AI PC处理器ARM架构-引入NPU和大模型
AI PC处理器架构变化:ARM低功耗、引入NPU和大模型
AI进化加速端侧落地,新一轮浪潮蓄势待发(2024)”。ARM(Advanced RISC Machine)架构和x86架构是两种主要的处理器架构,它们在设计理念、应用场景和性能特点等方面有显著的差异。
ARM架构是一种精简指令集计算机(RISC)架构,它具有低功耗、小尺寸、高性能、高集成度等特点,适用于移动设备、物联网等场景。而x86架构则是一种复杂指令集计算机(CISC)架构,它具有高性能、大缓存、多核心等特点,适用于PC服务器等场景。
ARM架构和x86架构都是计算机领域中常用的指令集架构。ARM架构追求指令集的简化,每条指令执行速度快,能够在较低功耗下高效工作。这种设计理念使得ARM架构适用于电池供电设备,强调节能和高效。而x86架构则包含复杂的指令集,能够在一条指令中执行更多的操作。这种设计理念使得x86架构适用于需要高计算能力的设备,强调性能和灵活性。
ARM架构在移动和嵌入式领域凭借高能效与低功耗优势独领风骚,而x86架构则在桌面和服务器市场凭借卓越性能及丰富的软件生态系称霸一方。
1、ARM架构因其低功耗的特点份额有望逐步提升
ARM架构的卓越低功耗特性源于多种设计要素的协同作用,如简洁的指令集、精简的硬件实现、高效的流水线布局、低功耗模式、较少的晶体管数量、专用处理单元的应用以及专为嵌入式系统和移动设备优化的技术。这些独特设计特点赋予ARM处理器在追求低功耗的各类应用场景中脱颖而出的能力。
在AIPC领域,ARM架构以卓越的能效比脱颖而出,为AI计算提供高效且低能耗的解决方案。其高度定制化特性使芯片设计者能够根据特定需求优化硬件架构,确保在各种AI应用场景中实现最优性能。
苹果由x86架构转向ARM架构收获成功,是其市场份额上升的关键因素之一
2020年,苹果在技术领域的一次重大转变引发了业界的广泛关注。这一年,苹果从长期使用的x86架构CPU转向了ARM架构CPU,推出了M系列芯片。11月10日,苹果正式发布了首款自研芯片M1,并将其应用在了MacBook Air、Mac Mini、MacBook Pro(13英寸,2020年款)、iMac、iPad Pro以及iPad Air(第五代)等产品上。这一举措标志着苹果正式告别英特尔处理器,踏上了自主研发芯片的道路,无疑为公司的未来发展开启了新的篇章,也成为了重要的技术里程碑。
苹果宣称该芯片在所有低功耗中央处理器产品中性能最佳,同时具有最佳的性能功耗比。
苹果MacOS市场份额提升,有部分原因可能是M系列芯片高能低耗对于其mac产品销量的拉动。根据statcounter数据,2018年MacOS在PC操作系统的占比仅为12.84%,2023年提升至18.71%,而windows操作系统市场份额则从2018年的80.36%下降至2023年的68.28%,根据苹果公司公告数据,2020年四季度推出ARM架构的M芯片后,其mac产品线销售收入在1Q21环比上涨5%,同比上涨70%,增速显著高于全球PC销量的增速。
Rosetta 2确保苹果从x86架构转向ARM架构的过渡期平稳度过
苹果在转向ARM架构时,面临确保应用兼容性和性能的挑战。需兼顾硬件设计、操作系统优化、用户体验、生态系统整合和市场竞争等多方面因素。
Rosetta 2使得macx86架构转向ARM架构平稳过渡。由于当时大量现有的Mac应用程序是为x86架构编写的,为了确保现有的x86应用能够在ARM架构的Mac上运行,苹果推出了Rosetta 2翻译层。Rosetta 2在运行时将x86指令翻译为ARM指令。这种翻译是动态进行的,意味着应用程序在启动和运行时,Rosetta 2会实时进行指令翻译,从而确保兼容性,对于用户而言,Rosetta 2的运行是透明的。
