Python
vim 安装插件，并配置vim conig
neovim 安装插件，并配置vimconig 1. vim 安装 参考这里 2. 插件包管理器安装 Vundle是vim的一个插件管理器， 同时它本身也是vim的一个插件。插件管理器用于方便、快速的安装、删除、Vim更新插件。vim Vundle插件官方地址：https://github.com/VundleVim/Vundle.vim 下载Vundle插件 配置说明： 插件有三种类型:
Python - Anti-Patterns
These are common programming practices that, while not necessarily wrong, often lead to less efficient, less readable, and less maintainable code. By understanding these pitfalls, you can wr
PEP 508：为不同版本Python指定不同依赖
问题背景 有些常用的第三方包，在Python中支持的版本是不一致的。例如常用的numpy，在Python3.7中仅支持到1.21版本，其他Python版本可以支持到1.22版本以上，甚至现在的2.0版本以上。有一个问题是，在有些Cython的使用场景中，numpy==1.22的版本有可能出现报错ImportError: numpy.core.multiarray failed to import。
PyJWT 和 python-jose 在处理JWT令牌处理的时候的差异和具体使用
PyJWT 和 python-jose 是两个用于处理 JSON Web Tokens (JWT) 的 Python 库。它们都有助于生成、解码、验证和管理 JWT，但它们在功能范围和设计哲学上有一些重要的区别。本篇介绍它们之间的一些差异，以及在项目中使用FastAPI+ python-jose 来处理访问令牌的生成以及一些例子代码供参考。 1、PyJWT 和&nbs
使用xinference部署自定义embedding模型（docker）
使用xinference部署自定义embedding模型（docker） 说明： 首次发表日期：2024-08-27 官方文档： https://inference.readthedocs.io/zh-cn/latest/index.html 使用docker部署xinference 构建镜像 参照 https://inference.readthedocs.io/zh-cn/latest
每天那么多工作，我为什么能做到 "不忘事" ？
大家好，我是程序员鱼皮。 我相信很多朋友都遇到过丢失工作、或者忘记事情的情况，尤其是事情一多，就更容易遗漏；而如果在工作中你漏掉了某项任务，需要上级或同事重复提醒你，是很影响别人对你的印象的。 那么如何解决这个问题呢？我有一些自己的经验。 像我自己从大学时期就非常繁忙，学习、项目、竞赛、社团，每天东跑西跑；毕业之后在鹅厂工作，同时负责多个项目和模块，也导致要同时处理多个需求和任务；再到现在自己开公
源代码编译，Apache DolphinScheduler前后端分离部署解决方案
转载自神龙大侠 生产环境部署方案 在企业线上生产环境中，普遍的做法是至少实施两套环境。 测试环境 线上环境 测试环境用于验证代码的正确性，当测试环境验证ok后才会部署线上环境。 鉴于CI/CD应用的普遍性，源代码一键部署是必要的。 本文是探索对DolphinScheduler源代码改造，构建测试，线上双环境一键部署和上线。 同时，我对dolphinscheduler-api进行改造，使得前端
Yolov5模型训练+转ncnn模型
YOLOv5及环境安装 打开yolov5开源地址：https://github.com/ultralytics/yolov5 可根据自身要求下载对应版本（无要求可跳过）： 下载： 下载完成安装依赖包： 如需使用显卡进行训练需按照显卡版本安装部分依赖包（CPU训练可跳过）： 这两个包注掉，然后根据显卡版本安装依赖 在cmd获取显卡版本： 根据显卡版本下载 PyTorch
AI agent里的长期记忆和短期记忆
AI Agent 是时下热门的一个方向，在 OpenAI 应用研究主管 LilianWeng 写的万字长文中[1]，她提出 Agent = LLM+ 记忆 + 规划技能 + 工具使用。 图1 Overview of a LLM-powered autonomous agent system 组件二：记忆 我们可以将上下文学习（context）看成是利用模型的短期记忆（也就是
