lancelet223的博客

OC里面有个对象释放池的概念，方法返回的临时对象会被加入到对象释放池，引用计数加1。而普通的临时对象不会加入到自动释放池。所以要求在for循环（循环次数很多）里面加入@autoreleasepool，保不齐里面有很多方法返回的临时对象，被加入到对象释放池，不会被立即释放。valueWithNonretainedObject和nonretainedObjectValue不能认为是弱引用操作，只是指针的操作，如果对象被销毁，val里面保存的指针变成野指针，nonretainedObjectValue会崩溃。

Itanium C++ ABI (itanium-cxx-abi.github.io)

右值引用的形参，使用时自动变成左值#include <iostream>#include <utility> void f(int& x) { std::cout << "lvalue reference overload f(" << x << ")
";} void f(const int& x) { std::cout << "lvalue reference to const

可以推动分布式主从读写分离方案的发展。

使用场景监控摄像头对接不一样的云台，各云台设备的坐标系不一致。为了适配差异，提供给客户端的坐标系统一8192。客户端在获取设置的过程中，存在坐标系转换和反转误差的问题。以下方案就是为了解决这种误差。有个前提，真实坐标系必须小于传输坐标系。方案描述N转M时两个黑点间，最多只有一个圆圈。所以每个圆圈左边的黑点各不一样，可以一一对应。找左边的黑点：(X*M)/N，整数运算，不用四舍五入。M转N因为N转M的时候已经可以一一对应，那M转N时，只要反着找对应的圆圈就可以。找右边的圆圈：(X*N+(M-

概况一致性hash算法这里就不描述。补充算法作用在虚拟节点和实际节点的映射上。算法保证，整个系统，无论哪些节点宕机，幸存节点的HASH空间还是均匀分配。算法介绍假设系统运行时最大节点数量为m，那整个HASH环，均匀分配m*(m-1)个虚拟节点。那这些节点怎么分配，能够达到算法目的？先为每个物理节点编号，0、1、…、m-1按逆时针顺序：前m个虚拟节点分配给：0、1、…、m-1 计算公式：虚拟节点组内序号x1%m第二组m个虚拟节点分配：0、2、4、…、1、3、5、 计

前言在工程的pom.xml文件里已经加了 <dependency> <groupId>com.google.code.kaptcha</groupId> <artifactId>kaptcha</artifactId> <version>2.3</version> </dependency>kapt

镜像下载转自：https://jingyan.baidu.com/article/363872ec206a356e4ba16f30.htmlMac OS X 10.11 镜像文件（链接：http://pan.baidu.com/s/1pL8HE59 密码：cq4d）（此镜像为网络收集，如果觉得有问题自己找谢谢。） unlocker208文件（链接：http://pan.baidu.com/s/1b

前言在海思3536上移植DLIB库，用arm-hisiv300-linux-g++编译器。DLIB编译在DLIB下建Build目录，进入。编译脚本如下：cmake .. -DCMAKE_CXX_COMPILER:FILEPATH=arm-hisiv300-linux-g++ -DCMAKE_C_COMPILER:FILEPATH=arm-hisiv300-linux-gcc -DCMAKE_BUIL

如果服务器地址用域名，不会存在这个问题。有些场景下，主服务器用域名，但负载均衡到其他服务器的时候，会直接访问IP，这就涉及到在IPV6环境下，访问IPV4的问题。纪录下现在我用的方法，先解析“ipv4only.arpa.”域名，通过返回回来的IPV6地址，把最后几位替换成IPV4地址就可以了。

注意：如果出现这个警告要注意，在实际使用中，getaddrinfo第二次调用会崩溃。暂时的解决方法不能用-static编译可执行程序。

动态库编译下面是动态库编译的脚本编写$(DLLTARGET): $(LIBOBJS) $(CC) -shared -fPIC $(CXXFLAGS) -Wl,--whole-archive $(LDLIBS) $(LIBOBJS) -Wl,-no-whole-archive -Wl,--retain-symbols-file=exports.map -Wl,--version-script=

XGBoost 与 Boosted Treetruth4sex04/22/20153作者：陈天奇，毕业于上海交通大学ACM班，现就读于华盛顿大学，从事大规模机器学习研究。注解：truth4sex 编者按：本文是对开源xgboost库理论层面的介绍，在陈天奇原文《梯度提升法和Boosted Tree》的基础上，做了如下注解：1）章节划分；2）注解和参考链接

准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measureyu Code 15 Comments 机器学习(ML),自然语言处理(NLP),信息检索(IR)等领域,评估(Evaluation)是一个必要的 工作,而其评价指标往往有如下几点:准确率(Accuracy),精确率(Precision),召回率(Recall)和F