我的创作纪念日

最新推荐文章于 2025-12-01 19:53:07 发布

原创最新推荐文章于 2025-12-01 19:53:07 发布 · 111 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#python

分享我成为技术创作者的初衷，通过实战项目积累的经验，以及在日常学习中如何通过写作促进技术交流。在创作过程中，我收获了粉丝的支持和同行的认可，同时也探讨了如何在工作、学习与创作间找到平衡。代码的编写成为我成长的里程碑，我期待未来能有更深入的技术探索和职业发展。

机缘

提示：可以和大家分享最初成为创作者的初心
例如：

实战项目中的经验分享
日常学习过程中的记录
通过文章进行技术交流
…

收获

提示：在创作的过程中都有哪些收获
例如：

获得了多少粉丝的关注
获得了多少正向的反馈，如赞、评论、阅读量等
认识和哪些志同道合的领域同行
…

日常

提示：当前创作和你的工作、学习是什么样的关系
例如：

创作是否已经是你生活的一部分了
有限的精力下，如何平衡创作和工作学习
…

成就

提示：你过去写得最好的一段代码是什么？请用代码块贴出来
例如：

某个解题代码
某个项目实现代码
…

憧憬

提示：职业规划、创作规划等

Tips

您发布的文章将会展示至里程碑专区，您也可以在专区内查看其他创作者的纪念日文章
优质的纪念文章将会获得神秘打赏哦

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

matlabgoodboy

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

我的创作纪念日--码农阿豪

私聊前往站内信：https://i.youkuaiyun.com/#/msg/chat/weixin_44976692

06-20

5万+

未来，我计划继续在技术领域深耕，希望能够通过我的努力达到更高的技术水平。同时，我也计划扩展我的创作范围，不仅限于技术文章，也包括视频教程和在线课程，以此来帮助更多的人学习编程，实现自我提升。

我的512创作纪念日

业精于勤，荒于嬉

08-24

1119

😀前言回顾这一路走来的点点滴滴，不禁感慨万分。从最初的懵懂，到如今在技术领域不断探索，每一步都离不开那些实战中的磨砺和比赛中的锤炼。或许这条路充满挑战，但正是这些挑战塑造了今天的我。还记得第一次在代码里解决一个棘手的难题，那种成就感至今难以忘怀；也记得在比赛中披荆斩棘，捧回奖项时的激动与喜悦。技术学习的道路漫长且艰辛，但每一段历程都值得铭记，每一份收获都让我倍感珍惜。在这段旅程中，我逐渐明白，分享不仅仅是传递知识，更是与自己的一次对话，是对成长的反思和总结。

参与评论您还未登录，请先登录后发表或查看评论

我的创作纪念日哈哈哈哈

05-24

在IT行业中，特别是前端开发领域，一套良好的项目配置和组织结构对于提高开发效率和代码质量至关重要。这个压缩包文件中的内容似乎对应一个前端项目的初始结构，让我们逐一解析这些文件的作用和相关知识点： ...

我的创作纪念日-成为优快云创作者的第4096天

少莫千华

06-04

715

我希望能够成为一个优秀的技术专家，并通过自己的努力影响更多的人，推动行业的发展和进步。在各种技术论坛和社区中，我看到了许多优秀的技术文章，也看到了其他人的问题和困惑。我收到了许多赞赏和鼓励的言论，有些读者甚至分享了我的文章给他们的朋友和同事。我已经习惯了每天花一些时间来思考和创作，无论是写作、编程还是其他形式的创作，都成为了我生活的一部分。我的创作逐渐吸引了一批忠实的读者和粉丝，他们对我的内容感兴趣，并积极参与讨论和交流。通过我的创作，我结识了许多志同道合的朋友和同行，我们相互学习、交流经验，共同进步。

我的创作纪念日--林戈的IT生涯-优快云博客创作一年感想

本博客记录了从2014年以来在工作学习中遇到的技术问题、解决方法以及部分个人人生经历、经验等内容。

03-16

896

时光荏苒，白驹过隙，转眼间，我已经在优快云博客网站上创作了整整一年。这一年里，我笔耕不辍，写下了600多篇技术性文章，每一篇都凝聚着我的心血与汗水。回望这段旅程，心中感慨万千，既有对时间飞逝的感慨，也有对辛勤付出的肯定，更有对未来无限的畅想。

Python Pandas多列合并成一长列(扁平化)

视觉算法小趴菜的博客

11-29

406

本文介绍了Pandas中三种数据扁平化方法：melt()按变量名和值两列重组数据，concat()垂直拼接多列，stack()将多列转为单列。测试数据显示melt()保留原列名信息，concat()和stack()仅保留数值。三种方法各有特点，适用于不同的数据扁平化需求。

人工智能领域博客

11-28

1843

摘要：本文详细解释了Spark Driver端与Worker端在OSS认证上的核心区别。Driver端通过Spark配置自动认证，而Worker端（独立Python进程）需显式提供认证信息。认证来源优先级为：1)Driver传递参数，2)环境变量，3)IAM角色。文章分析了架构差异导致的不同认证方式，并推荐从Driver传递认证信息的解决方案。当前实现已采用该方案，通过Spark配置或环境变量获取认证后传递给Worker进程，确保PyArrow能正确访问OSS数据。

