当前位置: 首页 > news >正文

(四)数据检索与增强生成——让对话系统更智能、更高效

上一篇:(三)链式工作流构建——打造智能对话的强大引擎

在前三个阶段,我们已经搭建了一个基础的智能对话,并深入探讨了输入输出处理和链式工作流构建的细节。今天,我们将进入智能对话系统的高级阶段——数据检索与增强生成。这一阶段的目标是通过数据检索和增强生成技术,让对话系统能够基于外部数据进行回答,从而更加智能和高效。(建议从第一篇食用)

一、文档加载与处理:为系统提供知识基础

文档加载是智能对话系统获取知识的第一步。通过加载各种类型的文档,我们可以为系统提供丰富的知识基础。

导入相关包

from langchain_community.chat_models import ChatZhipuAI
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_community.embeddings import ZhipuAIEmbeddings
from langchain_core.vectorstores import InMemoryVectorStore
from langchain_core.documents import Document
from langchain.chains import create_retrieval_chain
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain_core.prompts import ChatPromptTemplate

网页文档加载

web_loader = WebBaseLoader(["https://baike.baidu.com/item/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD/9180"])
web_docs = web_loader.load()

通过网页文档加载,我们可以从互联网上获取实时信息,让系统始终保持知识的更新。

该代码段在下面没有用到,所以展示如何加载网页内容作用

PDF文档加载

pdf_loader = PyPDFLoader("DL.pdf")
pdf_docs = pdf_loader.load()
print(pdf_docs)

PDF文档加载功能允许我们从本地或网络上的PDF文件中提取文本,为系统提供更多专业领域的知识。

查看加载的文档内容:

在这里插入图片描述

文本文件加载

text_loader = TextLoader("ML.txt", encoding="utf-8")
text_docs = text_loader.load()
print(text_docs)

文本文件加载是最基础的文档加载方式,适用于处理纯文本文件。

查看加载的文档内容:
在这里插入图片描述

二、文档分割:优化数据处理效率

文档分割是将长文本分割成适合处理的小块的过程。通过优化分割策略,我们可以显著提高系统的处理效率。

text_splitter = RecursiveCharacterTextSplitter(chunk_size=500,  # 块大小(字符数)chunk_overlap=50,  # 块间重叠separators=["\n\n", "。", "!", "?", ";"],  # 中文分句符号length_function=len  # 使用字符数统计
)
chunks = text_splitter.split_documents(pdf_docs + text_docs)
print(chunks)

这段代码展示了如何针对中文文本进行优化分割。通过设置合适的块大小和重叠度,我们可以确保每个块既包含足够的信息,又不会过于冗长。

分割后的内容:(分割成一个个Document)
在这里插入图片描述

三、向量化与存储:让文本数据可检索

向量化是将文本数据转换为向量表示的过程,这是实现高效检索的关键步骤。

向量化模型

embeddings = ZhipuAIEmbeddings(model="embedding-3",
)
print(embeddings)

通过指定向量化模型,我们可以将文本数据转换为高维向量,从而实现语义级别的相似度计算。

查看向量化模型信息:
在这里插入图片描述

向量存储

vector_store = InMemoryVectorStore(embedding=embeddings)
vector_store.add_documents(documents=chunks)

向量存储允许我们将向量化后的文档存储起来,以便后续的检索和查询。

四、基础检索:让系统基于数据回答问题

基础检索是智能对话系统的核心功能之一,它允许系统基于存储的数据回答用户的问题。

定义提示模板

template = """基于以下上下文回答问题:
{context}
问题:{input}"""
prompt = ChatPromptTemplate.from_template(template)

通过定义提示模板,我们可以指导模型如何基于上下文回答问题。

构建文档处理链

document_chain = create_stuff_documents_chain(chat, prompt)

文档处理链负责将检索到的文档传递给模型进行处理。

构建完整RAG链

retriever = vector_store.as_retriever(search_kwargs={"k": 3})  # 返回前3相关结果
rag_chain = create_retrieval_chain(retriever, document_chain)

RAG(Retrieval-Augmented Generation)链结合了检索和生成技术,让系统能够基于外部数据进行回答。

执行查询

response = rag_chain.invoke({"input": "ML与DL的区别与联系"})
print(response["answer"])

通过执行查询,我们可以看到系统如何基于存储的数据回答复杂的问题。

结果如下:

