 优化文件大小 并不是所有编译器都提供优化的选项，即使是提供优化选项的编译器可能也不会有十分明显的优化效果。 Wasm 的优化工具可以分析 Wasm 二进制文件稳健性的同时，进一步优化文件大小，甚至还可优化 Wasm 可执行文件的性能特征。 这种方式不仅削减了文件大小，同时也优化了运行时性能。在作者的电脑上，优化后的“Hello World”程序执行速度比没经过优化的要快上两倍。 至于 Wizer，我们其实只在 .NET 上用过，Wizer 在这方面的优化非常好用。 总 结 这 6 种优化 Wasm 性能及文件大小各有自己的优缺点，结合使用其中一些方法也可以增加效益。
1.9K10编辑于 2023-04-21 - 来自专栏Java进阶架构师
「mysql优化专题」优化之路高级进阶——表的设计及优化（6）
6） 自增字段要慎用，不利于数据迁移 7）强烈反对在数据库中存放 LOB 类型数据，虽然数据库提供了这样的功能，但这不是他所擅长的，我们更应该让合适的工具做他擅长的事情，才能将其发挥到极致。 （真的是技术文，欢迎补充） 优化③：索引 索引是一个表优化的重要指标，在表优化中占有极其重要的成分，所以上篇索引优化详解没看过的可以先看看，这里不再赘叙。 【mysql优化专题】相关 「mysql优化专题」这大概是一篇最好的mysql优化入门文章（1） 「mysql优化专题」90%程序员都会忽略的增删改优化（2） 「mysql优化专题」单表查询优化的一些小总结 ，非索引设计（3） 「mysql优化专题」你们要的多表查询优化来啦！ 请查收（4） 「mysql优化专题」90%程序员面试都用得上的索引优化手册(5) 今天，表的设计及优化就讲到这里，重点是表的拆分（加分项）。觉得有收获的同学可以收藏关注。
97620发布于 2018-08-15 - 来自专栏数据库与编程
使用连接组优化连接 (IM 6)
本章为IM系列第6章 使用连接组优化连接。 连接组是用户创建的字典对象，其中列出了可以有意义连接的两列。 连接组如何优化扫描 关键优化是加入通用字典代码而不是列值，从而避免使用散列表进行连接。 连接组如何使用通用字典 一个通用字典是一个表级的，特定于实例的字典代码集合。 连接组如何优化扫描 关键优化是连接通用字典代码而不是列值，从而避免使用Hash表进行连接。 为了简化示例，假定sales 表只有6行。 示例6-2使用连接组优化查询 在本例中，您以SYSTEM的身份登录到数据库，然后在sales 和products的prod_id列上创建连接组，该列尚未填充到IM列存储中： CREATE INMEMORY
1.7K30编辑于 2022-04-23 - 来自专栏有关SQL
6 图助你理解 SQL 优化策略
如果你认识轮子哥，你可以求证下，当年他在 SQL Server 做过优化器的引擎开发。我在他隔壁 ：）。言归正传，我用图证明： ? 因为我们一直在优化部分强调不要用 order by 来进行排序，尽量避免 sort 操作。对于 rewind, rebind 来说，情况变了 ?
57230发布于 2019-12-25 - 来自专栏C++打怪之路
排序6：冒泡排序及优化思想
目录 排序思想 动图演示 代码实现 优化 总结 ---- 排序思想 通过逐一比较以及交换，将大的数向序列的尾部移动，将小的数向序列的头部移动。 = 0; j < n - i - 1; ++j) { if (a[j] > a[j + 1]) { Swap(&a[j], &a[j + 1]); } } } } 优化 因此，我们可以设置一个判断值exchange来进行优化。
49030编辑于 2023-03-31 - 来自专栏全栈前端精选
梳理 6 项 webpack 的性能优化
这个过程分为「搜索文件」和「把匹配的文件进行分析、转化」的两个过程，因此可以从这两个角度来进行优化配置。 它正常工作的前提是代码必须采用ES6的模块化语法，因为ES6模块化语法是静态的（在导入、导出语句中的路径必须是静态字符串，且不能放入其他代码块中）。 E6%A0%87%E8%AE%B0%E4%B8%BA%E6%97%A0%E5%89%AF%E4%BD%9C%E7%94%A8 注意，所有导入文件都会受到tree shaking 的影响。 虽然，在这个特定示例中，可能看起来没有减少很多，但是，在有着复杂依赖树的大型应用程序上运行 tree shaking时，会对 bundle 产生显著的体积优化。 由于需要分析模块间的依赖关系，所以源码必须是采用了ES6模块化的，否则Webpack会降级处理不采用Scope Hoisting。
2.2K20发布于 2020-07-24 - 来自专栏大数据成长之路
Hive性能优化之推测执行(6)
在分布式集群环境下，因为程序Bug（包括Hadoop本身的bug），负载不均衡或者资源分布不均等原因，会造成同一个作业的多个任务之间运行速度不一致，有些任务的运行速度可能明显慢于其他任务（比如一个作业的某个任务进度只有50%，而其他所有任务已经运行完毕），则这些任务会拖慢作业的整体执行进度。为了避免这种情况发生，Hadoop采用了推测执行（Speculative Execution）机制，它根据一定的法则推测出“拖后腿”的任务，并为这样的任务启动一个备份任务，让该任务与原始任务同时处理同一份数据，并最终选用最先成功运行完成任务的计算结果作为最终结果。
1K30发布于 2021-01-22 - 来自专栏腾讯Bugly的专栏
Android性能优化典范 - 第6季
导语 这里是Android性能优化典范第6季的课程学习笔记，从被@知会到有连载更新，这篇学习笔记就一直被惦记着，现在学习记录分享一下，请多多指教包涵！ 这次一共才6个小段落，涉及的内容主要有：程序启动时间性能优化的三个方面：优化activity的创建过程，优化application对象的启动过程，正确使用启动显屏达到优化程序启动性能的目的。 App Launch Time & Activity Creation 提升Activity的创建速度是优化APP启动速度的首要关注目标。 除了使用工具进行具体定位分析性能问题之外，以下两点经验可以帮助我们对Activity启动做性能优化： 优化布局耗时：一个布局层级越深，里面包含需要加载的元素越多，就会耗费更多的初始化时间。 6.
