在之前的应用部署系列文章里，我们已经介绍过什么是蓝绿部署。如需回顾，点击下方文章链接即可重温。本文我们将会介绍如何使用 Kubernetes 实现蓝绿部署。 应用部署初探：3个主要阶段、4种常见模式 应用部署初探：微服务的3大部署模式 应用部署初探：6个保障安全的最佳实践 前期准备： Kuberne
使用持续部署，提高开放敏捷性并简化软件交付流程。
在Linux工作站上使用KVM创建虚拟机。 首先说下我的需求： 1.其他LAN内的笔记本也可以连接到这些KVM的虚拟机，因此需要配置使用桥接网络 2.创建一个虚拟机，采用最小化安装系统，作为基础模版，供后续快速克隆 Part1 ： 首先，配置桥接网络： 已有的网卡配置文件中，添加一行： BRIDGE
首先，通过现有的vm1「在上篇文章 使用KVM创建OEL虚拟机 已创建」克隆出一个vm，名字叫做db1，然后修改一些配置，使其更适用于Oracle DB的主机。 1.通过克隆vm1生成db1 2.解决virsh console db1 卡住问题 3.修改配置 CPU、内存、磁盘大小 4.配置局域网y
今天去现场帮一个客户排查备份网络速率问题。 用户期望是万兆的速率，但实际上目前只有千兆，因为目前上面运行着数据库，且数据量较大，千兆的备份网络速率不能满足用户备份数据库的时长要求。 首先，确认备份网络是由两块网卡（eth3，eth4）做了bonding，起名为bondeth1。 使用ethtool查
今天跟同事请教项目管理问题时，get到一个项目管理的小技巧，就是使用`甘特图`来制定清晰可量化的项目计划， 简单的甘特图模版下载可参考此网站： - https://www.vertex42.com/ExcelTemplates/simple-gantt-chart.html 或者从本站直接下载： -
# 背景 线上跑了多年的一个网关业务，随着部门的拆分，逐渐有了一个痛点。该网关业务主要处理app端请求，app端发起的请求，采用http协议，post方法，content-type采用`application/x-www-form-urlencoded`，表单中有一个固定的字段，叫功能号，即func
策略模式简介 策略模式（Strategy Pattern：Define a family of algorithms,encapsulate each one,and make them interchangeable.）中文解释为：定义一组算法，然后将这些算法封装起来，以便它们之间可以互换，属于一
学习&转载文章：使用Python的一维卷积 背景 在开发机器学习算法时，最重要的事情之一（如果不是最重要的话）是提取最相关的特征，这是在项目的特征工程部分中完成的。 在CNNs中，此过程由网络自动完成。特别是在早期层中，网络试图提取图像的最重要的特征，例如边缘和形状。 另一方面，在最后一层中，它将能
# 使用c#实现23种常见的设计模式 设计模式通常分为三个主要类别： - 创建型模式 - 结构型模式 - 行为型模式。 这些模式是用于解决常见的对象导向设计问题的最佳实践。 以下是23种常见的设计模式并且提供`c#代码案例`： ## 创建型模式： ### 1. 单例模式（Singleton） ```
本文主要介绍了对句子编码的过程，以及如何使用PyTorch中自带的编码工具，包括基本编码encode()、增强编码encode_plus()和批量编码batch_encode_plus()。 一.对一个句子编码例子 假设想在要对句子'the quick brown fox jumps over a
一.数据集工具介绍 HuggingFace通过API提供了统一的数据集处理工具，它提供的数据集如下所示： 该界面左侧可以根据不同的任务类型、类库、语言、License等来筛选数据集，右侧为具体的数据集列表，其中有经典的glue、super_glue数据集，问答数据集squad，情感分类数据集imdb
评估一个训练好的模型需要评估指标，比如正确率、查准率、查全率、F1值等。当然不同的任务类型有着不同的评估指标，而HuggingFace提供了统一的评价指标工具。 1.列出可用的评价指标 通过list_metrics()函数列出可用的评价指标： def list_metric_test(): # 第4
HuggingFace本身就是一个模型库，包括了很多经典的模型，比如文本分类、阅读理解、完形填空、文本生成、命名实体识别、文本摘要、翻译等，这些模型即使不进行任何训练也能直接得出比较好的预测结果。pipeline是HuggingFace提供的一个非常实用的工具，但是封装程度太高，需要看源码才能理解其
HuggingFace上提供了很多已经训练好的模型库，如果想针对特定数据集优化，那么就需要二次训练模型，并且HuggingFace也提供了训练工具。 一.准备数据集 1.加载编码工具 加载hfl/rbt3编码工具如下所示： def load_encode(): # 1.加载编码工具 # 第6章/加载
本文通过文本分类任务演示了HuggingFace自动模型使用方法，既不需要手动计算loss，也不需要手动定义下游任务模型，通过阅读自动模型实现源码，提高NLP建模能力。 一.任务和数据集介绍 1.任务介绍 前面章节通过手动方式定义下游任务模型，HuggingFace也提供了一些常见的预定义下游任务模
TorchLens：可用于可视化任何PyTorch模型，一个包用于在一行代码中提取和映射PyTorch模型中每个张量运算的结果。TorchLens功能非常强大，如果能够熟练掌握，算是可视化PyTorch模型的一把利剑。本文通过TorchLens可视化一个简单神经网络，算是抛砖引玉吧。 一.定义一个简
[TOC] # 什么是系统的可观测性（Observability） 对软件行业来说，可观测性（Observability）是一个舶来词，出自控制论（Control Theory）。 **可观测性是系统的一个属性**，它是指系统的状态能否被观测，也就是说，系统的状态能否被监控、收集、分析、查询、可视化
[TOC] # 前世今生 ## OpenTracing OpenTracing 项目启动于 2016 年，旨在提供一套分布式追踪标准，以便开发人员可以更轻松地实现分布式追踪。 OpenTracing 定义了一套 Tracing 模型，以及一套 API，用于在应用程序中创建和管理这些数据模型。 下面是
上一篇文章的问题 在上一篇文章 Spring Boot RestController接口如何输出到终端 中讨论了如何使用 HttpSerlvetResponse 写入输出流，使应急接口通过 curl 调用时可以在控制台输出信息，使运维人员知道命令执行情况。 但是上一篇文章的问题是，HttpServl