机器学习(ML)与深度学习(DL)之间的区别与联系如下:**区别:**1. **定义和范围:**- 机器学习是一个更广泛的概念,指的是让计算机通过数据和算法自动学习和改进性能的技术。- 深度学习是机器学习的一个子领域,它特别关注使用多层神经网络来处理和表示数据。2. **模型复杂度:**- 机器学习可以使用各种类型的模型,包括简单的线性模型、决策树、支持向量机等。- 深度学习通常使用更复杂的模型,如卷积神经网络(CNN)、循环神经网络(RNN)和生成对抗网络(GAN)等。3. **特征提取:**- 传统的机器学习模型通常需要手动设计特征,而深度学习可以自动从原始数据中提取特征。4. **数据需求:**- 机器学习模型可能需要大量数据,但不需要像深度学习那样大量的数据来训练。5. **计算资源:**- 深度学习模型通常需要更多的计算资源,尤其是GPU,因为它们需要大量的并行计算来训练。**联系:**1. **技术关系:**- 深度学习是机器学习的一个子集,因此深度学习模型是机器学习模型的一种。2. **应用领域:**- 深度学习在图像识别、语音识别、自然语言处理等领域取得了显著成果,这些领域也是机器学习的主要应用领域。3. **目标:**- 两者都旨在使计算机能够从数据中学习,并自动改进性能。4. **发展历程:**- 深度学习是机器学习发展的一个重要阶段,它在某些领域取得了突破性的进展。总结来说,深度学习是机器学习的一种特定实现方式,它通过使用复杂的神经网络模型来提高机器学习在特定任务上的性能。尽管它们之间存在区别,但深度学习与机器学习在目标和应用上有着紧密的联系。

总结

数据检索与增强生成是智能对话系统的核心能力,它不仅决定了系统的知识广度,还影响着系统的回答质量。通过文档加载、文档分割、向量化与存储、基础检索等技术,我们可以让对话系统变得更加智能和高效。

未来,我们可以进一步探索以下方向:

  • 更复杂的检索策略:结合多模态数据,实现跨领域的知识检索。
  • 实时数据更新:通过动态加载和更新数据,让系统始终保持知识的时效性。
  • 个性化推荐:根据用户的历史交互记录,提供个性化的回答和建议。

祝我们学习愉快 😊

下一篇:(五)智能体与工具协同——打造智能对话的超级助手

相关文章:

(四)数据检索与增强生成——让对话系统更智能、更高效

上一篇:(三)链式工作流构建——打造智能对话的强大引擎 在前三个阶段,我们已经搭建了一个基础的智能对话,并深入探讨了输入输出处理和链式工作流构建的细节。今天,我们将进入智能对话系统的高级阶段——数…...

Turtle图形化编程知识点汇总:让编程更有趣

友情提示:本文内容由银河易创AI(https://ai.eaigx.com)创作平台gpt-4-turbo模型生成,仅供参考! 在学习编程的过程中,许多初学者会接触到Python的turtle图形库,它是一种图形化编程工具,通过简单的…...

Social GAN(CVPR2018)

文章目录 AbstractIntroductionRelated WorkHuman-Human InteractionRNNs for Sequence PredictionGenerative Modeling MethodProblem DefinitionGenerative Adversarial NetworksSocially-Aware GANPooling ModuleEncouraging Diverse Sample Generation Conclusion paper Ab…...

0201线性回归-机器学习-人工智能

文章目录 1 程序目标2 代码实现3 关键步骤解释4 示例输出5 注意事项结语 以下是一个使用 scikit-learn、pandas和 matplotlib 实现线性回归的完整程序示例。程序包含数据加载、模型训练、预测和可视化。 1 程序目标 加载数据(使用 pandas)数据预处理&am…...

2-Visual Studio 2022 NET开发Windows桌面软件并连接SQL Server数据库

引言 今天尝试Visual Studio 2022 NET开发一个NET桌面软件,并尝试连接SQL Server的数据库,此文章为开发笔记。 --------------------------------------------------------------------------------------------------------------------------------- …...

OpenGL学习笔记(简介、三角形、着色器、纹理、坐标系统、摄像机)

目录 简介核心模式与立即渲染模式状态机对象GLFW和GLAD Hello OpenGLTriangle 三角形顶点缓冲对象 VBO顶点数组对象 VAO元素缓冲对象 EBO/ 索引缓冲对象 IEO 着色器GLSL数据类型输入输出Uniform 纹理纹理过滤Mipmap 多级渐远纹理实际使用方式纹理单元 坐标系统裁剪空间 摄像机自…...

