- 综合排序
- 最热优先
- 最新优先
- 来自专栏cwl_Java
性能优化-Tomcat8优化
1、Tomcat8优化 tomcat服务器在JavaEE项目中使用率非常高，所以在生产环境对tomcat的优化也变得非常重要了。 1.1 Tomcat配置优化 1.1.1、部署安装tomcat8 下载并安装： https://tomcat.apache.org/download-80.cgi ? 推荐使用nio，不过，在tomcat8中有最新的nio2，速度更快，建议使用nio2. 注意：这里在测试时，我们使用一个新的tomcat，进行测试，后面再对其进行优化调整，再测试。 1.5、调整JVM参数进行优化 接下来，测试通过jvm参数进行优化，为了测试一致性，依然将最大线程数设置为500， 启用nio2运行模式。
1.6K20发布于 2020-02-13 - 来自专栏全栈程序员必看
tomcat8 JVM 优化
如果服务器只运行一个 Tomcat： 机子内存如果是 8G，一般 PermSize 配置是主要保证系统能稳定起来就行： JAVA_OPTS="-Dfile.encoding=UTF-8 -server 2 -XX:+DisableExplicitGC" 机子内存如果是 16G，一般 PermSize 配置是主要保证系统能稳定起来就行： JAVA_OPTS="-Dfile.encoding=UTF-8 2 -XX:+DisableExplicitGC" 机子内存如果是 32G，一般 PermSize 配置是主要保证系统能稳定起来就行： JAVA_OPTS="-Dfile.encoding=UTF-8
90711编辑于 2022-08-28 - 来自专栏mathor
枚举+优化（8）——前缀和2
其次Ai，也就是数组中每个数的值，是在负100万到正100万之间。假如这里Ai都是正整数的话，那么总共的划分方法不会太多，因为随着p增大，第一段的和S1是不断增大的。 但是因为这里Ai有可能是0，也有可能是负数，所以划分方法可能非常多。例如有可能数据是10万个Ai全都是0。这样随便一个划分都是满足条件的。答案是C(99999, 2)，甚至超过了int范围。 至此，题目中70%的分数应该能拿到了，还有30%需要优化 优化 优化的方法当然还是从枚举入手，我们假设只枚举q，也就是最后一段的断点。 但是S1=3是成立的，因为这时S2的值是8-3-2=3。S2与S1和S3相差都不超过1 在S[1], S[2]和S[3]三个前缀和中，有几个的值是3。 S1=2是成立的，因为这时S2=8-2-3=3，{2, 3, 3}相差都不超过1。S1=3也是成立的，因为这时S2=8-3-3=2，{3, 2, 3}相差都不超过1。S1=4是不成立的。
70750发布于 2018-06-12 - 来自专栏小巫技术博客
Android编译优化：D8和R8
如果日常做Android开发的你不关注Google针对编译优化的话做的努力的话，会对D8和R8这两个名词会比较陌生。 ，这也是为什么Google会推出D8和R8编译器来优化编译速度。 R8 R8是用来替代Proguard的一个工具，是新一代的代码压缩工具。R8之前采用D8+Proguard的形式构建，R8则将混淆和D8工具进行整合，目的是加速构建时间和减少输出apk的大小。 ? Gradle插件版本达到3.4.0及以上，默认会开始R8进行代码优化。 ： 减小DEX文件大小 优化代码： 进一步减小DEX文件大小 参考：https://developer.android.google.cn/studio/build/shrink-code R8 VS
3K41发布于 2021-04-26 - 来自专栏学弱猹的精品小屋
数值优化（8）——带约束优化：引入，梯度投影法
上一节笔记：数值优化（7）——限制空间的优化算法：LBFGS，LSR1 ———————————————————————————————————— 大家好！ 这一节我们会开辟一个全新的领域，我们会开始介绍带约束优化的相关内容。带约束优化在某些细节上会与之前的内容有所不同，但是主要的思路啥的都会和我们之前的传统方法一致，所以倒也不必担心。 那么我们开始吧。 在带了约束的情况下，我们的所有的优化步骤都必须局限在约束内。 事实上证明是类似的，和我们上面一样的写法可以得到 Proposition 8: 设 为驻点，那么如果 ，则偏导为0，若 ，则偏导非负，若 ，则偏导非正。 对于arc形式的，要求也是差不多的 Definition 8: Arc Armijo Condition 设 ，那么如果 是最小的使得 且使得 成立，那么称 满足弧情况下的Armijo条件。
2.8K10发布于 2021-08-09 基于 YOLOv8+DeepSORT 的高精准 AI 客流统计技术实现与优化
