开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

通过一个参数进行记忆

是指在计算机科学中，通过传递参数来存储和传递数据的一种方法。参数是指在函数或方法调用时传递给函数的值，可以是基本数据类型（如整数、浮点数、布尔值等）或复杂数据类型（如数组、对象等）。

通过一个参数进行记忆的优势是可以方便地在不同的函数或方法之间共享数据。通过将数据作为参数传递，可以避免使用全局变量或静态变量来存储数据，从而提高代码的可维护性和可测试性。

应用场景：

在前端开发中，可以通过将数据作为参数传递给不同的组件或函数，实现数据的共享和传递。
在后端开发中，可以通过将数据作为参数传递给不同的函数或方法，实现数据的处理和传递。
在软件测试中，可以通过将测试数据作为参数传递给测试函数或方法，实现测试用例的执行和结果的验证。
在数据库操作中，可以通过将查询条件作为参数传递给数据库查询函数或方法，实现数据的检索和筛选。
在服务器运维中，可以通过将配置信息作为参数传递给服务器配置函数或方法，实现服务器的初始化和管理。

推荐的腾讯云相关产品和产品介绍链接地址：

云函数（Serverless）：腾讯云云函数是一种事件驱动的无服务器计算服务，可以通过函数参数进行记忆，实现数据的共享和传递。详情请参考：https://cloud.tencent.com/product/scf
云数据库 MySQL 版：腾讯云云数据库 MySQL 版是一种高性能、可扩展的关系型数据库服务，可以通过参数传递实现数据的检索和筛选。详情请参考：https://cloud.tencent.com/product/cdb_mysql
云存储 COS：腾讯云对象存储（Cloud Object Storage，COS）是一种海量、安全、低成本、高可靠的云存储服务，可以通过参数传递实现文件的上传和下载。详情请参考：https://cloud.tencent.com/product/cos
人工智能平台：腾讯云人工智能平台提供了丰富的人工智能服务和工具，可以通过参数传递实现数据的处理和分析。详情请参考：https://cloud.tencent.com/product/ai

通过以上腾讯云产品，可以实现通过一个参数进行记忆的应用场景，并提供相应的解决方案和服务。

相关搜索:记忆接受符号(‘foo’)作为参数通过某种记忆提高BFS性能通过提前返回优化基本方法记忆使用Ackermann函数C++进行记忆为什么不对递归函数进行记忆如何在Python中对属性进行记忆？通过修改现有参数进行批量处理使用输入参数通过marshmallow进行验证无法通过缓存/记忆停止Prolog节点的创建通过参数进行伪装客户端映射一个以字符串元组为参数返回整数的记忆函数？通过命令行参数进行Flask配置处理？Mysql json字段-通过参数进行内部过滤使用密码作为参数通过CMD进行Tectia登录通过JSON传递url参数进行网关性能测试如何使用静态变量来记忆上次传递的参数使用相同的键，但顺序不同的对象进行记忆通过pyes和elasticsearch中的多个参数进行排序通过参数发送相关数据还是使用getter进行访问？通过Bash脚本参数进行"one vs others“迭代