第二十九章:Python-mahotas库:图像处理的高效工具

一、mahotas库简介 mahotas是一个功能强大的Python图像处理库,提供了丰富的图像处理算法和工具,包括图像分割、特征提取、滤波、形态学操作等。它以简洁的API和高效的性能著称,特别适合处理大型图像。资源绑定附上完整资料供读者参考学习&…...

【网络安全】 防火墙技术

防火墙是网络安全防御的重要组成部分,它的主要任务是阻止或限制不安全的网络通信。在这篇文章中,我们将详细介绍防火墙的工作原理,类型以及如何配置和使用防火墙。我们将尽可能使用简单的语言和实例,以便于初学者理解。 一、什么…...

关于Linux系统安装和优化的教程

书籍教程 《Linux 就该这么学》:涵盖多种 Linux 发行版的安装知识,从安装前硬件检测(如硬盘容量需至少 10GB、内存至少 2GB )、软件源选择,到安装步骤(如镜像烧录、启动设置、分区操作 )都有详…...

还是主题混合程序设计

以下是针对您现有代码的完整主题化改造方案&#xff0c;实现跨QML/Qt Widgets的阴影主题系统&#xff1a; 一、主题管理系统核心 // thememanager.h #pragma once #include <QObject> #include <QColor> #include <QMap> #include <QQmlEngine>class…...

【FPGA开发】利用状态机思想点亮流水灯/初学hdlbitsFPGA教程网站

一、状态机思想介绍 状态机是一种用于描述系统行为的形式化模型&#xff0c;它将系统抽象为有限的状态&#xff0c;并通过状态转移来响应外部输入或事件。其核心思想是&#xff1a;系统在任何时刻只处于一个确定的状态&#xff0c;且在不同状态之间按规则切换。状态机是处理明…...

洛谷 P3214 [HNOI2011] 卡农

题目传送门 前言 再次败在 d p dp dp 手下&#xff0c;但是数据范围这么小应该是可以看出是 d p dp dp 的&#xff08;毕竟对于其他组合数的问题数据范围都是 1 0 9 10^9 109 起步&#xff09;。 思路 题意简化 现有 1 , 2 , 3 , . . . , n − 1 , n 1, 2, 3, ... , n -…...

智能体和RPA都需要程序思维,如何使用影刀的变量?

欢迎来到涛涛聊AI&#xff0c; 不管AI还是RPA&#xff0c;都需要用到编程思想才能完成批量工作。今天研究了下影刀的变量。 变量类型 根据变量值选择相应的类型&#xff0c;可选择任意一种影刀所支持的数据类型 变量值 指定变量中保存的值&#xff0c;会根据不同的类型设置…...

使用OpenFeign实现服务远程调用

在微服务架构中&#xff0c;由于业务功能的分工不同&#xff0c;我们把项目拆分为多个独立的服务&#xff0c;并常常将其部署在不同的服务器上&#xff0c;这个时候如果服务A的某个功能需要借助服务B来实现&#xff0c;那么这个时候如何去调用就成了问题&#xff0c;目前有一种…...

【移动计算】:AndroidStudio安装和项目搭建【2019:版本3.5.2】

文章目录 1. 下载安装包2. 安装包安装2.1 运行完exe进行安装选择Cancel&#xff1a; Unable SdkInstall Type选择Custom可以选择更新最新版本&#xff1a;这里不选择点击Next勾选 Android Sdk Platform API 虚拟设备选项显示已安装否则也需要勾选设置自定义安装地址&#xff1a…...

泡棉压缩对显示模组漏光的定位分析及论述

■背景 液晶LCD受到外力或者挤压后&#xff0c;比较容易出现漏光现象即显示mura。一般从结构设计的角度会做如下措施进行整改 1>控制背光和上铁框平整度 ; 2>合理设计液晶模组的厚度和边框大小 ; 3>承载液晶面板的泡棉选取 ; 4>FPC单双层区的设计 ; 5>合理…...

当AI助理接管云计算-走向智能运维的新时代

目录 时代背景 AI在云计算运维上的帮助 新时代产物&#xff1a;WatchAlert 新时代思考 时代背景 代理人工智能&#xff1a;自主决策的未来--Gartner2025十大顶级科技预测第一名 Gartner将代理人工智能列为2025年的顶级技术趋势。该技术通过快速分析用于药物发现的海量数据…...

