- 博客(70)
- 收藏
- 关注
RSS订阅原创 springboot 和springboot3-教程
可以自定义。Spring Boot 默认使用属性，它的默认值就是messages。你可以通过修改这个属性来自定义国际化资源文件的基本名称。比如，你可以在或spring:messages:等，前提是按照 ResourceBundle 标准的命名规则封装 locale 信息。默认情况下，Spring Boot 会自动寻找messages开头的文件，符合 ResourceBundle 的命名规则。你可以通过属性来自定义基本名称，只要后续的文件命名仍然符合 locale 后缀规范即可。
2025-03-23 00:17:43
500
原创 为什么HashMap 头插法会造成死锁
从上图可知线程 T1 执行之后，因为是头插法，所以 HashMap 的顺序已经发生了改变，但线程 T2 对于发生的一切是不可知的，所以它的指向元素依然没变，如上图展示的那样，T2 指向的是 A 元素，T2.next 指向的节点是 B 元素。因为 T1 执行完扩容之后 B 节点的下一个节点是 A，而 T2 线程指向的首节点是 A，第二个节点是 B，这个顺序刚好和 T1 扩完容完之后的节点顺序是相反的。本文参考 https://www.cnblogs.com/vipstone/p/15816345.html。
2025-03-15 21:07:21
276
原创 基于 Python 自动化接口测试（踩坑与实践）
本项目旨在使用 Python 模拟浏览器的请求行为，测试文章分页接口的可用性。接口需要携带与浏览器完全一致的请求头和 Cookies，同时需支持分页参数（如current和size重点是， 使用postman和浏览器都可以正常测试，但是使用python脚本测试失败。—遇到网络问题， 一定要记得思考是否是代理问题。
2025-01-08 02:07:59
518
原创 Docker 远程访问完整配置教程以及核心参数理解
通过本教程，您已经完成 Docker 的远程访问配置，包括参数调整、安全组与防火墙配置，以及远程访问的验证。请务必注意开放远程访问的安全风险，并采取适当的安全措施来保护您的 Docker 服务。
2025-01-04 17:35:14
1358
原创 iOS + watchOS Tourism App（含源码可简单复现）
通过 WatchConnectivity 框架和 SwiftUI 的数据驱动机制，我们成功实现了 Apple Watch 与 iOS App 之间的实时数据同步。当用户在 watchOS 上进行酒店预订时，无需手动刷新或额外交互，iOS 端的购物车界面就能自动展示最新订单信息。这为跨设备的使用体验提供了便利，也为后续拓展更多交互打下了基础。使用WCSession在 iOS 与 watchOS 之间建立通信通道。在 watchOS 上通过发送 Property List 类型的字典数据。
2024-12-21 19:02:28
1000
4
原创 基于字节大模型的论文翻译（含免费源码）
本项目是一个基于大语言模型（Large Language Model, LLM）的论文阅读与翻译辅助工具。它通过用户界面（GUI）和后端处理逻辑，提供以下功能：模式选择PDF模式：用户可选择一个 PDF 文件，程序自动解析论文文本及表格，对论文内容进行摘要、关键词提取及翻译。文本模式：用户可直接输入英文文本进行摘要与关键词提取，然后翻译成中文。处理过程提示： 当用户发起处理请求（翻译文本或解析并翻译 PDF 文件内容）时，界面会显示“处理中”提示，避免用户等待过程中误认为程序无响应。结果展示。
2024-12-20 17:54:15
1295
原创 MySQL - Why Do We Need a Thread Pool? - mysql8.0
参考博客：https://dev.mysql.com/blog-archive/the-new-mysql-thread-pool/The New MySQL Thread PoolPosted on Jun 7, 2023 by [Daniel Blanchard](https://dev.mysql.com/blog-archive/?author=Daniel Blanchard)Category: [Thread Pool](https://dev.mysql.com/blog-archive/?
