深度学习原理与Pytorch实战
深度学习原理与Pytorch实战 第2版 强化学习人工智能神经网络书籍 python动手学深度学习框架书 TransformerBERT图神经网络：
技术讲解 
编辑推荐
1.基于PyTorch新版本，涵盖深度学习基础知识和前沿技术，由浅入深，通俗易懂，适合初学人士的深度学习入门书3.实战案例丰富有趣，深度学习原理与具体的操作流程相结合4.新增了Transformer、BERT、图神经网络等热门技术的讲解5.配有源代码和导学，让学习更直观、更有效。另有付费□□课程。
内容简介
本书是一本系统介绍深度学习技术及开源框架PyTorch的入门书。书中通过大量案例介绍了PyTorch的使用方法、神经网络的搭建、常用神经网络（如卷积神经网络、循环神经网络）的实现，以及实用的深度学习技术，包括迁移学习、对抗生成学习、深度强化学习、图神经网络等。读者通过阅读本书，可以学会构造一个图像识别器，生成逼真的图画，让机器理解单词与文本，让机器作曲，教会机器玩游戏，还可以实现一个简单的机器翻译系统。第□版基于PyTorch 1.6.0，对全书代码进行了全面更新，同时增加了Transformer、BERT、图神经网络等热门深度学习技术的讲解，更具实用性和时效性。
目录
推荐序
前言
作者简介
□ □章 深度学习简介 1
1．1 深度学习与人工智能 1
1．□ 深度学□□历史渊源 □
1．□．1 从感知机到人工神经网络 3
1．□．□ 深度学□□□ 4
1．□．3 巨头之间的角逐 5
1．3 深度学□□影响因素 6
1．3．1 大数据 6
1．3．□ 深度网络架构 7
1．3．3 GPU 11
1．4 深度学习为什么如此成功 11
1．4．1 特征学习 11
1．4．□ 迁移学习 1□
1．5 小结 13
1．6 参考文献 14
第 □章 PyTorch简介 15
□．1 PyTorch安装 15
□．□ 初识PyTorch 15
□．□．1 与Python完美融合 16
□．□．□ 张量计算 16
□．□．3 动态计算图 □0
□．3 PyTorch实例：预测房价 □7
□．3．1 准备数据 □7
□．3．□ 设计模型 □8
□．3．3 训练 □9
□．3．4 预测 31
□．3．5 术语汇总 3□
□．4 小结 33
第3章 单车预测器——你的□ □个神经网络 35
3．1 共享单车的烦恼 35
3．□ 单车预测器1．0 37
3．□．1 人工神经网络简介 37
3．□．□ 人工神经元 38
3．□．3 两个隐含神经元 40
3．□．4 训练与运行 4□
3．□．5 失败的神经预测器 4□
3．□．6 过拟合 48
3．3 单车预测器□．0 49
3．3．1 数据的预处理过程 49
3．3．□ 构建神经网络 5□
3．3．3 测试神经网络 55
3．4 剖析神经网络Neu 57
3．5 小结 61
3．6 Q&A 61
第4章 机器也懂感情——中文情绪分类器 63
4．1 神经网络分类器 64
4．1．1 如何用神经网络做分类 64
4．1．□ 分类问题的损失函数 66
4．□ 词袋模型分类器 67
4．□．1 词袋模型简介 68
4．□．□ 搭建简单文本分类器 69
4．3 程序实现 70
4．3．1 数据处理 71
4．3．□ 文本数据向量化 73
4．3．3 划分数据集 74
4．3．4 建立神经网络 75
4．4 运行结果 78
4．5 剖析神经网络 79
4．6 小结 83
4．7 Q&A 83
第5章 手写数字识别器——认识卷积神经网络 84
5．1 什么是卷积神经网络 85
5．1．1 手写数字识别任务的卷积神经网络及运算过程 86
5．1．□ 卷积运算 87
5．1．3 池化运算 93
5．1．4 立体卷积核 94
5．1．5 超参数与参数 95
5．1．6 其他说明 96
5．□ 手写数字识别器 97
5．□．1 数据准备 97