用户不需要进行任何额外的操作即可运行他们现有的x86应用程序,只需像往常一样打开应用程序即可。使用Rosetta 2翻译的应用程序与原生运行在x86设备上的体验几乎没有区别。这种无缝体验是苹果致力于确保过渡期间用户不会感受到明显差异的重要组成部分。
ARM架构助力苹果生态的一致性和无缝协同。为确保苹果产品生态系统的一致性和连贯性,新加入的ARM架构设备能与现有iPhone、iPad及Mac设备顺畅协作。开发者亦能轻松地在iOS与macOS平台间移植应用,进一步强化苹果生态系统的集成与协同。
微软逐步完善ARM架构的生态系统
2021年微软推出了ARM64EC,可以将基于X86的应用程序代码转移到基于ARM的代码上,ARM64EC可以看作是连接 x86 和 ARM架构的重要桥梁,它通过提供兼容性和优化性能,促进了两种架构之间的互操作性和协同发展。
ARM64EC是一种应用二进制接口(ABI),旨在促进在ARM系统上运行x64应用程序的兼容性。这使得x64应用程序在WOA(Windows on ARM)设备上能够更高效地运行,实现原生执行ARM代码。为了使 ARM 设备能够运行 x86 应用程序,微软引入了 ARM64EC。ARM64EC 允许开发者将现有的x64(即 x86-64)应用程序部分或全部移植到 ARM 平台上,而无需完全重写代码。通过支持 x86 应用程序,ARM64EC 使得 ARM 设备(如基于 ARM 的 Windows 笔记本电脑和平板电脑)能够运行更多的现有软件,从而扩大了这些设备的应用范围和吸引力。
"基于ARM架构的软件逐步推向市场,其中Windows on ARM已拥有87%的原生应用份额,仅剩13%需兼容层转译。"
在2023年,高通骁龙X系列问世之际,它与众多应用开发商展开了紧密合作。到了2024年3月,谷歌也推出了原生版的完整Chrome浏览器,支持在搭载高通骁龙技术的Windows PC上下载和使用。
ARM架构市场份额有望逐年上涨,高通+微软联手发力WOA
据Counterpoint Research预测,到2027年,ARM架构笔记本市场份额将攀升至25%。
根据前瞻分析,当前ARM笔记本电脑主要由苹果提供,搭载MacOS操作系统,而微软的Windows操作系统依然是最受欢迎的选择。然而,过去ARM市场份额未能显著提高的主要障碍是Windows操作系统应用程序与ARM架构的兼容性问题。值得注意的是,这一问题正逐步得到解决。
高通+微软联手发力推动WOA,Copilot+PC的推出可能是WOA的重要转折点。在Build 2024开发者大会前夕,5月20日微软发布了自家最新的“Copilot+PC”, 是专为 AI 设计的新型 Windows PC,有望开启Windows on ARM新时代。其他各大品牌同步推出Copilot+PC。微软不仅自己推出全新的Copilot+ PC,同时与各大 OEM 厂商(宏碁、华硕、戴尔、惠普、联想、三星)合作全新 Copilot+PC,于 6 月 18 日开始上市。
2、异构计算成为AIPC新品主流,引入NPU成为关键
引入NPU对于提升计算效率、降低能耗与成本具有重要意义。
NPU是专门为神经网络计算设计的,能够高效处理大量并行计算任务,显著提高AI应用的性能。例如,在图像识别、自然语言处理和自动驾驶等领域,NPU可以加速训练和推理过程 。
NPU(神经网络处理器)与通用处理器(如CPU、GPU)相比,具有更高的能效比,这对于移动设备和嵌入式系统尤为重要,因为这些设备对功耗和电池寿命有严格的要求。相较于中央处理单元(CPU)和图形处理单元(GPU),NPU从硬件层面对AI计算进行了专门优化,旨在提高处理性能和能效。NPU的设计目标是高效、低功耗地执行机器学习,特别是深度学习任务。
现代NPU通常采用可重构设计,能够适应不同的AI模型和算法。这种灵活性使得NPU可以在不同应用场景中高效运行,满足多样化的计算需求。
AIPC处理器异构计算成为共性,增加NPU本质是为了进行低功耗计算
