主成分分析（PCA, Principal Component Analysis） 在机器学习中，主要用于提升向量表示的质量或效率。PCA 可以对一个向量在进行降维的同时，还最大限度的保留向量的主要特征。现代嵌入模型（如 BERT、OpenAI Embeddings）生成的向量维度很高（如 768、1536 维），导致：● 存储成本高● 近似最近邻搜索速度慢解决方案：用 PCA 将高维向量投影到低维

基于 Karpathy 的开源项目 nanoGPT，在本地离线训练数据和推理，体验 LLM 是如何工作的。输出：安装依赖包准备测试数据（莎士比亚集）输出：准备完会在 data/shakespeare_char 看到莎士比亚集 input.txt（原始数据），以及 train.bin（训练数据）和 val.bin（验证数据），下一步训练数据。如果是 Apple M4 Pro 上进行训练，需要将 cu

基于 Karpathy 的开源项目 nanoGPT，在本地离线训练数据和推理，体验 LLM 是如何工作的。输出：安装依赖包准备测试数据（莎士比亚集）输出：准备完会在 data/shakespeare_char 看到莎士比亚集 input.txt（原始数据），以及 train.bin（训练数据）和 val.bin（验证数据），下一步训练数据。如果是 Apple M4 Pro 上进行训练，需要将 cu

主成分分析（PCA, Principal Component Analysis） 在机器学习中，主要用于提升向量表示的质量或效率。PCA 可以对一个向量在进行降维的同时，还最大限度的保留向量的主要特征。现代嵌入模型（如 BERT、OpenAI Embeddings）生成的向量维度很高（如 768、1536 维），导致：● 存储成本高● 近似最近邻搜索速度慢解决方案：用 PCA 将高维向量投影到低维

关系型数据库最核心的功能是支持事务，这一特性使得其故障后的恢复处理过程会比较复杂。这其中的 failure recovery 机制，在不同的数据库中有不同的叫法，比如 Informix 称之为 fast recovery，而 Db2 称之为 crash recovery，但不管怎么叫，指的都是数据库重启后，如何根据事务 ACID 属性（主要是原子性 A 和持久性 D）给用户的承诺，将事务数据恢复到

本文是对论文“LCL: A Lock Chain Length-based Distributed Algorithm for Deadlock Detection and Resolution”的解读。