精华内容
下载资源
问答
  • 内存内计算
    千次阅读
    2020-12-26 20:27:07

    在这里插入图片描述
    内存计算(In-memory Computing)指采用了各种内存计算在计算过程中让CPU从主内存读写数据,而不是从磁盘读写数据的计算模型。这里的内存技术包括列存储格式、数据分区与压缩、增量写入、无汇总表等方法。目前,内存计算主要是从存储架构(分布式缓存、内存数据库、内存云体系)和计算模型(基于主内存的并行处理、算法下放到数据层)两个方面提出解决方案。
    分布式缓存架构:
    由多台服务器组成一个缓存服务集群,以多节点集群方式提供缓存服务(物理架构上的分布式)
    缓存数据(可看作一个大数据表)分布存储在多台缓存服务器上(逻辑架构上的分布式)
    *

    *分布式缓存体系应用场景:

    1.web页面的缓存。
    (二八原则:80%的访问都集中在20%的热数据上,因此可将高频数据预加载至内存)类似于chrome浏览器相关内存加载功能,浏览器算法会提前预判你的浏览地址,预加载至内存,提高点击反应速度,但会大大消耗内存(这也是chrome浏览器特别迟内存的原因)
    2.应用对象缓存
    缓存系统作为ORM框架的二级缓存对应用访问提供服务,目的为减轻数据库负载压力,加快访问速度。
    3.状态变量缓存
    包括Session会话及应用横向扩展时的状态数据等,这类数据是难以恢复的,要求有高可用性,多用于高可用集群应用。
    4.并行处理
    有大量中间计算结果需要共享。
    5.事件处理
    针对事件流的连续查询和实时处理
    6.极限事物处理
    为事务型业务提高吞吐率,低延时的解决方案,支持高并发事物请求处理,多用于铁路、金融服务、电信等领域(今后我会从金融领域详细讲解)

    内存技术

    1.数据压缩技术
    包括字典编码算法(*是为经常出现字符型难以处理的数据属性作编号,保存其编号能大大减少存储空间,提高访问效率)、高效压缩存储、数据操作
    2.列存储结构
    包括内存数据格式、内存索引等技术
    (列存储在查询时不需要将全部数据读入内存;
    字典编码压缩使得列存储减小了压缩空间,提高了查询效率;
    列存储bitmap操作能够一次快速高效地定位到多条数据;
    因为各列记录之间没有依赖关系,非常利于并行化)
    3.分区
    对数据表划分多节点并行处理,分布式缓存系统主要采用水平划分和垂直划分的方式
    4.无汇总表(无需做数据汇总操作)
    5.只插入差异数据
    为了提高访问效率通常只插入差异化数据(分为主表Main和差异表Delta,主表是高度压缩的完整数据,支持读;差异表只包含少量新增数据,支持写数据操作…系统会定期将差异表中数据更新至主表)

    Memcache工作机制

    Memcache是一个有代表性的高性能分布式内存对象缓存系统,通过缓存数据来提高访问效率。
    Mecache是分布式缓存系统的名称,Mecacheds是缓存服务器程序。
    Mecache分布式计算架构可以将一台机器上的多个Mecached服务器端程序或者分散部署在多个机器上的Mecached服务器程序组成服务端Server。
    后面将会详细说明内存数据库、内存云MenCLoud、Spark内存计算。
    知识点源于《大数据分析与计算》清华大学出版社
    加入了自己对知识点的理解

    更多相关内容
  • 文章经授权转载自半导体行业观察(ID:icbank)最近,内存内计算成了热门关键词。今年早些时候,IBM发布了基于相变内存(PCM)的内存内计算,在此之后基于Flash...

    640?wx_fmt=gif

    文章经授权转载自半导体行业观察(ID:icbank


    最近,内存内计算成了热门关键词。今年早些时候,IBM发布了基于相变内存(PCM)的内存内计算,在此之后基于Flash内存内计算的初创公司Mythic获得了来自软银领投的高达4000万美元的B轮融资,而在中国,初创公司知存科技也在做内存内计算的尝试。本文将对内存内计算的原理以及其市场前景做一些分析。


    冯诺伊曼架构之痛


    冯诺伊曼架构是计算机的经典架构,同时也是目前计算机以及处理器芯片的主流架构。在冯诺伊曼架构中,计算/处理单元与内存是两个完全分离的单元:计算/处理单元根据指令从内存中读取数据,在计算/处理单元中完成计算/处理,并存回内存。