【Android逆向工程】第8章：Frida 高级应用：函数追踪与 RPC 调用

w987333120的博客

12-01

294

本文介绍了Frida框架的核心功能与应用技巧，包括函数调用栈追踪、RPC机制、批量Hook、内存操作和脚本模块化等关键技术。重点讲解了Thread.backtrace()和DebugSymbol.fromAddress()的用法，提供Java和Native函数的调用栈追踪示例，并展示了调用栈过滤与分析方法。最后通过实战案例演示登录流程追踪和RPC调用，同时给出常见问题解决方案。这些技术可有效提升逆向分析效率，适用于移动应用安全测试场景。

遗留Python包中的漏洞代码可通过域名劫持攻击Python包索引

FreeBuf_的博客

11-28

454

遗留Python包漏洞可致供应链攻击，域名劫持风险威胁PyPI生态。

python自动化脚本-下载最新最全LPR

zhang_ruiqiang的博客

11-27

681

本文介绍了一个Python自动化脚本，用于从中国人民银行官网批量获取贷款市场报价利率(LPR)数据。通过分析网页结构，发现LPR数据分布在4个索引页面中，每个页面包含多个带有特定标题的链接。脚本使用BeautifulSoup解析网页，自动提取并存储所有LPR数据到本地文件，解决了手动下载效率低、易出错的问题。核心功能包括：页面URL自动生成、目标链接定位、数据内容提取和结果保存。该方案显著提高了数据采集效率，为金融数据分析提供了便利。

Python抓取ZLibrary元数据实战指南

yiruo250的博客

11-29

537

本文介绍使用Python抓取ZLibrary电子书元数据的技术方案。首先说明准备工作，包括Python环境配置、网页结构分析和反爬策略。详细讲解两种抓取方法：静态页面使用requests+BeautifulSoup解析，动态内容通过Selenium模拟浏览器操作。提供数据存储示例（CSV/JSON格式）和清洗技巧，并介绍异步抓取、Scrapy框架等高级优化方案。特别强调法律合规性，包括遵守robots.txt、控制请求频率及版权注意事项。附完整代码示例链接，为电子书数据分析提供技术参考。

探索PFC2D流固耦合：模拟煤层塌陷的奇妙之旅

2503_94141257的博客

11-27

340

该模型是模拟的煤层塌陷的pfc2D流固耦合：运用fipy（python）-pfc2d联合的方法实现。不仅方法创新，可修改，内容操作性强，调整内部代码可实现多边形区域的三角网格流域，灵活性强，还设置的有悬浮颗粒定向删除，点位移的实时监测等多内容，干货满满，你买这个一个代码，但里边不止这一个代码的内容。代码真实有效。内部包含：前后水头、位移、渗透系数等多个水力参数，内容丰富。

Java学习之旅第三季-27：模块系统（一）

摸鱼的老谭

11-29

934

Java模块系统自Java 9引入，通过module-info.java文件定义模块名称、依赖关系和导出包，实现依赖管理、JRE精简和访问控制。模块分为标准模块和非标准模块，前者由JCP管理，后者为JDK特有。创建模块化项目时，需在src/main/java下添加module-info.java文件，使用requires声明依赖、exports控制包可见性。模块命名建议采用反向域名格式，与包名保持一致但无强制要求。模块系统提升了代码组织性、安全性和开发效率。

tensorflow tf.function 的两种执行模式（计算图执行 vs Eager 执行）的关键差异

servepeople的博客

12-01

395

本文解析了TensorFlow中tf.function的两种执行模式差异：默认的计算图执行会"跟踪"函数并构建计算图（Python原生语句如print仅执行一次），而Eager模式则每次调用都完整执行所有代码。关键点在于：1) 图执行会捕获TensorFlow运算到计算图中，忽略Python原生语句；2) 使用tf.print替代print可确保每次执行都输出。实践建议区分Python代码和TensorFlow运算，理解跟踪阶段与执行阶段的差异，避免常见陷阱。

分布式AI训练框架设计与多语言实现实践指南

2501_94187056的博客

11-26

421

加速训练：多节点协作处理大规模数据和模型参数。资源优化：充分利用GPU/TPU和计算集群资源。可扩展性：可根据数据规模或模型复杂度扩展计算节点。多语言协作：不同模块可使用适合的语言实现，提高灵活性和性能。本文展示了分布式AI训练框架的设计与多语言实现实践：Python负责训练与分布式管理Go负责任务调度与节点管理Java处理异步参数同步C++完成计算密集型梯度计算架构整合多节点资源，实现高效分布式训练。

深入探讨RAPIDS GPU加速API：数据科学工作流的革命性加速

不懂先生的博客

11-27

252

RAPIDS是一个开源数据科学套件，于2018年由NVIDIA推出，旨在通过GPU加速端到端的数据科学工作流。其核心思想是利用GPU的数千个核心进行并行计算，替代传统CPU的串行处理。RAPIDS构建在CUDA（Compute Unified Device Architecture）之上，并采用Apache Arrow作为内存格式，确保高效的数据交换和零拷贝操作。cuDF：GPU加速的DataFrame库，提供类似Pandas的API，用于数据操作和分析。cuML。

python轮子：适配requests.request的aiohttp异步请求