5．□．□ 构建网络 100
5．□．3 运行模型 10□
5．□．4 测试模型 104
5．3 剖析卷积神经网络 105
5．3．1 □ □层卷积核与特征图 105
5．3．□ 第二层卷积核与特征图 106
5．3．3 卷积神经网络的健壮性实验 107
5．4 小结 109
5．5 Q&A 109
5．6 扩展阅读 109
第6章 手写数字加法机——迁移学习 110
6．1 什么是迁移学习 111
6．1．1 迁移学□□由来 111
6．1．□ 迁移学□□分类 11□
6．1．3 迁移学□□意义 11□
6．1．4 如何用神经网络实现迁移学习 113
6．□ 应用案例：迁移学习如何抗击贫困 115
6．□．1 背景介绍 115
6．□．□ 方法探寻 116
6．□．3 迁移学习方法 116
6．3 蚂蚁还是蜜蜂：迁移大型卷积神经网络 117
6．3．1 任务描述与初步尝试 118
6．3．□ ResNet与模型迁移 119
6．3．3 代码实现 1□0
6．3．4 结果分析 1□3
6．3．5 更多的模型与数据 1□5
6．4 手写数字加法机 1□5
6．4．1 网络架构 1□5
6．4．□ 代码实现 1□6
6．4．3 训练与测试 133
6．4．4 结果 135
6．4．5 大规模实验 135
6．5 小结 140
6．6 实践项目：迁移与效率 140
第7章 你自己的Prisma——图像风格迁移 14□
7．1 什么是风格迁移 14□
7．1．1 什么是风格 14□
7．1．□ 风格迁移的含义 143
7．□ 风格迁移技术发展简史 144
7．3 神经网络风格迁移 146
7．3．1 神经网络风格迁移的优势 146
7．3．□ 神经网络风格迁移的基本思想 147
7．3．3 卷积神经网络的选取 148
7．3．4 内容损失 149
7．3．5 风格损失 149
7．3．6 风格损失原理分析 150
7．3．7 损失函数与优化 153
7．4 神经网络风格迁移实战 153
7．4．1 准备工作 153
7．4．□ 建立风格迁移网络 155
7．4．3 风格迁移训练 158
7．5 小结 161
7．6 扩展阅读 161
第8章 人工智能造假术——图像生成与对抗学习 16□
8．1 反卷积与图像生成 165
8．1．1 卷积神经网络回顾 165
8．1．□ 反卷积运算 167
8．1．3 反池化过程 169
8．1．4 反卷积与分数步伐 170
8．1．5 输出图像尺寸公式 171
8．1．6 批正则化技术 17□
8．□ 图像生成实验1——□小均方误差模型 173
8．□．1 模型思路 173
8．□．□ 代码实现 174
8．□．3 运行结果 178
8．3 图像生成实验□——生成器—识别器模型 180
8．3．1 生成器—识别器模型的实现 180
8．3．□ 对抗样本 183
8．4 图像生成实验3——GAN 186
8．4．1 GAN的总体架构 187
8．4．□ 程序实现 188
8．4．3 结果展示 191
8．5 小结 193
8．6 Q&A 193
8．7 扩展阅读 194
第9章 词汇的星空——神经语言模型与Word□Vec 195
9．1 词向量技术介绍 195
9．1．1 初识词向量 195
9．1．□ 传统编码方式 196
9．□ NPLM：神经概率语言模型 197
9．□．1 NPLM的基本思想 198
9．□．□ NPLM的运作过程详解 198
9．□．3 读取NPLM中的词向量 □01
9．□．4 NPLM的编码实现 □0□
9．□．5 运行结果 □05
9．□．6 NPLM的总结与□限 □07
9．3 Word□Vec □07
9．3．1 CBOW模型和Skip-gram模型的结构 □07
9．3．□ 层次归一化指数函数 □08
9．3．3 负采样 □09
9．3．4 总结及分析 □10
9．4 Word□Vec的应用 □10
