当前位置：首页 > news >正文

常见的算法介绍

news 来源：原创 2025/7/29 0:31:42

算法概述
线性回归
(Linear Regression)线性回归是一种通过属性的线性结合来进行预测的线性模型, 其目的是找到一条直线, 一个平面或者更高维的超平面, 使预测值和真实值之间的误差最小化
逻辑回归
(Logistic Regression)逻辑回归是一种分类模型, 入二分类公式
 P ( Y = 1 ∣ X ) = e x p ( w ∗ x ) 1 + e x p ( w ∗ x ) P(Y = 1|X) = \frac{exp(w*x)}{1+exp(w*x)} P(Y=1∣X)=1+exp(w∗x)exp(w∗x)​ 
  P ( Y = 0 ∣ X ) = 1 1 + e x p ( w ∗ x ) P(Y= 0 | X) = \frac{1}{1 + exp(w * x)} P(Y=0∣X)=1+exp(w∗x)1​ 
根据给定的输入实例x, 分别求出 P ( Y = 1 ∣ x ) P(Y = 1|x) P(Y=1∣x) 和 P ( Y = 0 ∣ x ) P(Y = 0|x) P(Y=0∣x)比较两个条件的概率, 将示例x分到概率较大的那一类
决策树
(Decision Tree)决策树从根节点开始对输入实例x的每一个特征进行测试, 根据测试结果, 将x分配到其子节点. 每个子节点对应着该特征的一个取值, 比如递归的对x进行测试并分配, 直至达到叶节点, 最后将x分到叶节点的类中. 通常特征选择的准则是信息增益或者信息增益比
支持向量机
(Support Vector Machine, SVM)SVM的基本模型师二分类模型. 属于有监督学习, 是在特征空间中找出一个超平面作为分类边界, 对数据进行正确分类, 且使每一类样本中距离分类边界最近的样本到分类边界的距离尽可能远, 使分类误差最小化
朴素贝叶斯
(Naive Bayes)在输入实例x的特征相互独立的前提下, 根据下面的贝叶斯公式, 预测结果属于类别的出现概率, 哪个类别的后验概率最大, 救人位实例x属于哪个类别
 P ( C i ∣ F 1 F 2 . . . F n ) = P ( F 1 F 2 . . . F n ) P ( C i ) P ( F 1 F 2 . . . F n ) , i = 1 , 2... , m P(C_i|F_1F_2...F_n) = \frac{P(F_1F_2...F_n)P(C_i)}{P(F_1F_2...F_n)},i = 1,2...,m P(Ci​∣F1​F2​...Fn​)=P(F1​F2​...Fn​)P(F1​F2​...Fn​)P(Ci​)​,i=1,2...,m
K最近邻算法
(K-Nearest Neighbors, KNN)K最近邻算法会给顶一个训练数据集, 对新的输入实例x, 算法会在训练数据集中找到与x最近的k个实例, 如果这个k个实例大多数属于同一个类, 就把实例x也分到这个类中, 距离函数可以是欧氏距离, 曼哈顿距离, 明式距离或者汉明距离
随机森林
(Random Forest, RF)随机森林指的是利用多棵树对样本进行训练并预测的一种分类器, 他的基本单元是决策树, 每颗决策树并不完全相同, 采用多个决策树的投票机制来决定最终的分类. 随机森林的构建包括数据的随机性选取和待选特征的随机选取
降维算法
(Dimensionality Reduction)在机器学习中经常会碰到高维数据集中, 数据样本稀疏, 距离计算已出现特征的线性相关等困难, 这时需要做降维处理. 降维方法有很多, 主要包括主要成分分析(PCA), 线性判别分析(LDA)等
AdaBoost算法
(Adaptive Boosting)AdaBoost是针对同一个训练集训练不同的分类器(弱分类器), 然后把这些弱分类器集合起来, 构成一个更强的最终分类器(强分类器)的迭代算法. 每一次迭代时, 提高那些被前一轮分类器错误分类的数据的权值, 降低那些被正确分类的数据的权值, 最后将基本分类气的线性组合作为强分类器, 给分类误差最小的基本分类器以大的权重, 给分类误差大的基本分类器以小的权重
最大期望算法
(Expectation-Maximization algorithm, EM)EM算法是针对含有隐变量的概率模型 P ( X , Z ∣ θ ) P(X,Z| \theta) P(X,Z∣θ)来估计参数 θ \theta θ的迭代算法,  X X X是观测变量的数据,  Z Z Z是隐变量的数据,  θ \theta θ是模型参数. 基本思想是首先随机初始化参数 θ \theta θ, 然后不断迭代寻找更优的参数 θ \theta θ. 每次跌带包括两步: E步以当前参数 θ i \theta^i θi推断隐变量分布 P ( Z ∣ X , θ i ) P(Z|X,\theta^i) P(Z∣X,θi), 并计算出对数似然 l n ( Z ∣ X , θ i ) ln(Z|X,\theta^i) ln(Z∣X,θi)关于 Z Z Z的期望, 记作 Z i Z^i Zi; M步基于已观测变量 X X X和当前隐变量 Z i Z^i Zi对参数 θ ( i ) \theta^(i) θ(i)做最大似然估计, 使每次跌带得到的参数 t h e t a theta theta的似然函数 P ( X ∣ θ ) P(X|\theta) P(X∣θ)比原来的似然函数大

