定时器通过双向的升序链表实现，按照过期时间从最近到之后去排序，然后向内核注册一个每五秒的信号，处理操作是写一个缓冲区触发 epoll 的 EPOLLIN 事件，然后主线程去链表逐个清除过期的连接。这个解决的是大文件在发送的过程中不能一次发完，因为 socket 的缓冲区有限限制了，首先要记录每次发送的文件的偏移位置，避免不能继续发送，其次是注册写事件之后可写的时候继续发送。原因 3 可能是因为操作

频率模型和贝叶斯模型从两个视角来看待概率，前者认为参数是固定的数据是随机的，后者刚好反过来。根据数据分布的不同：参数模型和非参数模型（区别是全局适用和局部适用）根据学习对象的不同：生成模型和判别模型（区别是联合分布和条件分布）根据模型构建的不同：数学模型和算法模型（区别是精度和可解释性）验证和测试的不同在于前者为了超参数后者为了确定参数的优劣。模型过于简单会造成偏差大，欠拟合，过于复杂方差大过拟合

机器学习方法可分为监督学习（有标注数据）、无监督学习（无标注数据）、半监督学习（部分标注）和自监督学习（数据自生成标注）。训练方式上，批量学习离线训练模型，在线学习实时更新；批量学习更稳定但需定期更新，在线学习灵活但对异常数据敏感。学习方法分为基于实例（通过相似度匹配）和基于模型（构建分类函数）。不同方法各有优劣，需根据任务需求选择。

5.使用sigmoid的想法是，使用piecewise的曲线能拟合任意曲线，使用hard sigmoid，只要足够多可以拟合任意piecewise，使用sigmoid能拟合hard sigmoid。对分词决定的是三部分，一部分是选择的分词方式，第二部分是词的数目等因素，第三个就是训练分词模型的数据，不同的数据、不同的数据量训练出来的也不一样。attention机制允许对每个词对其他的词产生有影响有

今天做笔试的时候，遇到第一种遇到的情况，就是发现它不能够显示输出，只能够给你显示你的结果对不对，这是第一次遇到。从《真本事》这本书中学到的关于我现在做事情的一个心态，就是遇到问题的时候，不要否定自己，不要焦虑，而是问自己，我能从这件事情中学到什么？它与真的结果是 NULL，它与假的结果是 false，它或真的结果是真，它或假的结果是 NULL。对于覆盖索引，不要为最左边的列单独建立索引，这是冗余的

invoke是阻塞式的完整的调用，stream是流式调用，会像在网页对话一样，返回的是一个迭代器，然后去打印。batch可以同时传递一个列表的信息，然后返回的response也是多个信息，可以对应打印，批处理。默认的联结只返回在两个表严格匹配的交集，左联结和右联结对于主表的都显示，右表匹配不上的用None。默认可重复读，读未提交是有各种问题，读提交解决了脏读，可重复读解决了不可重复读，可串行化解决

注意：这里的流程主要包括读取环境变量、选择模型、输出，其中输出我最开始记成了ivoke而非正确的invoke。今天总结的是langchain的Deepseek api调用。DEEPSEEK_API_KEY="你的 api key"response=llm.invoke("你是谁")1..env文件内存储的变量。

本文介绍了CUDA编程的基础知识。CUDA是英伟达开发的基于C/C++的GPU编程框架，利用GPU并行处理大量小计算。主要内容包括：1）CUDA开发环境搭建，使用nvcc编译器；2）设备代码通过__global__关键字标识；3）典型执行流程：内存分配、数据传输、GPU运算、结果回传；4）专用API如cudaMalloc和cudaMemcpy；5）线程模型采用网格-块-线程的层级结构，通过<

非关系型数据库基于键值来存储、支持图片和文字的存储，是nosql的，不需要sql层的解析。服务器和存储引擎，服务器包括连接器、缓存、分析器、优化器、执行器，存储引擎存储具体的数据。包括哈希索引和b树索引，b+树的数据都在叶子节点，而b树需要中序遍历才能得到数据。可重复读是指在一次事务中数据前后一致，其他事务的修改对事务的过程不可见。未提交读是指一个事务对数据的修改在数据未提交时就可以被其他事务发现

在实际训练时和AT不同之处在于数据看到的不是训练过程中的输出 而是真实输出前面的位置，比如语音识别机器学习到汉字机器学习，学习器的时候要输入真实的机给模型，但是真实情况是使用输出的内容作为输入的末尾。区别是后者支持并行，但是训练起来更困难，需要的数据更多 AT在输出时是会逐个输出并且把新的输出当成下一步decoder的输入，NAT是一次输入多个BEGIN。在真实计算时，encoder的输出部分，很