- 博客(9501)
- 资源 (18)
- 收藏
- 关注
RSS订阅原创 Java 异常捕获基础知识：Exception、Error 和 Throwable
2. 异常继承体系3. 重要限制：不能捕获Error4. 捕获所有Throwable如果要捕获所有异常和错误：5. Spring Boot中的实际应用场景1：全局异常处理场景2：Service层异常捕获6. Thread.UncaughtExceptionHandler对于未捕获的异常（包括Error）：7. 最佳实践建议❌ 不推荐的做法：✅ 推荐的做法：8. 重要总结捕获类型能捕获的异常不能捕获的异常使用场景所有Exception子类Err
2025-12-26 22:59:05
130
原创 MySQL EXPLAIN type 类型性能层级分析
针对上图阿里Java开发手册中的说明，本文我来详细分析 MySQL EXPLAIN 中的type。
2025-12-26 22:34:42
159
原创 MySQL 执行计划 EXPLAIN 常见的 Extra 信息解析
在 MySQL 的EXPLAIN输出中，Extra列提供了关于查询执行计划的额外信息，这些信息有助于理解查询是如何被优化的、使用了哪些策略以及是否存在潜在的性能问题。下面是一些常见的Extra。
2025-12-26 22:18:13
202
原创 工控领域的上位机和下位机介绍
关系维度说明主从关系通常是主从结构，上位机为主，下位机为从。但下位机也具有独立运行能力，在上位机故障时仍能完成基本控制。分工合作“上位机管人，下位机管事”。上位机负责与人交互和宏观管理；下位机负责与机器交互和具体执行。数据流下行：控制指令、参数设置。上行：状态数据、采集结果、报警信息。编程与开发上位机编程：多用高级语言，如 C#， Python， Java， 侧重于界面、网络和数据库。下位机编程：多用底层语言，如 C/C++、汇编、PLC专用语言，侧重于硬件驱动和实时控制。
2025-12-26 16:47:34
340
原创 数字孪生（Digital Twin）
物理世界中的实体（如一台风机、一条生产线、一座城市）或过程（如制造流程、物流系统）通过传感器、物联网等技术实时采集数据，在数字空间生成动态的“孪生体”。例如，工厂设备的运行参数、温度、耗能等数据会持续同步到虚拟模型中。数字孪生不仅是技术工具，更是一种推动物理世界与数字世界融合的范式，正在成为工业4.0、智慧城市等领域的核心支撑技术。从设计、制造、运营到维护，数字孪生贯穿物理对象的整个生命周期，支持模拟验证、故障诊断、优化决策等。，并利用实时数据模拟、分析、预测其全生命周期过程的技术。
2025-12-24 16:25:24
268
1
原创 深度学习目标检测中的矩形框坐标格式详解
代表一个矩形框，通常用于标注或预测图像中物体的位置和大小。四个参数的含义：x：边界框中心点的横坐标y：边界框中心点的纵坐标w：边界框的宽度h：边界框的高度优点：回归友好：对神经网络学习更稳定物理直观：中心点+尺寸的表示符合直觉尺度鲁棒：对物体尺度变化更稳定广泛支持：被YOLO等主流检测器采用理解中心点坐标和宽高的含义掌握归一化处理的方法知道如何与角点格式相互转换了解在训练和推理中的不同使用方式。
2025-12-24 10:26:08
733
1
原创 计算机视觉基础知识：感受野
感受野是指卷积神经网络中某一层特征图上的一个点，对应原始输入图像上的区域大小。在CNN中，越深的层，其神经元的感受野越大感受野越大，意味着该神经元能捕捉更大范围更全局的特征感受野是连接局部特征与全局语义本质：特征点能看到的原始图像区域大小趋势：网络越深，感受野越大重要性：决定了网络能处理的物体尺度范围应用：指导网络设计、Anchor设置、多尺度融合设计高效CNN架构的基础解决小物体检测难题的关键理解CNN工作机制的核心在目标检测中，要让感受野与待检测物体的尺度相匹配。
2025-12-24 10:11:18
760
原创 深度学习基础知识：图像分类和目标检测概念对比理解
