自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(8)
  • 收藏
  • 关注

原创 kubernetes(k8s)

kubernetes集群主要是由控制节点(master)、工作节点(node)构成,每个节点上都会安装不同的组件。ApiServer:资源操作的唯一入口,接收用户输入的命令,提供认证、授权、API注册和发现等机制Scheduler:负责集群资源调度,按照预定的调度策略将Pod调度到相应的node节点上(算决策到哪个工作节点上)ControllerManager:负责维护集群的状态,比如程序部署安排、故障检测、自动扩展、滚动更新等(安排)Etcd :负责存储集群中各种资源对象的信息。

2025-05-28 09:50:17 352

原创 docker

docker rmi 镜像:版本/唯一id 删除指定镜像。docker pull redis:从应用商店下载应用。docker build xxx:构建自己的镜像。修改内容(如图所示 修改nginx的欢迎页面)拥有自己的文件系统、CPU、内存、进程空间等。docker run redis:启动应用。docker push xxx:推送至远端。docker images 查看系统的镜像。--name:设置一个名字。容器类似轻量级的VM容器。共亨操作系统内核容器。

2025-05-04 20:46:47 186

原创 动态规划(刷题)

机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角(在下图中标记为 “Finish” )。数组中的每一行选择一个数字,且按顺序选出来的数字中,相邻数字不在原数组的同一列。,请找出一条从左上角到右下角的路径,使得路径上的数字总和为最小。网格的左上角 (起始点在下图中标记为 “Start” )。机器人每次只能向下或者向右移动一步。返回机器人能够到达右下角的不同路径数量。机器人的移动路径中不能包含。每一步只能移动到下一行中相邻的结点上。,找出自顶向下的最小路径和。测试用例保证答案小于等于。

2025-02-18 21:08:20 379

原创 java-jvm虚拟机(二)(垃圾回收机制)

GC原则:频繁收集young区较少收集old区基本不懂perm区。

2025-01-17 08:00:00 871

原创 java-jvm虚拟机(一)(更新...)

虚拟机栈:线程运行需要的内存空间栈帧: 每个栈由多个栈帧组成,对应每次方法调用时所占用的内存每个线程只能有一个活动栈帧,对应当前执行的方法2.2栈帧组成eg.main()method1() method2()依次压入栈问题辨析1.垃圾回收是否涉及栈内存?不涉及2.栈内存分配越大越好吗?不是 可能减少了线程的数目3.方法内的局部变量是否线程安全?(逃逸分析)如果方法内局部变量没有逃离方法的作用访问,它是线程安全的。

2025-01-15 21:46:27 677

原创 docker拉取rabbitmp 失败 报错: Get https://registry-1.docker.io/v2/: net/http: request canceled while ...

#2.把daemon.json配置文件改成daemon.conf即可。####(基于前两步后)刷新重启docker。

2024-11-18 23:01:30 457 1

原创 Rich feature hierarchies for accurate object detection and semantic segmentation-v5

ILSVRC2013检测数据集被分割成3个子集:训练集(395918)、验证集(20121)、测试集(40152)。圆括号中的数字表示图片数量。验证集和测试集与PASCAL VOC有相同的图片分布,它们的场景看起来很相近,并且复杂程度也很相似,例如目标数量、混乱程度、姿态变化程度等。验证集和测试集有详尽的标注,200个类别中所有图片都标注有边界框。相反地,训练集来源于ILSVRC2013的分类任务的图片。这些图片更加复杂,并且在图片的中心有一个目标物体。

2023-11-05 20:04:28 91

原创 利用不确定性衡量场景几何和语义损失的多任务学习

多任务学习中的多元回归和分类让很多深度学习程序受益,但是多任务网络结构的性能受每一个任务损失函数的权重影响很大,常规的做法是手动调节这些权重参数,毫无疑问,这是一个低效和困难的工作,不同任务损失的尺度差异非常大,导致整体损失被某一个任务所主导,最终导致其他任务的损失无法影响网络共享层的学习过程。这也阻碍了MTL的进一步提升。本文针对多任务学习提出了一种新的策略,即通过考虑每个任务之间的同方差不确定性()来设置不同任务损失函数的权值(关于同方差不确定性的具体含义,我会展开进一步解释)。

2023-10-12 21:47:35 169

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

提示
确定要删除当前文章?
取消 删除