阅读更多

8顶
0踩

编程语言

原创新闻 Scala 2.10 发布

2013-01-05 15:02 by 副主编 wangguo 评论(0) 有7206人浏览
Scala开发团队今天发布了Scala 2.10版本。


该版本中的主要新功能和改进包括:

  • Value类:类现在可以扩展AnyVal,以使其表现更像一个结构类型。
  • 隐式类:隐式调节器现在也应用到类定义中,以减少隐式封装的引用。
  • 字符串插入:val what = "awesome"; println(s"string interpolation is ${what.toUpperCase}!")
  • 异步获取JSON
  • Dynamic和applyDynamic
  • 基于ASM的新的字节码生成器
  • 一个新的模式匹配器
  • 改进了Scaladoc
  • 模块化语言
  • 并行集合现在可自定义线程池
  • 使用Akka Actors代替之前的Scala Actors
  • 改善了性能
该版本中还包含了一些实现性的功能,如Scala反射、宏等。Scala开发团队表示,未来几周内会发布一个指南,帮助用户将项目迁移到新版本。

详细信息:http://www.scala-lang.org/node/27499

下载地址:http://www.scala-lang.org/downloads

Scala IDE for Eclipse:

  • 大小: 8.2 KB
8
0
评论 共 0 条 请登录后发表评论

发表评论

您还没有登录,请您登录后再发表评论

相关推荐

  • java rms常用操作例子

    java 手机开发数据库 rms常用操作例子

  • Pr 音频效果参考:振幅与压限

    Pr:效果面板/音频效果/振幅和压限Amplitude and Compression动态Dynamics动态效果包含自动门、压缩程序、扩展器和限幅器等四个部分。可以单独控制每一个部分。L...

  • ​Au入门系列之三:调整音量

    ◆ ◆ ◆音量相关概念在专业的音频处理软件中,音量 Volume的大小跟音频的振幅 Amplitude成正比关系,但音量的大小并不就是振幅或电平的大小。数字音频中音量通常需要分成客观...

  • java rms是什么意思,关于RMS的使用

    今天来讲一讲RMS。纯粹是在做项目过程中自己的一些领悟总结,如果有不正确的地方,请高人们指点。在PC中我们可以将数据存在数据库中进行管理。那么在手机上,我们将数据存在哪里呢,又是怎样管理这些数据的呢?手机系统为每一个MIDlet都开辟了存储空间用来存储程序数据,并且有专门的管理系统来管理这个存储空间。当然它只是一个简单的管理系统,不可能像PC上那样的数据库管理工具。我们称这个系统为“记录管理系统(...

  • [转载]RMS从入门到精通之三

    RMS从入门到精通之三前面两篇文章详细的介绍了Record Management System的基本概念以及对象序列化的问题,现在我们主要介绍关于RecordStore类的使用,在SUN的网站提供了一个RMSAnalyzer类,...

  • Record Management System从入门到精通系列之一

          Record Management System是J2ME的一个重要的子系统,目的是实现应用程序本地数据的持久性存储。目前支持文件系统的移动信息设备还有限,因此Record Management System是J2ME开发人员实现本地数据存储的首选途径。本文的目的就是全面的介绍Record Management System的知识。       顾名思义Record Managemen

  • 深度学习中常用优化器(SGD, Momentum, Nesterov Momentum, AdaGrad, RMS Prop, Adam)的伪代码和对比

    在深度学习中,优化器是其重要组成部分,本文来介绍一下常用优化器(SGD, Momentum, Nesterov Momentum, AdaGrad, RMS Prop, Adam)的伪代码并对他们进行对比。 1. SGD SGD的伪代码如下: SGD的梯度更新公式简单,采样用的是小样本,训练速度快,但由于是成之字形下降,在一些情况下效率很低。 2. (SGD with) Momentum 伪代码如下: 和SGD相比,带动量的SGD主要是借助物理学中动量的概念,在下降时保留一部分之前的

  • 深度学习优化算法入门:二、动量、RMSProp、Adam

    来源:Paperspace编译:weakish来源:论智编者按:DRDO研究人员Ayoosh Kathuria深入浅出地介绍了牛顿法、动量法、RMSProp、Adam优化算法。本系列的上...

