- 博客(153)
- 收藏
- 关注
RSS订阅原创 Raft 算法深度解析：角色、选举、日志复制与分区处理优化
Raft算法是一种分布式一致性算法，通过角色分工、任期机制和多数票决策实现数据一致性。核心角色包括Leader（唯一处理写请求）、Follower（被动响应）和Candidate（选举状态）。算法通过选举超时和心跳超时机制确保单一Leader，并利用日志复制保证数据一致性。网络分区时，只有多数节点子集群能产生有效Leader；分区恢复后，通过任期和日志对比自动解决多Leader问题。Raft的核心保障机制包括任期机制、多数票决策、日志完整性优先和日志不可变原则，确保分布式系统在容错情况下的数据一致性。
2025-09-27 11:18:28
548
原创 分布式系统核心概念：CAP、分布式锁与事务优化解析
本文深入解析分布式系统核心概念CAP理论及其应用实践。CAP理论指出分布式系统必须在一致性(C)、可用性(A)和分区容错性(P)之间权衡，通常需在CP和AP中选择。文章对比了ZooKeeper(CP)与Eureka(AP)的服务注册中心实现差异，并详细分析了基于Redis(AP)和ZooKeeper(CP)的分布式锁实现方案及适用场景。同时阐述了从ACID到BASE理论的演进，介绍了2PC、TCC等分布式事务实现方案。
2025-09-26 09:50:16
755
原创 LeetCode1
本文介绍了两个算法问题的解法。组合总和问题采用递归+回溯+剪枝策略，通过排序预处理、选或不选的分支处理，以及剪枝优化来寻找所有和为target的组合。分数转小数问题则需处理符号、整数部分和小数部分，通过长除法计算小数位，并使用哈希表检测循环节，最后按格式拼接结果。两问题都强调了预处理和边界条件的处理，通过系统化的方法提高算法效率。
2025-09-25 10:45:35
416
原创 大模型微调实战笔记：从数据集到 Agent 集成的全流程避坑指南
《大模型微调实战避坑指南》总结了从数据集设计到全链路工具落地(训练+评估) 最后Agent集成的全流程关键点
2025-09-24 14:52:55
1123
原创 递归和动态规划
递归是一种通过函数调用自身解决子问题的编程思想，将大问题拆分为结构相同的小问题，如阶乘计算。递归函数若仅依赖输入参数可视为纯函数，但存在重复计算问题。动态规划通过存储子问题解（DP数组）避免重复计算，可采用自顶向下或自底向上方法实现。递归数据结构如链表和树，其定义中包含对自身类型的引用，形成自引用结构。
2025-09-23 14:13:11
215
原创 LangChain框架 + 大模型
LangChain框架通过记忆组件（如对话缓存、摘要记忆）赋予大模型记忆能力，并借助Agent机制实现工具调用。快手采用"垂直领域优先"策略，构建了融合RAG与Agent的智能客服系统，通过多路召回和知识图谱提升回答质量。针对复杂任务，建议将流程工具分层（基础层、组合层、模板层）并封装为专用工具，以优化大模型的推理效率。此外，通过沉淀成功案例为模板工具，可复用经验，减少重复拆解任务的需求。
2025-09-23 11:03:34
680
原创 PPO vs GRPO：两大策略优化算法核心机制解析
本文对比分析了强化学习中PPO（近端策略优化）和GRPO（组内相对策略优化）两种算法的核心差异。
2025-09-22 09:39:56
1387
原创 Transformer 核心组件深度解析与 Python 实现
Transformer模型通过自注意力机制彻底革新了NLP领域。本文详细剖析了各组件原理与实现，包括位置编码的数学设计、注意力分数计算、FFN结构等关键环节，为理解BERT、GPT等衍生模型奠定了基础。
2025-09-22 08:59:00
1389
原创 Transformer代码实现思路
本文介绍了Transformer模型核心组件的实现思路：1) TokenEmbedding模块将输入序列转换为向量并添加位置编码；2) MultiHeadAttention实现多头自注意力机制，通过QKV矩阵计算Token间关系；3) LayerNorm进行残差连接和归一化；4) FFN前馈网络进行非线性变换；5) Encoder和Decoder通过堆叠上述组件完成编码解码过程。其中Decoder使用编码层输出的KV矩阵实现交叉注意力机制。整个架构通过自注意力、残差连接和归一化等机制实现序列建模。
2025-09-21 09:14:04
435
原创 动态规划中的背包问题：0/1 背包与完全背包的核心解析