Day2:前端项目uniapp壁纸实战

先来做一个轮番图。 效果如下&#xff1a; common-style.css view,swiper,swiper-item{box-sizing: border-box; } index.vue <template><view class"homeLayout"><view class"banner"><swiper circular indicator-dots autoplay…...

使用人工智能大模型DeepSeek,如何进行论文润色和去重?

今天我们学习人工智能&#xff0c;如何协助我们进行论文润色和去重。手把手的学习视频地址请访问https://edu.csdn.net/learn/40402/666422 第一步在腾讯元宝对话框中输入如何协助老师做论文润色&#xff0c;通过提问&#xff0c;我们了解了老师写论文润色的步骤和建议。润色的…...

为招聘推荐系统进行相应修改的 Python 实现方案(含协同过滤推荐算法)

下面是为招聘推荐系统进行相应修改的 Python 实现方案。首先是创建数据分析看板&#xff0c;这里借助 Streamlit 库来实现可视化&#xff1b;其次是将协同过滤推荐算法和其他算法&#xff08;这里采用基于内容的推荐算法&#xff09;结合&#xff0c;以此提升推荐效果。 impor…...

Spring Boot中自定义注解的创建与使用

&#x1f31f; 前言 欢迎来到我的技术小宇宙&#xff01;&#x1f30c; 这里不仅是我记录技术点滴的后花园&#xff0c;也是我分享学习心得和项目经验的乐园。&#x1f4da; 无论你是技术小白还是资深大牛&#xff0c;这里总有一些内容能触动你的好奇心。&#x1f50d; &#x…...

算法思想之双指针(二)

欢迎拜访&#xff1a;雾里看山-CSDN博客 本篇主题&#xff1a;算法思想之双指针二) 发布时间&#xff1a;2025.4.5 隶属专栏&#xff1a;算法 目录 双指针算法介绍对撞指针&#xff1a;快慢指针&#xff1a; 例题有效三角形的个数题目链接题目描述算法思路代码实现 查找总价格为…...

MySQL基础 [一] - 数据库基础

目录 什么是数据库 站在服务器角度理解 站在用户角度理解 为什么不直接使用文件存储呢&#xff1f; 主流数据库 MySQL的基本使用 数据库的使用样例 服务器管理 服务器数据库表之间的关系 MySQL的架构 MySQL语句分类 存储引擎 查看存储引擎 存储引擎对比 什么…...

智能合约的法律挑战与解决之道:技术与法律的交融

智能合约的法律挑战与解决之道&#xff1a;技术与法律的交融 智能合约的诞生&#xff0c;为区块链技术的应用打开了新的大门。从简单的自动化交易到复杂的去中心化自治组织&#xff08;DAO&#xff09;&#xff0c;智能合约正在推动全球经济迈向去信任化的新时代。然而&#x…...

MySQL基础 [一] - Ubuntu版本安装

目录 预安装 先查看自己操作系统的版本 添加MySQL APT下载源 下载 安装 正式安装 查看MySQL状态 打开MySQL 预安装 先查看自己操作系统的版本 lsb_release -a 添加MySQL APT下载源 下载 下载发布包 下载地址 : https://dev.mysql.com/downloads/repo/apt/ 这里下…...

cursor机器码重置

1、下载vscode插件 cursor-fake-machine-0.0.2 2、将插件拖入拓展 3、彻底将cursor账号退出 setting -> Manage -> 退出账号 4、打开cursor&#xff0c;ctrlshiftp &#xff0c;输入fake,点击确定...

深度学习的疑问--综合【2】:像CNN,GNN,transformer等这些模型都是用于提取特征,然后经过全连接层实现分类的吗?

总结&#xff1a; CNN&#xff0c;GNN&#xff0c;transformer等这些模型都是用于提取特征&#xff1b;FC、MLP等用于实现分类&#xff0c;MLP即是多个FC组成的。 是的&#xff0c;从高层次来看&#xff0c;CNN&#xff08;卷积神经网络&#xff09;、GNN&#xff08;图神经网络…...

基于编程的运输设备管理系统设计(vue+springboot+ssm+mysql8.x)

基于编程的运输设备管理系统设计&#xff08;vuespringbootssmmysql8.x&#xff09; 运输设备信息管理系统是一个全面的设备管理平台&#xff0c;旨在优化设备管理流程&#xff0c;提高运输效率。系统提供登录入口&#xff0c;确保只有授权用户可以访问。个人中心让用户可以查…...

