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

ubuntu (Linux mint) 安装mysql 5.7

网址:https://downloads.mysql.com/archives/community/执行命令: 如下图所示:你会发现多了很多.deb文件。cd 到存放 .deb 的根目录,然后执行以下命令:然后会开始疯狂安装这些deb包,如下图所示:报错信息如下所示:很明显,是因为缺失依赖。我们只需要从头开始解决依赖问题即可。如上图所示,我们首先缺少: libtinfo5。然后我们开始安装之:执行

文章图片
#mysql#linux#ubuntu
模拟大批量发送http请求至某接口——图文实例(使用Shell脚本方式)

需求现在有一个需求是:向某网站的某接口发送100万条post请求,请求体共有100万条,按行存放在下图的100wDatas.txt,通过shell脚本模拟curl来不停地请求该接口。分析:该脚本由上图三个文件构成:1、sendingPOST.sh:tokenUrl:下面的例子是先用get拿到token,然后把拿到的token作为post的参数拼接在post请求里面。我调用的网站需要token作为p

#爬虫
记一次idea导入maven项目的流程

文章目录前言一、导入项目1.选择open2.配置Spring(假如你项目不是基于Spring,可跳过)添加web并配置Artifacts添加web配置Artifacts配置tomcat添加lib目录(idea的bug,大坑!)总结前言本文记一下在GitHub上面克隆的maven项目,如何一步一步导入idea,并成功跑起来的方法。本文均以最坏情况为例,假设你idea打开项目之后啥都没动过,也啥都没有

#intellij idea#maven#tomcat
【软件工程笔记】用例图、类图、ER图、系统流程图、软件结构图

目录前言1.用例图(描述角色和系统交互关系):2.类图(用于描述pojo):3.ER图(用于描述数据库):4.系统流程图(就是高中数学必修二那个图)5.软件结构图(类似于公司组织架构的一种图,只需要描述成软件各个功能和子功能即可)前言学习软件工程时,分不清楚各个图的作用,特此做笔记(全是从网上复制粘贴的,省的以后忘记了又要上网挨个查了)更详细的解释见 转载: 软件工程用的15种图1.用例图(描述角

#软件工程#流程图
word(doc/docx)转markdown:使用Typora的插件

打开你的Typora,选择文件 -> 导入第一次导入会让你下载 pandoc 插件。下载链接如下:https://github.com/jgm/pandoc/releases/download/2.14.1/pandoc-2.14.1-windows-x86_64.msi然后傻瓜式一路下一步安装,你就有了该插件最后重启你的markdown,选择文件 -> 导入,会让你选择word文件:

ERROR: MarkCompactCollector: young object promotion failed Allocation failed (npm run dev内存溢出)

经过原因分析,其实是执行 npm run dev 时候,项目太大了,导致node内存溢出。解决思路是扩大node内存但是百度了很多结果,都不生效。最终折腾一下午,终于修好了。

文章图片
#npm#前端#javascript
AI笔记第一节:基础部分(向量、余弦相似度、神经网络)

本文摘要:文章系统梳理了机器学习中的核心数学概念与算法原理,重点讲解了支持向量机(SVM)和KNN算法的前置知识。主要内容包括:1)向量运算、余弦相似度等基础数学工具;2)神经网络核心组件(sigmoid函数、反向传播、注意力机制);3)Transformer架构及其对RNN/CNN的改进;4)最小二乘法与代价函数的数学推导;5)梯度下降算法的详细解释(含学习率、偏导数等概念)。文章通过大量图示和

#学习#神经网络#人工智能
go debug vscode 断点调试

非常简单,直接上解决方案(就两步),亲测可用。先安装……

#vscode#golang
基于PreparedStatement抓取带参最终SQL(oracle,mysql,PostgreSQL等通用)

在日志中打印所有数据库通用的不带?的原生SQL,放在navicat就能直接执行

文章图片
#sql#oracle#mysql
AI笔记第三节:Transformer的注意力机制和多头注意力

本文分析了Transformer模型中的单头注意力与多头注意力机制。单头注意力通过除以√dk来缓解梯度消失/爆炸问题,使点积值保持稳定。多头注意力则将Q、K、V矩阵拆分为多个头,每个头学习不同的注意力模式,通过"和而不同"的设计增强模型处理复杂语义的能力。文章还详细解析了FFN(前馈网络)层的作用:通过ReLU激活函数引入非线性变换,对Attention输出进行升维(4倍经验值

#人工智能#transformer
    共 23 条
  • 1
  • 2
  • 3
  • 请选择