9．4．1 在自己的语料库上训练Word□Vec词向量 □10
9．4．□ 调用现成的词向量 □1□
9．4．3 女人 □人＝皇后 国王 □14
9．4．4 使用向量的空间位置进行词对词翻译 □16
9．4．5 Word□Vec小结 □17
9．5 小结 □17
9．6 Q&A □18
□ □0章 深度网络 LSTM作曲机——序列生成模型 □□0
10．1 序列生成问题 □□0
10．□ RNN与LSTM □□1
10．□．1 RNN □□1
10．□．□ LSTM □□7
10．3 简单01序列的学习问题 □31
10．3．1 RNN的序列学习 □3□
10．3．□ LSTM的序列学习 □41
10．4 LSTM作曲机 □44
10．4．1 MIDI文件 □44
10．4．□ 数据准备 □45
10．4．3 模型结构 □45
10．4．4 代码实现 □46
10．5 小结 □54
10．6 Q&A □55
10．7 扩展阅读 □55
□ □1章 神经机器翻译机——端到端机器翻译 □56
11．1 机器翻译简介 □57
11．1．1 基于规则的机器翻译技术 □57
11．1．□ 统计机器翻译 □58
11．1．3 神经机器翻译 □58
11．1．4 关于Zero-shot翻译 □59
11．□ 编码—解码模型 □59
11．□．1 编码—解码模型总体架构 □60
11．□．□ 编码器 □60
11．□．3 解码器 □63
11．□．4 损失函数 □67
11．□．5 编码—解码模型归纳 □69
11．□．6 编码—解码模型的效果 □69
11．3 注意力机制 □70
11．3．1 神经机器翻译中的注意力 □71
11．3．□ 注意力网络 □71
11．4 更多改进 □75
11．4．1 GRU的结构 □75
11．4．□ 双向GRU的应用 □75
11．5 神经机器翻译机的编码实现 □76
11．5．1 神经网络的构建 □80
11．5．□ 神经网络的训练 □83
11．5．3 测试神经机器翻译机 □86
11．5．4 结果展示 □87
11．6 更多改进 □91
11．6．1 集束搜索算法 □91
11．6．□ BLEU：对翻译结果的评估方法 □93
11．6．3 对编码—解码模型的改进 □94
11．7 广义的翻译 □95
11．7．1 广义翻译机 □95
11．7．□ 广义翻译的应用场景 □95
11．8 Q&A □97
□ □□章 更强的机器翻译模型——Transformer □99
1□．1 Transformer概述 □99
1□．1．1 编码—解码模型回顾 300
1□．1．□ Transformer全景概览 300
1□．1．3 神奇的自注意力 301
1□．□ Atoken旅行记 304
1□．□．1 奇怪的序号牌 304
1□．□．□ 分身之门 305
1□．□．3 新朋友 306
1□．3 Transformer部件详解 306
1□．3．1 词嵌入与位置嵌入 306
1□．3．□ 自注意力模块计算详解 307
1□．3．3 自注意力层的矩阵计算 309
1□．3．4 残差连接与层归一化 310
1□．3．5 逐点计算的前向网络层 311
1□．3．6 解码器中的自注意力 311
1□．3．7 解码器的输出层 31□
1□．4 动手训练一个Transformer翻译模型 313
1□．4．1 翻译模型中输入单位的粒度 313
1□．4．□ 模型定义 313
1□．4．3 模型训练 318
1□．4．4 Transformer相关开源库 319
1□．5 小结 319
□ □3章 学习跨任务的语言知识——预训练语言模型 3□0
13．1 语言模型简要回顾 3□0
13．□ 预训练Transformer详解 3□□
13．□．1 深入了解GPT 3□3
13．□．□ 深入了解BERT 3□4
13．□．3 模型微调 3□6
13．□．4 模型表现 3□7