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

循环神经网络(RNN)详解-计算公式推导

Waa：与激活值进行计算的参数。其中第一个a是指当前参数是计算a（激活值）的，第二个a是指当前参数与激活值进行乘运算

03

人类记忆的大脑电刺激:经验教训和未来展望

调节支持人类陈述性记忆的认知功能是神经科学的重大挑战之一，对各种神经精神、神经退行性和神经发育疾病具有重要意义。尽管最近在提高一系列记忆任务中的表现方面的成功尝试激增，但增强记忆的最佳方法和参数尚未确定。在更基本的层面上，如何在给定的大脑区域输送电流导致增强记忆处理仍然是难以捉摸的。从局部和远端神经群的生理效应出发，直接电刺激增强记忆编码、维持、巩固或回忆的机制直到现在才被解开。随着创新的神经技术的出现，可以同时记录和刺激人脑的颅内活动，研究刺激对记忆表现和潜在神经活动的急性和慢性影响成为可能。在这篇综述中，我们总结了各种侵入性刺激方法在调节记忆功能方面的作用。我们首先概述了在记忆增强的初步研究中所面临的挑战和吸取的教训。然后，电生理生物标志物被视为比行为结果更客观的刺激效果测量。最后，基于对神经活动记录的分析，我们将各种刺激方法分为连续调制和相位调制，分别采用开环和闭环进行响应性刺激。虽然闭环反应性刺激相对于经典开环方法的潜在优势尚不确定，但我们预计，正在进行的纵向研究和临床试验的新结果将阐明改善陈述性记忆的机制和最佳策略。基于长时间生物标志物分析的适应性刺激被认为是获得对记忆功能持久影响的未来方向。通过适应性刺激对脑内神经活动进行慢性跟踪和调节，为持续监测和治疗一系列大脑疾病中的记忆和认知缺陷开辟了诱人的新途径。利用机器学习工具和无线双向连接创建的大脑协处理器，可以将植入设备与智能手机和云计算无缝集成，从而实现对大数据量的实时自动分析，并根据行为状态的电生理生物标志物自适应调整电刺激。下一代用于高密度记录和刺激电生理活动的植入式设备，以及分布式脑机接口技术被认为是调节人类记忆和相关心理过程的未来选择。

03

RNN和LSTM有长期记忆吗？并没有！| ICML 2020

本文介绍的是ICML 2020 论文《Do RNN and LSTM have Long Memory? 》，论文作者来自华为诺亚方舟实验室与港大。作者 | 诺亚方舟实验室编辑 | 丛末论文地

04

超级网络

在这篇文章中，我将介绍一下我们最近的文章[1609.09106] HyperNetworks。我作为Google Brain Resident工作在这篇论文上- 一个伟大的研究计划，我们可以从事一年的机器学习研究，并且享受工资和福利！Brain团队正在接受2017年计划的申请：请参阅g.co/brainresidency。

07

循环神经网络初探

循环神经网络初探不同于一张张独立的图像数据的处理，很多序列数据需要考虑到上下文信息，因此引入了循环神经网络(RNN)来进行序列数据的建模。春恋慕

03

用一条数学公式破解人类记忆 | MIT媒体实验室Nature新作

MIT媒体实验室一直是一家将社会人文学科与自然科学巧妙融合的代表机构。每年，这些脑洞大开的科学家们都会发布一些非常震撼的研究。

03

AI模仿人脑记忆模式，游戏成绩大涨29.9%

我们常常被教育的做事“三思而后行”，充分运用积累过的经验，现在这句话对AI也有所启发了。

02

怒超 GPT-4！LONGMEM：提升大语言模型（LLMs）长文本处理能力，最高可达64k

对于长文本处理，大型语言模型(LLMs)仍然存在短板，即使目前最强GPT-4最多也就支持32k个Token。为了能够提升LLM长文本处理水平，今天大家介绍了一种名为LONGMEM的方法架构，该方法将长文本序列分块并利用存储器进行处理且无需对模型进行重训练，最高可支持64k个Token，有效的提高了模型长文本处理能力，相比GPT-4多了一倍。

04

【深度学习】深入理解LSTM

原始结构的RNN还不够处理较为复杂的序列建模问题，它存在较为严重的梯度消失问题，最直观的现象就是随着网络层数增加，网络会逐渐变得无法训练。长短期记忆网络（Long Short Time Memory，LSTM）正是为了解决梯度消失问题而设计的一种特殊的RNN结构。

02

React Hooks - 缓存记忆

React Hooks几乎在所有方面都能让我们在编程中获得好处。但是某些时候的性能问题，也需要使用一些技巧来解决。我们可以使用Hooks编写快速的应用程序，但是在动手之前需要注意一两件事。

01

大模型缺的脑子，终于在智能体上长好了

智能体是一种通用问题解决器，从软件工程的角度看来，智能体是一种基于大语言模型的，具备规划思考能力、记忆能力、使用工具函数的能力，能自主完成给定任务的计算机程序。

02

TensorFlow系列专题（七）：一文综述RNN循环神经网络

前馈神经网络不考虑数据之间的关联性，网络的输出只和当前时刻网络的输入相关。然而在解决很多实际问题的时候我们发现，现实问题中存在着很多序列型的数据，例如文本、语音以及视频等。这些序列型的数据往往都是具有时序上的关联性的，既某一时刻网络的输出除了与当前时刻的输入相关之外，还与之前某一时刻或某几个时刻的输出相关。而前馈神经网络并不能处理好这种关联性，因为它没有记忆能力，所以前面时刻的输出不能传递到后面的时刻。