在硬件领域,英特尔、高通和AMD新一代AI加速处理器均采用“CPU+GPU+NPU”的异构架构。这种创新设计相较于传统CPU+GPU架构,增加了专门用于处理人工神经网络计算的NPU,从而实现了更快速、高效且强大的边缘AI模型推理。
2023年12月英特尔推出首款面向AI PC的Meteor Lake酷睿Ultra处理器。
酷睿Ultra处理器采用分离式模块架构,由四个独立的模块组成,并通过Foveros 3D封装技术连接。其计算模块首次采用Intel 4制程工艺打造,带有基于Redwood Cove架构的P-Core和基于Crestmont架构的E-Core;核显采用了全新的Alchemist Xe-LPG设计;SOC模块里面包含了2个全新的LP E-Core,用于新型低功耗负载,进一步优化节能与性能间的平衡。同时酷睿Ultra处理器还采用了英特尔首个用于客户端的片上AI加速器“神经网络处理单元(NPU)”,将高能效AI加速提升到了新的高度,带来2.5倍于上一代产品的能效表现。
根据公司官网信息,intel计划将在 2025 年之前在超过 1 亿台 PC 上实现人工智能 。
2024年6月,Intel正式发布下一代面向AIPC的移动处理器Lunar Lake,综合算力达到120TOPS,NPU算力达到48TOPS,同时能耗大幅降低。
Lunar Lake处理器AI总算力达到120TOPS,其中CPU可提供5 TOPS的算力,驱动轻度AI工作;GPU提供67 TOPS算力提供游戏与创作所需的AI性能;NPU提供48 TOPS算力能够提供AI辅助与创作等功能。经过重新设计,为 x86 的能效设定了新的标准,lunar lake再供电和电源管理方面大幅改进,采用更先进的工艺节点,相较上一代meteor lake能耗降低40%。目前Lunar Lake已有来自20家OEM厂商,超过80款设计,预计第三季度开始出货。
在AI应用方面,英特尔ultra处理器性能显著提升,较上一代性能提升70%,同时也领先AMD上一代产品。
根据英特尔公布的对比数据显示,与英特尔Core i7-1370P相比,Core Ultra 7 165H的Generative AI(生成式AI)性能提高了70%;与AMD Ryzen 7 7840U相比,英特尔Core Ultra 7 165H在GIMP Stable Diffusion性能方面提高了5.4倍,在Stable Difference A1111性能方面提高了3.2倍,在Adobe Premier Pro(ColorGrade+场景编辑+导出)方面提高了1.7倍,在Adobe Lightroom Classic(AI照片编辑)方面提高了1.5倍,DaVinci Resolve(渲染+AI遮罩+导出)的性能提高了1.2倍,Wondershare Filmora(A1FX+预览+导出)性能提高了1.1倍。
Ultra系列产品在性能大幅提升的同时,功耗也得到了显著降低。与英特尔Core i7-1370P相比,Core Ultra 7 165H在Zoom视频会议中可降低38%的功耗;在空闲模式下,相较于AMD Ryzen 7 7840U,英特尔Core Ultra 7165H的功耗低了79%。当功率突破20W后,其运行速度比苹果M3更快。
Ultra系列功耗的下降核心在于其采用Tile分离模块设计,将中高功耗、低功耗、超低功耗、GPU等负载场景和运算模块分成了不同的Tile。在低功耗场景可以让NPU或者LPE单独承载,CPU和GPU降频或者基本静置,大幅降低功耗。英特尔酷睿Ultra采用全新的3D高性能混合架构,由性能核(P-Core)、能效核(E-Core)和低功耗能效核(LP E-Core)组成。这种设计允许处理器根据不同的应用场景智能地调节核心的活动状态。
