Llama 3 简介（一）
目录
1. 引言
1.1 Llama 3 的简介
1.2 性能评估
1.3 开源计划
1.4 多模态扩展
ps
1. 缩放法则
2. 超额训练（Over-training）
3. 计算训练预算
4. 如何逐步估算和确定最优模型？
2. 概述
2.1 Llama 3 语言模型开发两个主要阶段
2.2 多功能模型的能力
2.3 多模态扩展实验
1. 引言
基础模型 是面向语言、视觉、语音和其他多模态的大型模型，旨在支持各种 AI 任务。它们是许多现代 AI 系统的核心。 现代基础模型的开发主要包括两个阶段：
-
预训练阶段在大规模数据集上进行训练，任务通常很简单，比如预测下一个单词或生成字幕。
-
后训练阶段模型经过调整以能够遵循指令，更好地符合人类偏好，并提升特定能力（例如编码和推理）。
在本文中，我们介绍了一组名为 Llama 3 的全新语言基础模型。Llama 3 系列模型本地支持多语言、编码、推理和工具使用。我们的最大模型是一个拥有 4050 亿参数的稠密 Transformer，能够在最长 128K 个 token 的上下文窗口中处理信息。
1.1 Llama 3 的简介
-
Llama 3 是一组多语言大语言模型，由三个不同规模的模型组成：8B、70B 和 405B 参数。
-
8B：小型模型，适合资源受限的场景。
-
70B：中型模型，性能与计算需求均衡。
-
405B：旗舰模型，性能接近 GPT-4。
-
开发高质量基础模型有三个关键要素：数据、规模和复杂性管理。
数据：训练数据量提升到 15T token，是 Llama 2 的 8 倍以上。数据更广泛、更高质量，使模型更强大。
规模：旗舰模型拥有 4050 亿参数，远超 Llama 2。这种大模型具备更强的泛化能力和复杂任务处理能力
复杂性管理：采用更稳定的稠密 Transformer，而非更复杂的混合模型，确保训练稳定性和易于扩展。
表 1 解读
-
Llama 3.1 版本的模型全面支持多语言、长上下文和工具使用，而早期的 Llama 3 版本仅在部分模型中实现这些功能。
-
405B 模型 是当前最大的模型版本，展现了在大规模训练下的顶级性能。是基于缩放法则的计算最优模型。
-
小型模型如 8B 和 70B 虽然更小，但通过更长时间的训练（超额训练），在同样的推理预算下，也能达到接近旗舰模型的效果。
-
Instruct 版本 是针对指令优化的模型，能更好地遵循人类输入，实现更精确的响应。
1.2 性能评估
-
研究团队在广泛的基准数据集上评估了 Llama 3 的表现，这些数据集涵盖了多种语言理解任务。
-
**旗舰模型（405B 参数）**的表现：
-
在多个任务上接近或达到 GPT-4 的水平，非常接近当前的最先进（state-of-the-art）语言模型。
-
-
小型模型（8B 和 70B 参数）：
-
在同样的参数规模下，小型模型优于其他竞争模型（如 Bai et al., 2023；Jiang et al., 2023），证明了它的高效性。
-
1.3 开源计划
-
公开发布：所有三个 Llama 3 模型（8B、70B、405B）将通过一个更新的 Llama 3 社区许可协议（Community License）开放 https://llama.meta.com. 包括：
-
预训练版本（405B）：基础大模型。
-
微调版本（405B）：优化过的指令版本。
-
Llama Guard 模型：用于输入和输出的安全性检查。
-
1.4 多模态扩展
-
多模态支持：Llama 3 团队正在开发扩展模型，使其能够支持以下任务：
-
图像识别（image recognition）。
-
视频分析（video recognition）。
-
语音理解（speech understanding）。
-
-
这些多模态模型仍在积极开发中，目前尚未准备好发布。
ps
1. 缩放法则
基础模型的缩放法则（Scaling Laws for Foundation Models）是指在训练大型模型时，模型的性能如何随以下三大因素扩展而提高的规律：
