JWT是一种用户认证机制，服务器在用户登录后生成加密令牌，前端存储该令牌并用于后续请求验证。具体流程：1.后端验证登录信息后生成含用户数据的JWT并返回；2.前端将JWT存入浏览器本地存储（如localStorage）；3.后续请求通过拦截器自动附加JWT至请求头。令牌可解码获取用户信息，过期后需重新登录。该方案实现无状态认证，适用于前后端分离架构。

简单来说，在Vue 项目中，文件是一个可选的配置文件，它允许开发者自定义项目的各种设置，以满足特定需求。更详细的介绍本博客只介绍如何在此全局配置url。

在run——edit configuation这里，并且点开需要编辑的脚本。里面，需要先检查pycharm有没有指定启动方式——选择了一个之后会自动地出现在下面。如果没有的话，需要选上启动方式。

深度学习模型训练加速技术综述 随着模型规模扩大，训练面临四大瓶颈：IO、计算、显存和通信。针对这些问题，文中提出了一系列优化方案： IO优化：采用数据预取、固定内存和ZeroCopy技术减少数据传输延迟；权重分片和按需加载缓解显存压力。 2.计算优化：通过算子融合减少显存访问；混合精度训练提升计算效率；编译优化合并算子执行。 3.显存优化：重计算技术选择性保存中间结果，大幅降低显存消耗。 4.通信

温度，是 softmax 中的一个缩放因子。你可以把 logits 除以一个温度值 TT 后再传给 softmax：当 T=1T = 1：模型按默认方式工作 —— 平衡输出，理性回答。当 T>1T > 1：高温会“软化” logits 分布，使得概率变得更加平均，低概率的词有更多机会被选择。输出更多样、更具想象力。当 T<1T < 1：低温会“强化” logits 差异，使得概率更加集中，模型只信

深度学习模型训练加速技术综述 随着模型规模扩大，训练面临四大瓶颈：IO、计算、显存和通信。针对这些问题，文中提出了一系列优化方案： IO优化：采用数据预取、固定内存和ZeroCopy技术减少数据传输延迟；权重分片和按需加载缓解显存压力。 2.计算优化：通过算子融合减少显存访问；混合精度训练提升计算效率；编译优化合并算子执行。 3.显存优化：重计算技术选择性保存中间结果，大幅降低显存消耗。 4.通信

温度，是 softmax 中的一个缩放因子。你可以把 logits 除以一个温度值 TT 后再传给 softmax：当 T=1T = 1：模型按默认方式工作 —— 平衡输出，理性回答。当 T>1T > 1：高温会“软化” logits 分布，使得概率变得更加平均，低概率的词有更多机会被选择。输出更多样、更具想象力。当 T<1T < 1：低温会“强化” logits 差异，使得概率更加集中，模型只信