-
解决docker容器中文乱码,修改docker容器编码格式
前台上传文件到服务器后,服务器返回给前台的文件列表中出现中文乱码,所有的中文文件名全部变成?,英文文件名则正常显示。 问题经过定位,发现后台代码的multipartfile类在执行transterto的方法时就发生了此异常,然而配置文件集中的multipartResolver以及encodingFilter均已经设置成了UTF-8,排除代码异常。kubectl exec进入到docker容…- 40
- 0
-
Dockerfile 构建镜像
一、使用dockerfile构建镜像 基本结构: a.设置基础镜像 当前镜像继承于的基础镜像 FROM centos:latest b.设置维护者信息 没有固定格式 c.设置需要添加到容器中的文件 ADD 具有解压功能 d.设置容器启动时需要执行的命令 CMD FROM centos:latest ADD jdk-8u201-linux-x64.tar.gz /opt RUN…- 1
- 0
-
Jenkins+Git+Docker+K8s部署
准备工作 Jenkins已安装 Docker和K8s部署运行成功 代码管理工具使用Git 最近公司项目使用Jenkins+Git+Docker+K8s进行持续化构建部署,这里笔者整理了一下构建部署的相关操作,以便留存查看。 项目和工具介绍 这里有两个项目:前端和后台,同样都是使用Git代码管理工具,目前是使用所谓的微服务进行发布操作,结合Docker和K8s进行部署发布。 部署步骤 传统的服务发布…- 14
- 0
-
SnowFlake算法
SnowFlake算法生成id的结果是一个64bit大小的整数,它的结构如下图: 1位,不用。二进制中最高位为1的都是负数,但是我们生成的id一般都使用整数,所以这个最高位固定是0 41位,用来记录时间戳(毫秒)。 41位可以表示$2^{41}-1$个数字, 如果只用来表示正整数(计算机中正数包含0),可以表示的数值范围是:0 至 $2^{41}-1$,减1是因为可表示的数值范围是从0开始算的,而…- 3
- 0
-
JAVA垃圾回收算法
Java基础:JVM垃圾回收算法 众所周知,Java的垃圾回收是不需要程序员去手动操控的,而是由JVM去完成。本文介绍JVM进行垃圾回收的各种算法。 如何确定某个对象是垃圾 1.1. 引用计数法 1.2. 可达性分析 典型的垃圾回收算法 2.1. 标记-清除算法(Mark-Sweep) 2.2. 复制算法(Copying) 2.3. 标记-整理算法(Mark-Compact) 2.4. 分代收集算…- 5
- 0
-
NLP之SiameseLSTM算法
5.12 今天交了一下,训练了一个epoch,效果不好,交了一下成绩是0 5.14 今天终于改通了算法,是vocab.size的问题,传的时候给成词典的值了,应该给句子的值,导致eval出问题。 训练了一个epoch,效果不好,准备循环100次看一下loss,这里记录一下原理。 论文地址:Siamese Recurrent Architectures for Learning Sentence S…- 17
- 0
-
词频统计及其效能分析
学号:2017035101045 姓名:赵丽媛 我的码云仓库:https://gitee.com/zhaowencheng/word_frequency/branches 一.程序分析,对程序中的四个函数做简要说明。要求附上每一段代码及对应的说明。 第一段 读文件到缓冲区 def process_file(dst): # 读文件到缓冲区 try: # 打开文件 f = open(A_Tale_of…- 1
- 0
-
中文词频统计与词云生成
中文词频统计 1. 下载一长篇中文小说。 小说:鹿鼎记 作者:金庸 2. 从文件读取待分析文本。 3. 安装并使用jieba进行中文分词。 pip install jieba import jieba jieba.lcut(text) 4. 更新词库,加入所分析对象的专业词汇。 jieba.add_word('天罡北斗阵') #逐个添加 jieba.load_use…- 93
- 0
-
(windows10版)Tensorflow 实战Google深度学习框架学习笔记(六)滑动平均
# 在采用随机梯度下降法训练神经网络模型时,滑动平均模型能够提高训练模型在测试数据上面的效果 import tensorflow as tf # 1. 定义一个变量用于计算滑动平均,这个变量的初始值为0.注意这里手动指定了变量 #的类型为tf.float32,因为所有需要计算滑动平均的变量必须是实数型 v1 = tf.Variable(0, dtype=tf.float32) #这里step变量模…- 5
- 0
-
推荐 :深度学习初学者不可不知的25个术语和概念(上)
原创译文|从神经网络说起:深度学习初学者不可不知的25个术语和概念(上) 马克·库班的这番话可能听起来挺吓人的,但道理是没毛病的!我们正经历一场大革命,这场革命就是由大数据和强大电脑计算能力发起的。 让我们花几分钟回想一下20世纪初的景象。那个时候很多人都不懂什么是电,在过去几十年,甚至几百年的时间里,人们一直沿用一种方式去做某件事情,但是突然间,好像身边的一切都变了。 以前需要很多人才能做成…- 9