Ultra系列功耗的下降核心在于其采用Tile分离模块设计,将中高功耗、低功耗、超低功耗、GPU等负载场景和运算模块分成了不同的Tile。在低功耗场景可以让NPU或者LPE单独承载,CPU和GPU降频或者基本静置,大幅降低功耗。英特尔酷睿Ultra采用全新的3D高性能混合架构,由性能核(P-Core)、能效核(E-Core)和低功耗能效核(LP E-Core)组成。这种设计允许处理器根据不同的应用场景智能地调节核心的活动状态 。
AIPC处理器异构计算成为共性,增加NPU本质是为了进行低功耗计算
生成式AI用例需求不断增加,促使专业定制的全新计算架构诞生。这款架构首先采用面向生成式AI设计的神经网络处理器(NPU),并通过搭配中央处理器(CPU)和图形处理器(GPU)等异构处理器,实现最佳性能、能效和电池续航。
NPU专为实现以低功耗加速AI推理而全新打造,并随着新AI用例、模型和需求的发展不断演进。根据高通《通过NPU和异构计算开启终端侧生成式AI》,在2015年,早期NPU面向音频和语音AI用例而设计,这些用例基于简单卷积神经网络并且主要需要标量和向量数学运算;2016年开始,拍照和视频AI用例大受欢迎,出现了基于transformer、循环神经网络、长短期记忆网络和更高维度的卷积神经网络等更复杂的全新模型,这些工作需要大量张量数学运算,因此NPU增加了张量加速器和卷积加速,大幅提升处理效率;2023年,LLM、LVM赋能的生成式AI使得典型模型的大小超过了一个数量级,因此还需要重点考虑内存和系统设计,通过减少内存数据传输以提高性能和能效。
3、大模型落地端侧提升设备对于内存的需求
内存对AI PC至关重要,影响整体性能及AI任务实现。随着模型增大且复杂度提高,AI PC需更高内存容量。
在PC市场,微软推出的Copilot+PC硬件要求最低16GB DDR5/LPDDR5内存和256GB SSD/UFS存储设备。预计AI PC将推动PC平均搭载容量的提升。根据集邦咨询预测,DRAM笔记本单机平均搭载容量年增长率约为12.4%,随着AI PC的量产,2025年的增幅将更为显著。
随着手机代际AI升级,DRAM需求有望迎来爆发式增长。尽管人工智能(AI)已融入智能手机功能多年,但在高端设备中实施改良的大型语言模型(LLM)可能会导致对DRAM需求的上升,并加速最小NAND存储容量的淘汰。据YOLE预测,到2023年,高端智能手机的平均DRAM容量将达到9GB,而随着制造商开始整合基于生成式AI的功能,到2024年,内容将接近10GB。
- 模型即服务(MaaS)是一种新型服务模式,通过将AI模型及其相关能力封装成服务,旨在降低技术使用门槛、控制成本并简化系统运维管理,从而推动“人工智能+”进程。
-对此,您有什么看法见解?-
-欢迎在评论区留言探讨和分享。-
相关文章:
AI PC处理器ARM架构-引入NPU和大模型
AI PC处理器架构变化:ARM低功耗、引入NPU和大模型 AI进化加速端侧落地,新一轮浪潮蓄势待发(2024)”。ARM(Advanced RISC Machine)架构和x86架构是两种主要的处理器架构,它们在设计理念、应用场景和性能特点等方面有显著的差异。 ARM架构是一…...
python之opencv库Haar级联分类器检测人脸--‘haarcascade_frontalface_default.xml‘
python之opencv库Haar级联分类器检测人脸–‘haarcascade_frontalface_default.xml’ opencv库: 它由 Intel 公司发起并参与开发,其初衷是为了提供高效的计算机视觉算法实现。随着计算机视觉领域的发展,OpenCV不断更新和完善,吸引…...
「Mac畅玩鸿蒙与硬件37」UI互动应用篇14 - 随机颜色变化器
本篇将带你实现一个随机颜色变化器应用。用户点击“随机颜色”按钮后,界面背景会随机变化为淡色系颜色,同时显示当前的颜色代码,页面还会展示一只猫咪图片作为装饰,提升趣味性。 关键词 UI互动应用随机颜色生成状态管理用户交互…...
