OpenCL 教程：从基础到实践

OpenCL 教程：从基础到实践

目录

  1. OpenCL 简介
  2. 环境设置
  3. OpenCL 基础概念
  4. 实践案例：图像边缘检测
  5. 性能优化技巧
  6. 常见问题和解决方案
  7. OpenCL 内存模型
  8. OpenCL 执行模型
  9. 性能考虑和优化
  10. 结语和进阶资源

1. OpenCL 简介

OpenCL（Open Computing Language）是一个开放标准的并行编程框架，用于在异构系统上编写高性能计算程序。它允许开发者利用各种计算设备（如 CPU、GPU、FPGA 等）来加速计算密集型任务。

OpenCL 的优势

  1. 跨平台: 一次编写，可在多种设备上运行
  2. 高性能: 充分利用硬件并行能力
  3. 灵活性: 适用于各种计算密集型任务

OpenCL 的设计目标是提供一个统一的编程模型，使开发者能够编写可在各种硬件上高效运行的并行程序。无论是在多核 CPU、GPU，还是专门的加速器上，OpenCL 程序都能够利用设备的并行计算能力。

2. 环境设置

在开始 OpenCL 编程之前，我们需要设置开发环境。以下是在 Ubuntu 系统上设置 OpenCL 开发环境的步骤：

sudo apt update
sudo apt install opencl-headers ocl-icd-opencl-dev
sudo apt install libopencv-dev  # 用于图像处理

这些命令将安装 OpenCL 头文件、实现库以及 OpenCV 库（我们将用它来进行图像处理）。

验证安装

安装完成后，可以通过以下方式验证安装：

  1. 检查 OpenCL 头文件是否存在：

    ls /usr/include/CL

  2. 检查 OpenCL 库是否存在：

    ls /usr/lib/x86_64-linux-gnu/libOpenCL*

  3. 如果你的系统有支持 OpenCL 的 GPU，确保已安装相应的驱动程序。

开发环境

对于 OpenCL 开发，你可以使用任何支持 C/C++ 的 IDE 或文本编辑器。一些流行的选择包括：

  • Visual Studio Code
  • CLion
  • Eclipse CDT

确保你的开发环境已正确配置 C++ 编译器和 CMake。

3. OpenCL 基础概念

在深入 OpenCL 编程之前，我们需要理解一些核心概念：

  1. 平台 (Platform): OpenCL 实现的顶层容器，通常对应于一个 OpenCL 的实现厂商。

  2. 设备 (Device): 执行 OpenCL 代码的硬件单元，如 CPU、GPU 或加速器。

  3. 上下文 (Context): 管理设备和相关资源的环境。一个上下文可以包含多个设备。

  4. 命令队列 (Command Queue): 向设备发送命令的队列。每个命令队列与一个特定的设备相关联。

  5. 程序 (Program): OpenCL C 代码及其编译后的二进制。它包含一个或多个内核。

  6. 内核 (Kernel): 在设备上执行的函数。这是 OpenCL 程序的核心部分。

  7. 工作项 (Work-item): 内核执行的一个实例，类似于一个线程。

  8. 工作组 (Work-group): 工作项的集合。同一工作组中的工作项可以共享局部内存和同步。

OpenCL 程序的基本结构

一个典型的 OpenCL 程序包括以下步骤：

  1. 获取平台和设备信息
  2. 创建上下文
  3. 创建命令队列
  4. 创建和构建程序
  5. 创建内核
  6. 创建内存对象
  7. 设置内核参数
  8. 执行内核
  9. 读取结果
  10. 清理资源

在接下来的章节中，我们将通过具体的例子来展示这些步骤。

4. 实践案例：图像边缘检测

让我们通过一个实际的例子来了解 OpenCL 编程。我们将实现一个简单的 Sobel 边缘检测算法。

4.1 OpenCL 内核代码 (edge_detection.cl)

__kernel void sobel_edge_detection(__global const uchar* input,__global uchar* output,int width,int height)
{int x = get_global_id(0);int y = get_global_id(1);if (x < width && y < height) {int idx = y * width + x;// 如果是边界像素，直接设置为0if (x == 0 || x == width - 1 || y == 0 || y == height - 1) {output[idx] = 0;return;}// 定义Sobel算子int Gx[3][3] = {{-1, 0, 1},{-2, 0, 2},{-1, 0, 1}};int Gy[3][3] = {{-1, -2, -1},{ 0,  0,  0},{ 1,  2,  1}};int sum_x = 0, sum_y = 0;// 应用Sobel算子for (int i = -1; i <= 1; i++) {for (int j = -1; j <= 1; j++) {int pixel = input[(y + i) * width + (x + j)];sum_x += pixel * Gx[i+1][j+1];sum_y += pixel * Gy[i+1][j+1];}}// 计算梯度幅值int sum = abs(sum_x) + abs(sum_y);output[idx] = (sum > 255) ? 255 : sum;}
}