  • Record Management System 从入门到精通系列之四

          本文将主要讲述RecordFilter和RecordEnumeration的用法,这在整个Record Management System中都是至关重要的。由于本人觉得RecordComparator和RecordFilter类似并且用出相对小些,因此不再这里做介绍了。我们依然是通过一个示范的应用程序说明如何使用这两个接口。       RecordFilter的定义非常的简单,他只定

  • 应用RMS实现用户自动登陆功能

     MIDP的子系统Record Management System提供了MIDlet的持久性存储,精通MIDP子系统RMS系列文章对其使用进行了详细介绍。本文讲述如何使用RMS提供的功能实现应用程序的定制功能——自动登陆。     我们的设计思路非常简单,在RecordStore中存储用户的设置和用户的信息(用户名和密码),如果用户选择自动登陆的话,那么下次当用户想联网的时候将跳过登陆界面,系

  • RMS概念解析与使用指南

    RMS(Record Management System)是MIDP中一个非常重要的子系统,因为它是J2ME应用程序进行持久性存储的唯一途径。当然你的系统如果支持JSR75的话,那么你可以使用FileConnection来对文件进行操作,那超出了本文的讨论范围。持久性存储在我们编写应用程序的时候经常要用到,比如纪录游戏的排行榜、记录用户输入的用户名和密码等。本文将主要从RMS的基本概念和使用指南方

  • Java用RMS记录个人信息

    摘要:Java源码,文件操作,RMS  Java使用RMS记录个人信息的一个小实例,本程序可运行于手机中,与手机通讯簿有关的小程序。

  • 简单实用的操作RMS小例子

    在J2ME中我们常常需要存储数据,J2ME存储数据的方式不同于web开发中用到数据库。J2ME给我们提供了Record Management System(RMS)及记录存储系统,它非常像web浏览器的Cookie,把数据写在本地的文件,但在MIDP中是没有文件概念的。J2ME  记录管理系统 (RMS)提供了一种机制,通过这种机制,MIDlet 能够持久存储数据,并在以后检索数据。在面向记录的方...

  • RMS,RMSE,标准差

    
 
 几个容易混淆的量,分别为:
 
 
 
 
 RMS:均方根值  Mean squared error 
 
 
 
 
 RMSE: 均方根误差 Root mean squared error 
 
 &amp

  • 深度学习笔记:优化方法总结(BGD,SGD,Momentum,AdaGrad,RMSProp,Adam)

    最近在看Google的Deep Learning一书,看到优化方法那一部分,正巧之前用tensorflow也是对那些优化方法一知半解的,所以看完后就整理了下放上来,主要是一阶的梯度法,包括SGD, Momentum, Nesterov Momentum, AdaGrad, RMSProp, Adam。 其中SGD,Momentum,Nesterov Momentum是手动指定学习速率的,而后面的Ad

  • 打造自己的RMS框架(一) RMS概念

         在J2ME的运用中,RMS是我们必须要掌握的知识。在运用RMS之前,我们有必要清楚的了解一下RMS的概念,这或许比较枯燥,但是对我们的运用和理解还是有帮助的。     由于在MIDP程序中是以jar的形式打包存储的,所以在jar中无法写入数据,但是系统单独开辟了存储空间用来存储数据和管理存储空间的管理系统。记录存储概念      MIDP中的MIDlet为了实现数据的持久化管

  • Record Management System从入门到精通系列之二

          在系列之一中,我们着重讲述了Record Management System的基础知识。在介绍如何使用Record Management System之前,我想首先介绍一下Java IO以及在J2ME平台实现序列化的内容,无论对Record Management System还是MIDP中的通用联网框架来说,上述内容都是非常重要的。       在CLDC中定义的Java IO是非常短

  • mse优化方法(一)——momentum

    jupyter notebook 编写,windows建议创建虚拟环境,ubuntu直接安装 import numpy as np import matplotlib.animation as animation data = np.array([[80,200],[95,230],[104,245],[112,247],[125,259],[135,262]]) #m,b,mse的变化过程 mhistory = [] bhistory = [] msehistory = [] Weight = np

  • RMS 配置经验总结

    所需环境:AD DC(win2003 sp1) rmstest.comRMS Server (win2003 sp1): rms.rmstest.comTest machine: (win2003 sp1),office 2003pro, RMS Client.exe1。域上的用户属性中必须增加email 地址项,因为RMS 是通过email确认用户的。2。RMS server 在配置时,必须能连

  • 各种优化方法总结比较(sgd/momentum/Nesterov/adagrad/adadelta)

    前言 这里讨论的优化问题指的是,给定目标函数f(x),我们需要找到一组参数x,使得f(x)的值最小。 本文以下内容假设读者已经了解机器学习基本知识,和梯度下降的原理。 Batch gradient descent 梯度更新规则: BGD 采用整个训练集的数据来计算 cost function 对参数的梯度: 缺点: 由于这种方法是...

Global site tag (gtag.js) - Google Analytics