-
数据规模（Data Size）
-
模型参数量（Model Size）
-
计算量（FLOPs）（Compute Budget）
这些法则揭示了：
-
更大的模型 在更大的数据集上训练，并使用更多的计算资源时，其性能通常会持续提升。
-
性能提升是可预测的，即模型的损失函数或下游任务的精度，可以根据模型规模和计算量的增加呈现出幂律关系。
简单理解：
-
小模型+长时间训练 ≈ 大模型+少训练时间
-
计算最优模型在两者之间找到平衡，确保在有限的预算下获得最高性能。
2. 超额训练（Over-training）
超额训练 指的是在模型已经达到计算最优之后，继续进行训练，投入更多的计算量或数据，尽管提升幅度变小，但最终模型表现会略优于计算最优模型。
通常适用于：
-
关键任务：需要高精度的任务（如医疗、自动驾驶）。
-
长尾场景：在罕见或复杂数据上需要更强的泛化能力。
3. 计算训练预算
经验值参考
-
GPT-3 (175B 参数) 训练耗费约 3.14 × 10²³ FLOPs。
-
LLaMA 2 (65B 参数) 训练耗费约 1.0 × 10²³ FLOPs。
-
PaLM 540B 参数 训练预算约 6.4 × 10²⁴ FLOPs。
1E24 FLOPs 是一个行业通用的经验值，适合训练 50B~100B 参数规模的模型。
训练预算也可以通过公式推导，结合模型参数量和数据量来计算。
4. 如何逐步估算和确定最优模型？
行业基准：很多公司在训练 50B~100B 参数模型时，通常预算约在 1E24−5E24FLOPs范围内。
计算资源：这个预算量级对应当前行业常用的 TPU/GPU 集群资源，能够在合理时间内完成大规模模型训练。
总结：流程简化版
-
用公式估算最优模型参数量（先估模型大小）。
-
反算训练预算（FLOPs），确保资源充足。
-
训练不同规模模型，观察损失曲线变化。
-
在计算最优点停下或决定超额训练。
2. 概述
Llama 3 的模型架构如图 1 所示。
2.1 Llama 3 开发两个主要阶段
语言模型的预训练（Language model pre-training）
-
我们首先将一个大规模的多语言文本语料库转换为离散的 token（标记），并使用这些数据对一个大型语言模型（LLM）进行预训练，以执行下一个 token 的预测任务。
-
在语言模型的预训练阶段，模型通过“阅读”文本，学习语言的结构并获得关于世界的大量知识。
-
为了高效实现这一点，预训练在大规模环境下进行：我们对一个拥有 4050 亿参数的模型进行了预训练，使用了 15.6 万亿 token 的语料，支持的上下文窗口为 8K token。
-
在标准预训练阶段完成后，还进行了进一步的预训练阶段，将支持的上下文窗口扩展到 128K token（详见第 3 节）。
语言模型的后训练（Language model post-training）
-
虽然经过预训练的语言模型对语言有了丰富的理解，但它尚不能遵循指令，或表现出我们期望的助手行为。
-
我们通过多轮次的对齐优化，使模型与人类反馈保持一致，每一轮都包括：
-
使用指令微调数据进行的监督微调（SFT）。
-
直接偏好优化（DPO；Rafailov 等人，2024）。
-
-
在后训练阶段，我们还整合了新的功能，例如工具使用，并在其他领域（如编程和推理）上观察到显著改进（详见第 4 节）。
-
最后，在后训练阶段中还加入了安全性缓解措施，详细内容详见第 5.4 节。
2.2 多功能模型的能力
训练后的 Llama 3 模型具备丰富的功能：
-
能够使用至少八种语言回答问题。
-
撰写高质量代码。
-
解决复杂的推理问题。
-
支持零样本使用工具或开箱即用。
2.3 多模态扩展实验
我们还进行了实验，为 Llama 3 添加了图像、视频和语音处理能力。这些能力是通过一个组合方法实现的，分为以下三个阶段
1. 多模态编码器预训练（Multi-modal encoder pre-training）
图像编码器：
-
我们为图像和语言训练了独立的图像编码器，使用了大量图像-文本对。
-