    640?wx_fmt=png


    冯诺伊曼架构是经典的计算机体系架构,也构成了过去近一个世纪的计算机科学的基础。然而,冯诺伊曼架构在构建之初只是一个理论模型,在建立该模型时做了一个合理的假设就是处理器和内存的速度很接近。当然,冯诺伊曼在当时没有办法预测到未来集成电路发展对于计算机造成的深远变化。计算机处理器的性能随着摩尔定律高速发展,其性能随着晶体管特征尺寸的缩小而直接提升,因此在过去数十年中其性能提升可谓是天翻地覆,现在一颗手机中处理器的性能已经比30年前超级计算机中的处理器还要强。另一方面,计算机的主要内存使用的是DRAM方案,DRAM是基于电容充放电实现的高密度存储方案,其性能(速度)取决于两方面,即内存中电容充放电的读取/写入速度以及DRAM与处理器之间的接口带宽。DRAM电容充放电的读取/写入速度随着摩尔定律有一定提升,但是速度并不如处理器这么快,另一方面DRAM与处理器之间的接口属于混合信号电路,其带宽提升速度主要是受到PCB板上走线的信号完整性所限制,因此从摩尔定律晶体管尺寸缩小所获得的益处并不大。这也造成了DRAM的性能提升速度远远慢于处理器速度,目前DRAM的性能已经成为了整体计算机性能的一个重要瓶颈,即所谓阻碍性能提升的“内存墙”。


    640?wx_fmt=jpeg


    除了性能之外,内存对于能效比的限制也成了传统冯诺伊曼体系计算机的一个瓶颈。这个瓶颈在人工智能应用快速普及的今天尤其显著。这一代人工智能基于的是神经网络模型,而神经网络模型的一个重要特点就是计算量大,而且计算过程中涉及到的数据量也很大,使用传统冯诺伊曼架构会需要频繁读写内存。目前的DRAM一次读写32bit数据消耗的能量比起32bit数据计算消耗的能量要大两到三个数量级,因此成为了总体计算设备中的能效比瓶颈。如果想让人工智能应用也走入对于能效比有严格要求的移动端和嵌入式设备以实现“人工智能无处不在”,那么内存访问瓶颈就是一个不得不解决的问题。


    640?wx_fmt=png



    内存内计算的原理


    为了解决“内存墙”问题,一个最近得到越来越多关注的思路就是做内存内计算。2018年的国际固态半导体会议(ISSCC,发表最领先的芯片设计成果,称为“芯片界的奥林匹克”)有专门一个议程,其中的论文全部讨论内存内计算;到了2019年,根据最新发布的ISSCC 2019预览,也有5篇关于内存内计算的论文,不过分散在不同的议程中。内存计算的主要改进就是把计算嵌入到内存里面去,这样内存就不仅仅是一个存储器,还是一个计算器。这样一来,在存储/读取数据的时候就同时完成了运算,因此大大减少了计算过程中的数据存取的耗费。


    640?wx_fmt=jpeg


    内存内计算现在还处于探索阶段,有很多种具体实现方式。举一个ISSCC 2018年论文中的例子。这个内存内计算的电路由MIT的研究组提出,主要用途是加速卷积计算。我们知道,卷积计算可以展开成带权重的累加计算,从另一个角度来看其实就是多个数的加权平均。因此,该电路实现的就是电荷域的加权平均,其中权重(1-bit)储存在SRAM中,输入数据(7-bit数字信号)经过DAC成为模拟信号,而根据SRAM中的对应权重,DAC的输出在模拟域被乘以1或者-1,然后在模拟域做平均,最后由ADC读出成为数字信号。具体来说,由于乘法的权重是1-bit(1或-1),因此可以简单地用一个开关加差分线来控制,如果是权重是1就让差分线一边的电容充电到DAC输出值,反之则让差分线另一边充到这个值。平均也很简单,几条差分线简单地连到一起就是在电荷域做了平均了。