1.1K30编辑于 2023-04-02 - 来自专栏AI系统
【AI系统】算子循环优化
AI 芯片硬件的支持。 循环优化 循环的优化方案针对不同的数据局部性和计算并行性，有不同的优化方案，如循环分块、循环展开、循环重排、循环融合、循环拆分等。下面重点接受不同的循环优化方案细节。 循环分块 循环分块是利用 Cache 的数据局部性进行优化的一种方法。 循环分块主要针对大型数据集进行优化，大数据集无法一次全部存入 Cache 中。 循环重排 循环重排序（reorder）是矩阵乘法常见的优化方式，指的是对程序中的循环结构重新排列顺序，以优化数据访问模式，特别是在 CNN 中卷积层的应用。
67910编辑于 2024-12-04 - <! -- --> <div class="<em>ai</em>-explanation <em>ai</em>-explanation-content : 1.3; border: 1px solid #cfe<em>6</em>f3; margin: 1rem 0; } .<em>ai</em>-title { display: flex; color : 0.5rem 1rem; background: #fff; border-radius: 0.5rem; border: 1px solid #cfe<em>6</em>f3; font-size来自专栏大大的小蜗牛
博客 AI 摘要及优化
怎么优化 AI 摘要 推荐：https://github.com/Moraxyc/ai-summary-hugo 辅助生成 summary.json 的 Python 脚本 1. ai-title-text">AI 摘要
【AI系统】AI 编译器后端优化
AI 编译器分为多层架构，最顶层由各种 AI 训练框架编写的神经网络模型架构，一般由 Python 编写，常见的 AI 训练框架有 PyTorch、MindSpore、PaddlePaddle 等。 在导入 AI 编译器时需要用对应框架的 converter 功能转换为 AI 编译器统一的 Graph IR，并在计算图级别由 Graph Optimizer 进行计算图级优化，也叫前端优化。 在算子级优化结束后，即进入代码生成阶段。本文将重点介绍 AI 编译器的后端优化相关功能。后端优化后端优化基本概念在 AI 编译器中存在两层中间表示，相应也存在两类优化，即前端优化和后端优化。 传统编译器如 GCC、LLVM 也具有后端优化的部分，为什么不直接将 AI 编译器的后端优化委托给传统编译器来实现呢？有两个关键原因：1）数据形式不同：深度学习中数据形式主要为张量（Tensor）。 对优化后的低级 IR 转化为机器指令执行，现阶段最广泛的做法为借助成熟的编译工具来实现，代码生成不是 AI 编译器的核心内容。
AI模型的效率优化
AI模型的效率优化：量化与模型压缩技术随着人工智能（AI）技术的快速发展，AI模型的应用范围不断扩大，尤其是在计算资源有限的设备上，如移动设备、物联网（IoT）设备以及边缘计算环境中，AI模型的计算效率和存储需求变得至关重要 为了确保这些模型能够在资源受限的环境中高效运行，模型的效率优化成为了研究和应用的关键问题。AI模型的效率优化主要集中在两个方面：模型量化和模型压缩。 实际案例与应用案例一：移动设备上的AI应用在移动设备上，AI模型面临计算资源、内存和电池续航等多方面的限制。通过量化和模型压缩，开发者可以将复杂的深度学习模型优化为适合移动设备的版本。 对于想要深入了解AI模型优化的开发者而言，这是一本非常实用的参考书。 总结AI模型的效率优化技术，尤其是量化与模型压缩，是在计算资源有限的环境中部署高效AI应用的核心手段。量化通过减少模型参数的存储位数，能够显著提高推理速度并降低存储需求。
ES6中的尾调用优化
原文：http://exploringjs.com/es6/ch_tail-calls.html ECMAScript 6 提供了尾调用优化(tail call optimization)功能，以使得对某些函数的调用不会造成调用栈 什么是尾调用优化? Step 6. 行C接收到返回值3并完成打印工作。 因此，严格模式(strict mode)禁止这些属性，并且尾调用优化只在严格模式下有效。 3.1 尾递归循环 尾调用优化使得在递归循环中不增长调用栈成为可能。下面举两个例子。
