博客 RSS 訂閱

beiyouzhiyu 頭像

北冥有隻魚 - 解鎖網絡性能優化利器HTTP/2C

我總要言説一些東西，因為我的心始終在喋喋不休。 前言 HTTP的發展現狀 最近腦海裏面始終活躍着一些想法，一部分是對過去錯誤認知的糾正，比如HTTP/2。在《HTTP學習筆記(三) HTTP/2》，這裏已經提過了，HTTP 1.0的性能缺點是每一個連接都對應一個TCP連接，到HTTP 1.1對這個問題進行了解決，也就是keep-alive和流水線，所謂keep-alive, 也就是説客户端和服務端

http-2 , 後端

收藏 評論

chuanghongdengdeqingwa_eoxet2 頭像

宇文成都 - 使用Python對PDF進行拆分與合併

在日常辦公和數據處理中，PDF文檔因其穩定性和通用性而廣泛應用。然而，我們經常會遇到需要將多個PDF報告合併成一份完整文檔，或者將一份冗長的合同拆分成多個獨立章節的情況。手動操作這些任務不僅耗時，而且容易出錯。幸運的是，Python作為一種強大的自動化工具，能夠幫助我們高效地解決這些問題。 本文將深入探討如何利用 Spire.PDF for Python 庫，輕鬆實現PDF文檔的拆分與合併，讓您的

pdf , Python

收藏 評論

puxiaoke6 頭像

一點人工一點智能 - 《深度學習數學基礎》

書籍：Mathematical Foundations for Deep Learning 作者：Mehdi Ghayoumi 出版：Chapman and Hall/CRC​ 編輯：陳萍萍的公主@一點人工一點智能 下載：書籍下載-《深度學習數學基礎》 01 書籍介紹 《深度學習數學基礎》彌合了理論數學與人工智能（AI）實際應用之間的鴻溝。本指南深入探討驅動現代深度

數學 , 人工智能 , 深度學習

收藏 評論

daimajiangxin 頭像

代碼匠心 - 從零開始學Flink：實時流處理實戰

在大數據處理領域，實時流處理正變得越來越重要。Apache Flink作為領先的流處理框架，提供了強大而靈活的API來處理無界數據流。本文將通過經典的SocketWordCount示例，深入探討Flink實時流處理的核心概念和實現方法，幫助你快速掌握Flink流處理的實戰技能。 一、實時流處理概述 1. 流處理的基本概念 流處理是一種持續處理無界數據的計算範式。與批處理不同，流處理系統需要在數據到

大數據 , JAVA , flink , 數據處理 , 後端

收藏 評論

feedalyze 頭像

Feedalyze - 專業的用户反饋管理分析工具，能幫企業節省多少開支？

引言 當今，企業若希望保持產品競爭力，最關鍵的要素之一在於用户反饋。用户反饋不僅是產品迭代的風向標，也是客户體驗的標尺，更是企業經營的決策依據。 成本 以一家員工人數 100 人，用户規模在 1 萬的中小軟件企業為例，收集、處理和分析用户反饋的成本約為多少呢？ 這家企業用户規模並不大，但每月仍可能會收到數百上千條反饋，反饋渠道可能包括官網、公眾號、郵件、反饋問卷、應用內反饋等等。企業的成員配置一般

產品運營 , 軟件開發 , 產品經理 , 用户反饋 , 用户體驗

收藏 評論

anygraphanywhere 頭像

圖形天下 - “一週學習計劃與總結”思維導圖創作實踐解析

                “一週學習計劃與總結”思維導圖 “一週學習計劃與總結”思維導圖模板獲取鏈接 一、核心主題確定 該思維導圖旨在系統規劃一週學習任務，通過有效執行和及時總結，確保學習任務有序進行，同時促進反思與提升。核心主題確定為“一週學習計劃與總結”，並特別註明為2025年02月10日第二週，以便清晰追蹤時間節點。 二、導圖結構設計 根據核心主題，巧妙運用圖形天下的混合佈局，進行思