确定 POST 请求中的数据字段
在使用 requests 进行 HTTP 请求时,data 和 params 是两种常见的参数,用于传递不同类型的数据。以下是它们的作用和区别: 1. data 的作用 用于 POST 请求的主体。通常传递表单数据或 JSON 数据。在 HTTP 请求中,data 中的内容会…...
Linux - DNS服务器
六、DNS服务器 1、简介 DNS(Domain Name System)是互联网上的一项服务,它作为将域名和IP地址相互映射的一个分布式 数据库,能够使人更方便的访问互联网。 DNS系统使用的是网络的查询,那么自然需要有监听的port。DNS使…...
探究 SpringBoot 结合 MVC 高校办公室行政事务管理系统的设计与应用实现
摘 要 身处网络时代,随着网络系统体系发展的不断成熟和完善,人们的生活也随之发生了很大的变化,人们在追求较高物质生活的同时,也在想着如何使自身的精神内涵得到提升,而读书就是人们获得精神享受非常重要的途径。为了…...
蓝桥杯-扫雷
这题不难,就是麻烦一点,这里暴力求解了直接 题目链接: 扫雷 AC代码: import java.util.Scanner; // 1:无需package // 2: 类名必须Main, 不可修改public class Main {public static void main(String[] args) {Scanner scan ne…...
Hive高可用配置
在hive的商用上没有集群一说,而且它本身也不是数据库,只是hadoop的数据sql化工具,但是hive可以配置高可用,通常业内对元数据服务会开5个,而HS2服务开3个,来保证hive服务的高可用 配置方式也很简单…...
探索AI新世界!热门工具与学习资源免费获取
抖知书老师推荐: 人工智能技术的迅速发展让人们既充满期待又有些迷茫。有人担忧被AI技术取代,有人却积极拥抱这场科技浪潮。无论你处于哪种心态,人工智能已经深入到我们生活的方方面面。如果你希望轻松掌握最新的AI工具与动态,…...
MAUI APP开发蓝牙协议的经验分享:与跳绳设备对接
在开发MAUI应用程序时,蓝牙协议的应用是一个重要的环节,尤其是在需要与外部设备如智能跳绳进行数据交换的场景中。以下是我在开发过程中的一些经验和心得,希望能为你的项目提供帮助。 1. 蓝牙协议基础 蓝牙协议是无线通信的一种标准&#x…...
常见Linux命令(详解)
文章目录 常见Linux命令文件目录类命令pwd 打印当前目录的绝对路径ls 列出目录内容cd 切换路径mkdir 建立目录rmdir 删除目录touch 创建空文件cp 复制文件或目录rm 移除文件或者目录mv 移动文件与目录或重命名cat 查看文件内容more 文件分屏查看器less 分屏显示文件内容head 显…...
LeetCode763. 划分字母区间(2024冬季每日一题 23)
给你一个字符串 s 。我们要把这个字符串划分为尽可能多的片段,同一字母最多出现在一个片段中。 注意,划分结果需要满足:将所有划分结果按顺序连接,得到的字符串仍然是 s 。 返回一个表示每个字符串片段的长度的列表。 示例 1&a…...
【k8s 深入学习之 event 聚合】event count累记聚合(采用 Patch),Message 聚合形成聚合 event(采用Create)
参考 15.深入k8s:Event事件处理及其源码分析 - luozhiyun - 博客园event 模块总览 EventRecorder:是事件生成者,k8s组件通过调用它的方法来生成事件;EventBroadcaster:事件广播器,负责消费EventRecorder产生的事件,然后分发给broadcasterWatcher;broadcasterWatcher:用…...
Java--数组的定义与使用
1.数组的基本概念 1.1为什么用数组 在程序设计中,每一个数据总是对应一个变量.当数据量越大,就需要更多的变量来存储.我们将相同类型的数据存储到一个集合中,就可以更方便我们对数据进行访问,同时可以减少不断定义变量.这个集合就叫做数组 1.2数组的定义 数组是一种基本的数…...
tcpdump抓包wireshark分析
背景 分析特定协议的数据包,如 HTTP、DNS、TCP、UDP 等,诊断网络问题,例如连接故障、延迟和数据包丢失。 大概过程 1.安装tcpdump yum update yum install tcpdump2.抓包,从当前时间起,一小时后停止,…...
qtcanpool 知 09:测试框架
文章目录 前言不满改进优化后语 前言 很久以前,作者写的代码都没有测试用例,最多就是写个 demo 验证一下,毕竟不是专业出身,也没经过大公司的洗礼。 后来,参与到一些项目才知道有专门的测试,而且开发也要测…...
