[Collection与数据结构] 位图与布隆过滤器

🌸个人主页:https://blog.csdn.net/2301_80050796?spm=1000.2115.3001.5343
🏵️热门专栏:
🧊 Java基本语法(97平均质量分)https://blog.csdn.net/2301_80050796/category_12615970.html?spm=1001.2014.3001.5482
🍕 Collection与数据结构 (93平均质量分)https://blog.csdn.net/2301_80050796/category_12621348.html?spm=1001.2014.3001.5482
🧀线程与网络(96平均质量分) https://blog.csdn.net/2301_80050796/category_12643370.html?spm=1001.2014.3001.5482
🍭MySql数据库(93平均质量分)https://blog.csdn.net/2301_80050796/category_12629890.html?spm=1001.2014.3001.5482
🍬算法(97平均质量分)https://blog.csdn.net/2301_80050796/category_12676091.html?spm=1001.2014.3001.5482
🍃 Spring(97平均质量分)https://blog.csdn.net/2301_80050796/category_12724152.html?spm=1001.2014.3001.5482
🎃Redis(97平均质量分)https://blog.csdn.net/2301_80050796/category_12777129.html?spm=1001.2014.3001.5482
🐰RabbitMQ(97平均质量分) https://blog.csdn.net/2301_80050796/category_12792900.html?spm=1001.2014.3001.5482
感谢点赞与关注~~~
在这里插入图片描述

目录

  • 1. 常见位运算总结
  • 2. 位图
    • 2.1 位图的概念
    • 2.2 位图的实现
    • 2.3 位图的应用
    • 2.4 对应java中的类
  • 3. 布隆过滤器
    • 3.1 布隆过滤器的提出
    • 3.2 布隆过滤器的概念
    • 3.3 布隆过滤器的插入
    • 3.4 布隆过滤器的查找
    • 3.5 布隆过滤器的模拟实现
    • 3.6 布隆过滤器的缺陷
    • 3.7 布隆过滤器的优点
    • 3.8 布隆过滤器的常见使用场景
  • 4. 海量数据处理
    • 4.1 哈希切割
    • 4.2 位图应用
    • 4.3 布隆过滤器的应用

1. 常见位运算总结

  1. 基础位运算
    <<: 二进制左移.
    >>:二进制右移.
    ~:二进制取反.
    &: 有0就是0,全1才是1.
    |: 有1就是1,全0才是0.
    ^: 相同为0,相异位1.其实也可以看做是一种无进位相加.
  2. 给定一个数n,确定他的二进制表示的第x位是0还是1
    可以把这个数字n进行左移x位,之后&上一个二进制1,如果结果是1,说明该位是1,如果结果是0,说明该位是0.
  3. 将一个数n的二进制表示的第x位修改为1.
    可以把二进制1左移x位,之后n|=左移x位之后的这个数字.
  4. 将一个数n的二进制表示的第x位修改成0.
    首先把一个二进制1取反,之后再左移x位,之后n&=左移x位之后的这个数字.
  5. 提取一个数n二进制表示中最右侧的1.
    n&(~n+1)
  6. 干掉一个数n二进制表示中最右侧的1.
    n&(n-1)
  7. 异或^运算的运算律
    消消乐运算律
    • a^0 = a
    • a^a = 0
    • a ^ b ^ c = a ^ (b ^ c)

2. 位图

2.1 位图的概念

所谓位图,就是用每一个bit位来存放某种状态,1表示一种状态,0表示另一种状态.适用于海量数据,整数,数据无重复的场景.通常用来判断某个数据是否存在.
位图之所以可以存储海量的数据,是由于位图对空间的利用率非常高.下面我们来举个例子:
给定40亿个不重复的无符号整数,没有经过排序,给一个无符号整数,如何快速判断这个数是否在这40亿个数据中存在.
我们如果使用遍历数据的方法的话,存在两个问题,第一个问题就是内存空间有限,我们不可能把数据全部都从硬盘中读取到内存中来寻找,其次就是查找效率太低,时间复杂度为O(N).如果我们进行排序之后利用二分查找算法来查找,只能一定程度上解决时间效率上的问题,不可解决空间效率上的问题.
所以我们可以使用位图来解决:
数据是否给定的整形数据中,结果是在或者是不在,刚好是两种状态,那么可以使用一个二进制位来表示数据是否存在的信息,如果二进制比特位为1,代表的是存在,为0则代表的是不存在.
在这里插入图片描述