思維 , 思維導圖 , 知識管理 , 思維導圖工具

收藏 評論

pm_pawsjournal 頭像

產品汪日記 - 產品經理視角：如何用用户旅程圖優化留存與轉化

目標：把“旅程圖”從靜態海報，變成 可度量、可實驗、可迭代 的增長操作系統。本文圍繞留存與轉化，提供從框架到落地的全鏈路做法，並以 泳池清潔機器人為案例展開。 一、留存與轉化的 UX 視角：先定指標，再看情緒 1.北極星與分解指標 北極星：穩定周留存（W1/W4）+ 任務成功率（FTSR：First Task Success Rate）。 關鍵分解 激活：首日完成安裝配網首清路徑設

用户體驗

收藏 評論

daimajiangxin 頭像

代碼匠心 - 從零開始學Flink：數據轉換的藝術

在實時數據處理流程中，數據轉換（Transformation）是連接數據源與輸出結果的橋樑，也是體現計算邏輯的核心環節。Flink提供了豐富的數據轉換操作，讓開發者能夠靈活地對數據流進行各種處理和分析。本文將以Flink DataStream API為核心，帶你探索Flink數據轉換的精妙世界，並結合之前文章中的Kafka Source實現一個完整的數據處理流程。 一、數據轉換概覽 數據轉換是指將

大數據處理 , 大數據 , JAVA , flink , 後端

收藏 評論

daimajiangxin 頭像

代碼匠心 - 從零開始學Flink：數據輸出的終極指南

在實時數據處理的完整鏈路中，數據輸出（Sink）是最後一個關鍵環節，它負責將處理後的結果傳遞到外部系統供後續使用。Flink提供了豐富的數據輸出連接器，支持將數據寫入Kafka、Elasticsearch、文件系統、數據庫等各種目標系統。本文將深入探討Flink數據輸出的核心概念、配置方法和最佳實踐，並基於Flink 1.20.1構建一個完整的數據輸出案例。 一、Flink Sink概述 1. 什

大數據處理 , 大數據 , JAVA , flink , 後端

收藏 評論

fannaodeliushu 頭像

程序員阿偉 - 《工業邊緣網關進階指南：智慧工廠設備互聯中的協議適配與數據預處理》

參與智慧工廠設備互聯升級項目時，體會到邊緣網關在工業場景中的核心價值與實踐困境。該工廠作為當地老牌製造企業，歷經三次生產線迭代，目前涵蓋三條不同年代的生產線，部署了近千台異構設備，既有上世紀九十年代採用傳統Modbus協議的老舊PLC，也有近年新增的支持OPC UA協議的新型智能傳感器，甚至部分關鍵衝壓設備因硬件限制，仍依賴RS485串口進行數據傳輸。早期採用的集中式數據採集方案，需通過多條超50

數據

收藏 評論

jidongdemogu 頭像

JeeLowCode - 低代碼範式的內涵與邊界：介於無代碼與複雜代碼的再思考

在當下的語境中，“低代碼”往往被簡化為“拖拽組件”“快速搭建”的代名詞，但這只是表象。 當我們真正去審視低代碼時，會發現它所指涉的遠不止可視化操作界面，而是涵蓋了完整的開發邏輯、技術體系與智能化支撐。 第一，表層體驗：可視化與直觀操作 低代碼最直觀的特徵在於“所見即所得”的構建方式，包括可視化工作流、組件化設計、實時渲染與動態預覽等，這些功能降低了應用開發的門檻。 第二，技術

工作流可視化 , 低代碼 , 低代碼開發平台 , 工作流

收藏 評論

sysin 頭像

sysin - Apple Safari 26.0.1 發佈 - macOS 專屬瀏覽器 (獨立安裝包下載)

Apple Safari 26.0.1 發佈 - macOS 專屬瀏覽器 (獨立安裝包下載) 適用於 macOS Sequoia 和 macOS Sonoma 的 Safari 瀏覽器 26 請訪問原文鏈接：https://sysin.org/blog/apple-safari-26/ 查看最新版。原創作品，轉載請保留出處。 作者主頁：sysin.org Safari 瀏覽器 風馳電掣。

safari

收藏 評論

sysin 頭像

sysin - Veeam ONE 13 Patch 1 發佈 - IT 環境監控和分析

Veeam ONE 13 Patch 1 發佈 - IT 環境監控和分析 Veeam ONE 13.0 for Windows x64 請訪問原文鏈接：https://sysin.org/blog/veeam-one-13/ 查看最新版。原創作品，轉載請保留出處。 作者主頁：sysin.org VEEAM ONE 整個 IT 環境的監控和分析 Veeam ONE 是 Veeam Availab

