神器 英语学习 服务器anki

白嫖在线云服务器，免费在 linux 服务器使用 docker 。 附视频+附文档 @目录前言启动 Nginx 案例最后 视频： https://www.bilibili.com/video/BV1WN411W79V/ 国内互联网经过多年发展，单体应用已经无法支持我们的互联网业务，分布式、微服务架构 ......

第四章 并发编程 并行计算 是一种计算方案，它尝试使用多个执行并行算法的处理器更快速的解决问题 顺序算法与并行算法 并行性与并发性 并行算法只识别可并行执行的任务。CPU系统中，并发性是通过多任务处理来实现的 线程 线程的原理 某进程同一地址空间上的独立执行单元 线程的优点 线程创建和切换速度更快 ......

上一节使用的高斯核的指数部分可以视为注意力评分函数（attention scoring function），简称评分函数（scoring function）。 后续把评分函数的输出结果输入到softmax函数中进行运算。最后，注意力汇聚的输出就是基于这些注意力权重的值的加权和。该过程可描述为下图： ......

#undef 和 #define 在c中#define命令还可以定义宏和常量，但是在c++中已经有更好的办法如内联函数和const方法 但是，#define命令也不是毫无用处的，它可定义一个空字符，就只是单纯的定义这个量，表明这个量是处于被定义的状态 其实读到这里我是很懵的，要继续往后读才能发现原来 ......

MAUI Blazor学习10-BarcodeScanner扫描二维码 MAUI Blazor系列目录 MAUI Blazor学习1-移动客户端Shell布局 - SunnyTrudeau - 博客园 (cnblogs.com) MAUI Blazor学习2-创建移动客户端Razor页面 - Sun ......

背景 这是某硅谷的redis案例，主要问题是解决计数器和人员记录的事务操作 按照某硅谷的视频敲完之后出现这样乱码加报错的问题 乱码的问题要去tomcat根目录的conf文件夹下修改logging.properties，把下面两个encoding参数都改成GBK就行。 其实错误也很明显（ClassNo ......

Oracle Preinstall 调优参数的学习 背景 学习是一个痛苦并快乐的过程. 之前自己手工安装过很多套Oracle数据库,也总结过很多 但是很多都是比较皮毛的. 最近遇到了一些问题. 才发现. 快餐只能吃饱,要是想学到东西必须精读. 必须多方考证多方学习. 用户相关 所有的应用都不应该使用 ......

第四天学习 Mybatis 今天在昨天大概学习完mybatis的概念之后，今天跟着案例敲了一边代码，自己亲自操作了一边数据库，过程相对比较顺利，下面我说说自己的感悟把，首先敲代码之前要配置好自己的mybatis.xml文件,然后创建Java类来写方法和对象，创建xml文件，然后用mapper接口将两 ......

目录socketserver模块TCP协议的服务器以及客户端UDP协议的服务器以及客户端修改UDP修改版 socketserver模块 为什么要考虑这个模块呢？因为真实情况下不一定只有一个客户端连接，如果我使用socket模块就无法实现一个服务器连接多个客户端同时回复客户端的数据，下面先展示一下这个 ......

二分图最大匹配： 定义：给定一个二分图 \(G\)，即分左右两部分，各部分之间的点没有边连接，要求选出一些边，使得这些边没有公共顶点，且边的数量最大。 方法：Dinic/染色 二分图的最小顶点覆盖 定义：假如选了一个点就相当于覆盖了以它为端点的所有边。最小顶点覆盖就是选择最少的点来覆盖所有的边。 定 ......

Linux：基础内容与命令1 linux基础内容 一切都是一个文件。容易看（包括硬件,文本，二进制，源代码） 系统中拥有小型，单一用途的程序。(一个程序只负责做好自己的本职工作) 当遇到复杂任务，通过不同功能用途的程序组合起来完成。 轻量级，一台服务 dhcp ip 数据库服务 网页 避免令人困惑的 ......

费马小定理 当 \(p\) 为质数时，若 \(\gcd(a,p)=1\)，则 \(a^{p-1}\equiv 1\pmod p\)。 但逆命题是错的，例如 \(p=561\) 这类卡迈克尔数，满足任何 \(\gcd(a,p)=1\) 都有 \(a^{p-1}\equiv 1\pmod p\)。所以用 ......

freesurfer下载安装，常用术语和recon-all命令 1 基础知识 1.1 简介 freesurfer是一个分析和可视化大脑结构成像和功能成像的工具包，可以处理MRI、fMRI数据，进行大脑解剖学数据测量等。 1.2 安装freesurfer 目前该软件包仅支持Linux和Mac OS系统 ......