2.2 位图的实现

  1. 首先位图需要有存储数据的空间,我们使用byte[]数组来存储数据.
  2. 其次需要有空间使用大小.
  3. 使用构造方法初始化byte[]数组的空间.默认是1字节,如果指定了空间大小,那么就是n/8+1字节.比如n=12,除8之后就是1余4,也就是我们需要存储在第二个字节的第4个比特位,此时我们就需要2个byte.如果正好是在第8个bit位的时候,可能会多出来一个字节,但是也没有关系.
  4. 插入数据,首先/8计算在那个字节,之后判断有没有越界的情况,如果越界,使用copyof方法进行扩容,之后%8,计算在那个bit位存储这个数据,之后使用我们上面提到的常用的位运算来把指定的bit为改为1.
  5. 查找数据,首先还是把数据/8之后%8,之后还是使用我们上面的常用位运算验证对应的bit位是否是1.
  6. 删除某个数据,还是先把数据/8之后%8,之后还是使用我们上面的常用位运算把对应的bit为改为0.

代码实现:

import java.util.Arrays;

public class MyBitSet {
    private byte[] elem;
    public int usedSize;
    public MyBitSet(){
        this.elem = new byte[1];
    }
    public MyBitSet(int size){
        this.elem = new byte[size/8+1];
    }

    /**
     * 添加指定元素
     * @param val 指定元素
     * @return 返回是否添加成功
     */
    public boolean add(int val){
        if (val < 0){//不支持负数
            throw new RuntimeException("val not support lower than 0");
        }
        int byteSet = val / 8;
        int bitSet  = val % 8;
        if (byteSet > elem.length-1){//容量不够,扩容
            elem = Arrays.copyOf(elem,elem.length*2);
        }
        elem[byteSet] |= (byte) (1 << bitSet);
        usedSize++;
        return true;
    }

    /**
     * 是否包含指定元素
     * @param val 指定元素
     * @return 返回是否存在
     */
    public boolean contains(int val){
        if (val < 0){
            throw new RuntimeException("val not support lower than 0");
        }
        int byteSet = val / 8;
        int bitSet  = val % 8;
        if ((elem[byteSet] & (byte) (1 << bitSet)) != 0){
            return true;
        }
        return false;
    }

    /**
     * 删除指定元素
     * @param val 指定元素
     */
    public void del(int val){
        if (val < 0){
            throw new RuntimeException("val not support lower than 0");
        }
        int byteSet = val / 8;
        int bitSet  = val % 8;
        elem[byteSet] &= (byte) ~(1 << bitSet);
        usedSize--;
    }
}

2.3 位图的应用

  1. 去重+排序
    位图这种数据结构本身就是一个萝卜一个坑,一个数据在位图中只能存在一次,其次,位图本身就是从小到大存储数据,只要把位图中的元素遍历一遍,就可以从小到大输出数据.下面是遍历位图的实现:
/**
 * 输出位图中的数据
 */
public void display(){
    for (int i = 0;i < elem.length;i++){
        for (int j = 0;j < 8;j++){
            if ((elem[i] & (1<<j)) != 0){
                System.out.print(i*8+j+" ");
            }
        }
    }
}
  1. 求两个交集的交集,并集.
    把两个位图进行&运算,就可以求出交集,把连个位图进行|就可以求出并集.

对位图进行测试进行测试:

public class Main {
    public static void main(String[] args) {
        MyBitSet bitSet = new MyBitSet();
        bitSet.add(3);
        bitSet.add(7);
        bitSet.add(10);
        bitSet.add(9);
        bitSet.add(5);
        System.out.println(bitSet.contains(5));
        bitSet.del(10);
        bitSet.display();
    }
}

测试结果符合预期:
在这里插入图片描述
3. 操作系统重磁盘块的标记

2.4 对应java中的类

位图在java中被封装为了BitSet这个类,不同的一点就是,我们自己实现的这个位图是用byte数组来保存数据的,在除和取模的时候是以8为单位来计算的,而java封装的这个位图是使用long数组来保存数据的,在除和取模的时候是使用64为单位来计算的,下面是常用的一些方法:

返回值方法名描述
voidclear(int bitIndex)将指定的bit为设置为0
booleanget(int bitIndex)查看指定的值是否在位图中
voidset(int bitIndex)将指定位置的值设置为1
StringtoString()将这个位图按照字符串的形式表示出来

下面是使用实例

public static void main(String[] args) {
    BitSet bitSet = new BitSet();
    bitSet.set(1);
    bitSet.set(2);
    bitSet.set(3);
    bitSet.set(4);
    bitSet.set(5);
    bitSet.set(6);
    System.out.println(bitSet.toString());
    System.out.println(bitSet.get(1));
    bitSet.clear(2);
    System.out.println(bitSet.get(2));
    System.out.println(bitSet.toString());
}

测试结果:
在这里插入图片描述

3. 布隆过滤器

3.1 布隆过滤器的提出

日常生活中，包括在设计计算机软件时，我们经常要判断一个元素是否在一个集合中。比如在字处理软件
中，需要检查一个英语单词是否拼写正确（也就是要判断它是否在已知的字典中）；在 FBI，一个嫌疑人的
名字是否已经在嫌疑名单上；在网络爬虫里，一个网址是否被访问过等等。最直接的方法就是将集合中全部
的元素存在计算机中，遇到一个新元素时，将它和集合中的元素直接比较即可。
一般来讲，计算机中的集合是用哈希表（hash table）来存储的。它的好处是快速准确，缺点是费存储空
间。当集合比较小时，这个问题不显著，但是当集合巨大时，哈希表存储效率低的问题就显现出来了。
比如说，一个像 Yahoo,Hotmail 和 Gmai 那样的公众电子邮件（email）提供商，总是需要过滤来自发送垃
圾邮件的人（spamer）的垃圾邮件。一个办法就是记录下那些发垃圾邮件的 email 地址。由于那些发送者
不停地在注册新的地址，全世界少说也有几十亿个发垃圾邮件的地址，将他们都存起来则需要大量的网络服
务器。
如果用哈希表，每存储一亿个 email 地址， 就需要 1.6GB 的内存（用哈希表实现的具体办法是将每一个
email 地址对应成一个八字节的信息指纹,然后将这些信息指纹存入哈希表，由于哈希表的存储效率一般只有
50%，因此一个 email 地址需要占用十六个字节。一亿个地址大约要 1.6GB， 即十六亿字节的内存）。因此
存贮几十亿个邮件地址可能需要上百 GB 的内存。除非是超级计算机，一般服务器是无法存储的。

  1. 用哈希表存储用户记录，缺点：浪费空间
  2. 用位图存储用户记录，缺点：位图一般只能处理整形，如果内容编号是字符串，就无法处理了。
  3. 将哈希与位图结合，即布隆过滤器.

3.2 布隆过滤器的概念

布隆过滤器是一种紧凑的,比较巧妙的概率型数据结构,特点是高效的插入和查询,可以用来告诉你某样东西一定不存在或者可能存在,不可以判断某样东西一定存在,他是用多个哈希函数,将一个数据映射到位图的结构中.此种方式不仅仅可以提升查询的效率,也可以节省大量的内存空间.
在这里插入图片描述
布隆过滤器与位图最大的区别就是,位图适合处理大量的整数.适合对这些整数进行查找/排序/去重,但如果不是整数,但是依然还是想在位图中存储数据,那么就需要使用到布隆过滤器.

3.3 布隆过滤器的插入

在这里插入图片描述
比如我们要向布隆过滤器中插入"baidu"和"tencent".
我们首先需要把这个字符经过不同的哈希函数进行映射,得到一个值之后,把他映射到位图之上.
在这里插入图片描述
在这里插入图片描述
我们看到在插入不同的数据的时候,经过不同的哈希函数映射之后的值是有可能产生重合的值的.如果这些值全部重合的话,在查找的时候就有可能产生误判.下面我们就来解释查找操作.