使用Apache HttpClient发起一个GET HTTP请求
Apache HttpClient 是一个强大且灵活的Java库,用于处理HTTP请求。 它提供了广泛的功能,包括对不同HTTP方法的支持、连接管理、Cookie处理等。 无论是与RESTful API交互、下载网页内容还是自动化网页任务,Apache HttpClient 都能通过其简洁而…...
C++ STL 容器系列(三)list —— 编程世界的万能胶,数据结构中的百变精灵
STL系列学习参考: C STL系列__zwy的博客-CSDN博客https://blog.csdn.net/bite_zwy/category_12838593.html 学习C STL的三个境界,会用,明理,能扩展,STL中的所有容器都遵循这个规律,下面我们就按照这三个境…...
【前端学习笔记】TypeScript学习
1.什么是TypeScript TypeScript(简称 TS)是微软公司开发的一种基于 JavaScript (简称 JS)语言的编程语言。TypeScript 可以看成是 JavaScript 的超集(superset),添加了类型系统和编译时类型检查…...
qt三大调试方法总结(printf\qDebug\qCDebug)
文章目录 1 传统方法2 qDebug传统方法扩展1 控制输出扩展2 日志格式扩展3 日志保存扩展4 源码定义护展5 开源扩展3 qCDebug方法扩展1 控制扩展2 格式化扩展3 保存日志扩展4 源码定义参考1 传统方法 #include<stdio.h> printf(“xboard hello printf”) 2 qDebug传统方法…...
耶鲁大学公开课《心理学导论》学习笔记:第 1 课 - 导论
概述 作为一个程序员,或者说,我们不管做什么行业,都可以或多或少的学习一些心理学 我们在生活工作中,其实都会有意无意的接触一些心理学原理,例如,【番茄工作法】、【内在动机与外在激励】 这里选择的是&…...
Android ConstraintLayout 约束布局的使用手册
目录 前言 一、ConstraintLayout基本介绍 二、ConstraintLayout使用步骤 1、引入库 2、基本使用,实现按钮居中。相对于父布局的约束。 3、A Button 居中展示,B Button展示在A Button正下方(距离A 46dp)。相对于兄弟控件的约束…...
STM32F030单片机AD采集应用总结
最近在设计一款产品的AD时,采集到的电压老是比输入电压0.2V左右,电路如图所示 查阅资料得知,STM32f030 的输入阻抗应小于 50K。于是将电阻改为 39K/10K,但情况依旧。随后,干脆将电阻值改为 3.9K/1K,虽有一定…...
Web开发基础学习——通过React示例学习模态对话框
Web开发基础学习系列文章目录 第一章 基础知识学习之通过React组件学习模态对话框 文章目录 Web开发基础学习系列文章目录前言一、创建新的 React 应用二、 创建模态对话框组件三、修改 App.js四、 添加样式五、启动应用六、访问应用总结 前言 模态对话框(Modal D…...
实例分割详解
实例分割详解 引言 实例分割是计算机视觉领域的一项复杂任务,它要求模型能够识别图像中不同类别的对象,并对每个单独的对象进行像素级别的分类。与语义分割不同的是,实例分割不仅要区分不同的类别,还要识别同一类别中的不同个体…...
Flink四大基石之State(状态) 的使用详解
目录 一、有状态计算与无状态计算 (一)概念差异 (二)应用场景 二、有状态计算中的状态分类 (一)托管状态(Managed State)与原生状态(Raw State) 两者的…...
vue深入理解输入框字符限制的优化设计
文章目录 深入理解输入框字符限制的优化设计背景与挑战输入框限制的重要性常见需求 多种实现方法解析方法一:基于实时过滤的字符限制方法二:借助正则验证方法三:提交时二次校验 性能优化无障碍设计延伸场景与最佳实践1. 多语言国际化支持2. 动…...
