前言 Docker 从2013年火起来到现在才第十个年头. 现在已经被Google的K8S打的没有任何还手之力. 随着K8S放弃支持docker,仅支持containerd的方式. 直接导致docker变得更加可有可无. 不过他还是挺好有, 挺值得把玩的一套部署方式. 但是发布频率从一年两次, 到一
https://zhuanlan.zhihu.com/p/501536618 深入理解计算机系统（原书第3版） 京东 ¥91.80 去购买 整数主要有三种表示方法：原码、反码、补码，目前的计算机都采用补码表示方法。各种表示方法的定义如下： 原码 第一位表示符号，剩余位表示数值 反码 正数的反码是其
Java进程 OOM的多种情况 摘要 OOM 其实有多种: 第一类是JVM原生自发处理的, 这种也分为多种情况. 1. 堆区使用了比较多,并且大部分对象都还有引用, GC不出来可用内存, 这是要给对象申请较大的内存空间时就会出现OOM的报错. 2. 除了IP 下一条命令指针的内存的区域, 其他任何区
https://my.oschina.net/mengshuai/blog/615333 献给默默无闻，奋斗在第一线的苦逼程序员们！ 起因 无意间翻看了之前在 Evernote 的关于服务器端记录的开发笔记，感触良多。 2009-2010 的上面记录的大多都是关于 Nginx、Apache、MySQ
一、第一种方法 利用time包： import time def test(): start_time = time.time() # 记录程序开始运行时间 s = 0 for i in range(1000000): s += 1 end_time = time.time() # 记录程序结束运行
# kafka的学习之二_kafka的压测与GUI管理 ## 第一部分创建topic ``` cd /root/kafka_2.13-3.5.0 bin/kafka-topics.sh --create --bootstrap-server 10.110.139.184:9093 --command
# ChatGPT学习之_shell脚本一例-查找版本冲突的第三方jar包 ## 背景 ``` 自从换了Java后 产品里面用到了非常多的第三方组建,也就是很多jar包. 产品内的研发规范要求, jar包不能带版本号和snapshot的标识 必须使用原始的文件名, 避免有多个版本导致java类加载器
前言 K8S 性能优化系列文章，本文为第三篇：Kubernetes 大型集群 CIDR 配置最佳实践。 系列文章： 《K8S 性能优化 - OS sysctl 调优》 《K8S 性能优化 - K8S APIServer 调优》 CIDR 配置 在安装大型集群或将现有的集群扩展到较大规模时，在安装集群
前言 K8S 性能优化系列文章，本文为第二篇：Kubernetes API Server 性能优化参数最佳实践。 系列文章： 《K8S 性能优化 - OS sysctl 调优》 参数一览 kube-apiserver 推荐优化的参数如下： --default-watch-cache-size：默认值
前言 K8S 性能优化系列文章，本文为第一篇：OS sysctl 性能优化参数最佳实践。 参数一览 sysctl 调优参数一览 # Kubernetes Settings vm.max_map_count = 262144 kernel.softlockup_panic = 1 kernel.sof
本文为系列文章-Grafana GaC(Grafana 即代码） 的第二篇 - Grafana Terraform Provider 基础。
对于反义疑问句： # 1.反义疑问句语法规则 第一个知识点是：在反义疑问句中，前面肯定描述，反义就是否定去问；前面否定描述，反义就是肯定去问。 简单记忆口诀就是“前肯后否，前否后肯”，举例来说： ```shell He is a teacher, isn't he? 他是一名教师，不是吗？ He i
# 背景 本篇是c3p0连接泄露问题的第二篇，在前面一篇里面，大体介绍了问题，问题就是，我们发现线上服务不响应的原因是拿不到连接。而为啥拿不到连接呢，因为空闲链表为空，那么为什么空闲链表为空呢？ 这个我一开始的猜测就是，估计是某处代码从连接池里获取了连接，用完了没有归还，那么，怎么才能找到这些罪恶的
编译自官方文档。 第 1 步：获取 Kafka 下载最新版本（当前为 v3.3.1）的 Kafka 并解压： $ tar -xzf kafka_2.13-3.3.1.tgz $ cd kafka_2.13-3.3.1 第 2 步：启动 Kafka 环境 注意：本地环境必须安装了 Java 8+。 A
日常数据清洗中，利用python清洗的第一步就是读取对应文件，今天一起复盘一下数据读取环节的常规操作。 csv和xlsx格式读取类似，所以用csv做案例 X-MIND图
Python 缺失值的检测与处理，分两部分笔记，第一部分是检测缺失值部分
https://www.cnblogs.com/simone331/p/17218019.html 在上一篇中，我们计算了两点的距离（链接为上篇文章），但是具体业务中，往往会存在一次性计算多组，上百甚至上千的距离。 所以我们需要利用python函数，批量去处理和传参，批量计算距离。前面的操作去第一篇
本文通过people_daily_ner数据集，介绍两段式训练过程，第一阶段是训练下游任务模型，第二阶段是联合训练下游任务模型和预训练模型，来实现中文命名实体识别任务。 一.任务和数据集介绍 1.命名实体识别任务 NER（Named Entity Recognition）和Pos（Part-of-S
虽然Llama2的预训练数据相对于第一代LLaMA扩大了一倍，但是中文预训练数据的比例依然非常少，仅占0.13%，这也导致了原始Llama2的中文能力较弱。为了能够提升模型的中文能力，可以采用微调和预训练两种路径，其中： 微调需要的算力资源少，能够快速实现一个中文Llama的雏形。但缺点也显而易见，
ChatGLM2-6B是开源中英双语对话模型ChatGLM-6B的第2代版本，引入新的特性包括更长的上下文(基于FlashAttention技术，将基座模型的上下文长度由ChatGLM-6B的2K扩展到了32K，并在对话阶段使用8K的上下文长度训练)；更高效的推理(基于Multi-QueryAtte