03

资源 | 基于TensorFlow和Sonnet，DeepMind开源可微神经计算机实现包

选自Github 机器之心编译参与：蒋思源去年 DeepMind 在自然期刊上曾介绍过一种记忆增强式的神经网络形式-可微神经计算机。而近日，DeepMind 开源了可微神经计算机的实现，该实现是基于 TensorFlow 和可在 TensorFlow 中快速构建神经网络的 Sonnet。项目地址：https://github.com/deepmind/dnc 机器之心报道的可微神经计算机：业界 | DeepMind 深度解读 Nature 论文：可微神经计算机资源 | DeepMind 提出的可

03

一文带你了解大模型——智能体（Agent）

大语言模型很强大，就像人类的大脑一样拥有思考的能力。如果人类只有大脑，没有四肢，没有工具，是没办法与世界互动的。如果我们能给大模型配备上四肢和工具呢？大模型是不是就会打破次元壁，从数字世界走向现实世界，与现实世界实现梦幻联动呢？

【序列到序列学习】带外部记忆机制的神经机器翻译

生成古诗词序列到序列学习实现两个甚至是多个不定长模型之间的映射，有着广泛的应用，包括：机器翻译、智能对话与问答、广告创意语料生成、自动编码（如金融画像编码）、判断多个文本串之间的语义相关性等。在序列到序列学习任务中，我们首先以机器翻译任务为例，提供了多种改进模型供大家学习和使用。包括：不带注意力机制的序列到序列映射模型，这一模型是所有序列到序列学习模型的基础；使用Scheduled Sampling改善RNN模型在生成任务中的错误累积问题；带外部记忆机制的神经机器翻译，通过增强神经网络的记忆能力，来完

04

神经图灵机深度讲解：从图灵机基本概念到可微分神经计算机

选自Talla Blog 作者：Daniel Shank 机器之心编译参与：马亚雄、吴攀本文作者为 Talla 公司的高级数据科学家 Daniel Shank。他最近在旧金山举办的机器学习会议上发

08

ChatGPT真能记住你的话吗？DeepMind与开源大佬揭示LLM记忆之谜

Django框架的创始人之一、著名开发者Simon Willison最近发表了一篇博客文章，核心观点是——虽然很多LLM看起来有记忆，但本质上是无状态函数。

01

Deep Memory Network 深度记忆网络

一个记忆网络是由一个记忆mmm(一个以mim_imi作为索引的数组对象)和4个组件I,G,O,RI,G,O,RI,G,O,R组成。其中：

01

leetcode刷题（128）——1575. 统计所有可行路径，动态规划解法

给你一个互不相同的整数数组，其中 locations[i] 表示第 i 个城市的位置。同时给你 start，finish 和 fuel 分别表示出发城市、目的地城市和你初始拥有的汽油总量

04

睡眠时的局部目标记忆再激活

通过目标记忆再激活（targeted memory reaction，TMR）实现记忆巩固，TMR在睡眠期间重现训练线索或是内容。但是不清楚TMR对睡眠皮层振荡的作用是局部的还是整体的。本文利用嗅觉的独特功能神经解剖学及其同侧刺激处理，在一个脑半球进行局部TMR。在最初就有气味刺激条件下，受试者学习单词与出现在左右视野中的位置间的联系。本文发现在任务训练期间，侧向的时间相关电位表示单半球的记忆过程。在学习后的小睡中，在非快速眼动（non-rapid eye movement，NREM）睡眠中进行气味刺激。在睡眠期间进行局部TMR后，cued半球（与受刺激鼻孔同侧）处理特定单词的记忆得到改善。单侧气味刺激调控局部慢波（slow-wave，SW）功率，即相较于uncued半球，cued半球的区域SW功率增加较慢，且与提示单词的选择记忆呈负相关。另外，在cued半球中，局部TMR改善了慢震荡和睡眠纺锤波间的相位振幅耦合（PAC）。在学习期间没有气味刺激条件下，睡眠期间进行单侧气味刺激，结果表明记忆表现和皮层睡眠振荡间并不存在任何效应。因此，睡眠中TMR通过选择性地促进与局部睡眠振荡相关的特定记忆，而超过了整体活动。

