博客 RSS 訂閱

阿里雲開發者 - Nacos 配置管理最佳實踐

Nacos 簡介 Nacos 是一個更易於構建雲原生應用的微服務基礎平台,核心包含動態服務發現,配置管理,服務管理平台。 完整內容請點擊下方鏈接查看: https://developer.aliyun.com/article/1155681?utm_content=g_10... 版權聲明:本文內容由阿里雲實名註冊用户自發貢獻,版權歸原作者所有,阿里雲開發者社區不擁有其著作權,亦不承擔相應

配置 , 微服務 , nacos , 阿里雲 , 雲原生

收藏 評論

點墨 - java lambda表達式 回調函數

java使用lambda表達式做回調函數,定義一個interface寫一個方法即可(如果一個接口只有一個抽象方法(包括繼承的),該接口是一個函數接口,函數接口可以使用lambda表達式實現),lambda表達式函數內部可以獲取外部變量,會保存堆棧信息 源碼 Callback.java public interface Callback{ void onCompletion(); } Tes

lambda , JAVA , 回調

收藏 評論

龍蜥社區 - 打造面向未來的開發者服務新範式,龍蜥社區開發者服務平台 devFree MeetUp 硬核啓動!歡迎報名

龍蜥社區開發者服務平台 devFree 致力於打造成業界最完備的開發者自助服務體系,為開發者提供開源項目的全流程支撐! 讓開發更簡單、更高效,Just show me the code! 開發者服務平台 devFree MeetUp 由龍蜥社區基礎設施 SIG 主辦,本次活動邀請了阿里雲、電子五所、浪潮信息、聯通數科、統信軟件、中科曙光、中科微瀾及成都東軟學院、中南大學等眾多廠商及科研院所一起探討

基礎 , meetup , 服務 , 開源 , 範式

收藏 評論

阿里雲開發者 - 從 JDK 9 到 19,我們幫您提煉了和雲原生場景有關的能力列表(上)

在 JDK 9 之前,Java 基本上平均每三年出一個版本。但是自從 2017 年 9 月分推出 JDK9 到現在,Java 開始了瘋狂更新的模式,基本上保持了每年兩個大版本的節奏。從 2017 年至今,已經發布了 十一個版本到了 JDK 19。其中包括了兩個 LTS 版本(JDK11 與 JDK17)。除了版本更新節奏明顯加快之外,JDK 也圍繞着雲原生場景的能力,推出並增強了一系列諸如容器內資

JDK , gc , ltsb , JAVA , 雲原生

收藏 評論

Winn - 前端面試八股文?不存在的!

最近刷到一位前端小姐姐海外工作分享的視頻,分享了她的求職,面試以及工作生活的感受,瞭解到海外求職面試的一個過程,其中我們經常聊的前端八股文面試以及框架原理在海外面試中卻很少出現 海外前端技術面試難不難 工資翻倍了嗎 生活成本高嗎 對比國內工作強度如何呢? 為何來到這裏呢? 都面試了哪些國家呢? 如何拿到面試機會的 怎麼看待海外工作呢? 個人感受海 外的工作可能對比國內壓力會小點,不

求職 , 面試 , 工作 , 後端 , 前端

收藏 評論

京東雲開發者 - 關於接口可維護性的一些建議 | 京東雲技術團隊

作者:D瓜哥 在做新需求開發或者相關係統的維護更新時,尤其是涉及到不同系統的接口調用時,在可維護性方面,總感覺有很多地方差強人意。一些零星思考,拋磚引玉,希望引發更多的思考和討論。總結了大概有如下幾條建議: 在接口註釋中加入接口文檔鏈接 將調用接口處寫上被調用接口文檔鏈接 將接口源代碼發佈到私服倉庫 對於狀態值常量,優先在接口參數類或者返回值類中定義 如果使用 Map 對象作為傳輸載

map , rpc , 接口設計 , 後端

收藏 評論

月亮給蒙娜麗莎 - 雙向帶頭循環鏈表

雙向帶頭循環鏈表 1.順序表和鏈表 (1)順序表 優點: a、支持隨機訪問,很多算法都需要隨機訪問(快排、二分) b、cpu高速緩存命中率更高(cpu讀數據時,先去找緩存,如果沒有就去內存把數據加載到緩存。在加載時它不是隻加載一個數據,而是附近一片數據,所以如果是數組,它的數據是連續的,都會被加載到緩存了) 缺點: a、除了最後位置,其他位置插入刪除效率

數據結構 , 鏈表 , c

收藏 評論

HuggingFace - 在 Transformers 中使用對比搜索生成可媲美人類水平的文本 🤗

1. 引言 自然語言生成 (即文本生成) 是自然語言處理 (NLP) 的核心任務之一。本文將介紹神經網絡文本生成領域當前最先進的解碼方法 對比搜索 (Contrastive Search)。提出該方法的論文 “A Contrastive Framework for Neural Text Generation” 最初發表於 NeurIPS 2022 (論文、官方實現)。此後, “Contrasti