这个内核实现了 Sobel 边缘检测算法。它计算每个像素的水平和垂直梯度，然后计算梯度幅值来检测边缘。

4.2 主程序 (main.cpp)

#include <CL/cl.hpp>
#include <opencv2/opencv.hpp>
#include <iostream>
#include <fstream>
#include <vector>// 读取OpenCL内核源代码
std::string readKernelSource(const char* filename) {std::ifstream file(filename);return std::string(std::istreambuf_iterator<char>(file),std::istreambuf_iterator<char>());
}int main(int argc, char** argv) {if (argc != 2) {std::cerr << "Usage: " << argv[0] << " <image_path>" << std::endl;return -1;}// 读取图像cv::Mat image = cv::imread(argv[1], cv::IMREAD_GRAYSCALE);if (image.empty()) {std::cerr << "Error: Could not read image." << std::endl;return -1;}// 获取OpenCL平台std::vector<cl::Platform> platforms;cl::Platform::get(&platforms);if (platforms.empty()) {std::cerr << "No OpenCL platforms found." << std::endl;return -1;}// 选择第一个平台cl::Platform platform = platforms[0];// 获取GPU设备std::vector<cl::Device> devices;platform.getDevices(CL_DEVICE_TYPE_GPU, &devices);if (devices.empty()) {std::cerr << "No OpenCL devices found." << std::endl;return -1;}// 选择第一个设备cl::Device device = devices[0];// 创建上下文和命令队列cl::Context context(device);cl::CommandQueue queue(context, device);// 读取并编译OpenCL程序std::string kernelSource = readKernelSource("edge_detection.cl");cl::Program program(context, kernelSource);if (program.build({device}) != CL_SUCCESS) {std::cerr << "Error building: " << program.getBuildInfo<CL_PROGRAM_BUILD_LOG>(device) << std::endl;return -1;}// 创建内核cl::Kernel kernel(program, "sobel_edge_detection");// 创建输入和输出缓冲区cl::Buffer inputBuffer(context, CL_MEM_READ_ONLY | CL_MEM_COPY_HOST_PTR, image.total() * sizeof(uchar), image.data);cl::Buffer outputBuffer(context, CL_MEM_WRITE_ONLY, image.total() * sizeof(uchar));// 设置内核参数kernel.setArg(0, inputBuffer);kernel.setArg(1, outputBuffer);kernel.setArg(2, image.cols);kernel.setArg(3, image.rows);// 执行内核cl::NDRange global(image.cols, image.rows);queue.enqueueNDRangeKernel(kernel, cl::NullRange, global, cl::NullRange);// 读取结果cv::Mat result(image.size(), CV_8UC1);queue.enqueueReadBuffer(outputBuffer, CL_TRUE, 0, image.total() * sizeof(uchar), result.data);// 显示原图和结果cv::imshow("Original Image", image);cv::imshow("Edge Detection Result", result);cv::waitKey(0);return 0;
}

这个主程序演示了如何设置 OpenCL 环境、编译内核、设置参数、执行内核以及读取结果。

4.3 CMakeLists.txt

cmake_minimum_required(VERSION 3.10)
project(OpenCLEdgeDetection)set(CMAKE_CXX_STANDARD 11)find_package(OpenCV REQUIRED)
find_package(OpenCL REQUIRED)include_directories(${OpenCV_INCLUDE_DIRS} ${OpenCL_INCLUDE_DIRS})add_executable(edge_detector main.cpp)
target_link_libraries(edge_detector ${OpenCV_LIBS} ${OpenCL_LIBRARIES})# 复制OpenCL内核文件到构建目录
configure_file(edge_detection.cl edge_detection.cl COPYONLY)

