以深度学习为例理解22种设计模式（二）结构型模式
系列文章以深度学习的模型搭建和训练过程为例，解释面向对象编程中22种设计模式的基本原理，并给出C++实现。第二篇介绍结构型模式，包括适配器、桥接、组合、装饰、外观、享元以及代理。
相关分享
1
喜欢
ix
ixyzero.com
/
2025-01-12 12:08
学习了解数据仓库中的分层概念
本文详细介绍了数据仓库的分层概念，包括数据运营层（ODS）、数据仓库层（DW）和数据应用层（APP）。其中，DW层进一步细分为数据明细层（DWD）、数据中间层（DWM）和数据服务层（DWS）。文章阐述了各层的功能和作用，并通过实例说明如何在实际业务中应用这些分层概念。该内容适合数据工程师、数据分析师、数据架构师以及对数据仓库设计和实现感兴趣的技术人员阅读。
无图
1
喜欢
di
www.diguage.com
/
2025-01-03 00:24
理解数据库分片
这篇文章系统讲解了数据库分片的概念、优缺点以及常见的分片方法，包括基于键的分片、基于范围的分片和基于目录的分片。通过图文并茂的方式，作者详细阐述了每种分片策略的实现原理和适用场景。内容适合数据库管理员、系统架构师以及对数据库扩展性设计感兴趣的开发者，提供了深入理解数据库分片的宝贵参考。
无图
1
喜欢
pa
paper.seebug.org
/
2025-01-03 00:07
探索 AI 驱动的网络安全框架：深度学习技术、GPU 支持和未来增强
这篇文章详细分析了现代网络攻击中的 DGA（域名生成算法）技术，涵盖了其工作原理、分类及在恶意软件中的应用实例。通过技术解析和实际案例，展示了如何检测和防御 DGA 带来的安全威胁。内容适合网络安全研究人员、安全工程师以及对恶意软件分析感兴趣的技术爱好者，提供了系统化的学习参考。
无图
1
喜欢
on
onevcat.com
/
2025-01-02 23:59
编译器，靠你了！使用类型改善状态设计
如何用类型表达状态？文章深度解析了在 Swift 中通过类型系统管理状态的实践方法，涵盖了类型安全设计、编译期检查和减少运行时错误的技巧。通过实例展示，将状态逻辑融入类型定义，提升代码的健壮性和可维护性，是探索函数式编程思想的绝佳案例！
无图
1
喜欢
cr
crossoverjie.top
/
2024-11-23 21:51
深入理解 StarRocks 的元数据管理
StarRocks 元数据采用分层设计：前端负责 SQL 解析和优化，元数据存储在后端，通过 Raft 协议实现高可用和一致性。其灵活的分布式架构，保证了查询效率和系统稳定性，适用于大规模数据分析场景！
无图
1
喜欢
in
innei.in
/
2024-11-02 16:58
浅谈 Follow 中的设计理念
本文分享了 Follow 应用中的核心设计理念，包括多种图标转换方式、Peek 模态预览、优雅的动效过渡（通过 Framer Motion）、层叠模态框的层级处理以及 AutoResize 组件的平滑高度调整。这些设计细节提升了用户体验，同时控制了动态效果强度，确保设备性能与用户偏好。
无图
1
喜欢
cr
crossoverjie.top
/
2024-11-02 16:49
IM系统重构到 SDK 设计的最佳实践
本文介绍了 CIM 系统重构为 SDK 的实践，使用 Builder 模式创建客户端，实现了长连接、心跳检测及自动重连等功能，极大简化了消息收发流程。还优化了请求代理，通过 `ProxyManager` 动态管理 URL，提升了代码复用性。集成测试涵盖多服务器重连和消息验证，确保系统高可用性。重构增强了模块间解耦，使 SDK 更易于维护和扩展。
无图
1
喜欢
te
tech.meituan.com
/
2024-09-09 23:41
领域驱动设计DDD在B端营销系统的实践
领域驱动设计（DDD）在复杂业务系统中的应用非常有效，特别是在 B 端营销系统中。本文分享了美团如何通过 DDD 实践，优化营销系统的架构与设计，提升业务应对能力。想了解如何应对复杂业务需求的变化？千万别错过！
无图
1
喜欢
ix
ixyzero.com
/
2024-09-08 23:28
防呆设计
设计中的“防呆”理念，是为了防止用户出错，让复杂的操作变得简单直观。本文介绍了防呆设计的10大原则，如自动化、顺序操作、视觉标识等，帮助产品经理和设计师更好地为用户提供无错体验。想要提升用户体验，降低操作错误率？快来了解这些设计技巧！
无图
1
喜欢
hu
hubojing.github.io
/
2024-08-06 08:11
【大模型系列】提示学习
本文介绍了提示学习（Prompt Learning）的基础概念和应用场景。作者详细讨论了提示学习在大语言模型中的作用，以及如何通过优化提示来提高模型的任务表现。文章还分享了在实际应用中调整和设计提示的技巧，并探讨了该技术在自然语言处理中的未来发展趋势。这篇文章为希望利用大模型进行高效自然语言处理的开发者提供了有价值的见解。
无图