人工智能 , transform

收藏 評論

月亮給蒙娜麗莎 - 單鏈表知識點

單鏈表 1.順序表 優點:物理空間連續,支持隨機訪問 缺點:空間不夠就需要擴容,花費時間和空間;插入刪除效率低下 2.單鏈表 優點:按需申請釋放空間;插入刪除常數時間 缺點:不支持隨機訪問 3.注意點 (1)在修改指針本身的內容時,也就是改變指針本身存儲的地址,我們需要的是二級指針 void list_push_back(struct node** head, type x) { stru

數據結構 , 鏈表 , c

收藏 評論

Apifox - API Mock 完整工作流程

Mock API 是一種用模擬數據代替真實 API 接口返回的的技術。在開發過程中,前端開發往往依賴後端 API,但後端 API 還在開發中。通過 Mock API,前端無需等待後端 API 開發完成。前端可以用 Mock API 返回的模擬數據來開發。 只需 3 步就能搞定 Mock API。 第 1 步 新建項目 在 Apifox 的 App 首頁,點擊右側的 “新建項目” 按鈕來創建項目。

mock.js , mock , mockserver , 前端框架 , 前端

收藏 評論

Hunter - Django筆記四十四之Nginx+uWSGI部署Django以及負載均衡操作

本文首發於公眾號:Hunter後端 原文鏈接:Django筆記四十四之Nginx+uWSGI部署Django以及Nginx負載均衡操作 這一篇筆記介紹如何使用 Nginx + uWSGI 來部署 Django。 上一篇筆記中有介紹直接使用 uWSGI 作為 web 服務器來部署 Django,這一篇筆記介紹如何使用 Nginx 來部署。 使用 Nginx 來部署相當於在 uWSGI 外面又

uwsgi , django , Nginx , 後端 , Python

收藏 評論

高級BUG開發 - vue項目中使用unicode引入iconfont,動態生成圖標的問題。

vue項目中,採用unicode引入iconfont,如果靜態寫圖標是可以正常渲染的 i class="iconfront"#734;/i 但是如果從接口獲取數據,直接渲染字符串 i class="iconfront"{{myIcon}}/i 最後發現使用v-html渲染就可以了 i class="iconfront" v-html="myIcon"/i

vue.js , iconfont

收藏 評論

慕課網 - 評審了20份前端簡歷,終於知道你們的問題在哪了

本文首發自「慕課網」,想了解更多IT乾貨內容,程序員圈內熱聞,歡迎關注"慕課網"及“慕課網公眾號”! 作者:雙越|慕課網名師,前端技術專家 人與人之間最遙遠的距離,就是信息不對稱。 即便你我面對面,你知道的我不知道,我知道你也不知道。 我們既要規避這一點,也要利用這一點。 我的 1-1 溝通服務 在進入正文之前先介紹一下背景,好讓大家知道我本文的案例的出處。 前段時間,我推出了

簡歷 , 面試 , 前端

收藏 評論

愛可生開源社區 - 故障分析 | OceanBase 頻繁更新數據後讀性能下降的排查

本文摘要 本文分析並復現了 OceanBase 頻繁更新數據後讀性能下降現象的原因,並給出了性能改善建議。 背景 測試在做 OceanBase 純讀性能壓測的時候,發現對數據做過更新操作後,讀性能會有較為明顯的下降。具體復現步驟如下。 復現方式 環境預備 部署OB 使用 OBD 部署單節點 OB。 版本 IP OceanBase 4.

性能分析 , oceanbase

收藏 評論

樹莓派開發者 - 「樹莓派」「上海晶珩」「EDATEC」在樹莓派64位上安裝TensorFlow

介紹 本頁將指導您在Raspberry Pi 4 64位操作系統Bullseye 上安裝 TensorFlow 2.10.0 或更早版本。 TensorFlow是一個專門為深度學習開發的大型軟件庫。它消耗大量資源。你可以在Raspberry Pi 4上執行TensorFlow,但不要指望奇蹟。它可以運行您的模型,如果不是太複雜,但它將無法訓練新模型。它也不能執行所謂的遷移學習。除了運行

嵌入式 , 物聯網 , raspberry-pi

收藏 評論

ohoherror - 遍歷數組的for..of循環語法

for..of循環首先會向被訪問對象請求一個迭代器對象,然後通過調用迭代器對象的next()方法來遍歷所有返回值。數組有內置的@@iterator,因此for..of可以直接應用在數組上。我們使用內置的@@iterator來手動遍歷數組,看看它是怎麼工作的: var myArray = [ 1, 2, 3 ]; var it = myArray[Symbol.ite

for循環 , 前端

收藏 評論

敏捷開發 - MVP發佈後,下一步該怎麼辦?