02

谷歌：大模型不仅有涌现能力，训练时间长了还有「领悟」能力

2021 年，研究人员在训练一系列微型模型时取得了一个惊人的发现，即模型经过长时间的训练后，会有一个变化，从开始只会「记忆训练数据」，转变为对没见过的数据也表现出很强的泛化能力。

03

长短时记忆网络学习笔记

aaa导语一个机器学习算法包含两个主要部分（1）模型从输入特征x预测输入y的函数f（x）；（2）目标函数目标函数取最小(最大)值时所对应的参数值，就是模型的参数的最优值。我们往往只能获得目标函数的局部最小(最大)值，因此也只能得到模型参数的局部最优值，而常见求最优解的算法是梯度下降/上升算法。而神经网络算法是实现机器学习的其中一种方法，为了适应不同的输入特征应用场景，神经网络算法也有很多种变形，这里只是简单的介绍下长短时记忆网络，做个笔记。背景全连接神经网络和卷积神经网络的特点是只能单独的

超性感的React Hooks（十一）useCallback、useMemo

这个时候，我们思考一个问题，当我们重复调用summation(100)时，函数内部的循环计算是不是有点冗余？因为传入的参数一样，得到的结果必定也是一样，因此如果传入的参数一致，是不是可以不用再重复计算直接用上次的计算结果返回呢？

01

IBM | 提出具有「情景记忆」的大模型：Larimar，无需训练，可快速更新模型知识！

随着大语言模型应用场景的不断拓展，如何高效、准确地更新大语言模型 (LLM) 知识是当前急需解决的问题。为此，IBM研究人员提出了一种新型架构Larimar，其设计灵感来源于大脑，特别是海马体的情景记忆功能。Larimar通过分布式情景记忆系统增强了LLMs的能力，使知识更新既高效又准确。这种记忆系统支持动态、一次性的知识更新，无需进行计算成本高昂的重训练或微调。

01

神经网络图灵机：深度学习中与内存进行交互的基本方法

内存是大脑和计算机的主要部件。在很多深度学习领域，我们通过和记忆匹配来扩展深度网络的能力，例如，提问与回答，我们先记忆或存储事先处理的信息，然后使用这些信息回答问题。来自神经图灵机（NTM）论文（https://arxiv.org/pdf/1410.5401.pdf）：

02

受启于做梦，DeepMind 提出压缩 Transformer，并开源书本级数据集PG-19

论文链接：https://arxiv.org/pdf/1911.05507.pdf

01

一文带你详尽 Lifelong Learning —— 终生学习

Lifelong learning终生学习，又名continuous learning，increment learning，never ending learning。通常机器学习中，单个模型只解决单个或少数几个任务。对于新的任务，我们一般重新训练新的模型。而LifeLong learning，则先在task1上使用一个模型，然后在task2上仍然使用这个模型，一直到task n。Lifelong learning探讨的问题是，一个模型能否在很多个task上表现都很好。如此下去，模型能力就会越来越强。这和人类不停学习新的知识，从而掌握很多不同知识，是异曲同工的。

04

谷歌、OpenAI等警告：BERT、GPT-3等大型语言模型都有一个重大缺陷，很危险...

语言模型已经变得越来越强大，可胜任的任务也越来越多，这些仅仅以预测句子中下一个单词进行训练的模型，已经在诸如问答、翻译等应用程序中取得了突破性的进展。

03

leetcode 1575. 统计所有可行路径

其中第一点对应了「动态规划」的「状态定义」，第二点对应了「动态规划」的「状态方程转移」。

01

【Pytorch学习笔记十二】循环神经网络（RNN）详细介绍（常用网络结构及原理）

循环神经网络的来源是为了刻画一个序列当前的输出与之前信息的关系。从网络结构上，循环神经网络会记忆之前的信息，并利用之前的信息影响后面结点的输出。即：循环神经网络的隐藏层之间的结点是有连接的，隐藏层的输入不仅包括输入层的输出，还包括上一时刻隐藏层的输出。其中双向循环神经网络（Bidirectional RNN, Bi-RNN）和长短期记忆网络（Long Short-Term Memory networks，LSTM)是常见的循环神经网络。