图像分类是概括性的，回答“整张图是什么”。目标检测是具体化的，回答“图里每个东西是什么，在哪里”。简单来说，目标检测 = 图像分类 + 物体定位，它是一个更复杂、信息更丰富的任务，能够提供更详细、更有空间感的图像理解。
2025-12-24 09:36:54
790
原创 nginx java web 应用常用指令配置示例
Nginx 本身是一个高性能的 HTTP 和反向代理服务器，它并不直接运行 Java 应用（如 Spring Boot、Tomcat 等），但常用于作为 Java Web 应用的或。
2025-12-23 20:34:39
253
原创 深度学习目标检测模型中的分类和回归详解
特性分类任务回归任务核心问题“是什么？”（类别）“在哪？”（位置）输出类型离散的类别标签/概率连续的坐标值典型输出(C+1)维概率向量4维偏移向量常用损失函数交叉熵损失Smooth L1 Loss, IoU系列损失在检测中的作用识别物体身份，区分目标与背景精确定位物体边界正是这种“分类+回归”的双任务设计，使得深度学习目标检测模型既能识别物体，又能精确地找到它们的位置，从而实现了对视觉世界的理解。这两个任务共享特征、相互促进，是目标检测算法的基石。
2025-12-23 17:21:30
600
原创 Nginx try_files 指令在SPA单页应用中的关键作用分析
SPA 只有index.html一个入口文件刷新/直接访问会向服务器发起真实请求服务器需要把所有路由请求都指向index.html前端路由根据 URL 渲染对应组件这就是为什么没有配置时，SPA 刷新会报 404 错误的原因。这个配置的本质是“对于不存在的路由，统一返回入口文件，让前端路由来处理”。
2025-12-23 16:58:53
318
原创 Nginx try_files 指令详解
try_files是 Nginx 中一个非常实用的指令，用于按顺序检查文件是否存在，并返回第一个找到的文件。如果所有文件都不存在，则执行最后一个参数指定的回退操作（通常是返回错误码或转发请求）。
2025-12-23 16:57:29
261
原创 Linux centos7 dnf在线安装nginx（dnf install nginx -y）
的方式无论怎么换源、配置，安装nginx死活不成功，另辟蹊径，通过dnf方式安装一气呵成——
2025-12-23 16:24:09
171
原创 MySQL 查询优化器 (Query Optimizer) 详解
查询优化器(Query Optimizer)是MySQL的核心组件,负责将SQL语句转换为最优的执行计划。SQL语句 → 解析器(Parser) → 优化器(Optimizer) → 执行器(Executor) → 存储引擎选择最优的索引确定表的连接顺序选择合适的连接算法优化子查询简化和重写查询语句编写更高效的SQL设计合理的索引排查性能问题合理使用优化器提示优化器基于成本模型选择执行计划依赖准确的统计信息需要定期维护(ANALYZE TABLE)
2025-12-22 12:45:53
532
原创 MySQL创建组合索引时的注意细节
等号 > 范围查询(有范围查询时,等号列必须前置)区分度高 > 区分度低(都是等号或都是范围时,按区分度排序)考虑最左前缀(要覆盖最常用的查询模式)
2025-12-22 12:22:38
482
原创 Spring Boot 2.0.6 线程池监控二方库完整实现代码案例
1. Maven配置文件 (pom.xml)2. 启动器类3. 自动配置类4. 配置属性类5. 启动器实现类6. 监控注解7. 线程池注册表8. 可监控的线程池执行器9. 监控指标类10. 监控控制器11. 监控统计类12. Actuator端点配置13. AOP切面 - 自动创建监控线程池14. Spring自动配置注册15. 简单的Web监控界面16. 使用说明文档创建 文件：2. 启用监控在Spring Boot启动类上添加注解：3
2025-12-21 16:41:09
704
1
原创 springboot二方库完整代码案例：完整的线程池监控解决方案