这个 CMakeLists.txt 文件用于构建我们的项目。它设置了必要的依赖项和编译选项。

5. 性能优化技巧

在实现基本功能后，我们可以考虑一些性能优化技巧：

  1. 使用本地内存: 对频繁访问的数据使用 __local 内存。
  2. 避免分支: 在内核中尽量减少条件语句。
  3. 向量化: 使用向量类型（如 float4）提高内存访问效率。
  4. 工作组大小: 根据硬件调整工作组大小以最大化并行度。
  5. 内存对齐: 确保数据结构按设备要求对齐。
  6. 异步操作: 使用事件和异步函数调用重叠计算和数据传输。

6. 常见问题和解决方案

在 OpenCL 编程中，你可能会遇到一些常见问题。以下是一些问题及其解决方案：

  1. 问题: OpenCL 程序崩溃或结果不正确。
    解决: 使用 clGetProgramBuildInfo 检查编译错误，添加错误检查代码。

  2. 问题: 性能没有预期的好。
    解决: 使用性能分析工具，如 AMD CodeXL 或 NVIDIA Visual Profiler。

  3. 问题: 在不同设备上结果不一致。
    解决: 检查浮点精度要求，考虑使用 cl_khr_fp64 扩展。

  4. 问题: 内存访问错误。
    解决: 仔细检查内存边界，确保没有越界访问。

  5. 问题: 内核编译失败。
    解决: 检查 OpenCL 版本兼容性，确保使用的特性被目标设备支持。

7. OpenCL 内存模型

OpenCL 定义了一个分层的内存模型，这对于理解和优化 OpenCL 程序至关重要。

7.1 内存类型

  1. 全局内存（Global Memory）

    • 可被所有工作组中的所有工作项访问
    • 读写延迟较高，但容量最大
    • 使用 __global 关键字声明

  2. 常量内存（Constant Memory）

    • 在内核执行期间保持不变的只读内存
    • 通常比全局内存访问更快
    • 使用 __constant 关键字声明

  3. 局部内存（Local Memory）

    • 在工作组内共享的内存
    • 访问速度比全局内存快得多
    • 使用 __local 关键字声明
    • 适用于工作组内的数据共享和协作计算

  4. 私有内存（Private Memory）

    • 每个工作项独有的内存
    • 最快的访问速度，但容量有限
    • 不需要特殊关键字，默认为私有
    • 通常映射到寄存器或本地缓存

7.2 内存模型示例

让我们修改之前的边缘检测示例，使用局部内存来优化性能：

__kernel void optimized_sobel_edge_detection(__global const uchar* input,__global uchar* output,int width,int height)
{int x = get_global_id(0);int y = get_global_id(1);int local_x = get_local_id(0);int local_y = get_local_id(1);int group_x = get_group_id(0);int group_y = get_group_id(1);__local uchar local_image[18][18];  // 16x16 工作组 + 2像素边界// 加载数据到局部内存int gx = group_x * 16 + local_x;int gy = group_y * 16 + local_y;if (gx < width && gy < height) {local_image[local_y + 1][local_x + 1] = input[gy * width + gx];}// 加载边界if (local_x == 0 && gx > 0) {local_image[local_y + 1][0] = input[gy * width + gx - 1];}if (local_x == 15 && gx < width - 1) {local_image[local_y + 1][17] = input[gy * width + gx + 1];}if (local_y == 0 && gy > 0) {local_image[0][local_x + 1] = input[(gy - 1) * width + gx];}if (local_y == 15 && gy < height - 1) {local_image[17][local_x + 1] = input[(gy + 1) * width + gx];}barrier(CLK_LOCAL_MEM_FENCE);// Sobel 算子计算（与之前相同）// ...if (x < width && y < height) {int idx = y * width + x;output[idx] = (sum > 255) ? 255 : sum;}
}

这个优化版本使用局部内存来减少全局内存访问，从而提高性能。通过将图像数据加载到局部内存中，我们可以减少对全局内存的重复访问，提高计算效率。

8. OpenCL 执行模型

OpenCL 的执行模型定义了如何在设备上并行执行工作。理解这个模型对于编写高效的 OpenCL 程序至关重要。

8.1 核心概念

  1. 工作项（Work-Item）

    • 执行内核的最小单位
    • 每个工作项执行内核的一个实例
    • 可以通过 get_global_id() 获取唯一标识符

  2. 工作组（Work-Group）

    • 工作项的集合
    • 同一工作组中的工作项可以同步和共享局部内存
    • 可以通过 get_group_id() 获取工作组标识符

  3. NDRange

    • 定义工作项的总数和组织方式
    • 可以是 1D、2D 或 3D
    • 通过 get_global_size() 和 get_local_size() 获取尺寸信息