算法	概述
线性回归 (Linear Regression)	线性回归是一种通过属性的线性结合来进行预测的线性模型, 其目的是找到一条直线, 一个平面或者更高维的超平面, 使预测值和真实值之间的误差最小化
逻辑回归 (Logistic Regression)	逻辑回归是一种分类模型, 入二分类公式 $\frac{exp(wx)}{1+exp(wx)}$ $\frac{1}{1 + exp(w * x)}$ 根据给定的输入实例x, 分别求出 $P (Y = 1∣ x)$ 和 $P (Y = 0∣ x)$ 比较两个条件的概率, 将示例x分到概率较大的那一类
决策树 (Decision Tree)	决策树从根节点开始对输入实例x的每一个特征进行测试, 根据测试结果, 将x分配到其子节点. 每个子节点对应着该特征的一个取值, 比如递归的对x进行测试并分配, 直至达到叶节点, 最后将x分到叶节点的类中. 通常特征选择的准则是信息增益或者信息增益比
支持向量机 (Support Vector Machine, SVM)	SVM的基本模型师二分类模型. 属于有监督学习, 是在特征空间中找出一个超平面作为分类边界, 对数据进行正确分类, 且使每一类样本中距离分类边界最近的样本到分类边界的距离尽可能远, 使分类误差最小化
朴素贝叶斯 (Naive Bayes)	在输入实例x的特征相互独立的前提下, 根据下面的贝叶斯公式, 预测结果属于类别的出现概率, 哪个类别的后验概率最大, 救人位实例x属于哪个类别 $P(C_i\|F_1F_2...F_n) = \frac{P(F_1F_2...F_n)P(C_i)}{P(F_1F_2...F_n)},i = 1,2...,m$
K最近邻算法 (K-Nearest Neighbors, KNN)	K最近邻算法会给顶一个训练数据集, 对新的输入实例x, 算法会在训练数据集中找到与x最近的k个实例, 如果这个k个实例大多数属于同一个类, 就把实例x也分到这个类中, 距离函数可以是欧氏距离, 曼哈顿距离, 明式距离或者汉明距离
随机森林 (Random Forest, RF)	随机森林指的是利用多棵树对样本进行训练并预测的一种分类器, 他的基本单元是决策树, 每颗决策树并不完全相同, 采用多个决策树的投票机制来决定最终的分类. 随机森林的构建包括数据的随机性选取和待选特征的随机选取
降维算法 (Dimensionality Reduction)	在机器学习中经常会碰到高维数据集中, 数据样本稀疏, 距离计算已出现特征的线性相关等困难, 这时需要做降维处理. 降维方法有很多, 主要包括主要成分分析(PCA), 线性判别分析(LDA)等
AdaBoost算法 (Adaptive Boosting)	AdaBoost是针对同一个训练集训练不同的分类器(弱分类器), 然后把这些弱分类器集合起来, 构成一个更强的最终分类器(强分类器)的迭代算法. 每一次迭代时, 提高那些被前一轮分类器错误分类的数据的权值, 降低那些被正确分类的数据的权值, 最后将基本分类气的线性组合作为强分类器, 给分类误差最小的基本分类器以大的权重, 给分类误差大的基本分类器以小的权重
最大期望算法 (Expectation-Maximization algorithm, EM)	EM算法是针对含有隐变量的概率模型 $\theta)$ 来估计参数 $\theta$ 的迭代算法, $X$ 是观测变量的数据, $Z$ 是隐变量的数据, $\theta$ 是模型参数. 基本思想是首先随机初始化参数 $\theta$ , 然后不断迭代寻找更优的参数 $\theta$ . 每次跌带包括两步: E步以当前参数 $\theta^i$ 推断隐变量分布 $P(Z\|X,\theta^i)$ , 并计算出对数似然 $ln(Z\|X,\theta^i)$ 关于 $Z$ 的期望, 记作 $Z^i$ ; M步基于已观测变量 $X$ 和当前隐变量 $Z^i$ 对参数 $\theta^(i)$ 做最大似然估计, 使每次跌带得到的参数 $t h e t a$ 的似然函数 $P(X\|\theta)$ 比原来的似然函数大

