jdk到底是个什么许可协议呀？平时用jdk也不要钱呀，下载的jdk中有原文件呀。怎么现在老在说sun开放java原代码的事呀？？

itspring 2006-05-17 07:24:25

？

...全文

248 8 打赏收藏转发到动态举报

写回复

8 条回复

切换为时间正序

请发表友善的回复…

发表回复

itspring 2006-05-18

打赏
举报

回复

这个问题难道大家没有想过吗？

itspring 2006-05-18

打赏
举报

回复

许可协议了，指什么？
如
http://java.csdn.net/n/20060517/90547.html
http://java.csdn.net/n/20060516/90479.html

Ryo_Hazuki 2006-05-18

打赏
举报

回复

一些核心代码仍然有所保留

itspring 2006-05-18

打赏
举报

回复

up

huabingl 2006-05-17

打赏
举报

回复

来这个版快,你居然问这么难回答的问题,郁闷

itspring 2006-05-17

打赏
举报

回复

难道我做个基于java的系统，对jdk还有什么限制吗？

nirvana_li 2006-05-17

打赏
举报

回复

Sun一直对Java编程语言以及运行Java程序必需软件进行使用许可控制。IBM和Oracle这样一些商业公司使用的是Sun社团源代码使用许可（Sun Community Source License，简称SCSL）。2003年，Sun公司发布了Java研究许可（Java Research License，简称JRL），这表示公司鼓励学术机构对Java进行调查研究。现在，Sun公司正在准备简化其商业Java的使用许可。

feiyar 2006-05-17

打赏
举报

回复

不知所云

1.版本：matlab2014a/2019b/2024b 2.附赠案例数据可直接运行。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。

【Pytorch】基于LSTM-KAN、BiLSTM-KAN、GRU-KAN、TCN-KAN、Transformer-KAN(各种KAN修改一行代码搞定)的共享单车租赁预测研究(数据可换)Python

【无线传感器】使用 MATLAB和 XBee连续监控温度传感器无线网络研究（Matlab代码实现）内容概要：本文围绕使用MATLAB和XBee技术实现温度传感器无线网络的连续监控展开研究，介绍了如何构建无线传感网络系统，并利用MATLAB进行数据采集、处理与可视化分析。系统通过XBee模块实现传感器节点间的无线通信，实时传输温度数据至主机，MATLAB负责接收并处理数据，实现对环境温度的动态监测。文中详细阐述了硬件连接、通信协议配置、数据解析及软件编程实现过程，并提供了完整的MATLAB代码示例，便于读者复现和应用。该方案具有良好的扩展性和实用性，适用于远程环境监测场景。; 适合人群：具备一定MATLAB编程基础和无线通信基础知识的高校学生、科研人员及工程技术人员，尤其适合从事物联网、传感器网络相关项目开发的初学者与中级开发者。; 使用场景及目标：①实现基于XBee的无线温度传感网络搭建；②掌握MATLAB与无线模块的数据通信方法；③完成实时数据采集、处理与可视化；④为环境监测、工业测控等实际应用场景提供技术参考。; 阅读建议：建议读者结合文中提供的MATLAB代码与硬件连接图进行实践操作，先从简单的点对点通信入手，逐步扩展到多节点网络，同时可进一步探索数据滤波、异常检测、远程报警等功能的集成。

ASP.NET Core 深度学习 .NET 9 课程资料.rar

内容概要：本文系统讲解了边缘AI模型部署与优化的完整流程，涵盖核心挑战（算力、功耗、实时性、资源限制）与设计原则，详细对比主流边缘AI芯片平台（如ESP32-S3、RK3588、Jetson系列、Coral等）的性能参数与适用场景，并以RK3588部署YOLOv8为例，演示从PyTorch模型导出、ONNX转换、RKNN量化到Tengine推理的全流程。文章重点介绍多维度优化策略，包括模型轻量化（结构选择、输入尺寸调整）、量化（INT8/FP16）、剪枝与蒸馏、算子融合、批处理、硬件加速预处理及DVFS动态调频等，显著提升帧率并降低功耗。通过三个实战案例验证优化效果，最后提供常见问题解决方案与未来技术趋势。; 适合人群：具备一定AI模型开发经验的工程师，尤其是从事边缘计算、嵌入式AI、计算机视觉应用研发的技术人员，工作年限建议1-5年；熟悉Python、C++及深度学习框架（如PyTorch、TensorFlow）者更佳。; 使用场景及目标：①在资源受限的边缘设备上高效部署AI模型；②实现高帧率与低功耗的双重优化目标；③掌握从芯片选型、模型转换到系统级调优的全链路能力；④解决实际部署中的精度损失、内存溢出、NPU利用率低等问题。; 阅读建议：建议结合文中提供的代码实例与工具链（如RKNN Toolkit、Tengine、TensorRT）动手实践，重点关注量化校准、模型压缩与硬件协同优化环节，同时参考选型表格匹配具体应用场景，并利用功耗监测工具进行闭环调优。

62,628

社区成员

307,259

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

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