    640?wx_fmt=jpeg


    当然,内存内计算的电路并不止于一种,其计算的精度也并不限于1-bit计算。但是,从以上的例子我们可以看出内存内计算的核心思想,一般是把计算都转化为带权重加和计算,把权重存在内存单元中,然后在内存的核心电路(如读出电路)上做修改,从而让读出的过程就是输入数据和权重在模拟域做点乘的过程,相当于实现了输入的带权重累加,即卷积。因为卷积是人工智能以及其他计算的核心组成部分,因此内存内计算可以被广泛使用在这类应用中。内存内计算会使用模拟电路做计算,这也是它和传统使用数字逻辑做计算的不同之处。


    内存内计算的两大推动力以及市场前景


    人们十几年之前就认识到了“内存墙”的问题,但是为什么内存内计算在这两年才火起来呢?我们认为,最近内存内计算兴起的背后有两大动力。


    第一个动力是基于神经网络的人工智能的兴起,尤其是人工智能希望能普及到移动端和嵌入式设备中,这样能效比很高的内存内计算就获得了关注。另外,神经网络的一个特点是对于计算精度的误差拥有较高的容忍度,因此内存内计算的模拟计算中引入的误差往往可以被神经网络所接受,也可以说内存内计算和人工智能(尤其是嵌入式人工智能)可谓是天作之合。


    第二个动力是新的存储器。对于内存内计算来说,存储器的特性往往决定了内存内计算的效率,因此当带有新特性的存储器出现时,往往会带动内存内计算的发展。举例来说,最近很火的ReRAM使用电阻调制来实现数据存储,因此每一位的读出使用的是电流信号而非传统的电荷信号。这样一来,由于电流做累加运算是非常自然而然的操作(把几路电流直接组合在一起就实现了电流的加和,甚至无需额外电路),因此ReRAM非常适合内存内计算,也确实有不少研究组已经在做相关的研究并发表了论文。从存储器推广的角度,新的存储器也愿意搭上人工智能的风潮,因此新存储器厂商也乐于看到有人做基于自家存储器的内存内计算加速人工智能,也会帮助一起推广内存内计算。


    因为内存内计算的两大推力是人工智能和新存储器,因此我们看到的新存储器产品在人工智能和新存储器这两个关键词上至少会有一个,也有不少内存内计算项目会同时横跨两个关键词。


    内存内计算的芯片产品预计会有两种形式。第一种形式是作为一种带有计算功能的存储器IP出售。这样的带内存内计算功能的存储器IP可能是传统的SRAM,也可能是eFlash,ReRAM,MRAM,PCM这样的新存储器。这样的存储器IP往往是一家做内存内计算的公司和一家做存储器的公司(如TSMC或SMIC)联合做推广。


    第二种形式是直接做基于内存内计算的人工智能加速芯片。例如Mythic就计划流片做基于Flash存储器的PCIe加速卡,通过PCIe接口和主CPU做通信,Mythic的内存芯片上存储了权重数据,这样当数据送到Mythic的IPU上后就可以直接读出计算结果。这样一来就省去了权重数据的读取开销。


    640?wx_fmt=jpeg


    那么内存内计算对于人工智能芯片市场会有什么影响呢?首先,我们看到内存内计算本质上会使用模拟计算,因此其计算精度会受到模拟计算低信噪比的影响,通常精度上限在8bit左右,而且只能做定点数计算,难以做浮点数计算。所以,需要高计算精度的人工智能训练市场并不适合内存内计算,换句话说内存内计算的主战场是在人工智能推理市场。即使在人工智能推理市场,由于精度的限制,内存内计算对于精度要求较高的边缘服务器计算等市场也并不适合,而更适合嵌入式人工智能等对于能效比有高要求而对于精确度有一定容忍的市场。此外,内存内计算其实最适合本来就需要大存储器的场合。举例来说,Flash在IoT等场景中本来就一定需要,那么如果能让这块Flash加上内存内计算的特性就相当合适,而在那些本来存储器并不是非常重要的场合,为了引入内存内计算而加上一块大内存就未必合适。基于这样的分析,我们认为内存内计算有望成为未来嵌入式人工智能(如智能IoT)的重要组成部分。


    结语


    随着人工智能和新存储器的兴起,内存内计算也成为了新的热点。内存内计算利用存储器的独特特性,结合模拟计算直接在存储器中完成计算,从而大大减少人工智能计算中的内存读写操作。由于内存内计算的精度受到模拟计算的限制,因此它最适合追求能效比且能接受一定精确度损失的嵌入式人工智能应用。


    640?wx_fmt=gif

    以上文章为转载,不代表本报观点


    640?wx_fmt=jpeg

    展开全文
  • 0. 什么是In Memory Computing(存内计算、存算一体、内存内计算)? In-memory Computing 技术就是以 RAM 取代 hard disk ,将 data 与 CPU 之间的距离缩短,在 RAM 完成所有运算工作,此举可将速度提升 5,000 ...