3.4 布隆过滤器的查找

布隆过滤器的思想是将一个元素用多个哈希函数映射到一个位图中,因此被映射到的位置的bit位一定为1.所以可以按照一下的方式进行查找:分别计算每个哈希值对应的比特位置存储的是否为0,只要有一个为0,代表该元素一定不在位图中,否则可能在哈希表中.
注意:布隆过滤器如果判断某个元素一定不存在时,该元素一定不存在,如果该元素存在时,则该元素可能存在,因为哈希函数映射之后存在一定的误判概率.
比如:在不同过滤器中查找alibaba时,假设经过哈希函数计算出的哈希值为1,3,7,刚好和其他元素的比特位重叠,此时布隆过滤器告诉该元素存在,但实际上元素是不存在的.

3.5 布隆过滤器的模拟实现

  • 首先我们需要定义一个hash函数类,其中包含容积和随机种子.
  • 之后我们需要在定义一个hash方法,使用这个hash函数求出对应的hash值.
  • 实现布隆过滤器,布隆过滤器中存在若干个随机种子和默认容积.
  • 存在hash函数数组,在为位图中设置值的时候,需要经过hash数组中每一个hash函数的计算,数组中每一个hash函数都会计算出一个hash值,最后我们需要把这些hash值全部设置到位图当中去.
import java.util.BitSet;

/**
 * 创建Hash函数
 */
class SimpleHash{
    private int cap;//容量
    private int seed;//随机种子

    public SimpleHash(int cap, int seed) {
        this.cap = cap;
        this.seed = seed;
    }

    /**
     * 根据容量和随机数种子计算得到val的Hash值
     * @param val 传入的值
     * @return 返回Hash值
     */
    public int hash(String val){
        int ret = 0;
        int len = val.length();
        for (int i = 0;i < len;i++){
            ret = ret * seed + val.charAt(i);
        }
        return (cap-1) & ret;
    }
}

/**
 * 布隆过滤器
 */
public class MyBloomFilter {
    private static final int DEFAULT_SIZE = 1 << 24;//默认容积
    private static final int[] seeds = {1,6,3,5,10};//一共5个随机种子,在映射到位图中就需要把一个值映射到5个bit位.
    public int size;//过滤器存储元素的个数
    private SimpleHash[] simpleHashes;//不同种子的哈希函数
    private BitSet bitSet;//存储元素的位图
    public MyBloomFilter(){
        bitSet = new BitSet();//初始化位图
        //初始化哈希函数数组
        simpleHashes = new SimpleHash[seeds.length];
        for (int i = 0;i < seeds.length;i++){
            SimpleHash simpleHash = new SimpleHash(DEFAULT_SIZE,seeds[i]);
            simpleHashes[i] = simpleHash;
        }
    }

    /**
     * 为布隆过滤器中设置指定的值
     * @param val 指定的值
     */
    public void set(String val){
        if (val == null){
            return;
        }
        for (SimpleHash simpleHash : simpleHashes) {
            bitSet.set(simpleHash.hash(val));
        }
        size++;
    }

    /**
     * 获取指定的值是否在布隆过滤器中存在
     * @param val 需要获取的值
     * @return 返回是否在布隆过滤器中存在
     */
    public boolean get(String val){
        if (val == null){
            return false;
        }
        for (SimpleHash simpleHash : simpleHashes) {
            if (!bitSet.get(simpleHash.hash(val))) {//如果有一个不存在,就返回false
                return false;
            }
        }
        return true;//如果全部存在,则可能存在
    }
}

3.6 布隆过滤器的缺陷

  1. 布隆过滤器不能直接支持删除操作,因为在删除一个元素的时候,可能会影响到其他的元素.
    比如我们上面"baidu"和"tencent"的例子,想要在布隆过滤器中删除"tencent"元素,如果直接将该元素所对应的二进制位置为0,"tencent"元素和"baidu"元素刚好有一个重叠的位置,那么"baidu"元素也被删除了.
  2. 有误判率,即不能准确判断元素是否在集合中存在.
  3. 不能获取元素本身

3.7 布隆过滤器的优点

  1. 增加和查询元素的时间复杂度为:O(K), (K为哈希函数的个数，一般比较小)，与数据量大小无关,所以化简之后时间复杂度为O(1).
  2. 布隆过滤器不需要存储元素本身，在某些对保密要求比较严格的场合有很大优势
  3. 在能够承受一定的误判时，布隆过滤器比其他数据结构有这很大的空间优势,数据量很大的时候,布隆过滤器可以表示全集,而其他数据结构不可以.

