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

squid实现代理和cdn缓存

一。 squid介绍     Squid是一个高性能的代理缓存服务器,Squid支持FTP、gopher和HTTP协议。和一般的代理缓存软件不同,Squid用一个单独的、非模块化的、I/O驱动的进程来处理所有的客户端请求。     代理分为 正向代理,透明代理,反向代理     1》正向代理为 局域网中的机器 访问目标地址(比如www.baidu.com) 不可达时  可以通过一个中间

常用的加密算法

一。摘要算法    1》MD5算法(Message Digest Algorithm 5) 可以保证数据传输完整性和一致性 摘要后长度为16字节 摘要信息中不包含原文信息所有加密结果不可逆(无法解密) 一般在传送文件时 对源文件进行md5 hash 传送到对方后 检测hash值是否相等 如果相等文件传输正确如果不相等 说明文件被篡改(加入木马)或者未传送完成    其他MD算法 MD2(16字节)

oracle中not in(null)问题

如下sql语句 select aid from A where bid not in(select bid from B where bname='')如果bname的记录在数据库中没有 就相当于 in(null) 此时 not in(null) 按理是要查询所有的A

#oracle#sql#数据库 +1
mq系列rabbitmq-03开发基础概念(重试队列,死信队列等)

描述消息队列(MQ)的基本概念,很多时候都要了解清楚,这样在学消息队列中间件就比较能够游刃有余,遇到不清楚的也可以重新翻来看看,加深理解。这里有关于:优先级队列、延迟队列、死信队列、重试队列、消息回溯、消息堆积、消息追踪/消息轨迹、消息过滤、消息审计、消息路由等的介绍。01.优先级队列优先级队列不同于先进先出队列,优先级高的消息具备优先被消费的特权,这样可以为下游提供不同消息级别的保证。不过这个优

#rabbitmq#中间件#分布式
Trafficserver实现代理和cdn缓存

一。Trafficserver简介  Apache Traffic Server™ 提供高性能可伸缩的使用http/https通信的正向和反向代理解决方案,同时支持多种代理方案同时配置  关于代理中,正向代理,反向代理,透明代理的概念参考(http://blog.csdn.net/liaomin416100569/article/details/77774073)1.简易安装 (使用yum) 安装

oracle job的创建和删除

oracle job的创建declare   v_jobnum  number;begin  dbms_job.submit(v_jobnum,'lastjob',sysdate,'last_day(sysdate)+1');   COMMIT;end; 其中lastjob 是存储过程或者functionsysdate表示执行开始时间 最后一个参数表

深度学习02-神经网络(MLP多层感知器)

神经网络是一种基于生物神经系统结构和功能特点而设计的人工神经网络模型,具有很强的自适应性和非线性映射能力。神经网络由多个神经元(或称节点)组成,这些神经元通过连接权重相互连接,构成多层的网络结构。每个神经元接收到来自其它神经元的信号,并将这些信号加权线性组合后通过激活函数进行非线性转换,最终输出给下一层神经元或输出层。学习机器学习后,学习神经网络可以帮助你更深入地理解模式识别和人工智能领域的基础知

文章图片
#深度学习#神经网络#人工智能
phpstorm+wamp在线调试wordpress

本文源自公司内部使用wordpress搭建了一套官网,经常有定制化的需求,有些插件实现不了,需要通过phpstorm调试的方式熟悉wordpress,同时修改php代码,本地测试环境window,适合用wamp作为php运行环境,同时带apache+mysql。

#phpstorm#php#apache
Anaconda安装教程

一。 Anaconda简介安装Anaconda指的是一个开源的Python发行版本,其包含了conda、Python等180多个科学包及其依赖项。 因为包含了大量的科学包,Anaconda 的下载文件比较大(约 531 MB),如果只需要某些包,或者需要节省带宽或存储空间,也可以使用Miniconda这个较小的发行版(仅包含conda和 Python)。Conda是一个开源的包、环境管理器...

Transformers实战03-PEFT库使用LORA方法微调VIT图像分类。

PEFT(Parameter-Efficient Fine-Tuning)是一个用于高效地将大型预训练模型适配到各种下游应用的库,而无需对模型的所有参数进行微调,因为这在计算上是非常昂贵的。PEFT 方法只微调少量的(额外的)模型参数——显著降低了计算和存储成本——同时其性能与完全微调的模型相当。这使得在消费者硬件上训练和存储大型语言模型(LLMs)变得更加可行。PEFT 集成了Diffusers

文章图片
#transformer#bert
    共 88 条
  • 1
  • 2
  • 3
  • 9
  • 请选择