logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

docker学习总结:Error response from daemon …… request canceled while waiting for connection

刚安装完docker,执行docker -v 等等命令都没有问题,但是尝试简单例子的时候:docker run hello-world报错:Unable to find image 'hello-world:latest' locallydocker: Error response from daemon: Get https://registry-1.docker.io/v2/...

docker学习总结:启动失败,报错:unable to configure the Docker daemon with file

ubuntu14.04 安装docker,照着步骤来,不知怎么就启动失败:sudo service docker start报错:start: Job failed to start查看日志:/var/log/upstart/docker.log,显示以下错误:unable to configure the Docker daemon with file /etc/doc...

docker 启动报错:Docker.Core.Backend.BackendException: Error response from daemon: open \\.\pipe\docker_e

win10 docker启动后报错:Docker.Core.Backend.BackendException:Error response from daemon: open \\.\pipe\docker_engine_linux: The system cannot find the file specified.在win10 命令行提示符执行:Net stop com.doc...

win10 anaconda 安装tensorflow 2.x 使用报错:has no attribute 'populate_dict_with_module_objects'

如题,在win10下,anaconda 环境里用pip安装好tensorflow2.x 最新版本,安装成功,但是import报错module 'tensorflow.python.keras.utils.generic_utils' has no attribute 'populate_dict_with_module_objects'到官网下载2.0版本:https://pypi.o...

自然语言处理:bert 用于问答系统

原文:Question Answering with a Fine-Tuned BERTWhat does it mean for BERT to achieve “human-level performance on Question Answering”? Is BERT the greatest search engine ever, able to find the answer to..

消息队列 pulsar 架构学习

转自:comparing-pulsar-and-kafka-how-a-segment-based-architecture-delivers-better-performance-scalability-and-resiliencePulsar 基础架构一个pulsar 集群由两层构成:无状态的服务层,由多个brokers组成,负责发送和接受消息有状态的持久化层,由多个BookKeeper存储节

zookeeper学习:kafka nohup: failed to run command `java': No such file or directory

找不到java确认JAVA_HOME环境变量的值后,在zkServer.sh文件开头处加入:export JAVA_HOME=/usr/lib/jdk// 改为自己服务器的jdk目录export PATH=$JAVA_HOME/bin:$PATH参考:https://stackoverflow.com/questions/20791846/zookeeper-not-sta...

#zookeeper
GRU(Gate Recurrent Unit,门控循环单元)结构

GRU类似LSTM,也是为了解决RNN长期记忆的梯度消失问题LSTM有三个不同的门,参数较多,训练困难。GRU只含有两个门控结构,调优后相比LSTM效果相差无几,且结构简单,更容易训练,所以很多时候会更倾向于使用GRU。GRU在LSTM的基础上主要做出了两点改变 :(1)GRU只有两个门。GRU将LSTM中的输入门和遗忘门合二为一,称为更新门(update gate),控制前边记...

folly 开源库源码学习:concurrency / ConcurrentHashMap.h

ConcurrentHashMap.h1、介绍高性能并发哈希map大部分读操作无等待写操作共享(细粒度锁)多线程性能仅次于无锁原子map(AtomicHashMap等),除非事先知道map大小且不需要erase,否则应选ConcurrentHashMap基于java 的Java's ConcurrentHashMap,性能上接近std::unodered_map2...

Datawhale 计算机视觉基础-图像处理(上)-Task05 图像分割/二值化

简介该部分的学习内容是对经典的阈值分割算法进行回顾,图像阈值化分割是一种传统的最常用的图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。它特别适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量,而且也大大简化了分析和处理步骤,因此在很多情况下,是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。图像阈值化的目的是要按照灰度级.

    共 14 条
  • 1
  • 2
  • 请选择