MySQL的子查询
SQL语句中嵌套select语句,嵌套查询 案例: select * from t1 where column1 (select column1 from t2); 补: 1.子查询外部的语句可以是insert/update/delete/select的任何一个 2.位置也可以在where/from/select之后 类型: 1.标量子查询…...
Kubernetes架构原则和对象设计
云原生学习路线导航页(持续更新中) 快捷链接 Kubernetes常见问题解答 本文从 Google Borg系统的架构设计开始,深入讲解Kubernetes架构及组件的基本原理 1.什么是云计算 1.1.传统行业应用 假设有10台服务器,两个应用。小规模管…...
npm : 无法加载文件 D:\nodejs\npm.ps1,因为在此系统上禁止运行脚本
要以管理员身份打开PowerShell,请按照以下步骤操作: 在Windows搜索框中查找PowerShell: 在任务栏上,点击左下角的Windows徽标(或按Win S键)以打开搜索框。输入“PowerShell”以查找PowerShell应用程序。右…...
Linux CentOS
阿里云开源镜像下载链接 https://mirrors.aliyun.com/centos/7/isos/x86_64/ VMware 安装 CentOS7 自定义 下一步 选择稍后安装操作系统 选择 输入 查看物理机CPU内核数量 CtrlShiftEsc 总数不超过物理机内核数量 推荐内存 自选 推荐 推荐 默认 拆分成多个 默认 自定义硬件…...
如何用注册机破解Reflexive游戏
相信有许多小朋友(像我以前一样)已经迫不及待地准备准备对浩瀚的、像三星堆一般的Reflexive游戏合集进行考古挖掘工作了。不巧的是,打开游戏之后发现常常提示要付费才能解锁完整版。 一、下载注册机与破解文件 首先,在我的永硕网…...
【算法day7】字符串:反转与替换
题目引用 反转字符串反转字符串II替换数字 1.反转字符串 编写一个函数,其作用是将输入的字符串反转过来。输入字符串以字符数组 s 的形式给出。 不要给另外的数组分配额外的空间,你必须原地修改输入数组、使用 O(1) 的额外空间解决这一问题。 示例 1&am…...
基于Linux C++多线程服务器 + Qt上位机开发 + STM32 + 8266WIFI的智慧无人超市
前言 针对传统超市购物车结账排队时间长、付款效率低的问题,提出了一种更符合现代社会人们购物方式-基于RFID的自助收银系统。习惯了快节奏生活的人们都会选择自助收银机结账,理由显而易见:自助收银机结账很方便,几乎不用排队&am…...
继电器测试的培训和学习资源有哪些推荐?
继电器是电气控制设备中常见的一种元件,用于实现电路的开关控制和保护功能。对于从事电气相关工作的人员来说,掌握继电器的测试技能是非常重要的。以下是一些推荐的继电器测试培训和学习资源: 1. 在线课程:许多在线学习平台提供了…...
学习日志020---qt信号与槽
作业 import sysfrom PySide6.QtWidgets import QApplication, QWidget,QPushButton,QLineEditfrom Form import Ui_Form from second import Ui_second from PySide6.QtCore import Qtclass MyWidget(QWidget,Ui_Form):def __init__(self):super().__init__()self.setupUi(se…...
小迪安全笔记 第四十四天 sql盲注 实战利用sql盲注 进行漏洞的利用
sql盲注的分类 什么是盲注 就是我们什么也不知道的情况下进行的注入 前边的注入 都是简单的注入 我们猜测 数据类型 之后 可以直接 union 去查 这种情况多用于 数据库增删查改中的 查 bool盲注也用于查 这个的情况的就是我们前边都试了 没有用 就需要…...
AMEYA360:上海永铭电子全新高压牛角型铝电解电容IDC3系列,助力AI服务器电源高效运转
随着数据中心和云计算的高速发展,AI服务器的能效要求日益提高。如何在有限空间内实现更高的功率密度和稳定的电源管理,成为AI服务器电源设计的一大挑战。永铭推出全新高压牛角型铝电解电容IDC3系列,以大容量、小尺寸的创新特性,为…...
