火火的博客

文章目录一、对象创建的过程1.1 new指令1.2 分配内存1.3 初始化1.4 对象信息配置1.5 构造函数init二、对象的内存布局2.1 对象头2.1.1 对象自身的运行时数据2.1.2 类型指针2.2 实例数据2.3 对齐填充三、如何访问创建的对象3.1 使用句柄3.2 指针访问3.3 总结一、对象创建的过程1.1 new指令当Java虚拟机遇到一条字节码new指令时， 先检查这个指令的参数是否能在常量池中定位到一个类的符号引用， 并且检查这个符号引用代表的类是否已被加载、 解析和初始化过。

文章目录前言如何决定哪些对象是垃圾？1、引用计数法2、可达性分析法其他问题java的堆内存什么中生代￥%……&前言说起垃圾回收机制gc，主要是两部分为题需要解决：如何判断谁是垃圾？则么回收？（涉及算法和策略）如何决定哪些对象是垃圾？1、引用计数法java中是通过引用来和对象进行关联的，也就是说如果要操作对象，必须通过引用来进行。那么简单的办法就是通过引用计数来判断一个对象是否可以被回收。如果一个对象没有任何引用与之关联，则说明该对象基本不太可能在其他地方被使用到，那么这个对象就成为

文章目录步骤步骤1、 下载samba，是一个共享网络文件夹的工具。sudo apt-get install samba安装完成后执行samba -V如果可以看到版本号即为安装成功2、创建你要共享的目录mkdir 你的目录chmod 777 你的目录3、第二步需要配置samba服务器，使用如下命令打开samba的配置文件sudo vi /etc/samba/smb.conf 加入配置信息[share]**（注意，这里的share你写什么名字，就会在最终的网络驱动器上叫什么名

文章目录一、 前言二、 眼球追踪基础1. 眼动类型研究2. 基本设备3. 校准 calibration4. 眼球视线和头部姿态的关系5. 视线追踪精确度的评估三、 视线估计算法1. 基于2维回归2. 基于3D模型1) 单摄像头2) 多摄像头3. 基于交叉比4. 基于外观5. 基于眼睛形状的方法四、 实现估计的应用1. 电脑2. 电视3. 头戴设备4. 汽车5. 手持设备6. 设备配置五、 视线追踪的性能指标和错误原因1. 不同平台之间差异性很大2. 影响视线追踪可用性的因素六、 视线追踪系统的性能评估框架1

文章目录前言一、阻塞、非阻塞IO阻塞IO非阻塞IO二、IO复用IO复用的形成原因三、信号驱动IO模型四、异步IO五、IO总结前言之前看了一些关于Redis的只是，其中有一个知识点——IO多路复用，我不太清楚，索性今天从IO模式学起，系统的了解一下IO相关内容，也许会对理解Redis有所帮助。IO模型有以下几种：阻塞IO非阻塞IOIO复用（select和poll）信号驱动异步IO另外再明确一个概念，一个数据的输入操作一般分为两个阶段：等待数据准备好把数据从内核拷贝到进程对于网络

文章目录前言什么是高可用？Redis为何高可用？1、哨兵机制**当一个Sentinel启动时， 它需要执行以下步骤:**哨兵对节点的三项监控（1）info命令：（2）向 __sentinel__:hello 频道同步信息（3）向数据节点做心跳探测主观下线客观下线选举领头Sentinel故障转移（1）新的主服务器选举规则（2）选举之后，让其他从服务器服从主服务器（3）将旧的主服务器变为从服务器**哨兵的核心知识**2、数据库的主从复制部分复制（1）偏移量（2）复制积压缓冲区（3）服务器运行ID前言什么是高

文章目录前言一、对象的类型和编码1、类型不同类型的type输出2、编码和它的底层实现二，字符串对象int编码raw编码embstr编码注意，long double也是按照string保存的！！！三、列表对象1、压缩列表编码2、双端链表编码补充，压缩列表的结构3、编码转换四、哈希对象1、压缩列表编码2、字典编码3、 编码转换五、集合对象1、整数集合编码2、哈希表编码两种编码图3、编码转换六、有序集合对象1、压缩列表编码2、跳跃表编码为什么有序集合需要同时使用跳跌表和字典来实现？3、编码转换七、内存回收前言

HTTP不安全HTTP协议以明文方式发送内容，不提供任何方式的数据加密，如果攻击者截取了Web浏览器和网站服务器之间的传输报文，就可以直接读懂其中的信息，因此，HTTP协议不适合传输一些敏感信息，比如：信用卡号、密码等支付信息。为什么HTTPS安全HTTPS是HTTP和SSL组合而成的,在传输层使用了SSL进行加密,保证了只有拥有私钥的才能看到信HTTPS工作原理首先服务端给客户端传输证书,这个证书就是公钥,只是包含了很多的信息,比如说证书的办法机构,证书的过期时间客户端进行证书的解析,比如说验

