优快云博客-专业IT技术发表平台

推荐付费专栏 VIP文章

码字的字节

深度学习损失函数的设计哲学：从交叉熵到Huber损失的深入探索 Huber损失由统计学家Peter J. Huber于1964年提出，其数学表达式为：其中δ是决定损失函数行为转变的关键阈值参数。这个分段函数的设计体现了深刻的数学智慧：在小误差范围内（|y-f(x)|≤δ）采用二次函数形式，保证梯度连续可导；在大误差范围则转为线性增长，有效抑制异常值影响。随着深度学习模型复杂度持续提升，2025年最显著的趋势是损失函数从静态设计转向动态演化。最新研究表明，传统固定形式的损失函数难以应对多模态数据分布和动态任务需求。

阅读 1.5k

37赞

华为云DRS实现Oracle到GaussDB数据库迁移的全流程技术方案以下为使用华为云DRS（数据复制服务）实现Oracle到GaussDB数据库迁移的全流程技术方案，结合企业级实践案例及关键注意事项，为数据库迁移提供系统化指导

阅读 751

20赞

基于VHDL的神经网络加速器设计实战自适应架构：通过动态权重加载支持多种CNN模型高效内存管理：三行缓冲处理任意尺寸图像混合精度支持：8位整数计算，16位累加可扩展设计：易于添加新功能层（如全连接层）能效优化：每瓦特性能达到38GOPS/W这个VHDL实现不仅完整复现了Verilog版本的功能，还充分利用了VHDL的强类型特性和高级抽象能力，使代码更加健壮和可维护。设计中的创新点使该加速器在边缘计算场景中具有显著优势，特别适合资源受限的嵌入式AI应用。

阅读 103

4赞

子域名收集和c段查询：IPv4地址中前24位（即前三个十进制数）相同的IP地址范围，共256个地址。

阅读 352

4赞

数字化转型魔法师

数字化转型之项目过程推进-1 摘要：本文从项目管理角度探讨数字化转型项目的过程把控，提出项目管理的核心是"管过程、管人"。文章首先列举了项目管理的十大知识领域，包括整合管理、范围管理、进度管理等专业内容；然后将其简化为过程和干系人管理两大方面，强调要"抓头尾、控中间"。在具体实施上，建议成立领导小组、赋予项目高规格定位、召开启动会达成共识、制定实施计划等。本文为数字化转型项目提供了实用的管理思路和方法，后续将继续分享项目推进相关内容。

阅读 130

4赞

ATOMETRICS优可测

亚纳米级检测！潜望式棱镜的“检测密码”，决定手机远景清晰度白光干涉仪如何让手机清晰拍摄远景照片？

阅读 462

5赞

初学者-Study

Android基础（一）运行HelloWorld 学习任何一门编程语言，编写的第一个程序都是Hello World，这已经是一种传承了，下面我们开始创建HelloWorld项目。

阅读 575

14赞

皮卡蛋炒饭.

C++中既重要又困难的部分—类和对象 class为定义类的关键字，Stack为类的名字，{}中为类的主体，注意类定义结束时后⾯分号不能省略。类体中内容称为类的成员：类中的变量称为类的属性或成员变量;类中的函数称为类的方法或者成员函数为了区分成员变量，⼀般习惯上成员变量会加⼀个特殊标识，如成员变量前面或者后面加 _ 或者 m 开头，注意C++中这个并不是强制的，只是⼀些惯例，具体看公司的要求。

阅读 414

25赞

小妖同学学AI

deepseek本地部署，轻松实现编程自由小伙伴们，大家好，今天我们来实现deepseek本地部署，轻松实现编程自由！

阅读 2.7k

16赞

Python 爬虫实战：政府公开人口统计数据抓取与结构化处理随着互联网技术的飞速发展，数据的获取变得越来越容易。然而，如何高效地获取有价值的数据，并将其转化为可用的结构化数据，是数据科学家和开发者需要面对的重要问题。政府公开数据通常以网页形式发布，这些数据往往包含大量的噪声和格式不一致的问题。因此，我们需要使用爬虫技术来抓取这些数据，并通过数据清洗技术将其转换为结构化数据，以便进一步分析和使用。