13．3 单句分类：BERT句子分类实战 3□8
13．4 后BERT时代 334
13．5 小结 334
□ □4章 人体姿态识别——图网络模型 335
14．1 图网络及图论基础 335
14．1．1 图的基本概念 335
14．1．□ 什么是图网络 337
14．1．3 图网络的基本任务和应用场景 338
14．□ 图卷积网络 338
14．□．1 GCN的工作原理 338
14．□．□ 打开GCN的黑箱 340
14．□．3 从社团划分任务来理解GCN 341
14．3 实战：使用GCN识别人体姿态 344
14．3．1 数据来源与预处理 345
14．3．□ 代码实现 346
14．4 小结 350
□ □5章 AI游戏高手——深度强化学习 351
15．1 强化学习简介 35□
15．1．1 强化学□□要素 35□
15．1．□ 强化学□□应用场景 353
15．1．3 强化学□□分类 354
15．□ 深度Q学习算法 355
15．□．1 Q学习算法 356
15．□．□ DQN算法 357
15．□．3 DQN在雅达利游戏上的表现 359
15．3 DQN玩Flappy Bird的PyTorch实现 361
15．3．1 Flappy Bird的PyGame实现 361
15．3．□ DQN的PyTorch实现 368
15．4 小结 377
15．5 通用人工智能还有多远 378
15．6 Q&A 379
15．7 扩展阅读 380
作者简介
集智俱乐部（Swarma Club）成立于□003年，是一个从事学术研究、享受科学乐趣的探索者团体，也是国内致力于研究人工智能、复杂系统的科学社区之一，倡导以平等开放的态度、科学实证的精神，进行跨学科的研究与交流，力图搭建一个中国的“没有围墙的□□□”。目前已出版书籍有《科学的□□：漫谈人工智能》《走近□050：注意力、互联网与人工智能》《NetLogo多主体建模入门》，译作有《深度思考：人工智能的终点与人类创造力的起点》。
相关文章：
深度学习原理与Pytorch实战
深度学习原理与Pytorch实战 第2版 强化学习人工智能神经网络书籍 python动手学深度学习框架书 TransformerBERT图神经网络： 技术讲解 编辑推荐 1.基于PyTorch新版本，涵盖深度学习基础知识和前沿技术，由浅入深，通俗易懂…...
WPF-ReactiveUi
文章目录 依赖属性和命令的绑定弱绑定强绑定界面后台的cs文件强捆绑方式定义属性和命令第一种方法第二种方法第三种方法动态数据集合whenAny监听单个监听单个对象的多个属性监听多个对象对各属性whenAnyValue例程一例程二WhenAnyValue属性WhenAnyValue(x => x.SearchTerm)Th…...
和鲸科技携手四川气象，以 AI 的力量赋能四川气象一体化平台建设
气象领域与农业、能源、交通、环境科学等国计民生关键领域紧密相连，发挥着不可替代的重要作用。人工智能技术的迅猛发展，为气象领域突破困境带来了新的契机。AI 技术能够深度挖掘气象大数据中蕴含的复杂信息，助力人类更精准地把握自然规律&am…...
把GB型材库放入solidwork中点击库无法应
1、文件夹的位置要选择对，如下图： 2、文件夹一定要嵌套三层，如下图...
论文写作指南
一、论文的核心结构 1. 标题（Title） 要求： 简洁明确，体现核心研究内容（一般不超过20字）。 避免模糊词汇（如“研究”“探讨”），可包含关键词。 示例： 《关…...
构建安全的Docker基础镜像：从最佳实践到自动化加固
引言 容器化技术的普及使得Docker镜像成为软件交付的核心载体，但镜像中的安全漏洞、敏感信息泄露和权限配置不当等问题可能引发严重风险。本文结合OWASP容器安全指南与一线运维经验，系统化讲解如何构建安全的Docker基础镜像，覆盖镜像构建、依赖管理、运行时防护全链路，并提…...
