Wesley13 Wesley13
4年前
java 面试知识点笔记(十一)多线程与并发
自适应自旋锁:(java6引入,jvm对锁的预测会越来越精准,jvm也会越来越聪明)1.自选次数不再固定2.由前一次在同一个锁上的自旋时间及锁拥有者的状态来决定(如果在同一个锁对象上自旋等待刚刚成功获取过锁并且持有锁的线程正在运行中,jvm会认为该锁自旋获取到锁的可能性很大,会自动增加等待时间,相反jvm如果可能性很小会省掉自旋过程,
Easter79 Easter79
4年前
systemtap脚本实现的NAT端口转换
这会儿不是工作日,这会儿是周六。systemtap就是一个kprobe的DSL,本质上完成的是同一类工作,kprobe用起来比较麻烦,还要自己编写编译内核模块,相比而言,stap就方便很多。既然kprobe可以修改内核结构体的内容,那么也就可以修改网络数据包咯,前面的文章描述了如何迷惑程序员的抓包行为,本文展示一下如何实现一个NAT端口转换逻辑,
专注IP定位 专注IP定位
4年前
IP地理定位之数据驱动广告矩阵
网络与数字媒体广告的存在为品牌能够更好的传播与发展起到了良好的推动作用,当前,我们处在全面数字化的大环境下,运用“ip地理定位技术”可以有效提升用户CTR。CTR(ClickThroughRate)即点击通过率,是指网络广告的点击到达率,通俗来讲就是:该广告的实际点击次数除以广告的展现量。数字化依然是大势所趋,越来越多的品牌下沉深耕、垂类与数字化升级,给广告
Wesley13 Wesley13
4年前
Java入门系列之重写
【导读】关于所有Java系列文章面向有一定基础的童鞋,所写每一篇希望有一定含金量,有些内容可能会从Java整个语法全局考虑穿插后续要讲解的内容以成系统,若不理解,请看完后再学习上一节我们讲解完了final关键字,本节我们继续来对比讲解Java和C中的重写,二者语言的重写区分非常清晰,Java子类中基类方法签名一样或通过注解@
Wesley13 Wesley13
4年前
Mysql 主外键与索引之间的区别和联系
系数据库依赖于主键,它是数据库物理模式的基石。主键在物理层面上只有两个用途: 惟一地标识一行。 作为一个可以被外键有效引用的对象。 索引是一种特殊的文件(InnoDB数据表上的索引是表空间的一个组成部分),它们包含着对数据表里所有记录的引用指针。下面是主键和索引的一些区别与联系。 1\.主键一定是唯一性索引,唯一性索
Wesley13 Wesley13
4年前
Java实现的二分查找算法
二分查找又称折半查找,它是一种效率较高的查找方法。折半查找的算法思想是将数列按有序化(递增或递减)排列,查找过程中采用跳跃式方式查找,即先以有序数列的中点位置为比较对象,如果要找的元素值小于该中点元素,则将待查序列缩小为左半部分,否则为右半部分。通过一次比较,将查找区间缩小一半。折半查找是一种高效的查找方法。它可以明显减少比较次数,提高查找效率。但是,
Wesley13 Wesley13
4年前
Java课程寒假之回答问题:如何将你的兴趣化为可以立足于社会的资本
  在学校的时候干过几次兼职,算是无聊时候的外快吧,有一次是去辅导机构,在考试期间监考学生,前后大概四个小时,最后拿了四十五并且管了一顿饭,不得不说,小学生是真的皮,考试的时候有的爱讲话,有的是写完之后开始多动症了,不禁想起了自己小学的时候,恐怕也是这副模样,在老师眼里一直是比较调皮的学生。现在倒是我变成了被为难的对象,真的是出来混的总是要还的。也有点感慨钱
liam liam
3年前
谁在从API经济里分得一杯羹!
从ApiHub说开去前阵子机缘巧合下载了个趁手的接口设计和调试管理工具——Apifox(),工具虽然小众,目前也才迭代了几个版本,但是产品里已经开辟了ApiHub模块来收集其他企业的开放Api。我看到快手开放API,企业微信,钉钉开放API等好几十个研发协同,效率管理和生活服务类的接口文档已经先行被收录进去了,目前提交的开放API项目数量还在缓慢增加。不得
机器学习基础
本章涵盖了以下主题:分类和回归之外的其他类型的问题;评估问题,理解过拟合、欠拟合,以及解决这些问题的技巧;为深度学习准备数据。请记住,在本章中讨论的大多数技术都是机器学习和深度学习通用的,一部分用于解决过拟合问题的技术(如dropout)除外。4.1 三类机器学习问题在之前的所有例子中,尝试解决的是分类(预测猫或狗)或回归(预测用户在平台上花费的平均时
机器学习基础
机器学习基础本章涵盖了以下主题:分类和回归之外的其他类型的问题;评估问题,理解过拟合、欠拟合,以及解决这些问题的技巧;为深度学习准备数据。请记住,在本章中讨论的大多数技术都是机器学习和深度学习通用的,一部分用于解决过拟合问题的技术(如dropout)除外。4.1 三类机器学习问题在之前的所有例子中,尝试解决的是分类(预测猫或狗)或回归(预测用户在平台上