阅读 19

1赞

第二阶段-第二章—8天Python从入门到精通【itheima】-138节（MySQL的综合案例）本文摘要（150字）：本文通过MySQL综合案例，详细讲解了VARCHAR(100)与VARCHAR(255)的核心区别：即使实际存储长度相同，前者在索引性能（索引长度限制）、内存占用（临时表分配）和数据校验方面更具优势。同时解释了创建数据库时指定CHARSET utf8的重要性，可避免因默认字符集不同导致的乱码问题。文章包含完整的Python实现代码，演示了如何通过pymysql操作MySQL数据库，包括数据导入导出、JSON格式转换等操作。最后作者通过励志总结，强调编程学习中的坚持与突破自我的重要性，

阅读 1.2k

28赞

[尚庭公寓]14-找房模块首先，Mybatis会执行主查询来获取`room_info`列表，然后对于每个`room_info`，Mybatis都会执行一次子查询来获取其对应的`graph_info`。对于找房模块，地区信息共需三个接口，分别是**查询省份列表**、**根据省份ID查询城市列表**、**根据城市ID查询区县列表**，具体实现如下。公寓信息只需一个接口，即**根据ID查询公寓详细信息**，具体实现如下。由于xml文件中的`<`和`>`是特殊符号，需要转义处理。xml文件`<`和`>`的转义。

阅读 839

17赞

WEB安全--Java安全--Fastjson反序列化原理初探这里的fastjson包版本为1.2.24，通过pom的方式即可导入可以看到在运行主类后，发现字符串被处理为json对象打印出来了当然也可以提取出json对象中的具体值。

阅读 772

12赞

郝学胜-神的一滴

SpringBoot实战指南：从快速入门到生产级部署（2025最新版） SpringBoot依然是Java开发的首选框架，其核心优势包括自动装配、内嵌容器和丰富生态。本文介绍了创建SpringBoot应用的两种方式，解析了核心注解和自动配置原理，并提供了生产环境最佳实践，如配置文件管理、健康检查等。文章还包含常见问题排查指南和2025年SpringBoot生态新方向，如云原生支持和AI集成。最后建议学习路径：掌握原理→实践示例→参与开源贡献。

阅读 662

5赞

什么半岛铁盒

MySQL的常用数据类型详解本文介绍了MySQL中常用的数据类型，包括数值类型（tinyint、bit、float、decimal）、字符串类型（char、varchar）、日期时间类型（date、datetime、timestamp）以及枚举和集合类型（enum、set）。文章通过示例演示了各类型的特点和使用限制，如tinyint的范围约束、float的精度丢失问题、varchar的变长存储特性等，并强调了数据类型本身作为MySQL约束机制的重要性。此外，还详细说明了各类型的存储需求和使用场景，帮助开发者合理选择数据类型，确保数据的

阅读 1.1k

58赞

使用Python实现单词记忆软件摘要：该代码实现了一个基于PyQt5的单词记忆软件，支持高考、四级、六级和考研四个级别的词库。程序提供四种学习模式：拆分模式（将单词拆分为片段重组）、填空模式（选择正确字母填空）、输入模式（手动输入单词）和测试模式（评估单词记忆效果）。软件界面包含单词释义显示、交互练习区域和反馈功能，支持单词级别切换、结果统计和保存功能。采用随机算法打乱单词顺序，确保学习效果，具有错误提示和自动跳转下一题功能，适合不同英语水平的学习者使用。

阅读 1.2k

24赞

我从农村来到了大城市有次加班到深夜，在路口看见卖烤红薯的大爷，铁皮桶里的炭火明明灭灭，红薯的焦香漫过来，突然就想起秋收后，父亲在田埂上烧的那堆玉米，灰烬里扒出来的玉米粒，烫得指尖发红，却甜到心里。蔬菜区的黄瓜用保鲜膜裹着，整整齐齐码在泡沫托里，不像老家菜地里的，带着黄泥巴和卷边的叶子，却脆得能掐出水。楼下早餐铺的煤炉五点就冒白气，葱花混着油烟飘上来时，我总会想起母亲在灶台前掀开蒸笼的样子，玉米的甜香裹着柴火味，比这城市的味道厚重多了。初到城市那天，行李箱的滚轮碾过柏油路的震动，和老家泥地上的拖沓感完全不同。

