configmap笔记secret k8s
学习笔记437—excel表格中向上取整数的公式
EXCEL表格中向上取整数的公式 1、打开EXCEL表格，在表格中输入数据。 2、在计算单元格内输入函数公式“=ROUNDUP(B16/40,0)”，第二个参数0，即是往上舍入取整数。 3、按下回车，表格里计算的数据全部向上舍入取整数。 ......
k8s的云原生应用部署-mysql和wordpress
在已经建立有k8s集群的前提下，使用deploy，部署一个单独pod的单点mysql，部署一个4pod的wordpress应用。
应用的数据库使用mysql，mysql和应用都做集群外服务暴露。
通过该应用部署的练习，了解中等难度应用程序如何做云原生状态下的部署，并掌握以下k8s资源-APIServ... ......
2023年10月份阅读笔记2
本次阅读的是《构建之法》 第五章 团队和流程 5.2 软件团队的模式 主治医师模式、明星模式、社区模式、业余剧团模式、秘密团队、特工团队、交响乐团模式、爵士乐模式、功能团队模式、官僚模式 5.3 开发流程 ①写了再改模式 ②瀑布模型（Waterfall Model） 是一个项目开发架构，开发过程是通 ......
InterLM训练营 第一课笔记
大模型在ChatGPT发布之后，成为今年最热的话题与研究方向，也有人把今年称为AI元年 通用大模型 书生·浦语大模型 开源历程 书生·浦语大模型系列 性能 从模型到应用 针对上述的步骤中所用到的不同技术，提供了不同的开源框架 数据 预训练 微调 评测 OpenCompass 部署 智能体 Lagen ......
隧道转发笔记2
在192.168.1.206 上执行 ssh -fN -D 0.0.0.0:8888 root@192.168.1.207 将报文转发到207 在207 上设置ssh 允许动态转发 vim /etc/ssh/sshd_config 确保以下行没有注释（没有 "#" 符号），或者将其添加进去： All ......
深度学习笔记_Week1
本笔记基于吴恩达深度学习deeplearning.ai课程 第二周：神经网络的编程基础 神经网络的训练过程可以分为前向传播和反向传播两个独立的部分 2.1 二分类(Binary Classification) 所谓二分类问题，可以参照以下例子 假如你有一张图片作为输入，比如这只猫，如果识别这张图 片 ......
CMake 学习笔记
CMake 学习笔记 CMake 已经是 C++ 构建系统的事实标准。 主要是对小彭老师的 C++ 视频课程中 CMake 相关部分的一些笔记和整理，视频链接如下 学 C++ 从 CMake 学起 现代 CMake 高级教程 包含视频中的代码和 PPT 的仓库见以下链接 https://github ......
读书笔记二
进程和线程:进程和线程都是一个时间段的描述，是CPU工作时间段的描述，不过是颗粒大小不同.进程就是包换上下文切换的程序执行时间总和 = CPU加载上下文+CPU执行+CPU保存上下文.线程是共享了进程的上下文环境的更为细小的CPU时间段。 判别式模型和生成式模型: 判别式模型直接学习决策函数f(X) ......
读书笔记
《算法之美》这本书为我打开了计算机科学和算法设计的奇妙大门，引领我走进了一个充满智慧和创造力的世界。在这本书中，作者讲述了许多关于算法的精妙之处，让我对计算机科学有了更深层次的理解。首先，书中深入浅出地介绍了各种算法的原理和应用，以生动的例子和清晰的解释，使得那些抽象的概念变得具体而易懂。通过分析不 ......
简易机器学习笔记（八）关于经典的图像分类问题-常见经典神经网络LeNet
前言 图像分类是根据图像的语义信息对不同类别图像进行区分，是计算机视觉的核心，是物体检测、图像分割、物体跟踪、行为分析、人脸识别等其他高层次视觉任务的基础。图像分类在许多领域都有着广泛的应用，如：安防领域的人脸识别和智能视频分析等，交通领域的交通场景识别，互联网领域基于内容的图像检索和相册自动归类， ......
vue学习笔记2024
《Vue.js从入门到项目实战》 孙鑫v-bind用于响应式地更新HTML属性，v-on用于监听DOM事件,变量需要引号引起来v-if是彻底没有v-的命令需要把变量用引号引起来，插值{{}}则不需要v-if和v-for在同一个元素上使用时，v-if优先级高于v-for，意味着v-if不能访问v-fo ......
小傅哥设计模式学习笔记
小傅哥网站：https://bugstack.cn/md/develop/design-pattern/2020-06-11-%E9%87%8D%E5%AD%A6%20Java%20%E8%AE%BE%E8%AE%A1%E6%A8%A1%E5%BC%8F%E3%80%8A%E5%AE%9E%E6%8 ......
简易机器学习笔记（七）计算机视觉基础 - 常用卷积核和简单的图片的处理
前言 这里实际上涉及到了挺多有关有关理论的东西，可以详细看一下paddle的官方文档。不过我这里不过多的谈有关理论的东西。 【低层视觉】低层视觉中常见的卷积核汇总 图像处理中常用的卷积核 在代码中，我们实际上是用不同的卷积核来造成不同的影响，我这里也是paddle中对于卷积核的几个比较简单的应用。 ......
DSU on tree 学习笔记
DSU on tree 通常用来解决不带修树上子树问题。 主要思想： 剖分。 先搜轻儿子，记录轻儿子子树的答案，删去轻儿子的贡献。 搜重儿子，记录重儿子子树的答案，保留重儿子的贡献。 回溯，重新搜轻儿子，把轻儿子子树的贡献加上，构成本子树的答案。 CF600E Lomsat gelral #incl ......