本篇博文将为大家介绍创建一个完整的Spring Boot线程池监控二方库案例的完整过程。这个库将提供线程池配置、实时监控、指标收集和报警功能。
2025-12-21 16:35:31
897
原创 不同级别RAID的磁盘容量利用率对比分析
的利用率是恒定不变的，与磁盘数量无关。，磁盘数量变化会直接导致利用率发生显著变化。因此，在设计存储方案时，本文先引入一个问题——
2025-12-21 12:09:50
471
原创 磁盘阵列RAID 1（镜像）和RAID 10 级别容错能力的正确理解
核心原则：RAID 1 的容错能力是基于“镜像对”或“镜像组”的，而不是基于总盘数N的简单减法。最经典的双盘镜像（N=2）：多盘镜像（例如，3盘或4盘镜像，N>2）：嵌套镜像（如RAID 10 中的 RAID 1 组）：对于 RAID 10，更准确的冗余能力描述应为：“可以承受多个硬盘故障，但前提是故障硬盘不全部位于同一个RAID 1镜像对内。在最理想的情况下，最多可以损坏一半的硬盘（每个镜像对只坏一块）。如果同一个镜像对的两块盘都损坏，则整个阵列失效。”
2025-12-21 12:04:00
237
原创 磁盘阵列RAID技术详解：RAID0 RAID1 RAID5 RAID6 RAID10
三者之间取得了卓越的平衡。理解不同RAID级别的原理和适用场景，根据实际业务需求（性能、安全性、预算）进行合理选择和配置，并辅以完善的监控和备份策略，是构建稳定、高效存储架构的关键。随着技术的发展，RAID的思想正以新的形式（如纠删码）在更广阔的分布式存储领域继续发挥着重要作用。磁盘阵列（RAID）是现代数据存储系统的核心技术之一，它巧妙地利用多块廉价硬盘，通过。本篇博文博主将从基础概念到高级应用，全面解析RAID技术。以下是企业环境中最常用和核心的几种RAID级别。，即“独立磁盘冗余阵列”。
2025-12-21 11:17:06
561
原创 Linux内核参数高并发场景优化：net.ipv4.tcp_fin_timeout
在高并发场景下，TIME_WAIT状态过多确实是导致“端口耗尽”或内存压力过大的常见原因。
2025-12-20 23:38:14
229
原创 MySQL多表join的底层优化技术详解
虽然阿里内部存在上述规范，但在很多场景下，即使进行多表JOIN且数据量大，SQL查询效率仍然很高。其实这背后涉及。
2025-12-20 18:41:04
187
原创 MySQL禁止3表以上JOIN的原因详解
这个设计规范的核心理念可预测的性能：避免JOIN导致的性能不确定性线性扩展：应用层处理比数据库层更容易扩展明确的责任分离：业务逻辑尽量放在应用层为分布式设计：考虑分库分表后的可行性在大数据量、高并发的互联网应用中，这种保守的设计能有效避免生产环境中的性能灾难，特别是在微服务架构和分布式数据库环境中更为重要。
2025-12-20 18:35:25
418
原创 vscode插件code runner代码测试工具使用教程
F1命令：输入 “Run Code” 或 “Stop Code Run”· $fileNameWithoutExt：当前文件名（不含扩展名）· $workspaceRoot：VS Code 打开的文件夹路径。· 右键菜单：在编辑器中右键 → “Run Code”· $fullFileName：当前文件的完整路径。· $fileName：当前文件名（含扩展名）· 快捷键：Ctrl+Alt+M（停止运行）· 快捷键：Ctrl+Alt+N（运行）按 Ctrl+Alt+N 快速运行测试。
2025-12-19 18:32:34
349
1
原创 Spring 案例分析：记一次的 ThreadPoolTaskExecutor 参数配置错误导致的 IllegalArgumentException 异常
后果：Spring Boot 应用启动失败，控制台打印嵌套。解决方法：始终确保 maxPoolSize >= corePoolSize。最佳实践对于计算密集型：通常设置core = max（固定大小线程池）。max可以比core大，用于应对突发流量。
2025-12-18 21:03:58