    什么是In Memory Computing(存内计算、存算一体、内存内计算)?

    • In-memory Computing 技术就是以 RAM 取代 hard disk ,将 data 与 CPU 之间的距离缩短,在 RAM 内完成所有运算工作,此举可将速度提升 5,000 甚至 10,000 倍。

    • 传统的运算方式,是从 hard disk (硬盘)取得资料,交到 RAM ,再传送到 CPU 计算,然后再放回 dard disk ,但这样很花时间。所以要从 RAM (记忆体)入手,即是 In-memory Computing 技术。

    • 在这里插入图片描述在这里插入图片描述

    展开全文
  • 内存计算

    千次阅读 2020-04-14 16:51:20
    主流内存条规格识别方法 ...CPU与内存之间的接口位宽是64bit,也就意味着CPU在一个时钟周期会向内存发送或从内存读取64bit的数据(位宽越大,读取数据的速度就越快)。但是,单个内存颗粒的位宽有4bit...

    主流内存条规格识别方法

    如下图所示,这是一个海力士的内存条,上面的规格参数,需要有一定的认识,
    在这里插入图片描述
    1.看厂家,就在上图所示的地方,看厂家,图中的内存条是海力士的;
    2.看容量,图中所示的容量就是8GB
    3. 2Rx4
    CPU与内存之间的接口位宽是64bit,也就意味着CPU在一个时钟周期内会向内存发送或从内存读取64bit的数据(位宽越大,读取数据的速度就越快)。但是,单个内存颗粒的位宽有4bit、8bit或16bit,个别也有32bit的。所以需要把多个颗粒连在一起,才能组成一个位宽为64bit的数据集合,才可以和CPU互连。 R”表示RANK,“×4”就是颗粒位宽是4bit的意思。因为1个RANK是64bit,两个RANK就是128bit,因此,符号“2R×4”就表示这个模组有2个RANK,颗粒的位宽是4b。因此,这个模组用的颗粒是128b÷4b/颗=32颗。 表示的rank位宽,cpu和内存之间的通信位宽是64bit,(后面的x4表示x4bit,由4个bit就需要16个颗粒,才能组成一个rank(64bit)
    4.PC3L表示使用的是DDR3类型的内存条,相应的,如果是PC4L,那么就代表使用的是DDR4类型的内存条;
    5.10600R
    其中,10600除以8得到的就是频率;1333MHZ
    R表示,这个内存条是RDIMM类型的内存条
    内存条的类型有以下三种,如下图所示,差别以及特点都在图中表示出来了,可以了解一下。
    在这里插入图片描述
    6.1324,表示的就是生产批次了,13表示13年,24表示第24周,也就是说,这个内存条是13年第24周生产出来的。
    7.HMT31GR7CFR4A-H9 T3就是这个内存的型号了。

    关于内存的计算

    内存条容量计算:

    内存条容量(单位 : B)= 内存颗粒容量 * 内存颗粒个数/8
    内存颗粒容量(单位 : b) = 寻址空间 * 颗粒位宽
    内存颗粒个数 = Rank数 * (64/颗粒位宽)

    举例:
    规格为 8GB 2Rx8 PC3L-12800R 的内存条
    内存条容量 8GB(由内存条上的信息,已知值) = (4Gb×16)/8
    内存颗粒容量 = 4Gb
    内存颗粒个数 = 2 × 64(接口位宽64bit) / 8(颗粒位宽) = 16

    内存带宽计算:

    满配最大内存带宽 = 内存标称频率 * 内存总线位数 * 通道数 * CPU个数
    实际使用的内存带宽 = 内存标称频率 * 内存总线位数 * 实际使用的通道数
    内存标称频率:是指内存最大可以在多大功率上进行稳定的运行,

    举例:
    华为FusionServer Pro 2288H V5满配2666的内存条时,内存的带宽为:

    2666 * 64 * 6 * 2 =2047488 Mbit/s=250GB/s

    那么对于满配2666的内存条,它的内存标称频率是2666,内存的总线位数是64,通道数是6,CPU的个数是2,那么这个内存的带宽是250 GB/s

    展开全文
  • 根据内存地址计算内存大小有个通用的公式: 内存大小=max-min+1 (大的地址减去小的地址加1) 接下来我们根据上面的公式进行计算,不会16进制加减法的同学可以看下下面这个图: 所以:DFFFFH-AOOOOH+1=40000H 我们...
  • 图像深度和图像内存计算

    千次阅读 2021-12-23 16:24:39
    图像深度的相关常识,以及图像内存的相关计算
  • 内存速度的计算

    千次阅读 2021-04-26 11:38:10
    内存带宽计算公式:带宽=内存核心频率×倍增系数×(内存总线位数/8) (通用的计算公式:带宽=频率*位宽/8) DDR4 3200(内存颗粒的物理频率=200MHz,预读16bit)组成双通道128bit内存,带宽将达到200MHz16bit...
  • 如何计算内存大小

    千次阅读 2020-11-22 23:16:19
    对电子产品、存储介质厂家...1、因为我们通常说的内存都是使用的十进制来表示的(如256MB、512MB等),所以我们计算内存大小时只需将所对应的地址转化成十进制即可。 2、转换规则: 1MB=1024KB ,1KB=1024Byte ,1Byte
  • 图像处理16:图像内存计算和类的内存计算 (1)图像的内存计算: ①图像内存的计算公式: 图像所占内存=图像分辨率*一个像素所占内存空间 ②位深度: 如有位深度1,则可以组成种颜色,即二值图像; 如有位...
  • DDR5内存条容量计算

    千次阅读 2021-10-19 20:08:27
    DDR5内存条容量计算一、理解DDR5通道的变化二、理解芯片package三、DDR5 symmetric module容量计算 之前对DDR的一些基础知识进行了总结。最近需要了解DDR5的知识,在之前文章基础上又有一些认识,所以重新开一篇,...
  • Linux实际内存使用计算

    万次阅读 2019-03-25 11:40:59
    Linux实际内存使用情况计算 通常我们看到Linux用top命令查看系统运行状况,普遍看到Used Memory占到了将近总内存的90%,然后很多人以为系统内存已经不足。其实,这只是Linux的为了提高文件读取的性能的内存使用...
  • Linux 中的内存使用率计算方式

    千次阅读 2022-03-20 17:08:43
    在工作中处理问题的时候,遇到一个问题,自己根据 top 命令时查看到的 used 和 total 计算出来的内存使用率已经达到 90% 以上了,但是系统自带的监控软件计算出来的使用率往往没有这么高。在网上查询了一些文章,说...
  • Linux内存计算方法

    千次阅读 2018-12-08 18:48:58
    一、Linux进程占用内存计算方法 进入top,按f选择swap, code, data; 按M根据内存排序。 总结: VIRT 虚拟内存中含有共享库、共享内存、栈、堆,所有已申请的总内存空间。 RES 是进程正在使用的内存空间(栈、堆),...
  • [Android] Bitmap的内存计算

    千次阅读 2019-07-27 08:00:00
    如何计算? 2、不同图片来源对内存大小有什么影响? Bitmap bitmap = Bitmap.createBitmap(100,100,Bitmap.Config.ARGB_8888); 依然以如此声明一个bitmap为例,参数就决定了bitmap的大小。(以Android 8.0+平台为例...
  • 内存大小的计算

    千次阅读 2018-11-20 19:58:44
    十进制 131072 字节 = 128 K Byte 0x4 00 00 = 十进制 262144 字节 = 256 K Byte 内存大小的计算 0XE000 = 十进制 57344 57344字节÷1024字节/K=56K 0X2800 = 十进制 10240 10240字节÷1024字节/K=10K stm32f10...
  • 卷积神经网络参数量和计算量内存计算 参数量 计算量 内存 参数量 每一次卷积的参数量和特征图的大小无关,仅和卷积核的大小,偏置及BN有关。 1.每个卷积层的参数量,+1表示偏置: Co x (Kw x Kh x Cin + 1) 2.全连接...
  • 64位系统使用64位地址线的最大寻址空间为2的64次方bytes,计算后其可寻址空间达到了18446744073709551616 Bytes,即16384PB(PebiByte)或16777216TB(TebiByte)。但是,很多64位CPU使用40位地址线,最大寻址空间仅为1...
  • 内存带宽计算