監控

收藏 評論

smalbox 頭像

SmalBox - 【光照】[PBR][菲涅爾]實現方法對比

【從UnityURP開始探索遊戲渲染】專欄-直達 菲涅爾效應基本流程 菲涅爾效應(F)在BRDF中描述光線在不同入射角下的反射率變化，其計算流程通常分為三個步驟： ‌基礎反射率確定‌：0°入射角時的反射率(F₀) ‌角度依賴計算‌：根據入射角變化調整反射率 ‌金屬/非金屬處理‌：區分導體和絕緣體的不同表現 主要菲涅爾模型實現 1. Schlick近似模型 ‌原理‌： 對完整菲涅

渲染 , unity3d , 圖形學

收藏 評論

deephub 頭像

deephub - PINN訓練新思路：把初始條件和邊界約束嵌入網絡架構，解決多目標優化難題

PINNs出了名的難訓練。主要原因之一就是這個多目標優化問題。優化器很容易找到投機取巧的路徑——比如拼命降低微分方程殘差，但完全不管初始條件和邊界約束。只要給初始條件和邊界損失配的權重夠低，它們增加的那點損失完全能被殘差損失的大幅下降抵消掉。調整權重也許能暫時緩解這個問題，但誰也不能保證最優權重在整個訓練過程中一直有效。 標準的PINN用複合損失函數，把三項加權求和： 初始條件損失 邊界損失

神經網絡 , pytorch , 人工智能 , 深度學習

收藏 評論

zhuifengdekaomianbao 頭像

張老師講數字孿生 - 光伏+儲能+充電站三位一體！某省會城市如何實現碳中和標杆？

在東莞南城街道石鼓社區，一片曾經裸露的泥地悄然變身。深色光伏板在陽光下熠熠生輝，下方整齊停放着各類車輛，充電樁上的指示燈明滅閃爍——這處東莞首個集齊光伏發電、能量存儲、智能充電三大“黑科技”的“超級停車場”，正悄然改寫城市的能源利用方式。 近年來，隨着“雙碳”目標深入推進，全國多個城市加速探索綠色低碳發展路徑。其中，“光伏+儲能+充電站”三位一體的創新模式尤為引人注目，它通過能源生產、存儲

數字化轉型 , 能源 , 社區建設 , 解決方案 , 環境搭建

收藏 評論

deephub 頭像

deephub - Python離羣值檢測實戰：使用distfit庫實現基於分佈擬合的異常檢測

傳感器監控、安全運營、欺詐檢測——這些場景都需要及時發現異常狀況。但是問題在於，異常樣本出現頻率低導致標註數據稀缺，監督學習模型難以構建。雖然異常(anomaly)和新穎性(novelty)這兩個概念經常混用，但它們在建模假設和處理流程上存在本質差異。 本文會先講清楚異常檢測的核心概念，分析anomaly和novelty的區別，然後通過實際案例演示如何用概率密度擬合方法構建單變量數據集的無監督異常

機器學習 , 人工智能 , 異常處理 , Python

收藏 評論

pm_pawsjournal 頭像

產品汪日記 - 從用户動作到情緒曲線：打造高效智能硬件旅程地圖

1.前言 在智能硬件產品的設計與優化過程中，用户動作數據（如點擊、註冊、下單）往往容易被量化與跟蹤，而用户情緒曲線（如期待、焦慮、滿意）卻常常被忽視。 然而，情緒決定了用户是否繼續使用、是否推薦他人、是否願意付費升級。 本篇將圍繞智能硬件產品（AI 翻譯軟硬件、AI 玩具、泳池清潔機器人），深入解析如何將用户動作與情緒曲線整合為一張高價值用户旅程地圖，幫助產品經理實現從數據觀察到情緒洞察的