ARC 做题笔记
ARC157 A. XXYYX 观察一些性质。注意到 \(\texttt{XY}\) 和 \(\texttt{YX}\) 会产生当且仅当 \(\texttt{X}\) 和 \(\texttt{Y}\) 的连续段交错，因此 \(|b-c|=1\)。然后特判掉 \(a\neq 0,b=0,c=0,d\n ......
k8s+kubeedge+sedna安装全套流程+避坑指南+解决办法
https://blog.csdn.net/MacWx/article/details/130200209?utm_medium=distribute.pc_relevant.none-task-blog-2~default~baidujs_baidulandingword~default-8-13 ......
DNS笔记
域名 因为访问网站时，很难记住对应网站的IP地址，所以使用域名来代替IP地址，使用户更加方便的访问网站。 DNS服务器的作用就是将IP地址与域名进行映射，使用户可通过域名得到到对应的IP，然后进行访问。 域名从右到左依次为顶级域名（一级域名）、二级域名、三级域名、四级域名、等等(通常域名层级不超过三 ......
Python笔记
学习Python时做的笔记，主要参考： B站小飞有点东西：https://space.bilibili.com/1803865534 董付国老师的《Python程序设计》教材 第一章、Python概述 1.1 扩展库安装方法（了解即可） 使用pip命令安装扩展库。 在cmd命令行中输入pip，回车后 ......
Liunx笔记
这篇笔记我是在学习Linux过程中的笔记，参考自： B站韩顺平老师的课程Linux 黑马程序员的《Linux系统管理与自动化运维》教材 第一章 文件目录结构 一、基本介绍 Linux 的文件系统是采用级层式的树状目录结构，在此结构中的最上层是根目录“/ ”，然后在此目录下再创建其他的目录。 记住一句 ......
Qt+数据库学习笔记（一）WIN10+Qt5.15.2 MinGW 32-bit+MySQL5.7.44编译MySQL5.7驱动插件
前言： 因项目需要，需要使用Qt连接MySQL数据库。程序编写电脑上使用的是Win10 64位系统，程序运行电脑上使用的是Win7 32位系统。 一、下载及安装MySQL5.7 1、地址：MySQL官网 点击DOWNLOADS 2、点击MySQL Community(GPL) Downloads 3 ......
转载：大模型所需 GPU 内存笔记
转载文章：大模型所需 GPU 内存笔记 引言 在运行大型模型时，不仅需要考虑计算能力，还需要关注所用内存和 GPU 的适配情况。这不仅影响 GPU 推理大型模型的能力，还决定了在训练集群中总可用的 GPU 内存，从而影响能够训练的模型规模。 大模型推理的内存计算只需考虑模型权重即可。 大模型训练的内 ......
2023年10月份阅读笔记一
这篇文章是十月份第一篇阅读笔记，阅读书籍是《构建之法》 第一章 概论 在这一章中，作者为我们介绍了一些关于软件工程的基本知识。 ①软件=程序+软件工程：正是因为对软件开发活动（构建管理、源代码管理、软件设计、软件测试、项目管理）相关的内容的完成，才能完成把整个程序转化成为一个可用的软件的过程。 扩展 ......
简易机器学习笔记（六）不同优化算法器
前言 我们之前不是说了有关梯度下降公式的事嘛，就是那个 这样梯度下降公式涉及两个问题，一是梯度下降的策略，二是涉及到参数的选择，如果我们选择固定步长的时候，就会发现我们求的值一直在最小值左右震荡，很难选择到我们期望的值。 假设上图中，x0为我们期望的极小值，yB = xA - yA'xA的时候，xB ......
机器学习笔记（五）更换损失函数：交叉熵
前言 我们之前用的是均方差作为我们神经网络的损失函数评估值，但是我们对于结果，比如给定你一张应该是0的照片，它识别成了6，这个时候这个均方差表达了什么特别的含义吗？显然你识别成6并不代表它比识别成1的情况误差更大。 所以说我们需要一种全新的方式，基于概率的方案来对结果进行规范。也就是我们说的交叉熵损 ......
Python笔记二之多线程
本文首发于公众号：Hunter后端 原文链接：Python笔记二之多线程 这一篇笔记介绍一下在 Python 中使用多线程。 注意：以下的操作都是在 Python 3.8 版本中试验，不同版本可能有不同之处，需要注意。 本篇笔记目录如下： 概念 多线程的使用示例 daemon run() 线程对象的 ......
概率论复习笔记
$X$代表随机变量，$x$是具体的值。 规定：连续型随机变量取任意指定值的概率为$0$，即：$P(X=a)=0$ 概率密度函数$f(x)$ 某个邻域内概率的变化快慢。概率密度函数的值是概率的变化率，概率密度函数的面积才是概率。 于是可以得知$(a,b]$的概率：$P(a<X\le b)=\int_a ......
改进搜索算法框架学习笔记
用途：主要用来解决不能写出解析解的、但有可微目标函数、约束条件的问题求解。 步骤： 获得初始解 基于初始解获得当前位置的梯度——找改进迭代方向 邻域内目标函数变化约等于步长*(梯度与实际改变向量的内积)。如沿梯度方向改变则约等于步长*梯度的二范数。梯度点乘改变向量可用于判断改变是增大还是缩小目标函数 ......
代码大全读书笔记01
第一次看《代码大全》的时候，收获并不大。当第二次在项目中，应用到代码大全的知识。Debug的时候、重构代码的时候，写伪代码的时候，将代码写在一个个的子程序中的时候。似乎对书中的知识理解的透彻很多。 将代码写在子程序的另外一个好处是，有时候你会发现以前没有发现过的事物的本质。——>你对程序理解的更加透 ......