SpringBoot整合MyBatis

一、SpringBoot整合MyBatis 步骤1&#xff1a;创建新模块&#xff0c;选择Spring初始化&#xff0c;并配置模块相关基础信息 步骤2&#xff1a;选择当前模块需要使用的技术集&#xff08;MyBatis、MySQL&#xff09; 步骤3&#xff1a;设置数据源参数 spring:datasource:dr…...

kali——masscan

目录 前言 使用方法 前言 Masscan 是一款快速的端口扫描工具&#xff0c;在 Kali Linux 系统中常被用于网络安全评估和渗透测试。 使用方法 对单个IP进行端口扫描&#xff1a; masscan -p11-65535 192.168.238.131 扫描指定端口&#xff1a; masscan -p80,22 192.168.238.131…...

数字化转型中的开源AI智能客服与S2B2C商城小程序的融合创新

摘要 数字经济时代&#xff0c;企业需通过技术重构用户交互与供应链体系。本文以“开源AI智能客服”“AI智能名片”及“S2B2C商城小程序”为核心&#xff0c;研究三者如何通过技术协同与场景化应用实现企业营销、客户服务与供应链管理的智能化升级。通过案例分析、技术架构设…...

2-Docker常用命令

1. Docker 帮助启动类命令 1.1 启动 docker&#xff1a; systemctl start docker [rootlocalhost ~]# systemctl start docker1.2 停止 docker&#xff1a; systemctl stop docker [rootlocalhost ~]# systemctl stop docke1.3 重启 docker&#xff1a; systemctl restart d…...

理解OSPF 特殊区域NSSA和各类LSA特点

本文基于上文 理解OSPF Stub区域和各类LSA特点 在理解了Stub区域之后&#xff0c;我们再来理解一下NSSA区域&#xff0c;NSSA区域用于需要引入少量外部路由&#xff0c;同时又需要保持Stub区域特性的情况 一、 网络总拓扑图 我们在R1上配置黑洞路由&#xff0c;来模拟NSSA区域…...

Chapter01_绪论

文章目录 数字图像处理导论⭐图像的分类数字图像处理的概念&#xff08;狭义&#xff09;⭐数字图像处理的基本特征图像分析 ⭐数字图像处理的组成⭐数字图像处理研究的基本内容 数字图像处理导论 ⭐图像的分类 模拟图像&#xff1a;二维空间和亮度值都是连续&#xff08;值&a…...

SDL显示YUV视频

文章目录 1. **宏定义和初始化**2. **全局变量**3. **refresh_video_timer 函数**4. **WinMain 函数**主要功能及工作流程&#xff1a;总结&#xff1a; 1. 宏定义和初始化 #define REFRESH_EVENT (SDL_USEREVENT 1) // 请求画面刷新事件 #define QUIT_EVENT (SDL…...

频域滤波函数 To 空域冲激响应函数

从频域滤波函数 H ( u , v ) H(u, v) H(u,v)到空域冲激响应函数 h ( x , y ) h(x, y) h(x,y)的变换。 不是冈萨雷斯这么简单的IDFT&#xff0c;有两次移位。这么费劲是因为DFT定义在第一象限。而且要求滤波器的尺寸为奇数&#xff0c;零的个数没有影响。 逆中心移位变换&…...

【C++】C++11<包装器没写>

文章目录 一、初始化列表的统一1.列表初始化2.initializer_list 二、声明1.auto2.decltype3.nullptr 三、范围for四、智能指针五、STL中的变化1.新容器arrayforward_list 2.接口 六、右值引用1.左值引用和右值引用2.右值引用的使用场景和意义3.左值引用和右值引用的价值和场景4…...

《如何避免虚无》速读笔记

文章目录 书籍信息概览躺派&#xff08;出世&#xff09;卷派&#xff08;入世&#xff09;虚无篇&#xff1a;直面虚无自我篇&#xff1a;认识自我孤独篇&#xff1a;应对孤独幸福篇&#xff1a;追寻幸福超越篇&#xff1a;超越自我 书籍信息 书名&#xff1a;《如何避免虚无…...

【微机及接口技术】- 第四章 内部存储器及其接口(中)

文章目录 第三节 半导体存储器与CPU的连接一、存储芯片与CPU连接中应关注的问题二、存储器扩展1. 位扩展&#xff1a;2. 字扩展3. 字位扩展 三、实现片选控制的方法1. 全译码法2. 部分译码法3. 线选法 第三节 半导体存储器与CPU的连接 一、存储芯片与CPU连接中应关注的问题 C…...

