在构建机器学习环境的docker镜像时，安装了paddlehub，paddlehub的依赖有opencv-python，使用时报错如下：Traceback (most recent call last):File "woodpecker/etl_main.py", line 2, in <module>from etl import etl_paper_html, tl_paper_p

最近在做机器学习系统，模型训练好了，API也开发完了，目前使用的API服务套件是：fastapi + gunicorn + docker。但是有一个问题一直没有解决，就是当API服务启用多个worker时，一个worker会加载一次模型到内存中，内存资源的消耗非常大，如果直接这样使用，会极大的提升硬件成本，随着模型的增多，API服务的资源消耗是不可想象的，所以暂停了模型优化工作，在API上线生产环

NiFi数据流实践：实时获取Mysql CDC数据，写入HDFS/Hive。NiFi版本：1.22.0。NiFi官方文档提供了详细的概念说明和使用说明，耐心通读一遍，就可以快速上手开发NiFi数据流。

根据自己的理解，整理了一些机器学习基础知识，如有偏颇，请指正。所谓机器学习，就是使用计算机模拟或实现人类的学习行为。机器学习是实现人工智能的根本途径。下述主要内容为机器学习基本术语的理解和介绍，机器学习领域的主要学习方法介绍，机器学习系统建设阶段的介绍。基本术语实例实例是要对其预测的事物。实例可以是一个图片，或者一段文本。标签标签是预测任务的答案。标签可以是小麦未来的价格、图片中显示的动物品种、音

文本分类是NLP应用领域中最常见也最重要的任务类型，也是机器学习领域的经典应用场景之一。本文通过笔者工作中的一个真实案例，讨论通过机器学习实现文本多标签分类的过程以及一些优化经验。对于文中涉及到的一些机器学习术语，如不理解其含义，可自行百度，或参考机器学习基础。案例介绍案例：试题知识点预测描述：中小学课程试题对应一个或多个知识点，现在想要通过机器学习训练出一个模型，可以通过试题文本，预测出试题知识

Chat2DB 是一款有开源免费的多数据库客户端工具，支持windows、mac本地安装，也支持服务器端部署，web网页访问。和传统的数据库客户端软件Navicat、DBeaver 相比Chat2DB集成了AIGC的能力，能够将自然语言转换为SQL，也可以将SQL转换为自然语言，可以给出研发人员SQL的优化建议，极大的提升人员的效率，是AI时代数据库研发人员的利器，未来即使不懂SQL的运营业务也可

在使用 tf.keras.preprocessing.text_dataset_from_directory 读取样本数据时报错如下：TypeError: Input 'filename' of 'ReadFile' Op has type float32 that does not match expected type of string.这个问题是样本数据存储结构不符合API输入规范导致的，

在日常工作中，经常要通过ssh连接远程服务器，每次连接都输入密码，会比较麻烦。在Window系统上，我习惯使用xshell管理连接，非常方便。在MacOS系统上，没有xshell，而一些类似xshell的工具中，好用的要收费，免费的不好用，于是决定使用iTerm2打造一个好用的ssh神器，提高日常工作效率。话不多说，直接上干货。使用iTerm2打造ssh神器，主要是通过Profiles功能，每个P

描述Ambari注册主机的时候，ambari-agent出现如下错误：NetUtil.py:96 - EOF occurred in violation of protocol (_ssl.c:579)NetUtil.py:97 - SSLError: Failed to connect. Please check openssl library versions.解决在ambari-...

Phoenix JDBC Driver有两种，分别是Thick Driver。直接连接zookeeper和hbase。Thin Driver。构建在http服务之上的jdbc驱动。本文描述Thick Driver的使用方法。包含连接启用Kerberos的安全集群。连接说明根据Phoenix官网描述，使用Phoenix JDBC连接HBase集群的方法如下：Connection conn = Dri