用户體驗

收藏 評論

elhix0bg 頭像

阿里雲大數據AI - 兩項世界第一！阿里雲EMR登頂全球數據倉庫性能及性價比排行榜

節前，和大家分享一個好消息： 阿里雲EMR在全球數據倉庫性能及性價比排行榜中斬獲兩項全球冠軍！ 在“數據分析”性能測試TPC-H榜單中，阿里雲EMRServerlessStarRocks（Stella1.2.0內核）以QphH超754萬分的性能結果斬獲全球冠軍，領先第二名111%； 在“決策支持類”性能測試TPC-DS榜單中，阿里雲EMRServerlessSpark（Fusion2.0內

spark , 阿里雲 , starrocks

收藏 評論

ruanjiankaifa_xiaofanya 頭像

軟件部長 - “表單數據提交後去哪了？”——低代碼如何一鍵搞定數據管理與展示。

在低代碼開發中，表單不僅僅是數據收集的入口，也是業務流轉的核心。很多用户常有這樣的困惑：“通過所見即所得方式快速搭建的表單，數據提交後去哪了？如何被複用？是否能無縫集成到其它業務模塊？” JVS低代碼輕應用快速開發採用所見即所得的配置思路，表單是低代碼中最基礎的業務配置引擎之一，快速的通過表單配置實現數據輸入、數據存儲，數據展示。那麼在輕應用下直接點開菜單打開的表單，錄入數據提交到數據模型，

表單 , 低代碼 , 私有化部署 , 低代碼開發平台

收藏 評論

pm_pawsjournal 頭像

產品汪日記 - 用户旅程圖在智能硬件產品中的高級應用

一、前言 智能硬件產品的市場競爭日益激烈，單純依靠功能創新已經不足以保證產品成功。用户體驗（UX）成為關鍵差異化因素，而用户旅程圖（Customer Journey Map, CJM）正是連接產品設計、市場策略和業務目標的橋樑。 對於經驗豐富的產品經理而言，CJM不僅是可視化工具，更是戰略決策、跨部門協作和數據驅動優化的核心方法論。本文將通過智能硬件產品實踐案例，深入解析如何用用户旅程圖指

用户體驗

收藏 評論

deephub 頭像

deephub - 從零構建能自我優化的AI Agent：Reflection和Reflexion機制對比詳解與實現

AI能否像人類一樣從錯誤中學習？反思型Agent系統不僅能生成回答，還會主動審視自己的輸出，找出問題並持續改進。 反思策略本質上就是讓LLM對自己的行為進行自我批評。有時反思器還會調用外部工具或檢索系統來提升批評的準確性。這樣一來系統輸出的就不再是一次性的回答，而是經過多輪生成-審閲循環優化後的結果。 目前主流的反思系統主要分為三類： 基礎Reflection Agent比較輕量，就是簡單的生成器

llm , 神經網絡 , 教程 , 人工智能 , 深度學習

收藏 評論

jordan_haidee 頭像

Jordan_Haidee - 【Rust GUI開發入門】編寫一個本地音樂播放器（3. UI與後台線程通信）

本系列教程對應的代碼已開源在 Github zeedle UI線程 $\xrightarrow{消息}$ 後台線程 使用枚舉定義消息類型 enum PlayerCommand { Play(SongInfo, TriggerSource), // 從頭播放某個音頻文件 Pause, // 暫停/繼續播放 ChangeProgr

gui , music , audio-player , rust

收藏 評論

yqyx36 頭像

雲輕雨細 - 程序出錯瞎找？教你寫“會説話”的錯誤日誌，秒定位原因

前言 排查程序問題時，錯誤日誌就是最靠譜的“地圖”：寫得好的日誌，能直接帶你找到“問題地點”；寫得差的日誌，卻像一張模糊的塗鴉，讓你在代碼裏繞來繞去還找不到北。今天就從“錯誤怎麼來的”講到“日誌怎麼寫”，來講講錯誤日誌的妙用。 一、錯誤不是“憑空冒出來”的，這3類場景最容易出問題 程序出錯從來不是“突然襲擊”，而是有明確來源的。就像生活裏的麻煩事，要麼是別人給的（上層傳錯參數），要麼是和別人打交道

日誌分析 , 運維

收藏 評論