2024-12-02 00:11:20
738
原创 mysql-为什么需要线程池
MySQL线程池是MySQL数据库中的一个重要组件，旨在提高数据库的性能、吞吐量和可伸缩性。它通过管理数据库服务器的线程生命周期，减少了线程的创建和销毁的开销，并通过优化资源使用，能够处理大量并发的数据库请求。本文将从MySQL服务端和客户端（以Spring Boot为例）两个角度来探讨MySQL线程池的工作原理、作用和配置，帮助更好地理解为什么MySQL需要线程池以及如何优化性能。在传统的MySQL数据库中，每当有客户端请求时，MySQL会为每个请求创建一个新的线程来处理，而线程的创建和销毁都需要一定的系
2024-11-30 23:59:59
730
1
原创 机器学习和深度学习-- 李宏毅（笔记与个人理解）Day22
由于是文字接龙，所以无法考虑右边的 info。怀疑begin那里没有做 Norm是bug。仔细讲讲Residual 的过程？
2024-04-24 14:45:14
472
原创 Day 6 商品搜索
Day 6 商品搜索这里会总结构建项目过程中遇到的问题、主要流程，以及一些个人思考！！学习方法：1 github源码 + 文档 + 官网2 内容复现 ，实际操作项目源码同步更新到github 欢迎大家star~ 后期会更新并上传前端项目搜索相关实体在ES中存储的商品实体类与数据库中的商品实体类不同，且商品的搜索条件和搜索结果都有相应的实体类。Q: 为什么这两种实体类不同？//todo/** * 在ES中存储的商品实体类 */@Document(indexName = "goo
2024-04-24 14:25:38
444
原创 Day 5 广告管理
在用户访问网站首页时，需要查询网站的所有启用广告。而电商网站用户访问量大，大量用户每次访问首页都从数据库查询广告非常浪费资源，我们可以使用Redis缓存技术优化用户对于广告的查询。访问http://www.bootsshopping.com/user/category/all，测试查询所有广告。// todo 这里有一个小问题， 前端访问的时候即使开了代理，依然可以正确拿到数据。这里会总结构建项目过程中遇到的问题,主要流程，以及一些个人思考！访问前端项目 http://localhost:8081/
2024-04-24 14:21:42
904
原创 docker单机安装Higress（踩坑+解决）
Higress希望通过内置Waf模块，使得用户的请求链接只经过Higress就可以同时完成Waf防护、流量分发、微服务治理，既可以降低链路RT，也可以降低网关的运维复杂度。命令来搜索并删除这些文件：这条命令会在整个系统中搜索文件或文件夹名包含“higress”的所有项，并将其删除。Standalone 模式没有大规模生产使用过，目前主要用于本地部署测试的场景，如果生产部署更建议。这条命令会强制删除所有的Docker容器，无论其运行状态如何。这条命令会删除所有的Docker镜像。遇到了无法访问的问题。
2024-04-24 14:15:49
2024
2
原创 安装RocketMQ（踩坑+解决方案）
使用rz命令上传RocketMQ压缩文件。访问RocketMQ可视化面板。安装RocketMQ可视化面板。解压RocketMQ。启动RocketMQ。成功点开添加主题功能。
2024-04-24 14:12:31
664
1
原创 Day4 商品管理
这里多bb一嘴哈， 因为昨天晚上电脑开虚拟机卡爆了，强制重启，导致文件有损坏；详情见偏好设置，未保存文档；（好像还有一个是历史文档的东东， 之前那个旧版本没有， 直接找楠妮儿 要到了她的正版序列号，nice！在考虑后期是不是可以把这个图床配置一下改到我的oss 阿里云的图床上面；这里注意一下商品的信息一般不能删除，涉及到用户的订单，将无法查找到对应的商品信息；邪门了 就只有这一个玩意不能多次查看， 而且是一点完别的本来嫩点的也不能点了。md 我真出现了 之前的图片出现在不同的mysql 的不同的数据中。
2024-04-22 14:19:18
525
原创 机器学习和深度学习 -- 李宏毅（笔记与个人理解）Day 23