第九章 动态规划Part9
目录任务188. 买卖股票的最佳时机 IV思路309. 买卖股票的最佳时机含冷冻期思路714. 买卖股票的最佳时机含手续费思路 任务 188. 买卖股票的最佳时机 IV 给你一个整数数组 prices 和一个整数 k ，其中 prices[i] 是某支给定的股票在第 i 天的价格。 设计一个算法来计算你所能获取的最大利润。你最多可以完成 k 笔交易。也就是说，你最多可以买 k 次，卖 k 次。 注
一种PyInstaller中优雅的控制包大小的方法
PyInstaller会在打包时自动为我们收集一些依赖项，特别是我们在打包PyQt/PySide相关的应用时，PyInstaller会自动包含我们程序通常不需要的文件，如'tanslations'文件夹，'plugins/imageformats'等，通常这些文件会使我们最终的exe文件变大。在网上没有找任何好的方法来排除这些文件，从这个Issue https://github.com/pyins
线性规划单纯形求解理论
线性规划（Linear Programming, LP）是优化理论中用于在给定约束条件下最大化或最小化线性目标函数的一种数学方法。线性规划的最优解总是出现在可行域的顶点上，这是因为目标函数在可行域内的变化是线性的，因此在顶点处函数的值可能达到极值（最大或最小）。求解线性规划问题的常用方法之一是单纯形法（Simplex Method），其主要思路是从一个可行解开始，通过沿着可行域边界在顶点之间移动，
KingbaseES RAC 部署案例之---单节点部署案例
案例说明： KingbaseES RAC 在单节点上部署。 适用版本： KingbaseES V008R006C008M030B0010 操作系统： 集群节点信息： 一、系统环境准备 如下所示磁盘环境： 二、部署和配置RAC 1、安装数据库软件 2、创建集群部署目录 如下所示，进入数据库软件部署目录，执行集群脚本，默认创建"/opt/KingbaseHA"目录： 3、集群部署配置 4
C++ opencv 将图片从HWC转CHW数据格式
1. opencv的读取格式 众所周知，opencv读取图片后，在内存中数据是以HWC的顺序进行排列的，但是在深度学习模型中，一般需要将其转为CHW格式（准确来说是NCHW）再进行推断。 在python中，opencv读取后的数据类型是numpy的ndarray，这个时候只要调用numpy的transpose方法就可以解决了： 然而，在python中就没这么简单了，虽然在opencv 4.6
Python - Distributed Systems Patterns
Technical requirements • Install Flask and Flask-Limiter, using python -m pip install flask flask-limiter• Install PyBreaker, using python -m pip install pybreaker • The Throttling pattern Thro
磁盘I/O性能优化示例
磁盘I/O性能优化通常涉及多个层面，包括操作系统层面的设置、数据库配置调整、以及应用层面的代码优化。由于直接操作磁盘I/O的代码通常较为底层且依赖于具体的系统和库，我将给出一些更通用的指导原则和示例，这些示例可以在不同程度上提升磁盘I/O性能。 1. 操作系统层面的优化 a. 调整文件系统挂载选项 对于Linux系统，可以通过修改/etc/fstab文件或使用mount命令来调整文件系统的挂载选项
RE入门第三天---TEA算法
OK，老规矩，先复习一下昨天的内容 ..... 几分钟就复习了，直接开干今天的内容 先找大佬的wp 来源： TEA系列加密解密 | Gruge's Blog (g2uge.github.io) 一.TEA加密解密简介 在密码学中，微型加密算法（Tiny Encryption Algorithm，TEA）是一种易于描述和执行的块密码，通常只需要很少的代码就可实现。 代码的特点： 加密使用的数据为
解决方案 | Python标准库有哪些？根据官方文档智能识别提取出来的。
判断某个库是不是标准库，只需要在本网页ctrl+F,搜索关键词即可 根据提供的PDF文件内容，Python标准库是与Python语言一同发行的一系列模块和组件。这些模块和组件覆盖了广泛的功能，包括但不限于文件I/O、文本处理、数据类型、网络通信等。以下是从文件中提取的Python 3.11.5版本标准库的列表： 内置函数和常量：内置函数、内