【NLP/AI算法面试必备】学习NLP/AI，必须深入理解“神经网络及其优化问题”

一、神经网络基础和前馈神经网络 1、神经网络中的激活函数：对比ReLU与Sigmoid、Tanh的优缺点？ReLU有哪些变种？ 2、神经网络结构哪几种？各自都有什么特点？ 3、前馈神经网络叫做多层感知机是否合适？ 4、前馈神经网络怎么划分层？ 5、如何理解通用近似定理？ 6、怎么理解前馈神经网络中的反向传播？具体计算流程是怎样的？ 7、卷积神经网络哪些部分构成？各部分作用分别是什么？ 8、在深度学习中，网络层数增多会伴随哪些问题，怎么解决？为什么要采取残差网络ResNet？二、循环神经网络 1、什么是循环神经网络？循环神经网络的基本结构是怎样的？ 2、循环神经网络RNN常见的几种设计模式是怎样的？ 3、循环神经网络RNN怎样进行参数学习？ 4、循环神经网络RNN长期依赖问题产生的原因是怎样的？ 5、RNN中为什么要采用tanh而不是ReLu作为激活函数？为什么普通的前馈网络或 CNN 中采取ReLU不会出现问题？ 6、循环神经网络RNN怎么解决长期依赖问题？LSTM的结构是怎样的？ 7、怎么理解“长短时记忆单元”？RNN中的隐状态

02

记忆化搜索(Memory Search)

Question 输入n，符合要求的序列为：第一个数为n，第二个数不大于n，从第三个数起小于前两个数的差的绝对值，后面以此类推。求有多少种序列？答案取模10000（数据：n最大为1000）

02

QA综述

(2018年12月3日补充：第二篇不是论文，应该是斯坦福写的一个类似教程之类的东西，但是写的太像论文了(ˇˍˇ)，我都搞混了 )

02

【动态规划/路径问题】如何忽略「状态定义」&「转移方程」来实现动态规划 ...

另外，我想强调对于任何算法题，无论难度 tag 是什么。在没见过同类题时，是很难想到怎么做的。因此做不出十分正常，大家千万不要因此失去信心。

03

不要让模型死记硬背—用检索增强Prompt Learning

在prompt learning中一个核心问题是模型存在死记硬背现象。Prompt learnin主要应用在few-shot learning场景，先将训练数据转换成prompt的形式，在训练过程模型侧重于记忆训练数据，然后使用记忆的信息做预测。这个过程会导致模型缺乏泛化能力，一些长尾的case预测效果不好。

01

【Bengio vs 谷歌】深度学习兄弟对决，神经网络泛化本质之争

【新智元导读】一场或许有关深度学习本质的争论正在火热进行中。去年底，MIT、DeepMind 和谷歌大脑合著的论文《理解深度学习需要重新思考泛化》引发热论。论文指出，经典统计学习理论和正则化策略不能解释小的泛化误差为何发生，神经网络实现高性能泛化的真正原因是“能够记忆数据”。但最近，Bengio 实验室的一篇 ICLR-17 论文提出了反对观点，认为神经网络并不通过记忆学习。更好的泛化理论能让我们设计出比 dropout、bachnorm，l2 等更好的正则化方法，从而带来更好的深度学习。神经网络的泛化能力

ICLR 2020 Mogrifier LSTM 解析

LSTM模型作为一种经典的RNN网络结构，常用于NLP任务当中。在本篇工作中，我们进一步拓展了原始LSTM模型。注意到原始LSTM中输入x和之前状态h_prev是完全独立的，可能导致上下文信息的流失。我们提出一种形变LSTM，将输入x和之前状态h_prev进行交互，再输入进各个门里面运算。最后实验表明，改进过后的Mogrifier LSTM在各项任务均优于传统LSTM

03

长短期记忆（LSTM）：突破性的序列训练技术

长短期记忆（Long short-term memory, LSTM）是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，就是相比普通的RNN，LSTM能够在更长的序列中有更好的表现。

02

对谷歌最新提出的Infini-transformer模型进行代码复现

这篇文章主要内容为我个人对谷歌最新提出的Infini-transformer模型的个人见解，复现代码以及训练细节。

01

TPAMI 2024 | 记忆机制提升 TalkingFace 生成

说话脸生成技术可以根据输入的音频合成与目标人物相符的逼真视频肖像。它在虚拟化身、在线会议和动画电影等应用中展现了巨大的潜力，因为它不仅传达了感兴趣人物的音频内容，还提供了视觉内容。