8.2 执行模型示例

让我们创建一个新的示例来演示 OpenCL 的执行模型。这个示例将实现一个简单的矩阵乘法。

矩阵乘法内核（matrix_multiply.cl）：

__kernel void matrix_multiply(__global const float* A,__global const float* B,__global float* C,int M, int N, int K)
{int row = get_global_id(0);int col = get_global_id(1);if (row < M && col < N) {float sum = 0.0f;for (int i = 0; i < K; ++i) {sum += A[row * K + i] * B[i * N + col];}C[row * N + col] = sum;}
}

主程序（matrix_multiply.cpp）：

#include <CL/cl.hpp>
#include <iostream>
#include <vector>
#include <random>// ... [前面的辅助函数，如readKernelSource]int main() {// 设置OpenCL环境// ... [类似之前的设置代码]// 矩阵维度const int M = 1024, N = 1024, K = 1024;// 生成随机矩阵std::vector<float> A(M * K), B(K * N), C(M * N);std::random_device rd;std::mt19937 gen(rd());std::uniform_real_distribution<> dis(0.0, 1.0);for (auto& elem : A) elem = dis(gen);for (auto& elem : B) elem = dis(gen);// 创建缓冲区cl::Buffer bufA(context, CL_MEM_READ_ONLY | CL_MEM_COPY_HOST_PTR, sizeof(float) * A.size(), A.data());cl::Buffer bufB(context, CL_MEM_READ_ONLY | CL_MEM_COPY_HOST_PTR, sizeof(float) * B.size(), B.data());cl::Buffer bufC(context, CL_MEM_WRITE_ONLY, sizeof(float) * C.size());// 设置内核参数cl::Kernel kernel(program, "matrix_multiply");kernel.setArg(0, bufA);kernel.setArg(1, bufB);kernel.setArg(2, bufC);kernel.setArg(3, M);kernel.setArg(4, N);kernel.setArg(5, K);// 定义NDRangecl::NDRange global(M, N);cl::NDRange local(16, 16);  // 256个工作项per工作组// 执行内核queue.enqueueNDRangeKernel(kernel, cl::NullRange, global, local);// 读取结果queue.enqueueReadBuffer(bufC, CL_TRUE, 0, sizeof(float) * C.size(), C.data());// 验证结果（这里只检查一个元素作为示例）float sum = 0.0f;for (int i = 0; i < K; ++i) {sum += A[i] * B[i * N];}std::cout << "C[0,0] = " << C[0] << ", Expected: " << sum << std::endl;return 0;
}