由于self - attention 一般都是在big model 的一部分，所以，一般不会对模型造成决定性的影响， 只有当model 的输入较长的时候， 例如图中： 图片处理 ： 256 * 256 的输入，self-attention 就会得到一个 256 * 256 的平方的 矩阵；// todo 这是因为自注意力机制的目的是计算序列中每个元素对于序列中每个其他元素的注意力得分，所以我们需要一个 N×N 的矩阵来表示这些得分。和你做函数的代换法的时候 用 u 代表变量 x 的行为没什么两样啦。
2024-04-22 01:33:46
2197
原创 机器学习和深度学习-- 李宏毅（笔记于个人理解）Day 21
假如我们现在有一个需要读完全部句子才能解的问题， 那么red window 就需要变得是最大的（最长的句子）；其实这里大家有没有想过，这个玩意儿就是个卷积网络CNN，所谓的window 就是卷积核。hand - crafted (s to s 的规则使得不会超过位置信息)这里感觉不到数学的巧妙，只是感到了工程的流水线的简洁和高效。比较接近的话，那么我们就说这a1 和a2 比较像。你也可以不做softmax（Relu 也行）b1 --b4 是同时产生的。学完自适应 再回来看看。
2024-04-19 19:10:32
821
原创 隐马尔可夫模型（HMM）硬啃西瓜书
好好好 势函数的概念真尼玛抽象–> 可以简单理解为一种考虑了相邻团的依赖的团的概率分布，然后后面那个Z 就是归一化，保证了这些势函数（自己定义出来的抽象玩意儿）之间的和等于1；后面团的概念和离散数学里的一个玩意儿挺像的；多读两遍吧应该是能读懂的，小伙子加油；（上面那个应该是*号 因为fine的定义就是这张关联的依赖）如果我们尝试把A’∪B’当作样本空间的一个划分的话确实会得到上面的式子；条件独立：有了某个条件A就B独立（原来独不独立不知道哈，也不关心）另外，这玩意儿读起来是真的爽啊！然后三个基本问题：；
2024-04-19 16:27:45
539
原创 Day3 权限管理
提供的访问权限。，保存和可能的特定于请求的安全信息。，以特定于Spring Security的方式代表校长。，以反映授予主体的应用程序范围的权限。，提供从应用程序的DAO或其他安全数据源构建Authentication对象所需的信息。，在基于String的用户名（或证书ID等）中传递时创建。既然您已经了解了这些重复使用的组件，那么让我们仔细看看身份验证过程。
2024-04-18 16:20:37
982
原创 机器学习与深度学习 --李宏毅（笔记与个人理解）Day 20
层级LSTM（Hierarchical LSTM）模型通过构建不同层级的LSTM结构来处理文本数据，其中每个层级对应文本的不同组成部分（如词、句子和段落）。这种层级模型能在不同层次上捕捉文本的组合性，如单词间、句子间的关系，从而在重构时保持文本的语义、句法和篇章的连贯性。使用LSTM做句法解析时，如果输入句子有语法错误，如缺少括号，这种错误通常不会直接影响LSTM模型的解析过程，因为LSTM并不是基于规则的解析器，而是基于学习的模型。在实际的学习（training）过程中是如何工作的？
2024-04-17 18:50:56
1758
原创 机器学习和深度学习 -- 李宏毅（笔记与个人理解）Day19
和RNN比较起来, 强化了对整体序列的记忆；并且可以 认为的通过lable 训练出需要记忆的重点序列。需要注意的一点是 forget gate 的取值 ，应该交 remember gate 会好一些。是普通的network 也是两次激活函数吗？来吧 ，整个LSTM 最重要的ppt ，走动这个ppt 你就懂了LSTM的工作原理。这样应该可以，但是如果是一个很长的段落呢？图中的+ 代表我的输入；好吧导致我停更新两天的DL，我去如坐针毡啊。正常的输入和三个控制门讯号的输入。考量时间顺序的那个kaggle！
2024-04-17 14:53:24
934
原创 Day 2 正式coding之基础模块的搭建
