学习资料

XMake学习笔记(1):Windows(MSYS2)下MinGW-w64环境搭建和XMake安装

以前写的C++基本都是C with STL,大多是面向过程的算法题,或者比较小的项目,然后经常报各种编译错误(对编译原理不熟),经常把人搞到崩溃,搞不懂构建、链接之类的东西。 现在开始记录一下XMake的学习笔记,记录一些学习过程中踩的坑,在这篇文章,你将学习到Windows下利用MSYS2进行Mi ......
XMake Windows MinGW-w 环境 笔记

Django学习笔记--安装及注意事项

djangok框架 # 注意事项 1.计算机名称不能有中文 2.项目名称和py最好也不要使用中文稿 3.django版本的问题 1.x 2.x 跟1.x差不多 3.x # 加了异步的功能 # 命令行下载 pip install django==3.2 pycharm中安装 官网下载 # 测试是否安装 ......
注意事项 事项 笔记 Django

深入学习RabbitMQ五种模式(三)

1.路由模式(精确匹配) 路由模式(Routing)的特点: 该模式的交换机为direct,意思为定向发送,精准匹配。 队列与交换机的绑定,不能是任意绑定了,而是要指定一个RoutingKey(路由key) 消息的发送方在向Exchange发送消息时,也必须指定消息的 RoutingKey。 Exc ......
RabbitMQ 模式

深入学习RabbitMQ五种模式(二)

# 1.工作模式 工作模式也被称为任务模型(Task Queues)。当消息处理比较耗时的时候,可能生产消息的速度会远远大于消息的消费速度。长此以往,消息就会堆积越来越多,无法及时处理。此时就可以使用 work 模型:让多个消费者绑定到一个队列,共同消费队列中的消息。队列中的消息一旦消费,就会消失, ......
RabbitMQ 模式

深入学习RabbitMQ五种模式(一)

1.安装erlang 下载otp_win64_25.3.exe https://www.erlang.org/downloads erlang安装完成,需要配置erlang环境变量 ERLANG_HOME=E:\software\Erlang OTP PATH=%PATH%;%ERLANG_HOME ......
RabbitMQ 模式

Crash的简单学习

Crash的简单学习 前言 最近进行海光服务器的压测, 多次出现了压测时宕机的情况. 跟OS,DB还有hardware的vender都进行过沟通, 但都比较难定位具体问题. 麒麟操作系统说需要进行一下vmcore的确认. 这边也获取了一下麒麟的文档. 想着自己总结一下问题. 便于以后查询 kdump ......
Crash

于是他迟到的组合数学学习开始了

加法原理 完成一件事,有 $m$ 类方法,对于每类方法有 $s_i$ 个方案,则此时总方案数就是 $\sum_{i=1}^m s_i$。 乘法原理 完成一件事,有 $n$ 个步骤,对于每个步骤有 $s_i$ 个方案,则此时总方案数就是 $\prod_{i=1}^n s_i$。 排列 从 $n$ 个数 ......
数学学习 数学

「学习笔记」重修生成树

最小生成树(Minimum Spanning Tree,MST)为边权和最小的生成树。 算法 Kruskal 算法 实现 将所有的边按边权从小到大排序,然后用并查集维护一条边所连接的两个点是否已联通(不能形成环)。 int find(int x) { return fa[x] == x ? fa[x ......
笔记

Apache ShenYu 学习笔记一

1、简介 这是一个异步的,高性能的,跨语言的,响应式的 API 网关。 官网文档:https://shenyu.apache.org/zh/docs/index 仓库地址:https://github.com/apache/shenyu 2、首次体验 本次体验基本参照官方快速开始文档步骤 2.1、本 ......
笔记 Apache ShenYu

【深度学习基础】使用libtorch部署pytorch训练的网络

下载安装配置:https://pytorch.org/cppdocs/installing.html 小例程:https://pytorch.org/cppdocs/frontend.html 官方:https://pytorch.org/tutorials/beginner/Intro_to_To ......
深度 libtorch pytorch 基础 网络