这让模型能够学习视觉内容与自然语言描述之间的关系。
语音编码器：
-
我们使用一种自监督方法训练语音编码器，方法是在语音输入中掩盖部分信号并让模型尝试重建这些掩盖的部分，输出为离散的 token 表示。
-
结果是模型学会了语音信号的结构和特征。
2. 视觉适配器训练（Vision adapter training）
我们为图像编码器设计了一个适配器（adapter），将其与预训练的语言模型集成。
-
适配器包含一系列交叉注意力层（cross-attention layers），用于将图像编码器的表示输入到语言模型中。
-
训练适配器时使用的是图像-文本对数据，使图像表示和语言表示对齐。
训练过程中：
-
图像编码器参数会更新。
-
语言模型参数不会更新。
视频适配器：
-
在图像适配器的基础上，我们使用视频-文本对数据训练了一个视频适配器，使模型能够跨帧聚合信息。
3. 语音适配器训练（Speech adapter training）
最后，我们通过一个适配器将语音编码器集成到模型中，适配器将语音编码转换为可以直接输入到微调语言模型的 token 表示。
适配器和语音编码器的参数在监督微调阶段一起更新，以实现高质量的语音理解。
训练过程中：
-
语言模型参数不会被改变。
我们还集成了一个文本到语音系统（text-to-speech system），进一步增强了语音交互能力。
实验结果
这些多模态实验结果表明，Llama 3 的扩展模型能够：
-
识别图像和视频的内容。
-
支持通过语音接口与用户交互。
当前状态：这些模型仍在开发中，尚未准备好发布。
相关文章：
Llama 3 简介（一）
目录 1. 引言 1.1 Llama 3 的简介 1.2 性能评估 1.3 开源计划 1.4 多模态扩展 ps 1. 缩放法则 2. 超额训练（Over-training） 3. 计算训练预算 4. 如何逐步估算和确定最优模型？ 2. 概述 2.1 Llama 3 语言模型开发两个主要阶段 2.2…...
路由器做WPAD、VPN、透明代理中之间一个
本文章将采用家中TP-Link路由器 路由器进行配置DNS DNS理解知识本文DNS描述参考：网络安全基础知识&中间件简单介绍_计算机网络中间件-CSDN博客 TP LINK未知的错误，错误编号：-22025 TP-LINK 认证界面地址：https://realnam…...
Xcode 16 编译弹窗问题、编译通过无法，编译通过打包等问题汇总
问题1：打包的过程中不断提示 ：codesign 想要访问你的钥匙串中的密钥“develop 或者distribution 证书” 解决：打开钥匙串，点击证书---显示简介---信任----改为始终信任 （记住 ：不能只修改钥匙的显示简介的…...
【编辑器扩展】打开持久化路径/缓存路径/DataPath/StreamingAssetsPath文件夹
代码 [MenuItem("Assets/Open Explorer/PersistentDataPath")]public static void OpenPersistentDataPath(){Application.OpenURL(Application.persistentDataPath);}[MenuItem("Assets/Open Explorer/DataPath")]public static void OpenDataPath(){Appl…...
shardingsphere分库分表项目实践1-让shardingsphere运行起来
学习新技术最快的方式就是： 1. 先找一个比较完善的demo跑起来 2. 弄清楚用法：配置、原理、使用场景 3. 移植到自己项目上，按照自己需求进行修改优化。 找demo项目的方法：优先去官方git库找，如果没有或者过于简单那么…...
Java预加载
预加载（Preload）是一种在程序运行之前预先加载所需资源或对象的优化技术，旨在提高程序的性能和响应速度。以下是对预加载的详细解释： 一、预加载的定义 预加载是指在程序实际运行之前，将预计会频繁使用的资源&#x…...