常见的算法介绍

算法概述线性回归(Linear Regression)线性回归是一种通过属性的线性结合来进行预测的线性模型, 其目的是找到一条直线, 一个平面或者更高维的超平面, 使预测值和真实值之间的误差最小化逻辑回归(Logistic Regression)逻辑回归是一种分类模型, 入二分类公式 P ( Y 1 ∣ X ) e …...

编程日记 2025/7/29 0:31:42

【基于 LangChain 的异步天气查询1】异步调用 Open-Meteo API 查询该城市当前气温

目录一、功能概述二、文件结构三、城市天气实时查询（运行代码） weather_runnable.py main.py 运行结果四、技术亮点五、使用场景一、功能概述它实现了以下主要功能： 用户输入地点（城市名） 构造提示词…...

编程日记 2025/7/28 19:36:20

深入解析JavaScript变量作用域：var、let、const全攻略

在JavaScript中，变量作用域是一个核心概念，它决定了变量的可访问性和生命周期。理解变量作用域对于编写清晰、高效且无错误的代码至关重要。本文将深入探讨JavaScript中不同类型的变量声明方式（var、let、const等），分析…...

编程日记 2025/7/28 8:37:18

C33-函数嵌套及编码实战

我们以一个编程题目的实践来学习此部分内容题目:输入四个数,以函数的方式找出最大值思维:使用两个数找出较大值→较大值与第三个数比较得出新的较大值→新的较大值与第四个数比较得出最大值代码 #include <stdio.h>//内层函数的封装int GetMaxFromTwoNums(int a,int…...

编程日记 2025/7/28 7:19:04

clangd与clang-tidy

Clangd是基于Clang的Language Server，主要用于提供代码补全、跳转定义、错误提示等IDE功能。而Clang-Tidy则是静态代码分析工具，用于检查代码中的潜在问题，比如风格违规、潜在bug等。 clangd 核心工作原理 1. 基于编译器的精准解析底层引擎…...

编程日记 2025/7/29 0:31:33

【Linux】冯诺依曼体系结构和操作系统的理解

目录冯诺依曼体系结构一个例子来深入理解初识操作系统操作系统的作用设计操作系统的目的操作系统之上和之下分别有啥管理的精髓，先描述，再组织冯诺依曼体系结构我们知道，计算机这个东西发明出来就是帮助人们快速解决问题的。那如果我们想…...

编程日记 2025/7/29 0:31:31

Windows系统Jenkins企业级实战

目标在Windows操作系统上使用Jenkins完成代码的自动拉取、编译、打包、发布工作。实施 1.安装Java开发工具包（JDK） Jenkins是基于Java的应用程序，因此需要先安装JDK。可以从Oracle官网或OpenJDK下载适合的JDK版本。推荐java17版本&#x…...