python 08-机器学习入门-Anaconda安装
一、机器学习中常用的包 NumPy：用于数值计算的包，提供了多维数组对象和一系列数学函数 Matplotlib：用于绘制图表的库，可以创建各种静态、动态和交互式的图表 Pandas: 提供了高性能、易于使用的数据结构和数据分析工具 Scikit-learn: 是Python重要的机器学习库。其包括分类、回归、降维和聚类四大机器学习算法，还包括了特征提取、数据处理
输出(日志) 重定向到文件 在文件中查找特定日志信息
1 重定向输出到文件： 你可以在执行Python脚本时将输出重定向到一个文件，例如 output.log，使用以下命令： 这里的 > output.log 将标准输出重定向到 output.log 文件，2>&1 将标准错误重定向到标准输出，这样所有输出内容都会被保存到&nb
freeswitch python 模块Demo
freeswitch python 模块Demo 说明： 首次发表日期：2024-08-26 freeswitch相关文档： https://developer.signalwire.com/freeswitch/FreeSWITCH-Explained/Modules/mod_python_1048940/ 注意：我将freeswitch安装在/opt/freeswitch目录，文件或目录地
KNN算法 数学0基础小白也能懂(附代码)
KNN算法 数学0基础小白也能懂(附代码) 原文链接 1.K近邻是啥 1968年，Cover 和 Hart 提出了最初的近邻法，思路是——未知的豆离哪种豆最近，就认为未知豆和该豆是同一种类。 近邻算法的定义：为了判定未知样本的类别，以全部训练样本作为代表点计算未知样本与所有训练样本的距离，并以最近邻者的类别作为决策未知样本类别的唯一依据。 说人话就是，看这玩意离哪个东西距离最近，越近越像。 最近
提出正确的问题：在新任务中训练 T5 Transformer 模型
自从 T5（文本到文本传输转换器）问世以来，一直渴望尝试它，早在 2019 年 10 月（已经有几个月了）。我弄乱了几次来自 Google 的开源代码，但我从未设法让它正常工作。其中一些有点超出我的脑海（Tensorflow 😫），所以我想我会等待 Hugging Face 来救援！与往常一样，Transformers 实现更易于使用，我对其进行了调整以用于 Simple
Linux C++ 开发5 - 一文了解CMake构建
1. 什么是CMake？ 1.1. CMake的定义 1.2. CMake有哪些优势？ 1.3. CMake 的特点 1.4. Cmake 、CMakeLists.txt 、Make 、Makefile 之间的关系 2. 应用案例 2.1. 项目概述 2.2. CMakeLists.txt 2.2.1. 基本用法 2.2.2. 完整内容 2.2.3. 构建执行 上一篇《Lin
使用 T5 Transformer 进行多任务处理的指南
T5 （Text-to-Text Transfer Transformer） 模型是为探索迁移学习的局限性而进行的一项大规模研究（论文）的产物。它建立在 GPT、BERT 和 RoBERTa（仅举几例）模型等流行的架构之上，这些模型利用迁移学习取得了令人难以置信的成功。虽然类似 BERT 的模型可以进行微调以执行各种任务，但架构的约束意味着每个模型只能执行一项任务。 通常，这是通过在 Transf
AutoGPT理念与应用
简介 在 ChatGPT 问世之后，大家很容易就发现其依然具备一些很难解决的问题，比如： Token 超出限制怎么办？（目前最新的 GPT4 支持最多 8,192 tokens）。 如何完全自动化？任务需要多步串联，仍需要人工介入。 如何集成外部能力？比如搜索，运行脚本、爬取网站等等。 无法获取最新数据怎么办？最新的 GPT4 的训练数据时效为 Sep 2021。 而 AutoGPT 的目标就
【综合评价方法】常见综合评价方法及其实现
@目录1.数据预处理1.1 区分指标的属性1.2 指标正向化1.2.1 负向指标1.2.2 中间指标1.2.3 区间指标1.3 标准化1.3.1 Z-score 标准化1.3.2 Min-max 标准化1.3.3 Robust 标准化1.3.4 归一化2.模糊评价法（主观）(not recommended)3.层次分析法（主观）(not recommended)4.PCA主成分分析法（客观）4.1