Vue3之状态管理Vuex
Vuex作为Vue.js的官方状态管理库，在大型或复杂的前端项目中扮演着至关重要的角色。本文将从Vuex的原理、特点、应用场景等多个方面进行深入解析，并通过代码示例展示如何在Vuex中实现特定功能。 一、Vuex原理 Vuex是一个专为Vue.js应用程序开发的状态管…...
优化 invite_codes 表的 SQL 创建语句
-- auto-generated definition create table invite_codes (id int auto_incrementprimary key,invite_code varchar(6) not null comment 邀请码，6位整数，确保在有效期内…...
ctfhub disable_functions关卡
1.CTFHub Bypass disable_function —— LD_PRELOAD 2.CTFHub Bypass disable_function —— ShellShock 3.CTFHub Bypass disable_function —— Apache Mod CGI 4.CTFHub Bypass disable_function —— 攻击PHP-FPM 5.CTFHub Bypass disable_function —— GC UAF 6.CTFHub B…...
Pikachu 漏洞练习平台 XXE漏洞学习记录
懒得自己搭建的可以直接FOFA找别人的靶场玩 FOFA "Pikachu 漏洞练习平台" 开始 随便输入个包含命名实体（内部实体）的xml数据（以下代码中xxe是命名实体的实体名称）： <?xml version"1.0"?>…...
机器学习基础 衡量模型性能指标
目录 1 前言 编辑1.1 错误率(Error rate)&精度(Accuracy)&误差(Error)： 1.2 过拟合(overfitting): 训练误差小，测试误差大 1.3 欠拟合(underfitting)：训练误差大，测试误差大 1.4 MSE: 1.5 RMSE: 1.6 MAE: 1.7 R-S…...
C#—内建接口: IEnumerable与IEnumerator接口详解
IEnumerable接口 在C#中，IEnumerable 是一个泛型接口，它表示一个可以通过 IEnumerator 迭代器进行迭代枚举的集合。这个接口是非常基础且重要的，因为它允许开发者以一致的方式遍历任何实现了该接口的集合，无论是数组、列表、自定…...
、 log4j、 logback)
java日志框架：slf4j、jul(java.util.logging)、 log4j、 logback
SLF4J--抽象接口 SLF4J (Simple Logging Facade for Java) 是一个为各种 Java 日志框架提供简单统一接口的库。它的主要目的是将应用程序代码与具体的日志实现解耦，使得在不修改应用程序代码的情况下，可以轻松地切换不同的日志框架。 jul-to-slft4j.ja…...
SpringBoot 事务
事务是一组操作的集合, 是一个不可分割的操作.会把所有的操作作为一个整体, 一起向数据库提交或者是撤销操作请求. 所以这组操作要么同时成功, 要么同时失败. 为什么需要事务? 我们在进行程序开发时, 也会有事务的需求. 比如转账操作: 第一步：A 账户 -100 元. …...
airflow docker 安装
mkdir -p /root/airflow cd /root/airflow && mkdir -p ./dags ./logs ./plugins ./configcd /root/airflow/ wget https://airflow.apache.org/docs/apache-airflow/2.10.4/docker-compose.yaml nano docker-compose.yamlAIRFLOW__CORE__LOAD_EXAMPLES: false #初始化…...
如何用gpt来分析链接里面的内容（比如分析论文链接）和分析包含多个文件中的一块代码
如何用gpt来分析链接里面的内容，方法如下 这里使用gpt4里面有一个网路的功能 点击搜索框下面这个地球的形状即可启动搜索网页模式 然后即可提出问题在搜索框里：发现正确识别和分析了链接里面的内容 链接如下：https://arxiv.org/pdf/2009.1…...
linux 常用 Linux 命令指南
常用 Linux 命令指南 以下是一些常用的 Linux 命令，分类并附带简单说明，适合日常操作和快速参考。 1. 文件与目录操作 ls: 列出当前目录下的文件和子目录ls -l # 显示详细信息 ls -a # 显示隐藏文件cd: 切换目录cd /path/to/directorypwd: 显示当前工作目录pwdmkdir: 创…...