Mysql 数据库下载安装

安装准备 步骤1&#xff1a;输入WindowsMysql下载地址&#xff1a;https://dev.mysql.com/downloads/&#xff0c;选择MySQL Installer for Windows。 步骤2&#xff1a;下载MySQL安装文件 mysql-install-community-8.0.22.0.msi 步骤3&#xff1a;登录MySQL, 如…...

蓝桥杯刷题笔记

奇怪的捐赠 #include <cstdio> #include <iostream> #include <cmath> using namespace std; int main(){// 初始化变量num为1000000&#xff0c;代表总金额为100万元int num 1000000;// 初始化变量cnt为0&#xff0c;用于记录最终划分的份数int cnt 0;//…...

数仓开发团队日常1

第一章:数据的召唤 2005年7月18日,星期一,上午8:30 城市商业银行总行大楼 盛夏的阳光透过高耸的银行大楼玻璃幕墙,在大理石地面上投下斑驳的光影。李明远站在城市商业银行总行大厦前,抬头望着这座在城市金融区并不算高的建筑,却感到一种莫名的压迫感。他整了整领带,深…...

Pgvector的安装

Pgvector的安装 向量化数据的存储&#xff0c;可以为 PostgreSQL 安装 vector 扩展来存储向量化数据 注意&#xff1a;在安装vector扩展之前&#xff0c;请先安装Postgres数据库 vector 扩展的步骤 1、下载vs_BuildTools 下载地址&#xff1a; https://visualstudio.microso…...

学习笔记—C++—入门基础()

目录 C介绍 参考文档 C第一个程序 命名空间namespace namespace的价值 namespace的定义 namespace使用 指定命名空间访问 using将命名空间中某个成员展开 展开命名空间中全部成员 输入和输出 缺省参数 函数重载 引用 引用的概念 应用 const引用 指针和引用的关…...

Pytorch实现之利用深度残差GAN做运动图像的去模糊

简介 简介:采用类似U-Net的解码编码的结构,结合10层的残差连接结构作为生成器,改进PatchGAN得到更大的感受野来作为鉴别器。生成器的损失为内容损失,鉴别器的损失为WGAN-GP损失。大家可以尝试这个模型来解决运动图像的去模糊化。 论文题目:基于深度残差生成对抗网络的运…...

[Windows] XHS-Downloader V2.4 | 小红书无水印下载工具 支持多平台批量采集

[Windows] XHS-Downloader 链接&#xff1a;https://pan.xunlei.com/s/VON4ygFN1JcyzLJJIOqIpqodA1?pwdsinu# XHS-Downloader 是一款开源免费的小红书内容下载工具&#xff0c;支持无水印视频 / 图文提取、多链接批量处理及账号作品采集。其核心优势包括&#xff1a; 全平台…...

从零构建大语言模型全栈开发指南:附录与资源-2.数据集大全-公开语料库、多模态数据集与领域专用数据源

👉 点击关注不迷路 👉 点击关注不迷路 👉 点击关注不迷路 文章大纲 附录与资源-2. 数据集大全:公开语料库、多模态数据集与领域专用数据源一、公开语料库:通用语言模型的基石1.1 主流文本语料库1.2 预处理工具与策略二、多模态数据集:跨模态理解的桥梁2.1 视觉-语言数…...

SDL多线程编程

文章目录 1. SDL 线程基础2. 线程同步3. 线程池4. 注意事项5. 示例:在多个线程中进行图形渲染和输入处理总结在 SDL(Simple DirectMedia Layer)中,多线程编程通常用于提高应用程序的响应性和性能,尤其是在需要同时处理多个任务的场景中,例如渲染、输入处理和音频等。SDL …...

LINUX 4 tar -zcvf -jcvf -Jcvf -tf -uf

cp -r mv: 1.移动文件到目录 2.文件改名 3.目录改名 s 上面是打包 下面是打包并压缩...

STL剖析

1. vector 是一个封装了动态大小数组的顺序容器&#xff1b;数组内容器严格按照线性顺序排序&#xff0c;支持随机访问&#xff0c;因此提供随机访问指针&#xff0c;例如vector::iterator ivite; 并且为了降低空间配置得速度成本&#xff0c;vector实际分配大小要比需求大一点…...