01

机器学习在开心词场(自适应学习)中应用

摘要教育是最传统和复杂的社会活动，如何使用AI（机器学习）技术改造和促进人类自身学习(提高学习效率和学习效果) ，是互联网教育大数据及挖掘的基本问题；简单介绍AI 技术应用沪江各个产品线（核心包括辅

08

长文 | LSTM和循环神经网络基础教程（PDF下载）

目录：前言前馈网络回顾循环网络时间反向传播BPTT 梯度消失与梯度爆炸长短期记忆单元（LSTM）多时间尺度和远距离依赖门控循环单元GRU LSTM超参数调试文章较长，下载PDF阅读更爽 1. 点击阅读原文 2. 回复：20180301 前言本文旨在帮助神经网络学习者了解循环网络的运作方式，以及即LSTM的功能和结构。循环网络是一类人工神经网络，用于识别诸如文本、基因组、手写字迹、语音等序列数据的模式，或用于识别传感器、股票市场、政府机构产生的数值型时间序列数据。循环网络可以说是最强大的神

LSTM & GRU的基本原理与区别

RNN在构建实际应用程序如语言翻译、文本分类和更多的序列化问题方面常见，but在处理大型序列时存在梯度消失和梯度爆炸等问题。

01

【干货】GRU神经网络

前用的最多的三种神经网络是CNN，LSTM，GRU。其中，后两者都是RNN的变种，去年又给RNN发明了个SRU（优点是train RNN as fast as CNN）,SRU以后再讲，目前先消化了这

想了解递归神经网络？这里有一份入门教程

本文来自deeplearning4j，AI科技评论编辑。递归神经网络是一类人工神经网络，用于识别诸如文本、基因组、手写字迹、语音等序列数据的模式，或用于识别传感器、股票市场、政府机构产生的数值型时间序列数据。递归网络可以说是最强大的神经网络，甚至可以将图像分解为一系列图像块，作为序列加以处理。由于递归网络拥有一种特定的记忆模式，而记忆也是人类的基本能力之一，所以下文的7个部分中，会时常将递归网络与人脑的记忆活动进行类比。前馈网络递归网络沿时间反向传播梯度消失与梯度膨胀长短期记忆单元（LSTM

03

一步步教你理解LSTM

作者：王千发编辑：田　旭什么是LSTM 1 LSTM全名是Long Short-Term Memory，长短时记忆网络，可以用来处理时序数据，在自然语言处理和语音识别等领域应用广泛。和原始的循环神经网络RNN相比，LSTM解决了RNN的梯度消失问题，可以处理长序列数据，成为当前最流行的RNN变体。 LSTM应用举例 2 假设我们的模型的输入是依次输入一句话的每个单词，我们需要对单词做分类，比如有两句话：（1）arrive Beijing on November 2nd，这里的Beijing是目的地；（2

07

循环神经网络（二） ——GRU、LSTM、BRNN、deep RNN

循环神经网络（二） ——GRU、LSTM、BRNN、deep RNN （原创内容，转载请注明来源，谢谢）一、概述本文主要讲述RNN的其他结构，这些结构比RNN更常用，而且对于自然语言处理，有更高效

04

一步步教你理解LSTM

作者：王千发编辑：田　旭什么是LSTM 1 LSTM全名是Long Short-Term Memory，长短时记忆网络，可以用来处理时序数据，在自然语言处理和语音识别等领域应用广泛。和原始的循环神经网络RNN相比，LSTM解决了RNN的梯度消失问题，可以处理长序列数据，成为当前最流行的RNN变体。 LSTM应用举例 2 假设我们的模型的输入是依次输入一句话的每个单词，我们需要对单词做分类，比如有两句话：（1）arrive Beijing on November 2nd，这里的Beijing是目的地；（

07

谷歌证实大模型能顿悟，特殊方法能让模型快速泛化，或将打破大模型黑箱

在特定情况下，人工智能模型会超越训练数据进行泛化。在人工智能研究中，这种现象被称为「顿悟」，而谷歌现在正在提供对最近发现的深入了解。

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