聚焦0/1背包与完全背包的核心辨析：先拆解DP“状态与状态转移”基础逻辑，再直击两者最关键的遍历顺序差异（0/1背包内层倒序防物品重复、完全背包内层正序允重复），搭配Java代码（含错误示例）直观演示，最后用表格清晰对比核心特性，既讲透原理又贴合实际编码。
2025-09-21 08:37:58
1125
原创 消息队列优化指南：处理堆积与保障消息可靠性
本文针对消息队列系统中常见的消息堆积问题和消息丢失风险，提供系统性解决方案。通过分析消息堆积的成因，提出包括扩容、优化、限流等实用方法；同时，结合持久化、确认机制、高可用架构等技术手段，详细阐述如何确保消息不丢失。无论是开发人员还是运维工程师，均可通过本文快速掌握消息队列的优化策略。
2025-04-28 12:09:47
1057
原创 JUC并发编程
volatile和JMM：1. volatile修饰变量的特点、2. 内存屏障、3. volatile特性：有序性、可见性、4. happens-before之volatile变量规则、5. volatile、6. JMM
2024-12-17 03:30:00
2434
原创 AI模型从训练到部署：源码示例
以上是一个简单的示例，它演示了如何使用TensorFlow和Flask将图像分类模型部署为一个Web应用程序。但请注意，具体的实施方法取决于你的具体需求和技术栈选择。你可能需要根据自己的情况进行适当的修改和调整。当涉及到从训练到部署AI模型的源码示例时，具体的实施方法取决于你使用的具体框架、模型类型和部署环境。以下是一个示例，演示了使用TensorFlow和Flask将一个训练的图像分类模型部署为一个Web应用程序。
2024-12-14 12:52:35
625
原创 人工智能在现代科技中的应用和未来发展趋势
最后，人工智能的伦理和法律问题也将成为重要的研究方向，包括隐私保护、社会公正和责任分配等问题。人工智能（Artificial Intelligence，AI）是一种通过模拟人类智能的方式，使计算机系统具备理解、学习、推理和决策等能力的技术。人工智能可以通过大数据分析和机器学习算法，帮助金融机构进行风险评估、投资决策和欺诈检测等，提高金融系统的稳定性和效率。人工智能可以根据学生的学习需求和进度，提供个性化的教学内容和学习指导，提高学生的学习效果。此外，人工智能还可以在教师评估和课程设计等方面发挥重要作用。
2024-12-11 09:56:35
413
原创 Apache Spark 的基本概念和在大数据分析中的应用
动作操作：Spark 提供了一系列的动作操作，如count、collect、save等，用于对 RDD 进行触发计算并返回结果。转换操作：Spark 提供了一系列的转换操作，如map、filter、reduce等，用于对 RDD 进行转换和处理。弹性分布式数据集（RDD）：RDD 是 Spark 的核心抽象，在内存中存储分布式数据集，提供了高效并行计算的能力。机器学习：Spark 提供了机器学习库（MLlib），可以进行大规模的机器学习任务，如分类、聚类、回归等。
2024-12-10 22:51:56
534
原创 区块链技术的应用场景和优势
物流和供应链管理：区块链可以跟踪和验证物流过程中的产品流向，确保产品的真实性和可追溯性。金融行业：区块链可以用于去中心化的数字货币和支付系统，提供快速、安全、低成本的跨境转账和支付服务。版权管理和知识产权保护：区块链可以记录和验证知识产权的所有权和交易记录，确保内容创作者的权益得到保护，并提供便利的授权和付款机制。医疗健康：区块链可以用于医疗记录的安全存储和共享，确保医疗数据的隐私和准确性。透明性：所有的交易和数据都会被记录在区块链上，所有参与者都可以查看和验证交易，提高透明度和信任度。
2024-12-10 22:51:21
677
原创 JUC高级编程
CompletableFuture：1. Future接口理论知识、2. FutureTask实现类异步任务、3. Future优缺点、4. CompleteableFuture对Future的改进、5. CompletableFuture大厂案例精讲、6. CompleteableFuture常用方法
2024-12-09 02:45:00
1738
原创 JUC高级编程
Java锁：1. 大厂面试题、2. 乐观锁和悲观锁、3. Synchronized的8种情况、4. 公平锁和非公平锁、5. 可重入锁ReentrantLock、6. 死锁及排查
2024-12-08 03:15:00
1008
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人