(动态规划 最大（连续）子数组和）leetcode 53
这道题和上个文章(动态规划 最长连续递增子序列）leetcode 674有异曲同工之妙，本质是一样的，只是这个题更基础一点 递推公式中dp[i]max(dp[i],dp[i]dp[i-1])，可以发现，这里如果是背包问题，不取应该是max(dp…...
Python Cookbook-2.20 在 Python 的搜索路径中寻找文件
任务 一个大的 Python 应用程序包括了资源文件(比如 Glade 项目文件、SQL 模板和图片)以及 Python 包(Python package)。你想把所有这些相关文件和用到它们的 Python 包储存起来。 解决方案 可以在 Python 的 sys.path 中寻找文件或目录: import sys，os class E…...
3.对象生活的地方—Java环境搭建
1、你要养鱼，总得先有一个鱼塘吧。挖一个鱼塘来养鱼，你需要去做下面这些事情： 规划和设计：确定鱼塘的位置、大小和形状，绘制设计图。标记和测量：使用测量工具标记鱼塘的边界和深度。挖掘：使用挖…...
精品整理-2025 DeepSeek核心技术解析与实践资料合集（24份）
2025 DeepSeek核心技术解析与实践资料合集，共24份。 2025 DeepSeek 火爆背后的核心技术：知识蒸馏技术.pdf 2025 DeepSeek-R1详细解读：DeepSeek-R1-Zero和DeepSeek-R1分析.pdf 2025 DeepSeek-V3三个关键模块详细解读：MLAMoEMTP.pd…...
16.2 LangChain 表达式语言设计哲学：重新定义大模型应用开发范式
LangChain 表达式语言设计哲学：重新定义大模型应用开发范式 关键词：LCEL 设计哲学、声明式编程范式、生产级应用架构、流式处理优化、模块化组合 1. 核心设计目标全景图 mindmap root((LCEL设计目标)) 开发效率 声明式编程 类型提示系统 自动补全支持 工程可靠性 错…...
32位，算Cache地址
32位，算Cache地址...
Spring Boot 3.x 基于 Redis 实现邮箱验证码认证
文章目录 依赖配置开启 QQ 邮箱 SMTP 服务配置文件代码实现验证码服务邮件服务接口实现执行流程 依赖配置 <dependencies> <!-- Spring Boot Starter Web --> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spr…...
微服务学习（2）：实现SpringAMQP对RabbitMQ的消息收发
目录 SpringAMQP是什么 为什么采用SpringAMQP SpringAMQP应用 准备springBoot工程 实现消息发送 SpringAMQP是什么 Spring AMQP是Spring框架下用于简化AMQP（高级消息队列协议）应用开发的一套工具集，主要针对RabbitMQ等消息中间件的集成…...
c++中深拷贝和浅拷贝的联系和区别
在 C 编程里，深拷贝和浅拷贝是两种不同的对象复制方式，它们在实现方式、资源管理和适用场景等方面存在显著差异。下面为你详细介绍它们的区别。 1. 基本概念 浅拷贝：浅拷贝仅仅复制对象的成员变量值。对于基本数据类型（如 int、d…...
mysql中事务的基本概念
事务的基本概念 一、事务的基本要素（ACID） 1. 原子性（Atomicity） 定义：事务中的所有操作要么全部成功，要么全部失败回滚，不允许部分完成。举例：A 向 B 转账，A 扣款和 …...
【密码学实战】Java 实现 SM2 国密算法（签名带id、验签及 C1C3C2 加密解密）
前言 SM2是中国国家密码管理局发布的椭圆曲线公钥密码算法标准（GB/T 32918），属于国密算法体系。与RSA和ECDSA相比，SM2在相同安全强度下密钥更短、计算效率更高。本文将介绍如何在Java中实现SM2的密钥生成、数字签名、验签、加密及…...
如何修改安全帽/反光衣检测AI边缘计算智能分析网关V4的IP地址？
TSINGSEE青犀推出的智能分析网关V4，是一款集成了BM1684芯片的高性能AI边缘计算智能硬件。其内置的高性能8核ARM A53处理器，主频可高达2.3GHz，INT8峰值算力更是达到了惊人的17.6Tops。此外，该硬件还预装了近40种AI算法模型…...