    千次阅读 2014-11-12 19:20:06
    内存带宽计算公式:带宽=内存核心频率×内存总线位数×倍增系数。 先容我从DDR的技术说起,DDR采用时钟脉冲上升、下降沿各传一次数据,1个时钟信号可 以传输2倍于SDRAM的数据,所以又称为双倍速率SDRAM。...
  • 图片内存计算大小

    万次阅读 2017-12-02 21:40:23
    一张1280*740 RGBA4448的图片占内存大小 (M)? 2048*1024*(4+4+4+8)/(8*1024*1024) 解析:第一步:内存中图片大小必须为2^n  第二步:RGBA8888是4位8bit 像素点:4*8 位数*颜色深度 第三步:内存大小 ...
  • 对于一张图片,你知道应该存放在那个资源目录下面吗,或者说,放在那个资源目录下加载起来更省内存呢?在日常开发中我们可能不太注意这些东西,但是这些却是基础,是必不可少的一环,所以这几天重新温习了一下并整理...
  • PostgreSQL消耗的内存计算方法

    千次阅读 2019-01-12 00:23:10
    计算公式为: max_connections*work_mem + max_connections*temp_buffers +shared_buffers+wal_buffers+ (autovacuum_max_workers * maintenance_work_mem) 假设PostgreSQL的配置如下: max_connections = ...
  • Java对象内存大小计算

    万次阅读 多人点赞 2018-07-03 14:43:34
    最近在读《深入理解Java虚拟机》,对Java对象的内存布局有了进一步的认识,于是脑子里自然而然就有一个很普通的问题,就是一个Java对象到底占用多大内存? 在网上搜到了一篇博客讲的非常好:...
  • 内存ram容量计算

    千次阅读 2020-05-09 14:54:07
    ram容量通常是指随机存储器的内存容量,是内存条的关键性参数。内存的容量一般都是2的整次方倍,比如64MB、128MB、256MB等,内存容量越大越有利于系统的运行。进入21世纪初期的台式机中主流采用的内存容量为2GB或4GB...
  • 内存使用率计算

    千次阅读 2018-06-17 14:59:29
    此处使用/proc/meminfo 文件来计算内存占用率#!/bin/bash # 内存占用率 = (MemTotal - MemFree - Inactive) / MemTotal meminfo=$(cat /proc/meminfo) MemTotal=$(echo "${meminfo}" | grep "...
  • 8.内存按字节编址,利用 8K×4bit 的存储器芯片构成 84000H 到 8FFFFH 的内存,共需( )片。 A.6 B.8 C.12 D.24 解析: 内存地址从 84000H 到 8FFFFH, 那么存储单元的个数为: 8FFFFH - 84000H + 1 这里 ...
  • 计算神经网络内存占用

    千次阅读 2018-10-08 16:34:21
    如果layer.count_params()或者model.summary()权重参数个数为负数的可以参考: 彻底解决keras model.summary()或者layer.count_params()权重参数个数为负数问题 ...一.VGGNet内存消耗计算 ''' Created on 2018年9月3...
  • Linux的top命令与内存计算

    千次阅读 2019-11-01 10:50:49
    top命令是我们平时工作中用...敲完top命令之后,按shift+p会以cpu使用百分比大小排序,shift+m会以内存使用大小排序。 先看资源总的情况: 1,任务队列信息,即第一行:第一个是系统当前时间 图中值:10:45:10 ...
  • 计算机内存和磁盘的关系

    千次阅读 多人点赞 2020-09-04 20:42:56
    计算机内存和磁盘的关系 前言 上篇文章详细讲了计算机内存的物理结构,逻辑结构以及在内存的基础上理解几种常见的数据结构。但是,计算机系统出了内存之外,还有一个非常重要的硬件,那就是磁盘。他们都是用于计算机...
  •  我们提出的弹性分布式数据集(RDDs),是一个让程序员在大型集群上以容错的方式执行基于内存计算的分布式内存抽象。RDDs受启发于两类使用当前计算框架处理不高效的应用:迭代算法和交互式数据挖掘工具。这二者在...
  • 如何计算一张1080x1920的图片有多大呢? 首先分辨率1920x1080表示在显示上,长为1920个像素点,宽为1080个像素点,要想知道一个图片大小其实就是需要知道一个像素有多大。 在Android平台中,针对图片质量(颜色深度...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,789,300
精华内容 715,720
关键字:

内存内计算