3.8 布隆过滤器的常见使用场景

  1. 网页爬虫对URL的去重,避免爬取相同的URL地址.
  2. 垃圾邮件的过滤,从数十亿个垃圾邮件列表中判断某邮件是否为垃圾邮件.
  3. 解决数据库缓存击穿问题,当黑客攻击服务器的时候,会构建大量不存在于缓存中的key向服务器发起请求,在数据量足够大的时候,频繁的数据库查询会导致数据库服务器宕机.
  4. 秒杀系统,查看用户是否存在重复购买.

4. 海量数据处理

4.1 哈希切割

给一个超过100G大小的log file.log中保存着IP地址,设计算法找到出现次数最多的IP地址.

  • IP本身是一个字符串,先把使用哈希函数把一个字符串变为一个hash值,hash(IP)
  • 我们需要把这些地址存入不同的文件中,首先计算出IP地址需要在那个文件中存放,即存放文件的下标.index = hash(IP)%文件数
  • 把每个小文件都加载到内存中,统计每个文件中出现IP的次数(使用Map统计).

4.2 位图应用

  1. 给定100亿个整数,设计算法找到只出现一次的整数.
    我们可以使用位图来解决,其中有两个位图,我们针对没有出现的数据在两个位图中分别使用0 0来表示,针对只出现一次数据在两个位图中分别用1 0表示,针对出现两次的数据分别使用0 1来表示,针对出现两次以上的数据使用1 1来表示.
    在这里插入图片描述
  2. 给定两个文件,分别有100亿个整数,我们只有1G内存,如何找到两个文件的交集.
    • 第一种方法使用哈希切割的方法
      首先我们把一个文件拆分为多个小文件,之后比较每个小文件中的交集((1,1)文件,(2,2)文件依次比较).
    • 第二种方法是使用位图的算法.
      遍历第一个文件,把存在的数据存放到位图中,之后遍历第二个文件,看读取到的数据是否在位图中存在,如果存在,就是交集.

4.3 布隆过滤器的应用

  1. 给定两个文件,分别有100亿个query,我们只有1G内存,如果找到两个文件的交集,分别给出精确的算法和近似的算法.
    • 精确算法: 利用哈希切割,把两个大文件利用hash函数分为若干个小文件,之后比较小文件之间的交集((1,1)文件,(2,2)文件以此类推).
    • 近似算法: 把第一个文件中的query使用hash函数映射到布隆过滤器中,之后再把第二个文件中的query使用hash函数映射出对应的值.之后再从布隆过滤器中查找,如果存在,就是交集.如果不存在就不是.

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/932130.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

php 系统函数 记录

php 系统函数 记录

PHP intval() 函数 PHP函数介绍—array_key_exists(): 检查数组中是否存在特定键名 如何使用PHP中的parse_url函数解析URL PHP is_array()函数详解&#xff0c;PHP判断是否为数组 PHP函数介绍&#xff1a;in_array()函数 strpos定义和用法 strpos() 函数查找字符串在另一字符串…
阅读更多...
重生之我在异世界学编程之C语言：深入位段篇

重生之我在异世界学编程之C语言：深入位段篇

大家好&#xff0c;这里是小编的博客频道 小编的博客&#xff1a;就爱学编程 很高兴在CSDN这个大家庭与大家相识&#xff0c;希望能在这里与大家共同进步&#xff0c;共同收获更好的自己&#xff01;&#xff01;&#xff01; 本文目录 引言正文一 位段的基本使用&#xff08;1…
阅读更多...
2. 读取文件

2. 读取文件

题目4: 读取excel 文件2_1People,查看数据结构(行与列数,列名),观察数据内容(前3行与后3行) import pandas as pd# 题目4: 读取excel 文件2_1People,查看数据结构(行与列数,列名),观察数据内容(前3行与后3行) people pd.read_excel(2_1People.xlsx) print(people.shape) #…
阅读更多...
【Mac】安装Gradle