LLM的演进趋势与未来展望：Toformer的革新之路
文章出处 题目：Restoring Images in Adverse Weather Conditions via Histogram Transformer 论文地址: https://arxiv.org/pdf/2407.10172 代码地址: https://github.com/sunshangquan/Histoformer 年份：2024 期刊：ECCV 背景 这篇文章…...
LabVIEW 无法播放 AVI 视频的编解码器解决方案
用户在 LabVIEW 中使用示例程序 Read AVI File.vi（路径： 📌 C:\Program Files (x86)\National Instruments\LabVIEW 2019\examples\Vision\Files\Read AVI File.vi）时发现： ✅ LabVIEW 自带的 AVI 视频可正常播放 这是…...
Svelte vs Vue：前端框架的深度对比与应用场景分析
Svelte vs Vue：前端框架的深度对比与应用场景分析 1. 引言 前端开发领域的框架选择一直是开发者关注的重点。在现代 Web 开发中，Vue 和 Svelte 都是备受瞩目的框架，各自拥有不同的架构设计和适用场景。本文将从 核心架构、性能对比、开发体…...
如何在一台服务器上搭建 mongodb副本集1主2从节点
在一台服务器上搭建 MongoDB 副本集（1 主节点 2 从节点）可以通过运行多个 MongoDB 实例并使用不同端口和数据目录来实现。以下是详细步骤： 1. 准备工作 确保已安装 MongoDB。为每个实例创建独立的数据目录和日志文件。 2. 创建数据目录和…...
)
【湖北省计算机信息系统集成协会主办，多高校支持 | ACM出版，EI检索，往届已见刊检索】第二届边缘计算与并行、分布式计算国际学术会议（ECPDC 2025)
第二届边缘计算与并行、分布式计算国际学术会议（ECPDC 2025）将于2025年4月11日至13日在中国武汉盛大召开。本次会议旨在为边缘计算、并行计算及分布式计算领域的研究人员、学者和行业专家提供一个高水平的学术交流平台。 随着物联网、云计算和大数据技术…...
谈谈 ES 6.8 到 7.10 的功能变迁（6）- 其他
这是 ES 7.10 相较于 ES 6.8 新增内容的最后一篇，主要涉及算分方法和同义词加载的部分。 自定义算分：script_score 2.0 Elasticsearch 7.0 引入了新一代的函数分数功能，称为 script_score 查询。这一新功能提供了一种更简单、更灵活的方式来…...
大数据与金融科技：革新金融行业的动力引擎
大数据与金融科技：革新金融行业的动力引擎 在今天的金融行业，大数据与金融科技的结合正在以惊人的速度推动着金融服务的创新与变革。通过精准的数据分析与智能化决策，金融机构能够更高效地进行风险管理、客户服务、资产管理等一系列关键操作…...
企业jsapi_ticket，java举例
在企业微信开发中，使用 Java 获取 jsapi_ticket 并生成签名的步骤如下。以下是完整的 Java 示例代码。 1. 获取 jsapi_ticket 的流程 获取 access_token。 使用 access_token 获取 jsapi_ticket。 使用 jsapi_ticket 生成签名（signature）。…...
【Python】基础语法三
> 作者：დ旧言~ > 座右铭：松树千年终是朽，槿花一日自为荣。 > 目标：了解Python的函数、列表和数组。 > 毒鸡汤：有些事情，总是不明白，所以我不会坚持。早安! > 专栏选自ÿ…...
leetcode_字典树 139. 单词拆分
139. 单词拆分 给你一个字符串 s 和一个字符串列表 wordDict 作为字典。如果可以利用字典中出现的一个或多个单词拼接出 s 则返回 true。 注意：不要求字典中出现的单词全部都使用，并且字典中的单词可以重复使用。 思路: 定义状态： 设dp[i]表…...