编程日记 2025/7/29 0:31:30

服务预热原理

Java、Spring、Springboot工程启动后，第一次访问比较慢，而从第二次访问开始就快很多，这通常是由以下几个原因导致的： 类加载与初始化开销类加载过程：Java程序在启动时需要加载大量的类文件到内存中，包括…...

编程日记 2025/7/29 0:31:28

Python核心编程深度解析：作用域、递归与匿名函数的工程实践

引言 Python作为现代编程语言的代表，其作用域管理、递归算法和匿名函数机制是构建高质量代码的核心要素。本文基于Python 3.11环境，结合工业级开发实践，深入探讨变量作用域的内在逻辑、递归算法的优化策略以及匿名函数的高效应用&#xff0c…...

编程日记 2025/7/23 22:34:30

python环境搭建和pycharm的安装配置以及使用face_recognition与cv2

一.python环境的搭建: 1.下载python（这里以python3.11为例） step 1：打开下载网址：https://www.python.org/downloads/windows/ step 2：我这里选着python3.11.9的版本 2. 安装我就不说了,网上很多二.pycharm的安装…...

编程日记 2025/7/28 23:35:30

养生：为健康生活筑牢根基

养生并非遥不可及的目标，而是贯穿于日常生活的点滴之中。从饮食、运动到心态调节，每一个环节都对我们的健康有着重要意义。以下为你详细介绍养生的实用策略，助力你开启健康生活模式。饮食养生：科学搭配，滋养生命合…...

编程日记 2025/7/28 23:35:29

linux-----------Ext系列⽂件系统(上)

1.理解硬盘 1-1 磁盘、服务器、机柜、机房机械磁盘是计算机中唯⼀的⼀个机械设备磁盘--- 外设慢容量⼤，价格便宜 1-2 磁盘物理结构 1-3 磁盘的存储结构扇区：是磁盘存储数据的基本单位，512字节，块设备如何定位⼀个扇区呢…...

编程日记 2025/7/28 23:35:27

ts装饰器

TypeScript 装饰器是一种特殊类型的声明，能够被附加到类声明、方法、访问符、属性或参数上。它本质上是一个函数，会在运行时被调用，并且被装饰的声明信息会作为参数传递给装饰器函数。装饰器的分类类装饰器类装饰器作用于类构造函数&…...

编程日记 2025/7/28 23:35:25

未来通信中的大型人工智能模型：基础、应用与挑战的全面综述

题目：A Comprehensive Survey of Large AI Models for Future Communications: Foundations, Applications and Challenges 作者：江沸菠，潘存华，董莉，王可之，Merouane Debbah，Dusit Niyato&…...

编程日记 2025/7/28 23:35:22

青藏高原七大河流源区径流深、蒸散发数据集（TPRED）

时间分辨率月空间分辨率 1km - 10km共享方式开放获取数据大小 83.27 MB数据时间范围 1998-07-01 — 2017-12-31元数据更新时间 2024-07-22 数据集摘要通过构建耦合积雪、冻土、冰川等冰冻圈水文物理过程的WEB-DHM模型（Water and Energy Budget-based Distribute…...

编程日记 2025/7/28 23:35:20

5.2 参数管理

目标访问参数，用于调试、诊断和可视化；参数初始化；在不同模型组件间共享参数。模型：单隐藏层的MLP import torch from torch import nnnet nn.Sequential(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 1)) X torch.rand(size…...

编程日记 2025/7/28 23:35:18

Best Video下载器——抖音视频去水印工具

在浏览抖音时，我们常常会遇到一些精彩的短视频，想要保存下来作为创作素材或与朋友分享。然而直接下载的视频往往带有平台水印，影响观看体验。今天就为大家介绍几种简单实用的去水印方法，让你轻松获取高清无水印视频。目前市面上…...