使用Nacos时，我们需要使用Dubbo进行服务调用，此时我们需要构建一个通用模块，在通用模块中存放服务接口。除了服务接口，我们还会存放一些实体类、工具类等通用功能，每个模块都会引用通用模块。管理员端API模块并不能查询数据，它只是服务的消费者，需要连接服务的生产者才能查询到数据。异常信息从服务端传入消费端时，Dubbo会默认封装异常，绕过我们的全局异常处理器，所以在通用模块禁用Dubbo异常封装，在Dubbo这样的分布式服务框架中，如果默认关闭了对象序列化，就会影响异常信息从服务端传到消费端的能力。
2024-04-16 21:28:24
216
原创 Day1 项目开发技术架构和虚拟机安装
在 Nacos 中，注册中心是一个用来存储和发现服务地址的关键组件，它允许服务提供者注册自己的地址和元数据，服务消费者可以查询这些信息以便进行远程调用。Dubbo 与 Nacos 的结合允许 Dubbo 用户使用 Nacos 作为其注册中心，利用 Nacos 的服务发现和配置管理功能，增强服务的可用性和灵活性。tmd 没想到安装这linux 的gui 被迫创建了一个用户，还重新选择了区域时间啥的，我这次就选了chinese 没想到还是英文界面，奇怪，以后有问题再看吧。请注意 请注意 请注意！
2024-04-16 21:06:03
94
原创 安装LInux和网络配置 保姆级教程
tmd 没想到安装这linux 的gui 被迫创建了一个用户，还重新选择了区域时间啥的，我这次就选了chinese 没想到还是英文界面，奇怪，以后有问题再看吧。这里我选择带一个gui 的界面（在这一步之前可以选择一下那个时区，改为中国上海）之后会有一个感叹号，点进去点出来即可，相当于确定分配20个g的磁盘存储。这里我不进行其他用户的创建了就， 仅创建root用户（密码设置为 root）tmd 破案了 是我连接的 小愿望的问题md；完成后 点击虚拟机配置，为虚拟机配置上你的ios 即可。
2024-04-15 21:44:04
713
原创 机器学习和深度学习 --李宏毅（笔记与个人理解）Day 18
这样也能理解为什么老师认为max pooling 可以用来解，因为随着参数的变化，max的值一定会有变化，则可以进行梯度；这张图我自己又加了一些笔记， 这里说的 是全连接的工作原理；因为单纯的cNN无法做到scaling（放大）and rotation（转），所以我们引入；好了，基本学会了，就是数字图像处理学的那点东西，就是乘一个变换矩阵就好了。固定了两个参数， 有点focus 的味道， 因为无法做旋转嘛智能做缩放。ok 以上说的三点就是它的特性了，应该没有哪一个是不懂的吧~详情请参照 《数字图像处理》
2024-04-14 13:42:59
596
原创 机器学习和深度学习--李宏毅（笔记与个人理解）Day15
霍夫丁不等式（Hoeffding’s Inequality）是概率论中的一个重要结果，它提供了一种评估独立随机变量之和与其期望值偏差的概率的方法。具体地，如果有一组独立的随机变量，每个随机变量的取值范围都是有限的，那么这些随机变量之和的实际观察值与其期望值的偏差超过某个界限的概率是非常小的。根据霍夫丁不等式，如果在足够大的训练集上，算法的误差已经非常小，那么我们有很强的信心认为，在未知的测试集上，算法的误差也会控制在一个很小的范围内。连续的时候 用VC-dimention 来算模型的 复杂程度。
2024-04-14 12:27:25
632
原创 机器学习和深度学习--李宏毅 （笔记与个人理解）Day 16
这里说dl 会提供一个足够大的模型， 来使得Dall loss 足够小，但是从这里没有看出来deepLearning 更好呀，这不是还是需要一个big training data 嘛。同样的function 参数较少 – 以为着较少的over fitting and less training data。最近在减重， 昨天跑了个一公里，然后今天上午又打了个篮球，真是老胳膊老腿了，运动完给我困得不行。Review 见前面的笔记。
2024-04-14 12:17:22
297
原创 机器学习和深度学习--李宏毅（笔记与个人理解）Day17
那么我们自然而然的认为这个厚度为64的feature map 叠起来的厚吐司 也是一个64channel 的图像；迭代为原始图像，那么下一次进行卷积的时候我们就需要64个厚度为64的fitter，也就是下面的两个64 的不同含义~ ok，打完收工。就拿上面的图片举例子，extremely case 我们取一维向量来表示（铺开），这样就会丢失一些空间的信息，例如绿色的格子和蓝色的某个格子其实是垂直的，仅仅相差一个垂直距离，但是展开为一根棍就很难找到这种关联。Flatten 拉直。