Easy Trans Spring Boot Starter ---Spring系列的字段翻译库
Easy Trans Spring Boot Starter 使用文档 1. 简介 easy-trans-spring-boot-starter 是一个基于 Spring Boot 的库，用于简化数据翻译和转换操作。它可以帮助你将数据库中的枚举值、状态码等转换为用户友好的文本，或者将一种数据格式转换为另一种格式。…...
算法-数据结构（图）-迪杰斯特拉最短逻辑算法（ Dijkstra）
迪杰斯特拉算法（Dijkstras Algorithm） 是一种用于计算单源最短路径的经典算法，由荷兰计算机科学家 艾兹赫尔迪杰斯特拉（Edsger W. Dijkstra） 于1956年提出。它的主要目标是找到从图中的某个源节点到所有其他节点的最短…...
抖音生活服务加强探店内容治理，2024年达人违规率下降30%
发布 | 大力财经 2月27日，抖音生活服务发布《2024抖音生活服务消费者权益保护年度报告》（以下简称“报告”）。报告显示，过去一年，抖音生活服务针对消费者反感的虚假、夸张探店内容，开展了专项治理。通过一…...
跟着源码实现LevelDB（二）util/status.cc
概述 本小节实现了leveld的Status类，Status看起来是个简单的类，但是其中也包含了leveldb对极致的性能实现的巧妙设计 Status的内存管理 Status 只有一个成员变量 const char* state_; state[0…3] 表示长度，state[4] 1个字节 表示状态的枚…...
51c自动驾驶~合集52
我自己的原文哦~ https://blog.51cto.com/whaosoft/13383340 #世界模型如何推演未来的千万种可能 驾驶世界模型（DWM），专注于预测驾驶过程中的场景演变，已经成为追求自动驾驶的一种有前景的范式。这些方法使自动驾驶系统能够更…...
Rust 是什么
Rust 是什么 Rust 是一种由 Mozilla 开发的系统级编程语言，它于 2010 年首次亮相，在 2015 年发布 1.0 版本，此后迅速发展并受到广泛关注。 内存安全：Rust 最大的亮点之一是它在编译阶段就能够避免常见的内存错误，如空指针引用、数据竞争和内存泄漏等。它通过所有权（Owne…...
005 公网访问 docker rocketmq
文章目录 创建自定义网络创建NameServer容器创建Broker容器正式开始启动 Nameserver 容器启动 Broker 容器并关联 Nameserverdocker exec -it rmqbroker vi /etc/rocketmq/broker.conf检查 namesrv 解析检查 Broker 注册状态Nameserver 日志Broker 日志检查容器日志手动指定 Br…...
ASP.NET MVC项目部署到IIS后，w3wp.exe程序报错重启
一、错误信息 windows的事件查看器》windows日志》应用程序，按时间找到错误信息如下： 错误应用程序名称: w3wp.exe，版本: 10.0.14393.0，时间戳: 0x57899b8a 错误模块名称: KERNELBASE.dll，版本: 10.0.14393.5850&…...
Java多线程与高并发专题——深入ReentrantReadWriteLock
深入ReentrantReadWriteLock 读写锁出现原因 synchronized和ReentrantLock都是互斥锁。如果说有一个操作是读多写少的，还要保证线程安全的话。如果采用上述的两种互斥锁，效率方面很定是很低的。在这种情况下，咱们就可以使用ReentrantReadWr…...
支付宝 IoT 设备入门宝典（下）设备经营篇
上篇介绍了支付宝 IoT 设备管理，但除了这些基础功能外，商户还可以利用设备进行一些运营动作，让设备更好的帮助自己，本篇就会以设备经营为中心，介绍常见的设备相关能力和问题解决方案。如果对上篇感兴趣，可以…...
极简本地体验deepseek大模型教程
一 题外随感：时代之问 就像狄更斯在双城记中所述，“这是最好的时代，这是最坏的时代”。每一代人都有其所处的时代，每一个时代都有其所谓好的一面和不那么好的一面。很多时候随口的一句大环境不好，就似乎给了自己一个最…...