编程日记 2025/7/28 23:35:16

C语言_程序的段

在 C 语言程序中，内存通常被分为多个逻辑段，每个段存储不同类型的数据。理解这些段的结构和功能，有助于你更高效地编写、调试和优化程序。以下是 C 语言程序中主要的内存段及其特点： 1. 代码段（Text Segment）存储内容：编译后的机器指令（程序代码）。特性：只读：防止…...

编程日记 2025/7/28 6:49:16

Google Earth Pro（谷歌地球）2025大陆版安装教程

软件介绍【名称】：Google Earth Pro（谷歌地球）2025 【大小】：63.6M 【语言】：简体中文【安装环境】：Win/Win8/Winxp/Win10/Win11 谷歌地球(Google Earth) 是由Google公司开发的地图软件。谷歌地球采用了…...

编程日记 2025/7/28 20:07:36

2025年数维杯赛题C题专家组委会C题专家疑集锦

1、段前段后距，行间距有要求嘛 C题专家：一般是单倍行距 2、请问参考文献和附录上方也要有图示页眉吗?ai使用报告放在附录里还是附录之后? C题专家:附录 3、第三问的那个三天都在一个城市可以吗?这样我们列两份城市的清明自由行，还是说…...

编程日记 2025/7/28 15:30:11

C.循环函数基础

循环函数基础 1. 循环函数基础1.1 循环的定义与作用1.1.1 `for` 循环语法示例1.1.2 `while` 循环语法示例1.1.3 `do-while` 循环语法示例1.1.4 循环的比较1.1.5 循环的应用场景2.1 for 循环语法结构执行流程示例应用场景优点缺点2.2 while 循环语法结构执行流程示例应用场景优点…...

编程日记 2025/7/28 23:35:09

spark-Join Key 的基数/rand函数

在数据处理中，Join Key 的基数是指 Join Key 的唯一值的数量（也称为 Distinct Key Count）。它表示某个字段（即 Join Key）在数据集中有多少个不同的值。 1. Join Key 基数的意义高基数：Join Key 的唯一值…...

编程日记 2025/7/28 23:35:07

【Oracle认证】MySQL 8.0 OCP 认证考试英文版（MySQL30 周年版）

文章目录 1、MySQL OCP考试介绍2、考试注册流程3、考试复习题库 Oracle 为庆祝 MySQL 30 周年，截止到2025.07.31 之前。所有人均可以免费考取原价245美元 （约1500）的MySQL OCP 认证。 1、MySQL OCP考试介绍 OCP考试 OCP认证是Oracle公司推…...

编程日记 2025/7/19 15:29:53

不同环境下运行脚本如何解决pythonpath问题

目录问题背景： 方法一：在 Dockerfile 中设置 PYTHONPATH： 方法二: 本地脚本内动态地设置 sys.path，以确保 Python 程序在运行时能够找到项目中的模块注意： 问题背景： 脚本在windows环境定义然后因为…...

编程日记 2025/7/26 4:02:45

照片to谷歌地球/奥维地图使用指南

软件介绍照片to谷歌地球/奥维地图是一款由WTSolutions开发的跨平台图片处理工具，能够将带有GPS信息的照片导入Google Earth（谷歌地球）或奥维地图。该软件支持Windows、Mac、iOS、Linux和Android系统，无需下载安装，直…...

编程日记 2025/7/28 23:50:02

visual studio 2015 安装闪退问题

参考链接： VS2012安装时启动界面一闪而过问题解决办法 visual studio 2015 安装闪退问题...

编程日记 2025/7/19 18:42:41

Kubernetes 使用 containerd 实现 GPU 支持及 GPU Operator 部署指南

目录 Kubernetes 使用 containerd 实现 GPU 支持及 GPU Operator 部署指南一、为什么 containerd 是趋势？ 二、目标三、前提条件四、方式一：containerd nvidia-container-toolkit（基础方式） 1️⃣ 安装 NVIDIA Containe…...

编程日记 2025/7/28 17:08:50

【typenum】 1 说明文件（README.md）

Typenum Typenum 是一个用于在编译时计算类型级数字的 Rust 库。目前支持位、无符号整数和有符号整数。 Typenum 仅依赖 libcore，因此适用于任何平台！ 导入方式虽然 typenum 分为多个模块，但它们都通过 crate 根目录重新导出&#xff0c…...