8.3 执行模型分析

在这个矩阵乘法示例中：

  1. 工作项：每个工作项负责计算结果矩阵 C 中的一个元素。

  2. 工作组：我们定义了 16x16 的工作组（cl::NDRange local(16, 16)）。这意味着每个工作组包含 256 个工作项。

  3. NDRange：全局 NDRange 是 cl::NDRange global(M, N)，表示总共有 M*N 个工作项，对应于结果矩阵 C 的大小。

  4. 执行：OpenCL 运行时会将工作项分配给可用的计算单元。同一工作组中的工作项可能会在同一计算单元上并行执行。

  5. 同步：在这个简单的例子中，我们没有使用局部内存或工作组内同步。在更复杂的实现中，可以使用 barrier() 函数来同步工作组内的工作项。

9. 性能考虑和优化

理解了内存模型和执行模型后，我们可以讨论一些性能优化策略：

  1. 利用局部内存：对于矩阵乘法，我们可以将 A 和 B 的子矩阵加载到局部内存中，减少全局内存访问。

  2. 调整工作组大小：工作组大小应根据硬件特性进行调整。通常，使其为计算单元中 SIMD 宽度的倍数会有好的性能。

  3. 内存合并访问：尽量让相邻的工作项访问相邻的内存位置，以优化内存带宽利用。

  4. 避免分支发散：在一个工作组内，尽量避免不同工作项走不同的执行路径。

  5. 使用向量类型：许多设备对 vec4 等向量类型有硬件支持，可以提高内存带宽和计算效率。

  6. 异步内存传输：使用事件和异步内存操作来重叠计算和数据传输。

下面是一个优化后的矩阵乘法内核示例：

__kernel void optimized_matrix_multiply(__global const float* A,__global const float* B,__global float* C,int M, int N, int K)
{const int TILE_SIZE = 16;int row = get_global_id(0);int col = get_global_id(1);int local_row = get_local_id(0);int local_col = get_local_id(1);__local float A_tile[TILE_SIZE][TILE_SIZE];__local float B_tile[TILE_SIZE][TILE_SIZE];float sum = 0.0f;for (int t = 0; t < K; t += TILE_SIZE) {// 协作加载A和B的子块到局部内存if (row < M && t + local_col < K)A_tile[local_row][local_col] = A[row * K + t + local_col];elseA_tile[local_row][local_col] = 0.0f;if (col < N && t + local_row < K)B_tile[local_row][local_col] = B[(t + local_row) * N + col];elseB_tile[local_row][local_col] = 0.0f;barrier(CLK_LOCAL_MEM_FENCE);// 计算部分结果for (int k = 0; k < TILE_SIZE; ++k)sum += A_tile[local_row][k] * B_tile[k][local_col];barrier(CLK_LOCAL_MEM_FENCE);}if (row < M && col < N)C[row * N + col] = sum;
}

这个优化版本使用了局部内存来减少全局内存访问，并通过工作组内的协作来加载数据。这种方法可以显著提高大型矩阵乘法的性能。

10. 结语和进阶资源

通过本教程，我们已经深入探讨了 OpenCL 的核心概念、编程模型、内存模型和执行模型。我们还通过实际的例子展示了如何实现和优化 OpenCL 程序。

记住，优化是一个迭代的过程。始终使用性能分析工具来测量你的优化效果，并根据具体的硬件和问题特性来调整你的策略。随着你对 OpenCL 的深入理解，你将能够开发出更加高效和复杂的并行程序。

进阶资源

为了进一步提高你的 OpenCL 技能，以下是一些推荐的资源：

  1. OpenCL 官方文档：https://www.khronos.org/opencl/
  2. “OpenCL Programming Guide” by Aaftab Munshi et al.
  3. “Heterogeneous Computing with OpenCL” by Benedict Gaster et al.
  4. Khronos Group OpenCL 论坛：https://community.khronos.org/c/opencl/
  5. AMD OpenCL 编程指南：https://developer.amd.com/wordpress/media/2013/12/AMD_OpenCL_Programming_Optimization_Guide.pdf
  6. NVIDIA OpenCL 编程指南：https://developer.download.nvidia.com/compute/DevZone/docs/html/OpenCL/doc/OpenCL_Programming_Guide.pdf

结语

OpenCL 是一个强大的工具，可以帮助你充分利用现代硬件的并行计算能力。通过不断实践和学习，你将能够开发出高性能的应用程序，充分发挥异构计算系统的潜力。
OpenCL 的世界是广阔的，本教程只是一个开始。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/diannao/32732.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

AI智能时代：ChatGPT如何在金融市场发挥策略分析与预测能力？

AI智能时代：ChatGPT如何在金融市场发挥策略分析与预测能力？

文章目录 一、ChatGPT在金融策略制定中的深度应用客户需求分析与定制化策略市场动态跟踪与策略调整策略分析与优化 二、ChatGPT在算法交易中的深度应用自动交易策略制定交易执行与监控风险管理 三、未来展望《智能量化&#xff1a;ChatGPT在金融策略与算法交易中的实践》亮点内…
阅读更多...
【C语言】算法：二分查找

【C语言】算法：二分查找

当我们想在一个有序的序列里面查找一个数字的时候&#xff0c;通常会想到使用循环遍历&#xff0c;也就是下面这种方法&#xff1a; 比如我们想在下面的数组里面找到7&#xff1a; int main() {int num 7;int arr[10] { 1,2,3,4,5,6,7,8,9,10 };for (int i 0; i < size…
阅读更多...
Day10 —— 大数据技术之Scala

Day10 —— 大数据技术之Scala

Scala编程入门 Scala的概述什么是Scala&#xff1f;Scala的重要特点Scala的使用场景 Scala的安装Scala基础Scala总结 Scala的概述 什么是Scala&#xff1f; Scala是一种将面向对象和函数式编程结合在一起的高级语言&#xff0c;旨在以简洁、优雅和类型安全的方式表达通用编程…
阅读更多...
电商公司旺店通-金蝶云星空项目分享

