个人技术分享

LeetCode---394周赛---模拟+位运算优化+状态转移+动规+Dijkstra算法

当进入一个页面，但是没有登陆，此时该页面会提示需要登陆才可继续访问页面。相当于路由拦截。

当前在研究openMDM项目, 不过该项目不是springboot项目, 并且是使用GlassFish进行war部署的, 但是需要在idea中进行项目的二次开发,故需要进行idea启动项目并且进行开发和调试。

在人工智能领域，大模型（LLM）的崛起带来了前所未有的进步，但随之而来的是巨大的计算资源需求。为了解决这一问题，Mixture-of-Expert（MoE）模型架构应运而生，而LLaMA-MoE正是这一架构下的重要代表。LLaMA-MoE是一种基于LLaMA系列和SlimPajama的MoE模型，它通过将LLaMA的前馈网络（FFNs）划分为稀疏专家，并为每层专家插入top-K个门，从而显著减小模型大小，降低训练成本。这种方法不仅保持了模型的语言能力，同时实现了输入的高效处理。

实现了一个看起来不错的K线图表的功能，可以按要求生成对应的图形。简单的想法是生成笔的算法，生成段的算法，生成中枢的算法，然后把笔，段，中枢的数据扔到对应的区域即可，不过由于我做的方法里是统一数据接口的，想扔不同的数据到系统中看起来不是那么友好，因此最好有一种特别的方法，想把数据扔到哪个窗口都行，直接扔过去，跳过中间环节，即每个窗口有一个唯一标识号，这样才能方便的扔过去。嗯，临时的一些想法，本来是要用github的，那上面记录零散的想法最合适，结果上面要双认证一直没搞通，就先把这记录下来。

hashCode是Object类中的一个方法，它返回一个整型数值，这个值被称为哈希码。它的主要用途是为对象提供一个快速比较的依据，特别是在哈希表（如HashMap）中，用于快速定位对象的存储位置。简而言之，hashCode方法的设计目的是提高数据结构中查找、删除和插入元素的效率。

本文将介绍以下C++库：1. Kaldi：一个开源的语音识别工具包，提供了C++接口和算法，具有高性能和可扩展性。2. OpenNLP：一个自然语言处理库，支持文本分析和实体识别等功能，强调开放源代码和多语种支持。3. HTK：一个包含多种语音处理算法和模型的语音识别工具包，具有高度的灵活性和可扩展性。4. Sphinx：一个开源的语音识别引擎，支持多语种语音识别和实时识别。5. NLTK：一个Python的自然语言处理工具包，提供了丰富的文本处理和分析功能。6. Gooey：一个用

持续学习

相关系列在以上详细讲解了spring底层核心原理，今天我们就来手写一个spring框架。主流程是：1、编写启动类2、依据ComponentScan设置的value属性进行扫描路径下的文件3、根据扫描得到的文件，判断是否加了Component注解，如果加了，则添加到beanDefinitionMap4、编写DzendApplicationContext中的getBean方法，判断是单例bean还是原型bean，单例bean则到singletonObjects中去获取，如果为null，则创建；

模数转换，即Analog-to-Digital Converter，常称ADC，是指将连续变量的模拟信号转换为离散的数字信号的器件，比如将模温度感器产生的电信号转为控制芯片能处理的数字信号0101，这样ADC就建立了模拟世界的传感器和数字世界的信号处理与数据转换的联系。

【代码】【Node.js工程师养成计划】之原生node开发web服务器。

在本题中，我们学习了Rust中面向对象编程的一些关键概念，包括：多态性、Trait对象的使用以及动态方法分发。它允许程序员以一种灵活且类型安全的方式处理不同类型的对象，同时保持代码的简洁性和可读性。

在解读大型语言模型（LLMs）中的长格式事实性问题时，我们首先需要认识到这些模型在生成内容时可能会产生与既定事实不一致的情况，这种情况通常被称为“幻觉”[2][3]。这种现象不仅可能导致信息的误传，还可能对社会造成误导和伤害[3]。因此，提高LLMs的事实性成为了一个重要的研究方向。为了提高LLMs的事实性，研究人员提出了多种方法。一种方法是通过对模型进行微调，使其更加注重事实性，而无需人工标注[2]。另一种方法是通过对比不同层的输出来减少幻觉的生成，这种方法不需要依赖外部知识或额外的微调[13]。

应用方与供应方基于零信任战略开展落地规划，部署零信任安全关键系统，并与应用方组织内的其他系统进行信息对接，接收身份、日志、合规、安全运营、威胁情报等信息，使得应用方可在。该标准由中国信通院牵头，易安联等多家相关企事业单位共同参与，汇集大量来自云用户、云厂商、安全厂商的专家建议与实践经验，齐聚行业智慧完成了标准的制定。提供远程办公、第三方接入、安全研发与运维、面向公众的服务访问、多分支互连、多云战略。身份安全、终端安全、网络安全、数据安全、应用云工作负载安全、安全管理。第6部分:数字身份安全能力要求。

添加一个KL文件用来创建karel程序中socket断开指令。

这样，你的角色和权限信息就会被保存在MySQL数据库中。请注意，实现数据权限是一个复杂的过程，上述只是一个基本的框架。根据你的具体需求，你可能需要更复杂的逻辑来处理角色继承、权限组合等问题。在你的Django应用中，你需要创建一些角色和权限。这通常在应用的migrations或admin.py中完成，或者在应用的初始化脚本中。这通常包括用户模型（可以继承Django的内置User模型），角色模型以及权限模型。在你的视图中，你需要检查用户是否有执行某个操作的权限。一旦你有了角色和权限，你可以为用户分配角色。

本文是根据哔哩哔哩网站上“正点原子[第二期]Linux之ARM（MX6U）裸机篇”视频的学习笔记，在这里会记录下正点原子 I.MX6ULL 开发板的配套视频教程所作的实验和学习笔记内容。本文大量引用了正点原子教学视频和链接中的内容。

当使用 TensorFlow 和 Keras 进行图像分类时，常用的方法是使用卷积神经网络（Convolutional Neural Network，CNN）。以下是一个简单的图像分类示例，使用 TensorFlow 和 Keras 来训练一个 CNN 模型对手写数字进行分类。

动态规划，英文是Dynamic Programming，简称DP，擅长解决“多阶段 决策问题”，利用各个阶段的递推关系，逐个确定每个阶段的最优决策，并最终得到原问题的最优决。到 (i,j) 就是一个决策，我们用 dp(i,j) 来代表走到点 (i,j) 一共花费的最少体力。那么点 (i,j) 要么是从 (i−1,j) 走到 (i,j)，要么是从点 (i,j−1) 走到所以从哪个点走。= dp2+dp1就不成了，所以，要一定保证，每个阶段的决策仅受之前决策的影响，但不影响之后阶段的决策。

适合已有Dockerfile且希望保持其独立性，同时需要在Maven构建时自动构建和推送镜像的项目。它强调与现有Docker工作流的无缝对接，配置相对简洁。则更适合需要在Maven配置内部直接定义镜像构建过程，追求高度集成和灵活控制的场景。虽然可能带来更复杂的Maven配置，但它提供了更深入的Docker生命周期管理功能。总的来说，提供了一种不依赖Dockerfile的构建方式，而则更加严格地遵循 Docker 的标准构建流程，要求必须使用Dockerfile。