2024-04-13 20:59:38
1505
1
原创 nacos 安装保姆级教程
调整了一下datasource 的配置位置（放在唯一有字儿的地方） 解决了。这是一个典型的 Spring 框架的依赖注入问题。的初始化失败，原因是没有设置数据源（DataSource）修改为支持远程连接 使用% 替换 local。bean 的过程中，这个 bean 依赖于。nacos 自带sql生成12张表结构。查看nacos为什么启动失败。文中提到的压缩包见博客资料。具体到底层，问题出在。
2024-04-13 16:43:48
977
原创 机器学习和深度学习 -- 李宏毅（笔记与个人理解）Day 13
如果只用当前的梯度值来更新学习率，那么任何较大的梯度值都可能会导致很大的学习率变化，这可能会使得学习过程不稳定。通过使用所有过去梯度的平方的平均值，我们可以使学习率的变化更加平滑，因为这个值不会因为个别极端的梯度值而发生剧烈波动。woc 我发现这两个是差不多的思想啊，你把上面那个正则化的东西用Gradient做出来。时候的学习率，但是由图我们可以知道有时候同一个参数我们也希望起有变化率的不同取值。好吧完全不一样，但是我又不知道这个会不会对于我的……以及这个式子和之前讲的那个正则化是不是一样的呢？
2024-04-12 19:38:28
554
原创 机器学习和深度学习-- 李宏毅（笔记与个人理解）Day 14
当使用非线性激活函数（如Sigmoid或Tanh）时，在输入值非常大或非常小的情况下，这些激活函数的梯度会接近于零。因此，如果在MSE损失函数的情况下，预测值与目标值之间的差异很大，经过激活函数的反向传播会产生非常小的梯度。但是Cross Entropy 两个差距很大的时候整体乘积并不会无限大 — 因为本质上描述的是两个概率分布的差异。哦 今天刚学的 ，KL散度 ，看来cross-entropy 和KL散度是等价的咯~ 我感觉我的直觉没错。这里MSE离得很远的时候会梯度消失，致使训练变得困难；
2024-04-12 19:34:59
587
原创 机器学习和深度学习--李宏毅（笔记与个人理解）Day11-12
换句话说，如果我们发现了一个负特征值λ 和相应的特征向量u，我们可以通过沿着 u 的方向更新 θ 来降低损失函数的值。引入高维空间的观点，解决local minima的问题：我们很少遇到local minima；例如，如果你有100个batch，那么在完成一个epoch后，每个参数会被更新100次。知道学到这里想到什么嘛……和对应的特征值 λ定义为满足下列关系的向量和标量：Hu=λu。这里举了两个极端的例子，也是我们常见的学习方法：取极限看效果。有没有感觉这种思想还挺常见的，用来做局部最小值的优化的。
2024-04-11 20:27:02
2263
原创 机器学习和深度学习-- 李宏毅（笔记与个人理解）Day10
这节课总体听下来比较轻松，二倍速一路刷过去了，看看明天的课还会不会这么轻松吧哈哈，期待，今天实操了一下线性回归的东西 还不错有意思~为什么over fitting 留到下下周哦~~ 期待。
2024-04-10 21:42:36
422
原创 机器学习实训 Day1（线性回归练习）
随机初始数据fi1∑nyi−w0w1xi))2对loss 求w0 和w1 的偏微分，解方程组可得w1n∑xi2−∑xi2n∑xiyi−∑xi∑yiw0n∑xi2−∑xi2∑xi2∑yi−∑xi∑xiyi。
2024-04-10 20:20:50
1363
原创 jupyter 重新下载与安装教程
要卸载 Jupyter，首先需要确定你是通过哪种方式安装的。由于你提到不确定是通过conda还是本地的 Python 安装的，我们可以分别检查并尝试卸载。这里选择你所有的jupyter 相关的包。
2024-04-10 17:36:16
1162
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人