编程日记 2025/7/28 7:48:29

Axure疑难杂症：统计分析页面引入Echarts示例动态效果

亲爱的小伙伴，在您浏览之前，烦请关注一下，在此深表感谢！ Axure产品经理精品视频课已登录CSDN可点击学习https://edu.csdn.net/course/detail/40420 课程主题：统计分析页面引入Echarts示例动态效果主要内容：echart示例引入、大小调整、数据导入应用场景：统计分析页面…...

编程日记 2025/7/28 0:30:15

PyQt5基本窗口控件（QWidget）

QWidget 基础窗口控件QWidget类是所有用户界面对象的基类，所有的窗口和控件都直接或间接继承自QWidget类。窗口控件（Widget，简称“控件”）是在PyQt中建立界面的主要元素。在PyQt 中把没有嵌入到其他控件中的控件称为窗口&…...

编程日记 2025/7/27 22:32:57

双目视觉系统中，极线校正（Epipolar Rectification）与单应性矩阵/多平面单应性模型

在双目视觉系统中，极线校正（Epipolar Rectification）的目标是使左右图像的对应点位于同一水平线上，从而简化立体匹配的搜索过程。标准的双目相机标定和校正流程，其核心原理与单应性矩阵的应用方式如下： 1. …...

编程日记 2025/7/28 19:07:18

【部署】win10的wsl环境下调试dify的api后端服务

回到目录标题：win10的wsl环境下，远程调试dify的api后端服务 0. 上一篇讲解web前端服务的启动方法，本篇内容是vscode的调试模式启动api后端服务。文章4000字左右，阅读时间15-20分钟。 dify官方运行环境要求较低2U4G&#xff0c…...

编程日记 2025/7/27 21:16:23

学习黑客了解Python3的“HTTPServer“

5 分钟深入浅出理解Python3的"HTTPServer"模块 🌐 大家好！今天我们将探索Python3中的HTTPServer模块——一个简单却强大的工具，它允许你快速创建web服务器。在网络安全学习、渗透测试和CTF挑战中，这个模块常被用来搭建…...

编程日记 2025/7/27 23:46:34

结合 ECharts / Ant Design Blazor 构建高性能实时仪表盘

📊 结合 ECharts / Ant Design Blazor 构建高性能实时仪表盘文章目录 📊 结合 ECharts / Ant Design Blazor 构建高性能实时仪表盘一、前言 🔍二、技术选型 🧰三、项目配置与架构 🏗️🌐 系统整体架构流程…...

编程日记 2025/7/28 15:39:10

刘强东杀入自动驾驶！京东注册“Joyrobotaxi”商标

又一个互联网大佬杀入汽车赛道！这一次，是京东的刘强东。5月6日，京东集团旗下公司一口气申请注册了多个名为"Joyrobotaxi"的商标，国际分类涵盖运输工具、科学仪器等核心领域。这一动作被业界普遍解读为：京东要…...

编程日记 2025/7/25 10:29:48

JavaScript基础-switch分支流程控制

在JavaScript编程中，switch语句提供了一种清晰、简洁的方式来实现多路分支选择。相比于多个if...else if语句，switch语句可以使代码更加易读和易于维护，尤其是在需要根据单个变量或表达式的值进行不同路径选择时尤为有用。本文将详细介绍swit…...

编程日记 2025/7/27 10:58:37

MySQL：视图

目录一、什么是视图二、视图的创建和使用三、修改数据 （1）修改真实表 （2）修改视图四、删除视图五、视图的优点一、什么是视图视图是一个虚拟的表，它是基于一个或多个基本表或其他视图的查询结果集。视…...

编程日记 2025/7/28 14:04:18

05 mysql之DDL

一、SQL的四个分类我们通常可以将 SQL 分为四类，分别是： DDL（数据定义语言）、DML（数据操作语言）、 DCL（数据控制语言）和 TCL（事务控制语言）。 DDL 用于创建…...