SpringBoot Web 开发请求参数
SpringBoot Web 开发请求参数 简单的 web 请求: @RestController public class HelloController {@RequestMapping("sayHello")public String sayHello(){System.out.println("Hello World");return "hello world";} }获取请求参数 简单参数…...
力扣92.反转链表Ⅱ
题目描述 题目链接92. 反转链表 II 给你单链表的头指针 head 和两个整数 left 和 right ,其中 left < right 。请你反转从位置 left 到位置 right 的链表节点,返回 反转后的链表 。 示例 1: 输入:head [1,2,3,4,5], left …...
网络安全、Web安全、渗透测试之笔经面经总结(一)
本篇文章总结涉及以下几个方面: 一:对称加密非对称加密? 对称加密:加解密用同一密钥,密钥维护复杂n(n-1)/2,不适合互联网传输密钥,加解密效率高。应用于加密数据。 非…...
11 设计模式之代理模式(送资料案例)
一、什么是代理模式? 在现实生活中,我们常常遇到这样的场景:由于某些原因,我们可能无法亲自完成某个任务,便会委托他人代为执行。在设计模式中,代理模式 就是用来解决这种“委托”问题的࿰…...
matlab2024a安装
1.开始安装 2.点击安装 3.选择安装密钥 4.接受条款 5.安装密钥 21471-07182-41807-00726-32378-34241-61866-60308-44209-03650-51035-48216-24734-36781-57695-35731-64525-44540-57877-31100-06573-50736-60034-42697-39512-63953 6 7.选择许可证文件 8.找许可证文件 9.选…...
齐护机器人ModbusRTU RS485转TTL通信模块与ESP32 Arduino通信可Mixly的图形化编程Scratch图形化编程
齐护机器人ModbusRTU RS485-TTL通信模块 一、概念理解 Modbus协议是一种由Modicon公司(现为施耐德电气Schneider Electric)于1979年发表的网络通信协议,旨在实现可编辑逻辑控制器(PLC)之间的通信。 1.1 什么是Mod…...
JDK、JRE、JVM的区别
JDK(Java Development Kit)、JRE(Java Runtime Environment)和JVM(Java Virtual Machine)是Java技术栈中的三个核心组件,它们各自有不同的功能和用途: 1. JDK(Java Deve…...
linux基础2
声明! 学习视频来自B站up主 泷羽sec 有兴趣的师傅可以关注一下,如涉及侵权马上删除文章,笔记只是方便各位师傅的学习和探讨,文章所提到的网站以及内容,只做学习交流,其他均与本人以及泷羽sec团队无关&#…...
vue 项目实现阻止浏览器记住密码
在各个浏览器中,登录输入密码一般都会弹出是否记住密码的功能,如果记住之后,会在各个密码框自动填充记住的密码,这无疑是一种不安全的操作,所以要实现禁用阻止浏览器记住密码的行为 查阅资料,也得到很多…...
【23种设计模式】工厂模式:理论剖析与Java实践
文章目录 工厂模式:理论、Java 实现与实践应用一、工厂模式概述二、简单工厂模式(一)理论介绍(二)代码实现(三)关键步骤(四)流程图 三、工厂方法模式(一&…...
(补充)JSON在Java后端的应用
JSON在Java后端的应用 本篇介绍 本篇文档不涉及到写一个JSON字符串,只是介绍如何在后端实现JSON字符串和Java对象的相互转换 Java对象转换为JSON字符串 在Java中,可以使用一个第三方工具包Jackson将Java对象转换为JSON对象,假设现在有一个…...
使用 Apache Commons IO 实现文件读写
在 Java 编程中,文件读写是常见的操作。虽然 Java 标准库提供了基本的文件 I/O 功能,但使用 Apache Commons IO 库可以进一步简化这些操作,提高开发效率。Apache Commons IO 是一个强大的工具库,提供了许多实用的类和方法…...