电商公司旺店通-金蝶云星空项目分享

项目背景 企业背景 某电商公司是一家专注于美容护肤产品的研发和销售的科技公司。公司在全平台拥有185家店铺&#xff0c;日发货量超过30万明细&#xff0c;展现出强大的业务规模和市场影响力。旗下品牌包括韩方五谷和维特丝&#xff0c;已经在市场上建立了良好的声誉和知名度…
阅读更多...
什么是孪生素数猜想

什么是孪生素数猜想

什么是孪生素数猜想 素数p与素数p2有无穷多对 孪生素数的公式&#xff08;详见百度百科&#xff1a;孪生素数公式&#xff09; 利用素数的判定法则&#xff0c;可以得到以下的结论&#xff1a;“若自然数q与q2都不能被任何不大于的素数 整除&#xff0c;则q与q 2都是素数”…
阅读更多...
智能优化算法改进策略之局部搜索算子(四)--梯度搜索法

智能优化算法改进策略之局部搜索算子(四)--梯度搜索法

2、仿真实验 以海洋捕食者算法&#xff08;MPA&#xff09;为基本算法。考察基于梯度搜索的改进海洋捕食者算法&#xff08;命名为GBSMPA&#xff09; vs. 海洋捕食者算法&#xff08;MPA&#xff09; 在Sphere函数上的比较 在Penalized1函数上的比较 在CEC2017-1上的比较 在C…
阅读更多...
Adobe Acrobat 编辑器软件下载安装，Acrobat 轻松编辑和管理各种PDF文件

Adobe Acrobat 编辑器软件下载安装，Acrobat 轻松编辑和管理各种PDF文件

Adobe Acrobat&#xff0c;它凭借卓越的功能和丰富的工具&#xff0c;为用户提供了一个全面的解决方案&#xff0c;用于查看、创建、编辑和管理各种PDF文件。 作为一款专业的PDF阅读器&#xff0c;Adobe Acrobat能够轻松打开并展示各种格式的PDF文档&#xff0c;无论是文字、图…
阅读更多...
文心智能体平台介绍和应用：制作你的智能体(运维小帮手)

文心智能体平台介绍和应用：制作你的智能体(运维小帮手)

这是我自己制作的智能体 大家可以了解一下&#xff01; 运维小帮手&#xff01;https://mbd.baidu.com/ma/s/tE19dqvr 文心智能体平台官网首页 点击跳转&#xff01;https://agents.baidu.com/ 什么是智能体平台&#xff1f; 文心智能体平台&#xff08;Wenxin Intelligen…
阅读更多...
分类预测 | Matlab实现GWO-CNN-SVM灰狼冰算法优化卷积支持向量机分类预测

分类预测 | Matlab实现GWO-CNN-SVM灰狼冰算法优化卷积支持向量机分类预测

分类预测 | Matlab实现GWO-CNN-SVM灰狼冰算法优化卷积支持向量机分类预测 目录 分类预测 | Matlab实现GWO-CNN-SVM灰狼冰算法优化卷积支持向量机分类预测分类效果基本描述程序设计参考资料 分类效果 基本描述 1.Matlab实现GWO-CNN-SVM灰狼冰算法优化卷积支持向量机分类预测&…
阅读更多...
WordPress主题仿虎嗅网/雷锋网自媒体主题(两套打包)

WordPress主题仿虎嗅网/雷锋网自媒体主题(两套打包)

主题介绍 这两款wordpress主题是精仿虎嗅网和雷锋网的&#xff0c;这两款主题应该是没有多大BUG&#xff0c;同时这两款主题目前跟现在的虎嗅、雷锋两个网站看上去并没有多大区别&#xff0c;唯一美中不足的就是不支持PHP7.0以上。经常逛虎嗅网与雷锋网的同志应该是喜欢这两款…
阅读更多...
vuex的深入学习[基于vuex3]----篇（一）

vuex的深入学习[基于vuex3]----篇（一）

vuex的深入学习[基于vuex3]----篇&#xff08;一&#xff09; vuex框架的核心流程[基于vuex3] Vue Components: Vue组件&#xff0c;html页面上&#xff0c;负责接受用户操作等交互行为&#xff0c;执行dispatch方法触发action进行回应dispatch&#xff1a;操作行为触发方法&a…
阅读更多...
Day8 —— 大数据技术之HBase