- 0
-
深度学习–>NLP–>NNLM简介
本篇博文将总结$NLP$ 里面的$embedding$,$word2vector$,以及$NNLM$ 的简介。 embedding 在一般任务中,我们总是非常自然的用特征值来表示一个词汇。但是,到底怎么样表示一个词,才是最合理的? 存储其$ASCII$ 码表示,只会告诉你这个词是什么,并不能表示这个词真正的语义(也许你可以从这个词的词缀中获得该词的词性或其他属性,但也只能获得这些东西)。更进一步的…- 38
- 0
-
使用TensorFlow,GPU和Docker容器进行深度学习
阅读全文请点击 在过去的几个月中,我和多个企业的数据科学团队进行了多次合作,也看到越来越多的机器学习和深度学习框架被广泛应用到实际生活中。 与大数据分析和数据科学中的其他用例一样,这些团队希望在BlueData EPIC软件 平台上的Docker容器中运行他们最喜欢的深度学习框架和工具。因此,我的一部分工作就是尝试使用这些新工具,确保在我们的平台上能够运行,并且能够帮助这些团队开发出可以解决一些问…- 4
- 0
-
深度学习编程环境概念(GPU, Tensorflow, Docker, CUDA, CPU, CUDNN, Keras, Anaconda, PyTorch介绍)
简介 在深度学习过程中经常会遇到GPU, Tensorflow, Docker, CUDA, CPU, CUDNN, Keras, Anaconda, PyTorch等名次概念,也一直理不清这些编程环境的层次,所以做一个总结 总览 越往下越底层 解释 CPU 中央处理器(CPU,central processing unit)作为计算机系统的运算和控制核心,是信息处理、程序运行的最终执行单元。 G…- 13
- 0
-
kafka原理和实践(三)spring-kafka生产者源码
系列目录 kafka原理和实践(一)原理:10分钟入门 kafka原理和实践(二)spring-kafka简单实践 kafka原理和实践(三)spring-kafka生产者源码 kafka原理和实践(四)spring-kafka消费者源码 kafka原理和实践(五)spring-kafka配置详解 kafka原理和实践(六)总结升华 ==============正文分割线===========…- 22
- 0
-
Kafka 中使用 Avro 序列化框架(一):使用传统的 avro API 自定义序列化类和反序列化类
关于 avro 的 maven 工程的搭建以及 avro 的入门知识,可以参考: Apache Avro 入门 1. 定义 schema 文件,并编译 maven 工程生成实体类 schema 文件名称为:stock.avsc,内容如下: 1 2{ 3 "namespace": "com.bonc.rdpe.kafka110.beans", 4 "…- 8
- 0
-
Kafka的通讯协议
Kafka的通讯协议 Kafka的Producer、Broker和Consumer之间采用的是一套自行设计的基于TCP层的协议。Kafka的这套协议完全是为了Kafka自身的业务需求而定制的,而非要实现一套类似于Protocol Buffer的通用协议。本文将介绍这套协议的相关内容。 基本数据类型 定长数据类型:int8,int16,int32和int64,对应到Java中就是byte, shor…- 5
- 0
-
SparkStreaming:SparkStreaming简介及架构,WordCount案例,Dstream入门,文件及自定义数据源,Kafka数据源(重点),DStream创建转换输出,状态转化操作
文章目录 第1章 Spark Streaming概述 1.1 Spark Streaming是什么 1.2 Spark Streaming特点 1.3 SparkStreaming架构 第2章 Dstream入门 2.1 WordCount案例实操 2.2 WordCount解析 第3章 Dstream创建 3.1文件数据源 3.1.1 用法及说明 3.1.2 案例实操 3.2 RDD队列(了解)…- 6
- 0
-
基于Hadoop生态圈的数据仓库实践 —— 进阶技术(五)
五、快照 前面实验说明了处理维度的扩展。本节讨论两种事实表的扩展技术。 有些用户,尤其是管理者,经常要看某个特定时间点的数据。也就是说,他们需要数据的快照。周期快照和累积快照是两种常用的事实表扩展技术。 周期快照是在一个给定的时间对事实表进行一段时期的总计。例如,一个月销售订单周期快照汇总每个月底时总的销售订单金额。 累积快照用于跟踪事实表的变化。例如,数据仓库可能需要累积(存储)销售订单从下订单…- 0
- 0
幸运之星正在降临...
点击领取今天的签到奖励!
恭喜!您今天获得了{{mission.data.mission.credit}}积分
我的优惠劵
-
¥优惠劵使用时效:无法使用使用时效:
之前
使用时效:永久有效优惠劵ID:×
没有优惠劵可用!