一、介绍 最近没事干，就用闲暇时间写点东西，也记录一下温习历程。老人说的好，好记性，不如烂笔头。时间一长，当时记忆的再清楚，都会变得模糊，索性就写博客记录下来，如果下次需要，直接打开博客就找到了，不用去网上乱找了。 今天我要写一些有关反射创建类型实例和调用方法的文章，泛型的类型的创建和泛型方法的调用
MySQL 数据库 DDL 差异对比的网站 摘要 新做了个网站，用来对比不同环境下的 DDL 差异，生成变更点和 迁移 DDL 网站地址：https://ddlcompare.com/ 对比过程中如果有问题，可以通过邮箱联系我 huiyuanai709@gmail.com，下班后我会密集的修一波 b
经常有小伙伴对一些计算机技术和概念不太清楚，产生很多误区，甚至张冠李戴，在一起聊天时又很难给对方解释清楚，经过苦思冥想，终于想到一些比喻，能够很好地阐述了“硬件、操作系统、跨平台、应用软件、开发语言、代码”之间的关系。 硬件 陆地（Intel）与海洋（AMD）：硬件就像是一个广阔的自然环境，其中In
本文分享自华为云社区《【昇思25天学习打卡营打卡指南-第二十四天】基于 MindSpore 实现 BERT 对话情绪识别》，作者：JeffDing。 模型简介 BERT全称是来自变换器的双向编码器表征量（Bidirectional Encoder Representations from Trans
目录openStack对接ceph1. cinder对接ceph1.1 ceph创建存储池1.2 ceph授权1.3 下发ceph文件1.4 修改globals文件1.5 部署cinder1.6 创建卷null2. nova对接ceph2.1 创建卷2.2 更新cinder权限2.3 修改globa
最近想要对一些时变的变量进行可视化，搜索来搜索去选择了使用gnuplot这个工具。 sudo apt-get install gnuplot sudo apt-get install gnuplot-x11 # 使其支持linux终端 这样就安装完gnuplot了。接着可以在命令行中键入gnuplo
DPP能够对目标检测proposal进行非统一处理，根据proposal选择不同复杂度的算子，加速整体推理过程。从实验结果来看，效果非常不错 来源：晓飞的算法工程笔记 公众号 论文: Should All Proposals be Treated Equally in Object Detectio
灰色预测是对时间有关的灰色过程进行预测。通过建立相应的微分方程模型，从而预测事物未来发展趋势的状况。 由于笔者的水平不足，本章只是概括性地介绍GM（1，1）模型的理论原理，便于对初学者的初步理解 目录一、灰色系统二、GM(1,1)灰色预测模型1.生成累加数据与紧临均值生成序列2.建立预测方程与参数估
如果你对k8s还不了解，可以看下前文 k8s 实战 1 初识 （https://www.cnblogs.com/jilodream/p/18245222） 什么是pod，pod在英文中是豌豆荚、分离仓、集装箱的意思。在k8s中，pod就是融合一堆容器实例的一个大容器（称之为集合更贴切）。K8s所能部
Go 如何对多个网络命令空间中的端口进行监听 需求为 对多个命名空间内的端口进行监听和代理。 刚开始对 netns 的理解不够深刻，以为必须存在一个新的线程然后调用 setns(2) 切换过去，如果有新的 netns 那么需要再新建一个线程切换过去使用，这样带来的问题就是线程数量和 netns 的数
笔者在最近的项目开发中，遇到了两个父子关系紧密相关的场景：评论树结构、部门树结构。具体的需求如：找出某条评论下的所有子评论id集合，找出某个部门下所有的子部门id集合。
sed命令是用于对文本文件做内容操作的神器，常见的增删改都可以，熟练运用可提高shell脚本编写能力和在terminal下的工作效率。
背景 前面写了一篇，k8s集群搭建及对一些组件的简单理解（一），主要讲了下背景和对一些组件的理解。 今天讲一下正式的安装，有网环境的，后续再说下无外网环境纯内网的。 k8s集群节点、组件 控制面节点，一般就是部署了如下组件：etcd、apiserver、kube-scheduler、kube-con
背景 k8s的学习环境（用kubeadm方式搭建），我也搭过几次了，但都有点问题。 要么在云服务器上弄，这个的问题是就只有一台轻量服务器，只能搭个单节点的；后来买了一台便宜的，所以就有了两台，但是不在一个zone，一个是广州，一个是成都，内网不通，感觉搭起来很麻烦，还没试过。 要么是在本机的虚拟机上
进入anaconda prompt，进入对应的虚拟环境 输入jupyter notebook，找到路径和token 这两个随便复制一个，注意是包括token也要复制到 然后打开pycharm，并建立一个jupyter notebook文件 选择下面这个 然后在里面输入刚刚复制的 然后运行一个cell
机器学习方法对多维特征数据进行分类：本文用到非常经典的机器学习方法，使用递归特征消除进行特征选择，使用支持向量机构建分类模型，使用留一交叉验证的方法来评判模型的性能。 构建模型：支持向量机（Support Vector Machine，SVM）； 特征选择：递归特征消除(Recursive Feat
目录编码与加密Base64编码(可逆)十六进制编码（hex.EncodeToString函数）(可逆)哈希算法(不可逆)MD5(不可逆)SHA-256(不可逆)MAC算法(不可逆)加密算法(可逆)对称加密算法(可逆)DES(可逆)AES(可逆)区别非对称加密算法(可逆)RSA(可逆)ECC(可逆)P
（注：本小节不是对划线算法事无巨细的证明，如果你需要更加系统的学习，请跳转至文末的参考部分） 如果你是一名曾经学习过图形学基础的学生，那么你一定对画线算法稔熟于心，中点划线算法，Bresenham算法。其中，现代光栅化器中使用最多的就是Bresenham算法，它以去除了除法和浮点运算而著称。 但如果
Spring AI 已经发布了好长时间了，目前已经更新到 1.0 版本了，所以身为 Java 程序员的你，如果还对 Spring AI 一点都不了解的话，那就有点太落伍了。 言归正传，那什么是 Spring AI？如何快速进行 Spring AI 开发呢？ 1.什么是Spring AI？ Sprin
本文简单对SGIP协议进行了介绍，并尝试用C++实现协议栈，但实际商用发送短信往往更加复杂，可以选择华为云消息&短信服务通过HTTP协议接入。