基于AI视觉技术构建的客流统计系统，通过算法优化与软硬件协同，实现了客流数据的精准采集，提供了可靠的技术支撑。 行人检测算法（YOLOv8）：作为基础检测模块，该算法对视频流中的行人目标进行快速识别与定位，精度可达99.2%，能够有效应对遮挡、光照变化、行人姿态多样等复杂问题，确保目标检测的准确性与完整性。 核心功能技术解析秒级精准客流统计通过YOLOv8的高效检测与DeepSORT的精准追踪，系统实现了多维度的客流自动计数，计数误差控制在3%以内。 技术上采用时序数据分析方法，识别客流移动的规律特征，为资源优化配置提供数据支撑。 关键技术要点总结算法选型适配需求：针对复杂环境，选择YOLOv8+DeepSORT的组合方案，平衡检测精度与实时性；算力部署兼顾效率：边缘计算保障实时处理，云端协同支撑大规模数据分析，优化整体性能；隐私合规嵌入设计
46110编辑于 2026-01-04AI提示词工程优化指南：8个技巧，释放大语言模型的全部潜力
无论你是希望撰写更专业的报告、生成更精准的代码，还是规划一次完美的旅行，掌握这些方法都将让你的 AI 协作效率产生质的飞跃。8个专业级提示词工程优化技巧1. （粘贴上一步生成的大纲）” 8. 长上下文提示：在海量信息中精准导航当输入文本非常长时（例如一篇长篇论文或一份财报），AI 可能会“迷失”在信息海洋中，忽略掉关键细节。需要一些技巧来让它保持专注。 markdown 体验AI代码助手 代码解读复制代码<role>你是一位顶级的"提示词优化专家 (Prompt Optimization Expert)"。 8. **上下文放在指令之前 (Context Before Instructions):** 将关键指令置于长文本末尾，并使用结构化引用。 #### 为什么重要？ ---### 提示词优化分析报告#### 1. 核心问题诊断- **[问题一]**: (例如：指令过于宽泛，AI 需要猜测用户的真实意图。)
3.9K10编辑于 2025-08-22- 来自专栏Java架构师必看
史上最强Tomcat8性能优化
对于Tomcat的优化，主要是从2个方面入手，一是Tomcat自身的配置，另一个是Tomcat所运行的jvm虚拟机的调优。 Tomcat配置优化 Linux环境安装运行Tomcat8 具体的安装步骤可以参考Linux（CentOS7）安装Tomcat与设置Tomcat为开机启动项 如果需要登录系统，必须配置tomcat用户， Tomcat8默认使用nio运行模式。 注意：这里在测试时，我们使用一个新的tomcat，进行测试，后面再对其进行优化调整，再测试。 查看服务器信息 说明一下我的测试服务器配置，不同的服务器配置对Tomcat的性能会有所影响。 调整Tomcat参数进行优化 通过上面测试可以看出，tomcat在不做任何调整时，吞吐量为697次/秒。
3K30发布于 2020-04-10 - 来自专栏高级前端面试笔记
React性能优化的8种方式
// 文本节点export const Fragment = 7; // 对应 <React.Fragment> export const Mode = 8;
49840编辑于 2022-11-08 - 来自专栏全栈程序员必看
史上最强Tomcat8性能优化
文章目录 授人以鱼不如授人以渔 目的 服务器资源 Tomcat配置优化 Linux环境安装运行Tomcat8 AJP连接 执行器（线程池） 3种运行模式 部署测试用的web项目 查看服务器信息 目的 通过Tomcat性能优化可以提高网站的并发能力。 Tomcat服务器在JavaEE项目中使用率非常高，所以在生产环境对Tomcat的优化也变得非常重要了。 Tomcat配置优化 Linux环境安装运行Tomcat8 具体的安装步骤可以参考Linux（CentOS7）安装Tomcat与设置Tomcat为开机启动项 如果需要登录系统，必须配置tomcat用户， Tomcat8默认使用nio运行模式。 调整Tomcat参数进行优化 通过上面测试可以看出，tomcat在不做任何调整时，吞吐量为697次/秒。
2.3K20编辑于 2022-09-09 - 来自专栏Miigon's Blog
笔记 Lab8: Locks | 锁优化
Lab 8: Locks 重新设计代码以降低锁竞争，提高多核机器上系统的并行性。 只有在万分确定性能热点是在该锁的时候才进行优化，「过早优化是万恶之源」。 这里解决性能热点的思路是「将共享资源变为不共享资源」。 锁竞争优化一般有几个思路： 只在必须共享的时候共享（对应为将资源从 CPU 共享拆分为每个 CPU 独立） 必须共享时，尽量减少在关键区中停留的时间（对应“大锁化小锁”，降低锁的粒度） 该 lab 的实验目标 14: 上述代码可能产生死锁（cpu_a 尝试偷 cpu_b，cpu_b 尝试偷 cpu_a），可能的解决方案看本文评论区或 https://github.com/Miigon/blog/issues/8。 前面提到的： 锁竞争优化一般有几个思路： 只在必须共享的时候共享（对应为将资源从 CPU 共享拆分为每个 CPU 独立） 必须共享时，尽量减少在关键区中停留的时间（对应“大锁化小锁”，降低锁的粒度）
1.1K10编辑于 2022-10-27 - 来自专栏软件研发