615
原创 算法可视化教学工具网站 Data Structure Visualizations
网站是由美国旧金山大学（University of San Francisco, USF）计算机科学系的 David Galles 教授开发的一个。该网站旨在通过交互式动画帮助学生和开发者更直观地理解各种经典计算机科学算法的工作原理。
2025-12-17 22:04:10
425
原创 PhET 在线网站：免费的在线物理、化学、生物、地理及数学仿真程序
PhET Interactive Simulations不仅仅是一个简单的实验列表，更是一个能让枯燥的理科公式“活”起来的。正如你所说，它由诺贝尔物理学奖得主卡尔·威曼（Carl Wieman）于2002年创立，初衷就是为了解决“学生死记硬背公式却不懂原理”的痛点。为了让更多家长和孩子能立刻上手这个宝藏工具，我结合你的介绍，整理了一份更详细的。
2025-12-17 21:52:45
427
原创 深度学习基础术语介绍：梯度
一元函数的梯度（导数）"""一元函数梯度的解释"""print("""=== 一元函数的梯度（就是导数）===对于函数 y = f(x)：梯度（导数）定义为：物理意义：函数在x点处的瞬时变化率几何意义：函数曲线在该点的切线斜率""")# 数值计算示例"""数值计算梯度"""# 测试函数("f(x) = x²", lambda x: x**2, 2, 3.0), # 导数：2x。
2025-12-17 17:27:26
293
1
原创 ResNet 图像分类算法残差结构：让神经网络突破1000层的革命
三大核心贡献print("""=== ResNet的三大革命性贡献 ===1. 残差连接（Residual Connection）- 解决梯度消失和网络退化问题- 公式：输出 = F(x) + x- 让网络可以学习'残差'而非完整映射2. 极深网络（Ultra-Deep Networks）- 首次突破100层、1000层- 证明深度是有效的（有适当结构）- 152层的错误率首次低于人类3. 简单有效的架构- 比Inception更简单- 容易实现和调参- 成为后续网络的标准组件。
2025-12-17 17:18:05
376
原创 GoogLeNet（Inception）图像分类算法的核心创新：跳出堆叠深度的思维定式
三大核心创新print("""GoogLeNet的三大革命性贡献：1. Inception模块（多尺度并行处理）- 打破"更深=更好"的思维定式- 让网络在每层自适应选择感受野- 宽度方向的特征融合2. 1×1卷积（跨通道信息整合）- 通道维度的"全连接层"- 高效降维升维- 大幅减少计算量3. 辅助分类器（解决梯度消失）- 中间层监督信号- 改善梯度流动- 正则化效果""")
2025-12-17 17:09:47
347
原创 基于CNN卷积神经网络的图像分类全流程详解
分类器是CNN的"决策大脑"，它把提取的高级特征映射到具体的类别。"""完整的图像分类器"""# 特征提取部分（卷积层）# 分类器部分（全连接层）# 第一层全连接nn.ReLU(),nn.Dropout(0.5), # 防止过拟合# 第二层全连接nn.ReLU(),# 输出层nn.Linear(256, num_classes) # 256 → 类别数# 1. 特征提取# 2. 展平# 3. 分类决策return x。
2025-12-17 16:33:51
339
Premiere CS4教程——制作一个简单的相册
2013-03-17
spring boot发送普通文本邮件/HTML邮件/附件邮件/图片邮件完整代码.zip
2019-09-03
spring mvc 4+mybatis 3+bootstrap+逆向工程+分页插件实现增删改查完整项目源码
2018-07-01
Spring security+jwt服务鉴权完整代码.zip
2019-09-09
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人