Day8 —— 大数据技术之HBase

HBase快速入门系列 HBase的概述什么是HBase&#xff1f;主要特点和功能包括使用场景 HBase的架构HBase部署与启动HBase基本操作前提条件数据库操作表操作数据的CRUD操作 HBase的不足 HBase的概述 什么是HBase&#xff1f; HBase 是一个开源的、分布式的、面向列的 NoSQL 数据…
阅读更多...
线性卷积（相关）和圆周卷积（相关）以及FFT之间的关系(AEC举例)

线性卷积（相关）和圆周卷积（相关）以及FFT之间的关系(AEC举例)

时域自适应滤波算法中的线性卷积和线性相关运算量较大&#xff0c;导致计算复杂度升高&#xff0c;我们更愿意把这两个信号变换到频域&#xff0c;通过频域相乘的方式来取代时域复杂度相当高的卷积或相关运算。 预备知识&#xff1a;线性卷积&#xff08;相关&#xff09;和圆…
阅读更多...
Hive表连接----内连接，全连接，左连接，右连接

Hive表连接----内连接，全连接，左连接，右连接

数据准备&#xff1a;员工表&#xff0c;部门表 建表语句&#xff1a;12个员工&#xff0c;3个部门 create table emp(id int,name string,deptno int )clustered by (id) into 2 buckets row format delimited fields terminated by ",";truncate table emp;in…
阅读更多...
示例:WPF中使用IsAsync的方式绑定数据来优化用户体验

示例:WPF中使用IsAsync的方式绑定数据来优化用户体验

一、目的&#xff1a;开发过程中&#xff0c;有时需要绑定大量数据&#xff0c;比如弹出一个窗口&#xff0c;窗口中包含一个ListBox绑定了大量数据&#xff0c;这时会出现点击按钮后出现假死卡顿影响用户体验&#xff0c;这理通过用IsAsync的方式将窗口优先弹出来再加载数据 二…
阅读更多...
WHAT - 高性能和内存安全的 Rust（二）

WHAT - 高性能和内存安全的 Rust（二）

目录 1. 所有权&#xff08;Ownership&#xff09;2. 借用&#xff08;Borrowing&#xff09;不可变借用可变借用 3. 可变性&#xff08;Mutability&#xff09;4. 作用域&#xff08;Scope&#xff09;综合示例 了解 Rust 的所有权&#xff08;ownership&#xff09;、借用&am…
阅读更多...
跨平台免费流程图（思维导图）制作工具 draw.io v24.6.3（可离线）

跨平台免费流程图（思维导图）制作工具 draw.io v24.6.3（可离线）

在当今快节奏的工作环境中&#xff0c;有效地传达复杂信息和工作流程至关重要。流程图和思维导图是两种强大的视觉工具&#xff0c;它们帮助我们清晰地表达想法&#xff0c;理解复杂的系统&#xff0c;并协作完成项目。可以帮助我们清晰地展示信息和逻辑关系。然而&#xff0c;…
阅读更多...
MySQL学习笔记-进阶篇-锁

MySQL学习笔记-进阶篇-锁

概述 概念 全局锁 表级锁 介绍 表锁 读锁 只允许加锁客户端读操作禁止写操作。允许其他客户端的读操作&#xff0c;阻塞其他客户端的写操作。 lock tables xxx read unlock tables&#xff1b; 写锁 允许加锁客户端的读写操作。既阻塞其他客户端的读&#xff0c;又阻塞其他客…
阅读更多...
告别繁琐邀请码，Xinstall助你轻松搭建高效App推广体系！

告别繁琐邀请码，Xinstall助你轻松搭建高效App推广体系！

随着互联网流量的不断变迁&#xff0c;App推广和运营面临着前所未有的挑战。如何快速搭建起满足用户需求的运营体系&#xff0c;成为众多企业亟待解决的问题。在这个背景下&#xff0c;Xinstall凭借其强大的功能和灵活的解决方案&#xff0c;成为了App推广的得力助手。 一、传…
阅读更多...
【Redis】

【Redis】

Redis 常见面试题 认识 Redis 什么是 Redis&#xff1f; 我们直接看 Redis 官方是怎么介绍自己的。 Redis 官方的介绍原版是英文的&#xff0c;我翻译成了中文后截图的&#xff0c;所以有些文字读起来会比较拗口&#xff0c;没关系&#xff0c;我会把里面比较重要的特性抽出来…
阅读更多...
最新文章

Copyright @ 2022~2023