【Mac】安装Gradle

1、说明 Gradle 运行依赖 JVM&#xff0c;需要先安装JDK&#xff0c;Gradle 与 JDK的版本对应参见&#xff1a;Java Compatibility IDEA的版本也是有要求Gradle版本的&#xff0c;二者版本对应关系参见&#xff1a;Third-Party Software and Licenses 本次 Gradle 安装版本为…
阅读更多...
【人工智能基础06】人工神经网络（练习题）：神经网络的计算、激活函数的选择与神经网络的退化

【人工智能基础06】人工神经网络（练习题）：神经网络的计算、激活函数的选择与神经网络的退化

文章目录 1. 基于神经网络计算心理健康程度2. 添加激活函数的神经网络计算3. 使用神经网络预测小胖是否会变胖4. 激活函数选择的讨论5. 神经网络的设计6. 深度线性模型的表达能力线性模型7. 神经网络退化 主要讨论的内容 什么是人工神经网络&#xff0c;相关计算反向传播算法的…
阅读更多...
Lua语言入门 - Lua 数组

Lua语言入门 - Lua 数组

Lua 数组 数组&#xff0c;就是相同数据类型的元素按一定顺序排列的集合&#xff0c;可以是一维数组和多维数组。 在 Lua 中&#xff0c;数组不是一种特定的数据类型&#xff0c;而是一种用来存储一组值的数据结构。 实际上&#xff0c;Lua 中并没有专门的数组类型&#xff…
阅读更多...
在Linux（ubuntu22.04）搭建rust开发环境

在Linux（ubuntu22.04）搭建rust开发环境

1.安装rust 1.安装curl: sudo apt install curl 2.安装rust最新版 curl --proto ‘https’ --tlsv1.2 https://sh.rustup.rs -sSf | sh 安装完成后出现&#xff1a;Rust is installed now. Great! 重启当前shell即可 3.检验是否安装成功 rustc --version 结果出现&…
阅读更多...
链表OJ题型讲解与总结

链表OJ题型讲解与总结

目录 一.引言 二.链表题型详细讲解 一.移除链表元素 二.反转单链表 三.链表的中间结点 四.链表返回倒数第k个节点 五.合并两个有序链表 六.链表分割 七.链表的回文结构 三.总结与提升 一.引言 在我们学习完单链表与双链表后&#xff0c;真诚建议初学者能够掌握单双链表…
阅读更多...
深入理解 Fork/Join 并行计算框架

深入理解 Fork/Join 并行计算框架

在并发编程领域&#xff0c;任务模型可以分为简单并行任务、聚合任务和批量并行任务。然而&#xff0c;还有一种广泛应用的任务模型——分治&#xff08;Divide and Conquer&#xff09;。分治是一种解决复杂问题的思维方法&#xff0c;它通过将复杂问题分解为多个相似的子问题…
阅读更多...
小尺寸低功耗蓝牙模块在光伏清扫机器人上的应用

小尺寸低功耗蓝牙模块在光伏清扫机器人上的应用

一、引言 随着可再生能源的迅速发展&#xff0c;光伏发电系统的清洁与维护变得越来越重要。光伏清扫机器人通过自动化技术提高了清洁效率&#xff0c;而蓝牙模组的集成为这些设备提供了更为智能的管理和控制方案。 二、蓝牙模组的功能与实现&#xff1a; 蓝牙模组ANS-BT103M…
阅读更多...
沁恒CH32V208蓝牙串口透传例程:修改透传的串口

沁恒CH32V208蓝牙串口透传例程:修改透传的串口

从事嵌入式单片机的工作算是符合我个人兴趣爱好的,当面对一个新的芯片我即想把芯片尽快搞懂完成项目赚钱,也想着能够把自己遇到的坑和注意事项记录下来,即方便自己后面查阅也可以分享给大家,这是一种冲动,但是这个或许并不是原厂希望的,尽管这样有可能会牺牲一些时间也有哪天原…
阅读更多...
【触想智能】工业安卓一体机日常维护注意事项以及其应用领域分析

