社区
图形处理/算法
帖子详情
读取一个大于4M的TXT文件,读取思想是先计算具体的页码数,然后读取一页到内存中,显示这一页,然后再读取第二页到内存,依次显示后续。
liulintao2008
2008-03-22 07:43:34
读取一个大于4M的TXT文件,读取思想是先计算具体的页码数,然后读取一页到内存中,显示这一页,然后再读取第二页到内存,依次显示后续页码。小弟不太会搞,大哥们出出主意。并且设置页码查找。
...全文
132
8
打赏
收藏
读取一个大于4M的TXT文件,读取思想是先计算具体的页码数,然后读取一页到内存中,显示这一页,然后再读取第二页到内存,依次显示后续。
读取一个大于4M的TXT文件,读取思想是先计算具体的页码数,然后读取一页到内存中,显示这一页,然后再读取第二页到内存,依次显示后续页码。小弟不太会搞,大哥们出出主意。并且设置页码查找。
复制链接
扫一扫
分享
转发到动态
举报
写回复
配置赞助广告
用AI写文章
8 条
回复
切换为时间正序
请发表友善的回复…
发表回复
打赏红包
fannifan
2012-09-03
打赏
举报
回复
lz解决了没有那。。。可以说说嘛。。
tanwei1002
2008-03-27
打赏
举报
回复
迷糊中。。。。
liulintao2008
2008-03-24
打赏
举报
回复
恩 ,因为我们做的产品是GPS,
它的屏幕时3.5寸或者4.3寸,我们给它做了
电子书功能,但在一个宽420高232的区域
要显示 那么大的文件内容,我只能分页读取了
哈,但这个思路老总定的,我只能执行
「已注销」
2008-03-23
打赏
举报
回复
楼主可能是想提高效率
需要那一块读那一块是吧
用内存映射可以
菜牛
2008-03-22
打赏
举报
回复
你这个“一页”和读取文件有什么关系?
用户 昵称
2008-03-22
打赏
举报
回复
映射的好。
珍惜生命远离CPP
2008-03-22
打赏
举报
回复
你还是直接映射到内存好了.
cnzdgs
2008-03-22
打赏
举报
回复
如果有页码就不是TXT文件了,TXT文件除非是你规定好每页的行数,然后一行一行地读到指定页。
LM Studio本地大模型入门:零命令行运行Q4_K_M量化模型
本地大模型(Local LLM)是指在个人设备上离线部署并推理的大型语言模型,其核心原理依托量化推理(如Q4_K_M)与跨平台GPU加速(DirectML/Metal/Vulkan),在保障
数
据隐私前提下实现毫秒级响应。相比云端API,本地方案规避了网络延迟、服务限流与敏感
数
据外泄风险,技术价值在于将AI能力下沉为知识工作者的日常办公插件。典型应用场景包括PDF技术文档摘要、教学习题生成、代码注释提炼及私有语料问答——所有处理全程不联网、不上传。LM Studio正是为此而生:它封装了模型加载、GPU层自动
Llama 4实战避坑指南:10M上下文与多模态落地真相
大语言模型的长上下文与原生多模态能力,是当前AI工程化的核心技术分水岭。其原理涉及位置编码革新(如iRoPE)、早期融合(early fusion)架构与稀疏专家(MoE)调度机制,技术价值在于突破传统dense模型的性能-成本瓶颈,支撑文档深度解析、跨模态推理等高阶场景。然而在真实生产
中
,10M上下文易受
内存
带宽制约,多图理解常因视觉特征泄漏失效——这些并非模型缺陷,而是新范式下必须直面的工程毛细血管问题。本文基于H100实测
数
据,聚焦Llama 4 Scout的上下文稳定性与Maverick的多图一致性
嵌入式开发实战:从
数
据手册更新到ARM Cortex-M4F外设配置避坑指南
在嵌入式系统开发
中
,
数
据手册是连接硬件芯片与软件开发的权威技术文档,其准确性与时效性直接决定了项目的成败。
数
据手册的修订历史记录了芯片从设计到量产过程
中
发现的关键问题修正与功能澄清,是开发者必须追踪的“法律
文件
”。理解其修订原理,能有效规避硬件设计缺陷与软件驱动错误,提升系统可靠性。以广泛应用的ARM Cortex-M4F内核微控制器为例,其单精度浮点单元(FPU)、位带操作及AHB/APB总线架构为高性能控制与信号处理提供了硬件基础。这些核心特性与UART、SPI、ADC等关键外设的协同工作,构成了嵌入式
Llama 4超长上下文下RAG为何仍是刚需?原理、选型与实战
RAG(检索增强生成)是一种将外部知识动态注入大语言模型的通用范式,其核心原理是通过嵌入向量在高维语义空间
中
实现精准检索,再将相关片段注入LLM上下文完成生成。该技术显著缓解了模型幻觉、提升答案准确率,并降低对超长上下文的依赖。在Llama 4宣称支持1000万token背景下,RAG的价值非但未削弱,反而因训练分布局限(仅256k token)、注意力退化与显存瓶颈而愈发关键。典型应用场景包括企业知识库问答、技术文档智能助手及多源资料联合推理。本文基于LangChain+Groq+Chroma技术栈,详解
DeepSeek-V3 1M上下文技术解析:长文本理解的工程实践与落地要点
大语言模型的上下文长度是影响长文档理解、多轮推理和私有知识库接入能力的核心指标。从原理看,突破128K迈向1M Token并非简单扩容,而是涉及KV Cache
内存
调度、稀疏注意力机制与流式传输协议的系统性工程重构。其技术价值在于支撑合同审查、学术分析、代码库推理等强依赖长程语义关联的高价值场景。实际应用
中
需兼顾token精确
计算
、结构化提示设计与成本效益平衡。本文聚焦DeepSeek-V3实现1M上下文的关键路径,涵盖PagedAttention 2.0、Hybrid Sparse Attention及S
图形处理/算法
19,464
社区成员
50,678
社区内容
发帖
与我相关
我的任务
图形处理/算法
VC/MFC 图形处理/算法
复制链接
扫一扫
分享
社区描述
VC/MFC 图形处理/算法
社区管理员
加入社区
获取链接或二维码
近7日
近30日
至今
加载中
查看更多榜单
社区公告
暂无公告
试试用AI创作助手写篇文章吧
+ 用AI写文章