阅读 1.6k

22赞

三十度角阳光的问候

MVSNet系列网络概述得到在右图的匹配点如果当前深度对应在真实曲面上那么与对应的拍摄到的物体是一样的，可以通过一些方法来计算它们的匹配度也就是我们说的匹配代价。计算每个像素点在不同深度层的匹配代价（判断当前深度是否在曲面上）左图的像素坐标在当前深度下可以根据单应性矩阵H。在模型训练的优化部分，调整最多的一个参数就是学习率，合理的学习率可以使优化器快速收敛。由上面得到了像素在每个深度层的概率，传统算法中会采用选取概率最大的深度值作为最终的。根据匹配代价，从深度层中选择代价最小的层对应的深度即是计算的最佳深度。

阅读 654

17赞

Agent领域，近年来的前沿研究方向：多智能体协作、认知启发架构、伦理安全、边缘计算集成 Agent领域，近年来的前沿研究方向：多智能体协作、认知启发架构、伦理安全、边缘计算集成在Agent领域，近年来的前沿研究方向主要集中在**多智能体协作、认知启发架构、伦理安全、边缘计算集成以及生成式AI融合**等方面。

阅读 160

1赞

通俗易懂神经网络：从基础到实现神经网络是人工智能和深度学习的核心，它模仿人脑的工作方式，通过数据学习复杂的模式。本文将以通俗易懂的方式讲解神经网络的基础知识，包括单层神经网络、多层神经网络，最后用Python代码实现一个简单的神经网络模型。激活函数的选择会影响神经网络的收敛速度和表达能力。每个神经元会对输入加权求和，加上偏置后通过激活函数，输出结果。单层神经网络（Perceptron）是最简单的神经网络，仅包含输入层和输出层，没有隐藏层。前向传播负责计算输出，反向传播则根据损失调整参数，是神经网络学习的核心机制。

阅读 1.7k

51赞

Android Studio 自带的官方模拟器，ABI这一列是x86_64，xABI这一列是arm64-v8a Android Studio 自带的官方模拟器（Android Emulator）‌选择镜像时页面如上图，ABI这一列是x86_64，xABI这一列是arm64-v8a，区别是啥。‌xABI列显示arm64-v8a‌：表示目标设备的ABI（应用二进制接口）为arm64-v8a，这是基于ARM架构的64位版本，广泛用于智能手机和平板等设备。‌ABI列显示x86_64‌：表示当前选择的镜像支持x86_64架构，这种架构常用于Intel和AMD的处理器，适合在PC上模拟Android应用。

阅读 331

1赞

Java Stream流的使用本文介绍了Java中获取Stream流的几种方法：1）单列集合直接调用stream()方法；2）数组使用Arrays.stream()静态方法；3）零散数据通过Stream.of()创建；4）Map集合需要先转换为keySet、values或entrySet再获取流。同时还介绍了Stream的常用中间操作方法，并特别提醒使用distinct()方法时，自定义对象需重写equals和hashCode方法。文章配有操作流程图，直观展示了Stream处理数据的完整流程。

阅读 107

1赞

作者推荐

JEECG低代码平台: TA很懒，还没有添加简介

关注

Tom Hardy: 关注计算机视觉、机器学习、深度学习，公众号【3D视觉工坊】【计算机视觉工坊】

关注

嵌入式Linux,: BSP软件工程师

关注

david_lv: 深圳明源软件CTO,房地产行业信息化领导者,专注房地产行业信息化13年.

关注

涂作权的博客: To do what I want to do!

关注

@SmartSi: Stay Hungry, Stay Foolish

关注

人工智能博士: 王博Kings，985AI博士在读，优快云博客专家，华为云专家，是《机器学习手推笔记》、《深度学习手推笔记》等作者；在人工智能、计算机视觉、无人驾驶等具有丰富的经验。

关注

xiangzhihong8: 著有《React Native移动开发实战》1，2，3版本、《Kotlin入门与实战》1，2版本、《Weex跨平台开发与实战》、《React Native开发进阶》和《Flutter跨平台开发实战》和《Android应用架构实战》和《鸿蒙应用开发与实战》、《Vue3 项目开发实战》即将出版

关注

韩曙亮: 中国人民大学硕士 , 专注于移动开发领域 , 博客专家 , 2023 年博客之星 TOP1 , 2021 年博客之星 TOP9 , 华为云云享专家 , 阿里云社区专家博主 , 51CTO 专家博主 ;

关注

Matrix 工作室: 为天地立心，为生民立命，为往圣继绝学，为万世开太平。

关注