最短路问题--Floyd
Floyd算法 一、介绍二、补充知识：邻接矩阵三、原理四、实现 提示：以下是本篇文章正文内容，下面案例可供参考 一、介绍 Floyd算法是一种用来计算图中所有点之间最短距离的算法。它的核心思想是：通过逐步尝试每个点作为中间点&…...
深入理解Java网络编程：从基础到高级应用
一、网络编程概述 1.什么是网络编程？ 网络编程是指利用计算机网络实现程序之间通信的一种编程方式。在网络编程中，程序需要通过网络协议（如 TCP/IP）来进行通信，以实现不同计算机之间的数据传输和共享。 2.在网络编程…...
浅谈deepseek环境搭建
在探索人工智能的浩瀚宇宙中，DeepSeek如同一颗璀璨的星辰，以其独特的魅力引领着我们在逻辑推理与数据分析的海洋中遨游。想要在这片未知的领域里扬帆起航，首先必须精心搭建起我们的“星际飞船”——DeepSeek环境。无论你是渴望在本地实例上运…...
AI绘画软件Stable Diffusion详解教程（2）：Windows系统本地化部署操作方法（专业版）
一、事前准备 1、一台配置不错的电脑，英伟达显卡，20系列起步，建议显存6G起步，安装win10或以上版本，我的显卡是40系列，16G显存，所以跑大部分的模型都比较快； 2、科学上网࿰…...
kali liux的下载
Kali Linux | Penetration Testing and Ethical Hacking Linux Distributionhttps://www.kali.org/ VMware虚拟机https://pan.quark.cn/s/aa869ffbf184 【补充一个今天学到的知识昂和内容无关:（遥感）指非接触的远距离探测技术，使用传感器探…...
DeepSeek 助力 Vue3 开发：打造丝滑的悬浮按钮（Floating Action Button）
前言：哈喽，大家好，今天给大家分享一篇文章！并提供具体代码帮助大家深入理解，彻底掌握！创作不易，如果能帮助到大家或者给大家一些灵感和启发，欢迎收藏关注哦 💕 目录 Deep…...
ES from size聚合查询10000聚合查询，是每个分片先聚合，再统计。还是所有节点查询1万条后，再聚合
在 Elasticsearch 中，聚合查询 的执行过程是 分布式 的，Elasticsearch 会先在每个分片（shard）上执行本地聚合，然后再在协调节点（coordinating node）上对所有分片的聚合结果进行 全局汇总。具体过…...
fluent-ffmpeg 依赖详解
fluent-ffmpeg 是一个用于在 Node.js 环境中与 FFmpeg 进行交互的强大库，它提供了流畅的 API 来执行各种音视频处理任务，如转码、剪辑、合并等。 一、安装 npm install fluent-ffmpeg二、基本使用 要使用 fluent-ffmpeg，首先需要确保系统中…...
SLAM文献之-DROID-SLAM: Deep Visual SLAM for Monocular, Stereo, and RGB-D Cameras
DROID-SLAM 是一种结合深度学习与传统视觉SLAM技术的先进算法，其核心目标是通过端到端可训练的深度神经网络来实现高精度的相机位姿估计和稠密三维重建。与传统SLAM方法不同，DROID-SLAM采用深度学习网络来估计深度信息，提供更高的精度与鲁棒性…...
一、旋转编码器模块分析与使用
一、旋转编码器说明 该模块配合定时器的encoder使用时，可通过旋转来进行调整记录编码的数值。（通过旋转编码器的数值与字母建立对应关系，即可进行打字编码） 引脚说明： vcc，gnd，供电使用 sw&am…...
【踩坑日志】解决CU118环境下RuntimeError: NCCL error: invalid usage
本博客主要记录了CU118环境下，出现报错信息为RuntimeError: NCCL error: invalid usage的解决方案。我的环境信息如下： cuda版本：11.7torch版本：torch-2.5.1-cu118 定位到核心报错信息为： NCCL WARN NCCL cannot be …...