Chromium Weekly 2


1 Change

1.1 PSA: PrefJSON files are no longer pretty-printed, becoming 30% smaller.

这个特性是有争议的。对开发者来说,可读性下降,开始你可以通过以下2个方法查看,不久又给去掉了......参照实现,很容易加回来:)

a.If you like these files to be pretty-printed for development, youcan use the new commandline switch "--pretty-print-prefs".

b.chrome://local-state/

JSON文件本来就很小了,看似的30%到底有多大提升,还有待商榷,他们也在等待测试数据来支撑这条是否真的被采纳。

1.2 C++11Feature Proposal: Delegated constructor

FYI, I ran into an MSVC bug wherethe compiler silently generates broken code when delegated constructors are used in a diamond virtualinheritance pattern. Apparently the bug hasbeen fixed, but it's still there in MSVC 2013 Update 4. For your sanity, Isuggest avoiding delegated constructors in complex inheritancechains for now.

这个特性被允许了,但是在继承关系复杂的时候,可能存在BUG,还是慎用为好。

 

2 Design

2.1 [blink-dev]Memory team

Blink存在4个Allocator,Oilpan、PartitionAlloc、tcmalloc、system allocator,分别应对不同的场景,是否多线程、是否可以GC(垃圾回收)。现在他们终于不能忍了,在干完Oilpan这一票之后,决定进行整理,根据GCed和non-GCed,将来BlinkAllocator只包含Oilpan和more optimized PartitionAlloc2个了。

目标是“Develop the best memory allocator in Blink that is fast,secure and space-efficient”

Fast: 60FPS GC, small allocation overhead, good memory locality

Secure: Nouse-after-frees

Space-efficient: Nomemory leaks, no OOM, small footprint

3 Tips

3.1 目前UTF8ToUTF16和 ACSIIToUTF16大家貌似是在混用的,UTF8ToUTF16 支持中英文,ACSIIToUTF16只支持英文。

如果是硬编码,确定不包含中文可以使用ASCIIToUTF16,不需要UTF8ToUTF16。ASCIIToUTF16的性能好于UTF8ToUTF16很多。

 

Example:

base::RemoveChars(title,base::ASCIIToUTF16("\n"), &title);

 

以下2个其实可以换用ASCIIToUTF16

 base::FilePathwinsta_path(
     base::GetNativeLibraryName(base::UTF8ToUTF16("winsta")));

bool apk_file =path.MatchesExtension(base::UTF8ToUTF16(".apk"));

3.2 Now HeapVector(in Oilpan) is 4 times faster than Vector (in PartitionAllloc)for the following (very micro) benchmark. I plan to apply the same optimizationto ParititonAlloc after shipping Oilpan.

随着人类对生命健康需求的不断增长,新药研发面临着前所未有的挑战。传统的药物研发流程通常耗时长达十年以上,耗资数十亿美元,且最终成功率极低,这在制药界被称为“反摩尔定律”困境。近年来,人工智能技术的飞速发展,特别是深度学习和大数据分析的广泛应用,为新药发现带来了革命性的契机。人工智能能够从海量的化学和生物数据中挖掘潜在规律,显著加速药物靶点发现、先导化合物优化等关键环节。在此背景下,本研究旨在设计并实现一个基于人工智能的新药发现辅助系统,以期为传统药物研发流程提供高效的智能化辅助工具,从而有效缩短研发周期并大幅降低研发成本。本研究以Python作为主要开发语言,深度结合PyTorch和TensorFlow两大主流深度学习框架,并集成RDKit化学信息学工具包,构建了一个功能完善的新药发现辅助系统。系统的核心目标是利用先进的人工智能技术辅助新药分子的设计与活性评估。在研究方法上,本文创新性地提出了一种融合多模态数据的新药发现算法。该算法综合处理分子的多种表示形式,包括一维的SMILES序列、二维的分子图结构以及三维的空间构象数据。通过构建多通道神经网络,系统能够有效提取并融合不同模态的特征,从而全面捕捉分子的理化性质与生物学活性之间的复杂非线性关系。 【课程报告内容】 摘要 第1章 绪论 第2章 相关技术与理论 第3章 系统需求分析 第4章 系统总体设计 第5章 系统详细设计与实现 第6章 系统测试与分析 第7章 总结与展望 参考文献 附件-实现指南
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值