学习

[Linux]学习笔记系列 -- [kernel]workqueuetitle: workqueue categories:https://github.com/wdfk-prog/linux-study

[Linux]学习笔记系列 -- [kernel]usermode_helpertitle: usermode_helper categories:https://github.com/wdfk-prog/linux-study

【学习日记】【刷题回溯、贪心、动规】感觉链表的题的话，主要注意下，对于不能链表的切断和连接，对于引用类型，“指针”指向的位置，以及前后关系注意；

一只爱做笔记的码农

【BootstrapBlazor】移植BootstrapBlazor VS工程到Vscode工程，报error blazor106的问题离线环境在Vscode环境下编译处理好nuget问题的工程的时候，编译报一堆error blazor106的问题，这个需要修改csproj文件，加这个，如果是具备联网nuget的环境不用,packages是我放离线nuget包的地方,处理好了可以编译。

“C2隐藏”——命令与控制服务器的隐藏技术“c2隐藏”通常指的是在网络安全领域，命令与控制（Command and Control，简称C2）服务器的隐藏技术。攻击者使用C2服务器与植入在受害者计算机上的恶意软件进行通信，以远程控制受害机。为了逃避检测和封锁，攻击者会采用各种技术来隐藏C2通信。下面我将深入详细地讲解C2隐藏的各种技术和方法。

名字不相符

攻防世界WEB难度一（个人记录）开启环境，得到以下代码进行分析，发现代码通过 3 个 GET 参数（a、b、c）设置层层验证，最终若$key1 和 $key2 均为1，将包含Hgfks.php并输出 flag。验证流程如下：接收a、b、c参数 → 验证a和b → 验证c → 双key均为1则输出flag 接下来分别对a、b、c进行分析第一，对a与b进行分析，关键代码及解释如下

陈天伟教授

基于学习的人工智能（4）机器学习基本框架学习需要一个主体，就像人的学习需要大脑一样。这个主体本质上是一个可以随着学习不断更新的数据结构，从而实现对学习结果的累积，通常称为“模型”。

DeepSeek在文本分类中的多标签学习多标签文本分类与传统的单标签分类不同，它允许一个文档被分配到多个类别中，从而更准确地反映现实世界的复杂性。例如，在新闻分类中，一篇文章可能同时属于“政治”和“经济”标签；在社交媒体分析中，一条帖子可能包含“娱乐”、“科技”和“健康”多个主题。这种方法的优势在于能够捕捉文本的多元性，提升信息组织的灵活性。然而，实现多标签分类并非易事，它需要处理标签之间的相关性、数据稀疏性以及计算效率等挑战。DeepSeek通过其内置的优化机制，能够自动学习标签间的依赖关系，从而在大量文本数据中快速识别出多个相关类别。

量子纠缠：颠覆认知的宇宙密码量子纠缠是量子力学中最令人费解而又引人入胜的现象之一，它揭示了微观粒子间存在的一种超越经典物理的强关联性。这种关联不受空间距离限制，即使两个粒子相隔整个宇宙，它们的状态仍会即时相互影响。以下是关于量子纠缠的深入解析：

charlie114514191

勇闯前后端Week2：后端基础——Flask API速览在之前的博客中，我们已经快速的了解了，如何来利用VSCode + Poerty来安装Flask，下面我们就聚焦于Flask API本身，来了解一下Flask的这些API在做什么。

OpenCV学习笔记之：调整ORB算法的参数以适应不同的图像调整 ORB 算法参数的核心逻辑是 **“匹配场景需求（如速度 / 精度、图像特性）”**—— 不同图像（如纹理密度、尺度差异、噪声水平）和任务目标（如实时跟踪 / 高精度拼接），需要针对性优化参数。以下结合 cv2.ORB_create(nfeatures=2000, scaleFactor=1.2, patchSize=31) 中的关键参数，分场景给出调整策略，并补充 ORB 其他核心参数的优化方法。

STM32外设--SPI读取W25Q64（学习笔记）硬件SPI上次我们完成了软件读写SPI，这次我们来硬件读取SPI。根据引脚定义图进行接线我们可以看到SPI1的引脚是这四个。这里我们可以继续使用软件模拟SS，因为我们涉及不到NSS

Springboot3学习（5、Druid使用及配置）启动项目，我们可以看到Springboot3自带的数据库连接池是HikariPool，HikariPool的主要优点是高性能，而我们即将集成的Druid数据库连接池，主要有点则是丰富的扩展以及优秀的监控性能。从学习的角度来讲，Druid相比较其他数据库连接池而言，更加的全面。

微服务概念理解学习笔记要理解微服务和分布式，核心是先明确两者的定义边界、核心目标，再理清它们的包含关系——微服务是分布式的一种具体实现形式，分布式是微服务的技术基础。下面用「通俗类比+技术定义+核心特性+对比表格」的结构化方式，帮你彻底理清：

零匠学堂2025

如何通过培训考试系统提升网络学习平台的效果？在当今的网络学习平台中，培训考试系统的整合显得尤为重要。通过这种系统，可以有效提升学习者的参与感和学习效果。首先，系统提供了在线测试和评估工具，使得学员能够实时了解自己的学习进展和薄弱点。这种即时反馈帮助他们灵活调整学习策略，从而提升整体学习水平。此外，灵活的课程安排和多样的学习资源，使得学员能够根据个人需要选择适合自己的学习内容，进一步提高了参与度和动力。这不仅使在线培训更具吸引力，也为学员创造了一种更为有效的学习体验。因此，将培训考试系统与网络学习平台深度绑定，将是未来教育发展的重要方向。

java学习进阶之路，如果从一个菜鸟进阶成大神二、下面是java工作之路，以供参考：===================三、下面给出阶段性细化需要掌握的技能：

【AI 学习】从0到1深入理解Agent AI智能体：理论与实践融合指南在人工智能的快速发展进程中，Agent AI 智能体正逐渐崭露头角，成为推动该领域迈向新高度的关键力量。从最初简单的智能程序，到如今能够在复杂环境中自主决策、灵活行动的智能实体，Agent AI 智能体的发展见证了人工智能从理论探索走向实际应用的重大跨越。

九年义务漏网鲨鱼

【大模型学习】现代大模型架构（二）：旋转位置编码和SwiGLU🧔 这里是九年义务漏网鲨鱼，研究生在读，主要研究方向是人脸伪造检测,长期致力于研究多模态大模型技术；国家奖学金获得者，国家级大创项目一项，发明专利一篇，多篇论文在投，蓝桥杯国家级奖项、妈妈杯一等奖。 ✍ 博客主要内容为大模型技术的学习以及相关面经，本人已得到B站、百度、唯品会等多段多模态大模型的实习offer，为了能够紧跟前沿知识，决定写一个“从零学习 RL”主题的专栏。这个专栏将记录我个人的主观学习过程，因此会存在错误，若有出错，欢迎大家在评论区帮助我指出。除此之外，博客内容也会分享一些我在本科期间的

微服务框架选型学习笔记在 Java 生态中，微服务框架已形成成熟的技术体系，核心围绕 “全栈微服务解决方案”“云原生优化”“高性能RPC” 三大方向，以下是当前企业级项目中最主流、落地最广泛的框架，附核心特性、适用场景和选型建议：

专注于大数据技术栈

java学习--单例模式之懒汉式在 Java 单例模式中，懒汉式是一种延迟初始化的实现方式，核心特点是实例在首次被使用时才创建（而非类加载时），避免了饿汉式可能造成的资源浪费，适用于实例占用资源大或使用频率低的场景。以下是懒汉式的常见实现方式、特点及注意事项：