Lion优化器与Yolov8
Lion优化器与Yolov8Yolov8是一种经典的目标检测算法，而Lion优化器则是近年来新兴的优化算法之一。 本文将介绍Lion优化器与Yolov8目标检测算法的结合应用，以及它们对目标检测任务的性能提升。Lion优化器简介Lion优化器是一种基于梯度的优化算法，旨在提高梯度下降法在深度学习中的优化效果。 Lion优化器与Yolov8的结合应用将Lion优化器与Yolov8结合，可以进一步提升Yolov8在目标检测任务中的性能。 通过以上优化策略，Lion优化器与Yolov8的结合应用能够在目标检测任务中显著提升模型的性能。实验证明，使用Lion优化器的Yolov8在准确性和速度方面都能取得更好的结果。 总结本文介绍了Lion优化器与Yolov8目标检测算法的结合应用。
1.1K10编辑于 2023-11-22 - 来自专栏晨曦破晓の家
8个尽量优化你的SQL
查询语句的优化是SQL效率优化的一个方式，做到以下8个方面优化你的SQL。 ==1、在表中建立索引，优先考虑where、group by使用到的字段。 == Select * from user 优化方式：使用具体的字段代替*，只返回使用到的字段。 ==3、尽量避免使用in 和not in，会导致数据库引擎放弃索引进行全表扫描。 == SELECT * FROM t WHERE username LIKE '%li%' 优化方式：尽量在字段后面使用模糊查询。 如下： SELECT * FROM t2 WHERE score = 10*9 SELECT * FROM t2 WHERE username LIKE 'li%' ==8、当数据量大时，避免使用where == SELECT * FROM t WHERE 1=1 优化方式：用代码拼装sql时进行判断，没where加where，有where加and。
48631发布于 2020-09-24 - 来自专栏AI系统
【AI系统】算子循环优化
AI 芯片硬件的支持。 向量本身可以容纳不同大小数据，因此如果一个向量寄存器可以容纳 64 个 64 bit 元素，那么也可以容纳 128 个 32 bit 元素或者 512 个 8 bit 元素。 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来自专栏大大的小蜗牛
博客 AI 摘要及优化
即便如此，我的博客中也只有不到三分之二的文章有 AI 摘要。 这样下去，感觉像个无底洞。 这个时候的 AI 摘要功能就变成了一个历史包袱。 如果取消 AI 摘要功能，那前面花的那些小钱就变成了沉没成本了。 有情怀不代表需要妥协 Geek 精神。 所以决定自己动手改造一下 AI 摘要。 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。
从 V8 优化看高效 JavaScript
文本翻译自: https://blog.logrocket.com/how-javascript-works-optimizing-the-v8-compiler-for-efficiency 理解 JavaScript V8 执行 JS 分为三个阶段： 源代码转换为 AST 抽象语法树。 语法树转换为字节码：这个过程由 V8 的 Ignition 完成，2017年之前是没有的。 字节码编译成机器码：由 V8 的编译器 TurboFan 来完成。 第一个阶段并不是文本的讨论范围，第二三阶段对于编写优化 JS 有直接影响。 由于需要存储优化过的机器码和探测器的信息，JIT 引入了额外的内存成本。这种成本激发了 V8 的解释器 Ignition 。 5、使用 for ... in for ... in 循环是 V8 引擎特别优化过的，可以快 4 到 6 倍。
JDK8新特性 ForkJoin 的优化
### JDK8 对 Fork/Join 的优化 JDK8 对 Fork/Join 的优化：主要是让 Fork/Join 使用起来更加方便。对 Fork/Join 进行了封装，简化使用方式。 对于 JDK8 对 Fork/Join 的底层优化，这里不进行分析。 System.out.println("耗费时间为：" + Duration.between(start, end).toMillis());//35-3142-15704 } //java8
V8 引擎和 JavaScript 优化建议
V8 里的优化编译器（又名 Turbofan）拿到 JavaScript 代码之后，会将其转化成高效率的机器码，因此，我们能向其输入越多的代码，我们的应用就会越快。 如果您需要优化应用，必须在所有的环境中进行测试。 里的不同对象，接下来看看 V8 引擎是如何优化对象的。 会做如下查找： obj[getProp(obj[0], name)] 这就是 V8 创建对象的过程，接下来看看如何优化对象以及重用 classId。 创建对象的建议 应该尽量将属性放在构造器中声明，以保证对象的结构不变，从而让 V8 可以优化对象。