编程日记 2025/7/29 4:40:31

各国GDP变化趋势网页特效(实用动态图表)完整实例

https://download.csdn.net/download/YUJIANYUE/90803109...

编程日记 2025/7/29 4:40:29

【部署】win10的wsl环境下启动dify的web前端服务

回到目录标题：win10的wsl环境下启动dify的web前端服务 0. 官网安装指引官网有详细的源代码部署说明，参考: https://docs.dify.ai/en/getting-started/install-self-hosted/local-source-code 1. 安装nodejs 1.1. 下载和解压文件参考:https://no…...

编程日记 2025/7/29 4:40:27

Veins同时打开SUMO和OMNeT++的GUI界面

进入 Veins 工程目录（即包含 sumo-launchd.py 的目录），打开终端设置 SUMO_HOME 环境变量（指向你安装的 SUMO 路径）： export SUMO\_HOME/home/veins/src/sumo-1.11.0编译 Veins 工程（包含 OMNeT…...

编程日记 2025/7/29 4:40:25

模型启动效应

系列文章分享模型，了解更多👉 模型_思维模型目录。刺激先行激活，后续认知更顺畅。 1 启动效应的应用 1.1 求职面试中对面试官的影响背景：一家知名公司在招聘过程中发现，面试官对候选人的评价往往受到多种因素的影响…...

编程日记 2025/7/29 4:40:23

Android 使用Paging3 实现列表分页加载、下拉刷新、错误重试、筛选功能

Android 使用Paging3 实现列表加载 Paging3是Android Jetpack组件库中的分页加载库，它可以帮助开发者轻松实现列表数据的分页加载功能。本文将逐步讲解如何使用Paging3库实现一个带有加载更多、下拉刷新、错误重试、筛选功能的列表页面。最终效果如下加载更多、…...

编程日记 2025/7/29 4:40:21

洛图报告中的 FSHD 是什么？—— 解密九天画芯推动的三色光源显示技术

目录一、洛图报告新焦点：FSHD 为何成为显示产业重要突破方向？ （一）洛图报告核心结论：从技术突围到产业重构二、技术解析：FSHD 如何重构显示底层逻辑？ （一）物理架构…...

编程日记 2025/7/29 4:40:16

关于数据库查询速度优化

本人接手了一个关于项目没有任何文档信息的代码，代码也没有相关文档说明信息！所以在做数据库查询优化的时候不敢改动。原因1： 老板需要我做一个首页的统计查询。明明才几十万条数据，而且我加了筛选条件为什么会这么慢&#xff…...

编程日记 2025/7/29 4:40:14

2. 两数相加 - 力扣（LeetCode） 解法： class Solution { public:ListNode* addTwoNumbers(ListNode* l1, ListNode* l2) {ListNode * dummy new ListNode(0);int carry 0;ListNode * head dummy;while (l1 ! nullptr || l2 ! nullptr ||…...

编程日记 2025/7/29 4:40:12

车载学习（6）——CAPL（1）一些基础知识

1.一些CAPL的知识 CAPL通讯访问编程语言（Commmunication Access Programming language） CAPL的用途 ECU的仿真实现（报文的收发、数据的处理）实现总线日志纪录的控制实现总线数据自动化分析实现ECU功能的自动化测试实现ECU报文发…...

编程日记 2025/7/29 4:40:10

C++笔记-set和map的使用(包含multiset和multimap的讲解)

1.序列式容器和关联式容器前面我们已经接触过STL中的部分容器如:string、vector、list、deque、array、forward_list等，这些容器统称为序列式容器，因为逻辑结构为线性序列的数据结构，两个位置存储的值之间一般没有紧密的关联关系&#xff0…...

编程日记 2025/7/29 4:40:08

GLPK(GNU线性规划工具包)介绍

GLPK全称为GNU Linear Programming Kit(GNU线性规划工具包)，可从 https://sourceforge.net/projects/winglpk/ 下载源码及二进制库，最新版本为4.65。也可从 https://ftp.gnu.org/gnu/glpk/ 下载，仅包含源码，最新版本为5.0。 GLPK是…...

编程日记 2025/7/29 4:40:06

相关文章：