《战神：诸神黄昏》游戏运行时提示找不到emp.dll怎么办？emp.dll丢失如何修复？
《战神：诸神黄昏》游戏运行时提示找不到emp.dll怎么办？emp.dll丢失的修复方法 在畅游《战神：诸神黄昏》这款史诗级游戏的过程中，如果突然遭遇“找不到emp.dll”的错误提示，无疑会打断你的冒险之旅。作为一名深耕软件开…...
PHP中替换某个包或某个类
在使用composer组件时，有时候需要对包进行一些自定义修改，有一些教程中写需要修改composer.json，然后发布到Packagist，但如果只是适应自己需求所作的小修改，其实并没有必要发布到Packagist，而这样做也是Pac…...
亚信安全春节14天双倍假期通告
亚信安全14天双倍假期来袭 “网安福利王”再次实至名归 2024年 8773小时，31582680秒 亚信安全一直驰骋于云网安世界 奋战在“安全 数智化”的壮阔征途上 如今，新春的脚步渐近 长达14天的春节长假 能让我们暂且放下忙碌的工作 去除班味，…...
kubernetes存储架构之PV controller源码解读
kubernetes存储之PV controller源码解读 摘要 本文介绍kubernetes存储架构的基础，并重点对PV controller的源码进行了学习 引入 从一个业务场景出发，假如你所在的公司，有个物理机，上面部署了web服务器，随着业务…...
Kubernates
kubernates是一个开源的，用于管理云平台中多个主机上的容器化的应用，Kubernetes的目标是让部署容器化的应用简单并且高效（powerful）,Kubernetes提供了应用部署，规划，更新，维护的一种机制。 架构…...
1.使用 Couchbase 数仓和 Temporal（一个分布式任务调度和编排框架）实现每 5 分钟的增量任务
在使用 Couchbase 数仓和 Temporal（一个分布式任务调度和编排框架）实现每 5 分钟的增量任务时，可以按照以下步骤实现，同时需要注意关键点。 实现方案 1. 数据层设计（Couchbase 增量存储与标记） 在 Couchb…...
设计模式的主要分类是什么？请简要介绍每个分类的特点。
大家好，我是锋哥。今天分享关于【设计模式的主要分类是什么？请简要介绍每个分类的特点。】面试题。希望对大家有帮助； 设计模式的主要分类是什么？请简要介绍每个分类的特点。 1000道 互联网大厂Java工程师 精选面试题-Java资源分…...
Webpack学习笔记（5）
1.拆分开发环境和生产环境配置 很多配置在开发环境和生产环境存在不一致的情况，比如开发环境没有必要设置缓存，生产环境需要设置公共路径等等。 2.公共路径 使用publicPath配置项，可以通过它指定应用程序中所有资源的基础路径。 webpack.…...
Unity 6 中的新增功能
Unity 6 是 Unity 的最新版本。 一、编辑器和工作流程 Unity 6 中引入的更改 在 Linux 上实现了将文件和资源从 Unity 拖放到外部应用程序的功能。将 Asset Manager for Unity 包添加到 Package Manager > Services > Content Management 部分中。此包允许用户轻松浏览…...
【前端 Uniapp】使用Vant打造Uniapp项目（避坑版）
一、基本介绍 Uniapp 是基于 Vue.js 的开发框架，通过一套代码可以同时发布到多个平台的应用框架。而 Vant 是针对移动端 Vue.js 的组件库。通过这样的组合，我们可以快速构建出一个跨平台的移动应用。Vant 已经支持多种小程序和 H5 平台，也对…...
JVM 详解
一. JVM 内存区域的划分 1. 程序计数器 程序计数器是JVM中一块比较小的空间, 它保存下一条要执行的指令的地址. [注]: 与CPU的程序计数器不同, 这里的下一条指令不是二进制的机器语言, 而是Java字节码. 2. 栈 保存方法中的局部变量, 方法的形参, 方法之间的调用关系. 栈又…...