「学习笔记」重修最短路

$u$ 到 $v$ 的最短路径的长度就是 $u$ 到 $v$ 的最短路。 单源最短路算法可以求出一个点到其他点的最短路。 全源最短路算法可以求出每一个点到其他各点的最短路。 松弛操作:dis[v] = min(dis[v], dis[u] + w);。 算法 Floyd 算法 全源最短路算法,时间复 ......
笔记

Python Requets库学习总结

快速开始 发送请求 >>> import requests >>> r = requests.get('https://api.github.com/events') # GET >>> r = requests.post('https://httpbin.org/post', data={'key ......
Requets Python

Linux kernel 模块开发&构建学习

主要是学习下kernel 模块的玩法,代码来自社区 简单kernel 代码 hello_world.c #include <linux/init.h> #include <linux/module.h> MODULE_LICENSE("Dual BSD/GPL"); static int hello ......
模块 kernel Linux amp

linux命令学习--grep,egrep

grep -i --ignore-case 忽略大小写 grep -e 适用于简单的正则表达式,比如搜索一个字符串中是否包含特定的关键词。例如: grep -e 'hello' file.txt # 将会在文件file.txt中搜索出所有包含“hello”这个关键词的行。 grep -E 适用于复杂 ......
命令 linux egrep grep

Gusfield算法学习

算法详解 感觉最小割树是个很神奇的东西。 最小割树有一个性质:原图上的两点间的最小割大小和方案正好有一种是树上对应两点间的最小割大小和方案。 那么怎么建出这样的树呢?可以用到Gomory-Hu Tree。但我们通常只需要用到大小,这时候我们可以建出等价流树。 Gusfield算法就是建等价流树的一种 ......
算法 Gusfield

Fine-Grained学习笔记(3):最短路(边权,点权),(min,+)矩阵乘

问题:APSP(全局最短路) 给定$G=(V,E)$,其中边集$E$带权值,对于$\forall s,t \in V$,计算$d(s,t)$,即从$s$到$t$的最小的经过路径权值之和 已知的算法:$n$次(堆优化的)Dijkstra算法:$\widetilde{O}(|V|\cdot|E|)$ F ......
矩阵 Fine-Grained Grained 笔记 Fine

Java学习笔记(八)

1、什么是多态? 多态就是指同一方法因为调用对象的不同而表现的结果不同。多态跟属性无关,只跟方法有关。 使用多态是为了提高代码的扩展性。他有三个要素:继承、重写、父类引用指向子类对象。 2、什么是接口? 接口没有构造器, 接口中常量有固定修饰符:public static final,抽象方法的修饰 ......
笔记 Java

Java学习笔记(六)

1、什么是JavaBean 类是公共的 有一个无参的公共的构造器 有属性,且有对应的get、set方法 2、对单例模式的理解 单例模式分为两种: 这种方式叫做饿汉式,是在类加载的时候就直接将对象创建了出来。 还有一种懒汉式 懒汉式是在用到实例对象的时候才会将对象创建出来。但是线程不安全。 3、对代码 ......
笔记 Java

[ML&DL] 深度学习的实践层面

深度学习的实践层面 训练集 验证集 测试集 过程 神经网络的训练是一个需要不断迭代的过程,一般先提出idea,然后编码实现、测试,根据测试结果再次调整思路...... 分组与比例 数据集通常分为3个部分:训练集、验证集和测试集。 训练集用于训练模型的参数。 验证集用于选择最好的模型。 测试集用于评估 ......
层面 深度 amp ML DL