什么是Batch Norm：个人感觉，Batch Norm是深度学习中出镜率很高的一项技术，可以使训练更容易、加速收敛、防止模型过拟合。在很多基于CNN的分类任务中，被大量使用（个人理解，BN层很适合分类任务！）。BN对图像来说类似于一种对比度的拉伸，其色彩的分布都会被归一化，会破坏了图像原本的对比度信息（所以BN就不适合做超清晰度重建之类的任务）。但是图像分类不需要保留图像的对比度信息，利用图像的结构信息就可以完成分类，所以Batch Norm反而降低了训练难度，甚至一些不明显的结构，在Batch

文章目录1、简介2、VGG网络结构3、原理1、简介VGG是Oxford的Visual Geometry Group的组提出的，所以叫VGG；VGG是一种经典的卷积神经网络；VGG有两种结构，分别是VGG16和VGG19，两者并没有本质上的区别，只是网络深度不一样。2、VGG网络结构VGG16包含了16个隐藏层（13个卷积层和3个全连接层），如上图中的D列所示；VGG19包含了19个隐藏层（16个卷积层和3个全连接层），如上图中的E列所示VGG网络的结构非常一致，从头到尾全部使用的是3x

文章目录Cloud Foundry是什么Kubernetes是什么相似点PaaS和IaaS+Cloud FoundryKubernetes支持的容器KubernetesCloud Foundry我们以一个开发者需要部署一个Spring Boot Java应用为例。Cloud Foundry是什么Cloud Foundry是一个独立于云的平台即服务解决方案。开源的Cloud Foundry由Cl...

接下来的定理证明我会结合单纯性表法来讲解：注意，我写的这个，就是打印体的这个

这个问题需要从香农的信息熵开始。小明和爸爸玩猜球游戏，我拿一个球，你猜球的颜色，我可以回答你任何问题，你每猜一次，不管对错，你就一个星期不能玩王者荣耀，当然，猜对，游戏停止，否则继续猜。当然，当答案只剩下两种选择时，此次猜测结束后，无论猜对猜错都能100%确定答案，无需再猜一次，此时游戏停止。题目1：爸爸拿来一个箱子，跟小明说：里面有橙、紫、蓝及青四种颜色的小球任意个，各颜色小球的占比不清楚，现在我从中拿出一个小球，你猜我手中的小球是什么颜色？在这种情况下，小明什么信息都不知道，只能认为四种颜色的小

文章目录前言二者的区别维基百科上Generative案例：常见模型前言对于分类模型，一般有三种建模方法：生成模型判定模型直接学习决策边界。本文先说生成模型和判定模型。二者的区别生成式模型：举例：现在要判定一只羊是山羊还是绵羊，根据山羊的特征首先学习出一个山羊的模型A，然后根据绵羊的特征学习出一个绵羊的模型B，然后从这只羊中提取特征C，之后把C放到A、B里都泡一泡，看看概率，哪个大就是哪个。判别式模型：判别模型之所以称为“判别”模型，是因为其根据X“判别”Y；要确定一个羊是山

文章目录Burnside引理和Polya定理Burnside引理定义：Burnside例子解释Polya定理Burnside引理和Polya定理对于图形来说，如果通过旋转，图像能达到其他图像的效果，这叫做本质上一样。Burnside的目的是，我们能有多少种排列方案，求的是一个方案的数量num。Burnside引理定义：反正直接让我看这个定义…我是看不懂…所以还是直接上例子吧。Burnside例子解释所以！！！例子套用Burnside引理就是 L = (16+2+4+2)/4 =

文章目录前言1、DevOps的历史由来2、什么是DevOps3、DevOps工具监控工具性能分析/APM工具批量+自动化运维工具集中日志分析工具持续集成/发布工具IaaS集成4、DevOps案例其他三者的关系：自动化运维资产管理系统（CMDB）前言本文根据软件敏捷开发（并不拘泥于最经典的敏捷模式）为大方向，重点谈一谈软件开发中的一个比较火的概念——DevOps。1、DevOps的历史由来为了有一个完整的叙事逻辑，在此再简述一下早期软件开发：早期程序员对所要开发的软件的所有环节都有透彻的了解，从

文章目录前言卷积神经网络-CNN 的基本原理典型的 CNN 由3个部分构成：1、卷积层卷积层的作用：为什么卷积能够提取图像特征？2、池化层3、全连接层【待修正】全连接层运行流程？运行流程举例前言暂无卷积神经网络-CNN 的基本原理典型的 CNN 由3个部分构成：卷积层：卷积层负责提取图像中的局部特征；池化层：池化层用来大幅降低参数量级(降维)；全连接层：全连接层类似传统神经网络的部分，用来输出想要的结果。1、卷积层卷积层的作用：提取图像的特征，并且卷积核的权重是可以学习的，卷积操作

【扫盲】什么是深度学习中的梯度？首先，可以梯度理解为函数的斜率。之后，这个斜率，说的是损失函数的斜率，如果我们的损失函数仅仅有一个参数，那么梯度就是斜率。在这里我假设损失函数有两个参数（就是二维损失函数），那么损失函数的3D图像就如下图，中间是损失率最低的点，也是我们所要去寻找的点：在此，梯度是一个向量，表示某一函数在该点处的方向导数沿该方向取得最大值，即函数在该点处沿着该方向变化最快，变化率最大。我们就是根据梯度这个东西，来确定误差函数的最小点（或者说相对最小点），而损失函数