代码加入SFTP JAVA ---（小白篇3）
在 Java 中，您可以使用 JSch（Java Secure Channel）库 来连接和操作 SFTP 服务器。以下是一个完整的示例代码，展示如何使用 Java 接入 SFTP 服务器并上传文件。 1.服务器上加入SFTP------(小白篇 1) 2.加入SFTP 用户------(小白篇…...
使用手册（一）)
机器人C++开源库The Robotics Library (RL)使用手册（一）
强大的、完整的C机器人开源库 1、是否可以免费商用？2、支持什么平台？3、下载地址4、开始！ 1、是否可以免费商用？ Robotics Library（RL）是一个独立的C库，用于机器人运动学、运动规划和控制。它涵…...
Linux高级--2.6 网络面试问题
tcp 与 udp的区别 1.tcp 是基于连接的 UDP是基于数据包 2.处理并发的方式不通 a.tcp用epoll进行监听的 b. udp是模拟tcp的连接过程，服务端开放一个IP端口，收到连接后，服务端用另一个IP和端口发包给客户端。 3.tcp根据协议MTU黏包及…...
HTML 画布：创意与技术的融合
HTML 画布：创意与技术的融合 HTML 画布（<canvas>）元素是现代网页设计中的一个强大工具，它为开发者提供了一个空白画布，可以在上面通过JavaScript绘制图形、图像和动画。这种技术不仅为网页增添了视觉吸引力，还极大地丰富了用户的交互体验。本文将深入探讨HTML画布…...
)
python EEGPT报错：Cannot cast ufunc ‘clip‘ output from dtype(‘float64‘)
今天在运行EEGPT的时候遇见了下面的问题，首先是nme报错，然后引起了numpy的报错： numpy.core._exceptions._UFuncOutputCastingError: Cannot cast ufunc clip output from dtype(float64)在网上找了好久的教程，但是没有找到。猜测…...
揭秘区块链隐私黑科技：零知识证明如何改变未来
文章目录 1. 引言：什么是零知识证明？2. 零知识证明的核心概念与三大属性2.1 完备性（Completeness）2.2 可靠性（Soundness）2.3 零知识性（Zero-Knowledge） 3. 零知识证明的工作原理4. 零…...
mysql之MHA
MHA 1.概述 MHA（Master High Availability）是一种用于MySQL数据库的高可用性解决方案，旨在实现自动故障切换和最小化数据丢失。它由MHA Manager和MHA Node组成，适用于一主多从的架构。 是建立在主从复制基础之上的故障切换的软件…...
《XML》教案 第2章 使第4章 呈现XML文档
《XML》教案 第2章 使第4章 呈现XML文档 主讲人： 回顾上一章: [10分钟] 2 课程知识点讲解： 2 通过级联样式表转换XML文档：[15分钟] 3 通过可扩展样式表语言转换XML文档 ：[5分钟] 4 嵌套 for 循环 ：[20分钟] 5 本章总结…...
Centos7离线安装Docker脚本
1、文件结构 docker_install/ ├── docker-27.4.1.tgz ├── docker-compose-linux-x86_64 └── docker_install.sh 2、下载docker安装包 wget https://download.docker.com/linux/static/stable/x86_64/docker-27.4.1.tgz 3、下载docker-compose wget https://githu…...
Linux -- 互斥的底层实现
lock 和 unlock 的汇编伪代码如下： lock:movb $0,%alxchgb %al,mutexif(al 寄存器的内容>0)return 0;else挂起等待；goto lock;unlock:movb $1,mutex唤醒等待 mutex 的线程；return 0; 我们来理解以下上面的代码。 首先线程 1 申请锁&…...
hhdb客户端介绍（57）
技术选型 选择 MySQL 数据库的原因 开源免费： MySQL 作为一款开源数据库，不仅免费提供给用户，还具备强大的功能和灵活性，有效降低了企业的软件许可成本。 卓越的性能： 在处理大规模数据集和高并发访问时，…...
elasticsearch 杂记
8.17快速安装与使用 系统：ubuntu 24 下载地址： https://artifacts.elastic.co/downloads/elasticsearch/elasticsearch-8.17.0-linux-x86_64.tar.gz 解压后进入目录：cd ./elasticsearch-8.17.0 运行：./bin/elasticsearch 创…...
