- 博客(4)
- 收藏
- 关注
RSS订阅原创 Milvus Lite 完全指南：从本地入门到避坑选型，附完整代码示例
Milvus Lite 是向量数据库入门的 “最佳跳板”—— 无需复杂部署，10 分钟即可实现向量搜索功能，且 API 与集群版无缝兼容，为后续迁移生产降低成本。它是开发工具，不是生产解决方案。本地验证向量搜索逻辑（如 RAG Demo）。数据量 ≤ 10 万条，无高并发需求。无需高可用、备份等企业级能力。若需支撑生产业务（如亿级向量搜索、高并发查询），建议直接使用Milvus 集群版，或通过 Milvus Lite 完成开发后迁移至集群。最后，附上本文所有代码的GitHub 仓库。
2025-09-19 11:06:54
3092
原创 【无标多进程 vs 多线程：从原理到实践，一文搞懂并发编程选型（附避坑指南）题】
特性维度多进程多线程（内核级）协程（用户级）资源开销高（独立内存、PCB）中（共享内存，仅 TCB + 栈独立）极低（用户级调度，无内核切换）并行能力支持（多核并行）Python 不支持（GIL），Java/C++ 支持支持（单线程内并发，多协程映射到多核需结合多进程）适用场景CPU 密集、高隔离性需求IO 密集（Python）、CPU/IO 密集（Java/C++）超高频 IO 密集（如 API 网关、爬虫）代表语言 / 库Python、CforkPython。
2025-09-19 09:27:05
1767
原创 yolo的算法原理及区别
YOLO（You Only Look Once）是一种实时目标检测算法，其核心思想是将目标检测视为一个回归问题，通过单次前向传播直接从输入图像预测边界框和类别概率。这种方法高效且速度快，适用于实时应用。以下是YOLO的基本原理：图像网格划分： 输入图像被划分为一个$S \times S$的网格。每个网格单元负责检测中心落在该单元内的对象。例如，常见设置中$S = 7$或$S = 13$。边界框预测： 每个网格单元预测$B$个边界框（bounding boxes）。每个边界框包含以下信息：类别概率预测：
2025-09-08 10:44:23
1795
1
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