MVP發佈後,接下來該做什麼?我們又應如何衡量MVP是否成功?在弄清楚這些問題之前,我們首先要明白MVP是什麼。 MVP(minimum viable product)即最小可行產品,是一個產品的最初版本,旨在滿足目標受眾的基本需求。其核心是用最小的成本和最有效的方式,把產品快速推向市場,然後基於市場的反饋快速迭代。 一、為什麼要從發佈MVP開始? 每家初創企業都可能面臨資金短缺、產品無人

項目管理 , mvp , 敏捷開發

收藏 評論

Hunter - Django筆記四十三之使用uWSGI部署Django系統

本文首發於公眾號:Hunter後端 原文鏈接:Django筆記四十三之使用uWSGI部署Django系統 目前部署 Django 的方式一般來説是使用 Nginx + uWSGI + Django 來實現。 處理流程是,當一個請求發送過來會先經過 Nginx,如果是靜態文件請求,Nginx 這一層直接處理,如果是後端動態接口,則會發送至 uWSGI,而 uWSGI 是一個 web 服務器,

uwsgi , django , 後端 , Python

收藏 評論

GoCoding - Casdoor 開始

Casdoor 是一個基於 OAuth 2.0 / OIDC 的中心化的單點登錄(SSO)身份驗證平台,簡單來説,就是 Casdoor 可以幫你解決用户管理的難題,你無需開發用户登錄、註冊等與用户鑑權相關的一系列功能,只需幾個步驟進行簡單配置,與你的主應用配合,便可完全託管你的用户模塊,簡單省心,功能強大。 官網: https://casdoor.org/ 代碼: https://githu

oauth , sso , go

收藏 評論

小小張説故事 - Python技巧:快速生成字典列表

在編程過程中,我們經常需要處理數據結構。今天,我們將為您介紹如何在Python中高效地生成字典列表。這將幫助您簡化代碼,提高效率。 1. 使用列表推導式 列表推導式是Python中的一種簡潔、高效的生成列表的方法。以下是使用列表推導式生成字典列表的示例: keys = ['name', 'age', 'job'] values = [['Tom', 28, 'teacher'], ['Jerry'

字典 , php , map

收藏 評論

得物技術 - 深入淺出解析JVM中的Safepoint | 得物技術

1.初識Safepoint-GC中的Safepoint 最早接觸JVM中的安全點概念是在讀《深入理解Java虛擬機》那本書垃圾回收器章節的內容時。相信大部分人也一樣,都是通過這樣的方式第一次對安全點有了初步認識。不妨,先複習一下《深入理解Java虛擬機》書中安全點那一章節的內容。 書中是在講解垃圾收集器-垃圾收集算法的章節引入安全點的介紹,為了快速準確地完成GC Roots枚舉,避免為每條指令都生

jvm , jvm調優

收藏 評論

javacorn_dot_com - SpringBoot 自定義全局異常捕獲

SpringBoot 如何自定義異常類?全局統一處理異常的方式是什麼?今天教大家使用@RestControllerAdvice和@ExceptionHandler註解定義全局異常捕獲以及自定義異常。 自定義異常類 首先聲明一個自定義異常類, 代碼如下: /** * 自定義異常類,可根據需求自己添加屬性和方法 */ public class CustomException extends Run

exception , springboot , JAVA

收藏 評論

極狐GitLab - 3 步集成 Terraform + 極狐GitLab CI ,實現基礎設施自動化管理

本文來自:極狐GitLab 開發者社區 作者:KaliArch 利用極狐GitLab CI 實現基礎設施編排自動化後,用户就可以使用極狐GitLab 進行基礎設施管理:提交基礎設施變更後,會觸發 MR 進行極狐GitLab CI 流水線執行,從而實現基礎設施 DevOps 流程。 Terraform + 極狐GitLab CI 架構解析 流程圖 流程詳解開發或運維人員編寫基於 Ter

devops , 自動化 , gitlab , ci

收藏 評論

阿里雲開發者 - 展心展力 metaapp:基於 DeepRec 的稀疏模型訓練實踐

1 背景 推薦場景大模型在國內的使用很早,早在 10 年前甚至更早,百度已經用上了自研的大規模分佈式的 parameter server 系統結合上游自研的 worker 來實現 TB 級別的萬億參數的稀疏模型。後來,各家平台也陸續基於這種方案,開發了自己的分佈式訓練系統,普遍特點是大量使用 id embedding,因此參數量巨大,模型大小也非常誇張。當然,隨着開源訓練工具 TensorFlow

機器學習 , 大數據 , 人工智能 , meta , 模型

收藏 評論