大功率LED基础学习笔记
大功率 LED 基础学习笔记 一、 LED发光原理 （1）传统白炽灯发光原理 大家从小听说爱迪生发明（改良）电灯，其白炽灯工作原理为：灯丝通电加热到白炽状态，利用热辐射发出可见光的电光源。由于发光…...
EdgeX Core Service 核心服务之 Core Command 命令
EdgeX Core Service 核心服务之 Core Command 命令 一、概述 Core-command（通常称为命令和控制微服务）可以代表以下角色向设备和传感器发出命令或动作： EdgeX Foundry中的其他微服务（例如，本地边缘分析或规则引擎微服务）EdgeX Foundry与同一系统上可能存在的其他应用程序…...
Debian12使用RKE2离线部署3master2node三主两从的k8s集群详细教程
一、前提步骤 1、在各个节点执行（所有 Server 和 Agent 节点） apt install apparmor -y apt install curl -y2、设置各节点Host文件（所有 Server 和 Agent 节点） 192.168.144.175 master01 192.168.144.167 master02 192.168.1…...
【Redis】配置序列化器
1. 配置FastJSON2 FastJSON2相比与FastJSON更安全，更推荐使用。 import com.alibaba.fastjson2.JSON; import com.alibaba.fastjson2.JSONReader; import com.alibaba.fastjson2.JSONWriter; import com.alibaba.fastjson2.filter.Filter;import org.springframew…...
数字IC后端设计实现十大精华主题分享
今天小编给大家分享下吾爱IC社区星球上周十大后端精华主题。 Q1:星主，请教个问题，长tree的时候发现这个scan的tree 的skew差不多400p，我高亮了整个tree的schematic，我在想是不是我在这一系列mux前边打断，设置ignore p…...
【Docker】部署MySQL容器
关于docker，Windows上使用Powershell/CMD执行指令，Linux系统直接使用终端执行指令。 拉取MySQL 也可以跳过拉取步骤，直接run，这样本地容器不存在的话，会自动拉取最新/指定的版本。 # 默认拉取最新版本 docker pull …...
go语言中的字符串详解
目录 字符串的基本特点 1.字符串的不可变性 2.其他基本特点 字符串基本操作 1. 创建字符串 2. 获取字符串长度 3. 字符串拼接 4. 遍历字符串 5. 字符串比较 字符串常用函数 1. 判断子串 2. 查找与索引 3. 字符串替换 4. 分割与连接 5. 修剪字符串 6. 大小写转换…...
数据中台从centos升级为国产操作系统后，资源增加字段时，提交报500错误
文章目录 背景一、步骤1.分析阶段2.查看nginx3.修改用户（也可以修改所有者权限） 背景 故障报错： nginx报错信息： 2024/12/19 15:25:31 [crit, 500299#0: *249 onen0 " /var/lib/nginx/tmp/cient body/0000000001" f…...
centos-stream9系统安装docker
如果之前安装过docker需要删除之前的。 for pkg in docker.io docker-doc docker-compose docker-compose-v2 podman-docker containerd runc; do sudo yum -y remove $pkg; done 安装yum-utils工具： dnf -y install yum-utils dnf-plugins-core 设置存储库&…...
计算机网络基础20道选择题，你能答对几题？
大家好，我是阿祥。今天给大家准备了一场关于计算机网络基础知识的小测验，包含20道精选的选择题。这不仅是对大家网络知识的一次检验，也是一次有趣的学习机会。 IPv4地址的长度是多少位？A. 16位 B. 32位 C. 64位 D. 128位答案&…...