【触想智能】工业安卓一体机日常维护注意事项以及其应用领域分析

工业安卓一体机是一种集成了安卓操作系统的工业控制设备。它广泛应用于各种工业场景&#xff0c;为生产和管理提供了便利。 为了保证工业安卓一体机的正常运行和延长其寿命&#xff0c;日常维护工作是十分重要的。下面是一些工业安卓一体机日常维护的注意事项&#xff0c;以及其…
阅读更多...
12.6深度学习_模型优化和迁移_模型移植

12.6深度学习_模型优化和迁移_模型移植

八、模型移植 1. 认识ONNX ​ https://onnx.ai/ ​ Open Neural Network Exchange&#xff08;ONNX&#xff0c;开放神经网络交换&#xff09;格式&#xff0c;是一个用于表示深度学习模型的标准&#xff0c;可使模型在不同框架之间进行转移。 ​ ONNX的规范及代码主要由微软…
阅读更多...
2-2-18-14 QNX系统架构之 TCP/IP 网络

2-2-18-14 QNX系统架构之 TCP/IP 网络

阅读前言 本文以QNX系统官方的文档英文原版资料为参考&#xff0c;翻译和逐句校对后&#xff0c;对QNX操作系统的相关概念进行了深度整理&#xff0c;旨在帮助想要了解QNX的读者及开发者可以快速阅读&#xff0c;而不必查看晦涩难懂的英文原文&#xff0c;这些文章将会作为一个…
阅读更多...
实战：MyBatis适配多种数据库：MySQL、Oracle、PostGresql等

实战：MyBatis适配多种数据库：MySQL、Oracle、PostGresql等

概叙 很多时候&#xff0c;一套代码要适配多种数据库&#xff0c;主流的三种库&#xff1a;MySQL、Oracle、PostGresql&#xff0c;刚好mybatis支持这种扩展&#xff0c;如下图所示&#xff0c;在一个“namespace”&#xff0c;判断唯一的标志是iddatabaseId&#xff0c;刚好写…
阅读更多...
电子信息工程自动化 单片机彩灯控制

电子信息工程自动化 单片机彩灯控制

摘要 随着社会经济和科学技术的不断进步&#xff0c;人们在保持发展的同时&#xff0c;环境带给人类的影响已经不足以让我们忽视&#xff0c;所以城市的美化问题慢慢的进入了人们的眼帘&#xff0c;PLC的产生给带电子产品带来了巨大变革&#xff0c;彩灯的使用在城市的美化中变…
阅读更多...
【后台管理系统】-【组件封装】

【后台管理系统】-【组件封装】

目录 组件封装搜索组件table列表组件content组件自定义插槽定制modal组件动态获取options数据 组件封装 搜索组件 给页面写一个配置文件&#xff0c;将配置文件传入组件&#xff0c;可直接生成页面&#xff0c;以下面页面为例&#xff0c; 新建src/views/main/system/depart…
阅读更多...
「嵌入式系统设计与实现」书评：学习一个STM32的案例

「嵌入式系统设计与实现」书评：学习一个STM32的案例

本文最早发表于电子发烧友论坛&#xff1a;【新提醒】【「嵌入式系统设计与实现」阅读体验】 学习一个STM32的案例 - 发烧友官方/活动 - 电子技术论坛 - 广受欢迎的专业电子论坛!https://bbs.elecfans.com/jishu_2467617_1_1.html 感谢电子发烧友论坛和电子工业出版社的赠书。 …
阅读更多...
设计模式：20、状态模式（状态对象）

设计模式：20、状态模式（状态对象）

目录 0、定义 1、状态模式的三种角色 2、状态模式的UML类图 3、示例代码 0、定义 允许一个对象在其内部状态改变时改变它的行为&#xff0c;对象看起来似乎修改了它的类。 1、状态模式的三种角色 环境&#xff08;Context&#xff09;&#xff1a;环境是一个类&#xff0…
阅读更多...
idea中新建一个空项目

idea中新建一个空项目

目的&#xff0c;为了在同一个目录下有多个小的项目&#xff1a;使用IDE为idea2022。 步骤&#xff1a; 点击新建项目&#xff0c;点击创建空项目&#xff0c;这里选择空项目是将其作为其他项目的一个容器&#xff0c;如图所示&#xff1a; 然后点击文件->项目结构&#xf…
阅读更多...
最新文章

Copyright @ 2022~2023