利用深度学习实现序列模型

利用深度学习实现序列模型 序列问题的含义是接收一个序列作为输入,然后期望预测这个序列的后续。例如继续预测2,4,6,8,10...。这在时间序列中是相当常见的,可以用来预测股市的波动、患者的体温曲线或者赛车所需的加速度。 从原理上说,==卷积神经网络可以有效处理空间信息,那么循环神经网络则能更好处理 ......
序列 深度 模型

nmap学习

Nmap概述 Namp是一个免费的开源网络扫描和嗅探工具,可以用来扫描计算机上开放的端口,确定哪些服务运行在那些端口,并且推断出计算机运行的操作系统。利用该工具,可以评估网络基础的安全性。 Nmap的四项功能: 主机发现 端口扫描 版本侦测 操作系统探测 工作原理: 发送探针并分析响应包的特征。(探 ......
nmap

【机器学习基础】数据集的划分比例

前言 参考 1. 机器学习 :训练集、验证集、测试集分配比例_Chris Kang的博客-CSDN博客; 2. 数据集的划分,验证集参与训练了吗?_无枒的博客-CSDN博客; 完 ......
比例 机器 基础 数据

ML-集成学习

集成学习根据个体学习器的生成方式分为Bagging和Boosting两大类。 Bagging的个体学习器之间不存在强依赖关系,Boosting存在强依赖关系。 Bagging可以同时生成的并行化方法,Boosting必须串行化生成的序列化方法。 Bagging Bootstrap aggregati ......
ML

【学习总结】Jenkins小白入门

参考链接: W3Cschool: Jenkins中文文档 知乎:Jenkins详细教程 知乎:jenkins 入门教程(上) 博客园:Jenkins自动化部署入门详细教程 TBD ......
Jenkins

《深入理解计算机系统》第六章学习笔记 存储器层次结构

到目前为止,在对系统的研究中,我们依赖于一个简单的计算机系统模型,CPU执行指令,而存储器系统为CPU存放指令和数据。在简单模型中,存储器系统是一个线性的字节数组,而CPU能够在一个常数时间内访问每个存储器位置。 实际上,存储器系统是一个具有不同容量、成本和访问时间的存储设备的层次结构。CPU寄存器 ......
存储器 层次 结构 计算机 笔记

基于机器学习的纠错系统技术 - 智能文本纠错 API

引言 在过去的几十年里,文本纠错技术已经取得了巨大的进展,从最初的基于规则的纠错系统到现在的基于机器学习的纠错系统,技术的发展已经帮助人们解决了大量的文本纠错问题,随着机器学习技术的发展,文本纠错技术也发生了重大变化。 本文将介绍一款新的基于机器学习的纠错技术,并详细列出实际的可应用场景。 工作原理 ......
文本 机器 智能 系统 技术

集成学习:Bagging & Boosting

核心思想 将多个弱分类器组装成一个强分类器 。 前置知识 Bias & Variance 定义: $ bias=\bar{f}(x) -y $,为模型的期望预测与真实值之间的差异。 $ variance=\mathbb{E}_{\mathcal{D} }[(f(x;\mathcal{D})-\bar ......
Boosting Bagging amp

JAVA学习笔记随记2(面向对象中级)

现在开始学习一些java面向对象中不太容易的东西了,加油吧! (0^_^0) 首当其冲的便是包的感念和使用。 包 包的出现其实是为了更好的管理类,其本质就是一些文件夹和目录,同名的类不能同时出现,但如果两个同名的类在不同的包下则可以共存。相当于给每个类分配了一个地址,虽然类名是一样的,但地址绝对不同 ......
随记 对象 笔记 JAVA

es学习

单机10.10.10.141 CentOS Linux release 7.9.2009 (Core) http://10.10.10.141:9200/_cluster/health { cluster_name: "docker-cluster", status: "yellow", timed ......

CISP_PTE学习

一、http协议的基础知识(请求方法、状态码、响应头信息、协议的URL) 1、请求方法: (1) http1.0请求包含 head、get、post (2)http1.1请求包含head、get、post、options、put、delete、trace、connect (3)get请求的标准格式是 ......
CISP_PTE CISP PTE