学习一下GPT项目的相关使用和部署 一、GPT4ALL模型 Github：https://github.com/nomic-ai/gpt4all GPT4ALL项目部署简易，但是在运行体验上一般，并且是只调用CPU来进行运算，看官方文档介绍在嵌入式上有比较大的优势，但是目前个人对嵌入式方向接触不深， ......

mysql容器手动停止后，重启服务器，mysql容器被删掉了，如何恢复mysql数据？ 1.问题描述 为了快速搭建数据库，我使用了docker搭建数据库，由于服务器资源紧张，我想先把mysql容器停掉，启动jenkins容器，使用完之后再停掉jenkins，启动mysql，结果由于服务器资源有限，服 ......

# 并发编程 并发编程是指在计算机程序中同时执行多个独立的任务或操作的能力。这些任务可以是线程、进程或其他并发执行的实体。在并发编程中，需要考虑一些重要的概念和技术，以确保正确、高效地处理并发操作。 ## 原子性 在并发编程中，原子性是指一个操作是不可中断的，要么全部执行成功，要么全部不执行。原子操 ......

一、复杂度 1.1、大O表示法 1.2、时间复杂 1.3、空间复杂度 定义的数据占用多少空间就是空间复杂度 O（n） O(n^2) 二、渐进符号 渐进上界：大于等于平均时间复杂度 渐进下界：小于等于平均时间复杂度 渐进紧致界：等于平均时间复杂度 ......

1、什么是物理服务器 物理服务器与虚拟服务器的比较应从定义开始。物理服务器，也称为“裸机服务器”，是单租户计算机服务器，这意味着将特定的物理服务器指定给单个用户。物理服务器的资源和组件不会在多个用户之间共享。每个物理服务器都包括内存，处理器，网络连接，硬盘驱动器以及用于运行程序和应用程序的操作系统（ ......

Excel 4V 回调表格属性方法 事件 QQ774115495 ......

前缀和与差分是 OI 中十分重要且常见的基本算法。 前缀和 前缀和是一个数组的基础信息。 一维前缀和的定义为： \[s_n=\displaystyle \sum_{1\leq i \leq n - 1} a_{i} \]可以通过递推求出：s[i] = s[i - 1] + a[i]; 求出前缀和数组 ......

安防市场得益于平安城市、雪亮工程等国家大型项目，带动了整体安防市场的快速增长，在过去几年均维持了较高的增长率。 ......

google-research/tuning_playbook: A playbook for systematically maximizing the performance of deep learning models. (github.com) dkhonker/tuning_playbo ......

继续学习 webpack 继续我们上一次的操作之后，我们已经可以实现从零到亿自定义运行打包一个 webpack 项目了，接下来我们继续更深层级接触他 我们上次使用的自动清理打包文件的插件在我们 webpack5.*之后呢，可以直接进行配置不需要引入插件，只需要在 wenpack.pro.config ......

ksa的内网穿透linux服务端部署 1. ksa的linux部署 在家里搭建ksa服务端 上传ksa压缩包，进行解压 [root@ansible ~]# cd /opt/ [root@ansible opt]# ll 总用量 4 drwx--x--x 4 root root 28 10月 24 1 ......

ksa的内网穿透docker服务端部署 1. ksa的docker服务端部署 安装docker环境 操作系统基础服务关闭 # 关闭防火墙 systemctl stop firewalld systemctl disable firewalld # 关闭selinux sed -i 's/enforc ......

深度学习框架可以自动计算导数的原理主要如下: 1. 深度学习框架实现了自动微分机制,可以自动生成计算图,并记录运算过程。 2. 在计算图中,每个变量都是计算节点,变量之间通过计算操作连接。 3. 框架会跟踪整个计算图,记录每个变量的运算关系和数据流动。 4. 对于要求导数的变量,我们将其标记为要求导 ......

前置芝士 字典树思想 01字典树 AC自动机 对所有的关键词构建Trie前缀树。 为Trie树上的所有节点构建fail失配指针。 第一步，对所有的关键词构建Trie前缀树。这一步利用Trie的特点构建快速前缀查找结构，trie树的特点是可以从字符串头部开始匹配，并且相同前缀的词共用前面的节点，因此它 ......

import torch from torch import nn from d2l import torch as d2l 1964 年提出的 Nadaraya-Watson 核回归模型是一个简单但完整的例子，可以用于演示具有注意力机制的机器学习。 10.2.1 生成数据集 根据下面的非线性函数生 ......

默认情况下，调用求和函数会沿所有的轴降低张量的维度，使它变为一个标量。 x = torch.arange(4, dtype=torch.float32) x, x.sum() (tensor([0., 1., 2., 3.]), tensor(6.)) 我们还可以指定张量沿哪一个轴来通过求和降低维度 ......

[root@iZ23yjstltcZ ~]# cat /home/log_zip.sh #!/bin/bash #将日志压缩为带日期的zip包date=`date +%Y-%m-%d`cd /home/admin/logsfor i in `ls`dozip -r -9 $i.$date.zip $ ......