博客 RSS 訂閱

u_17176510 頭像

DoraemonQ - 打開即為Pro完整版，無限制使用

隨着時間的推移，磁盤中會積累大量重複的文件，這些冗餘數據不僅會佔用寶貴的存儲空間，還會降低系統運行效率。重複文件可能來源於多次下載、備份副本或程序緩存，它們會拖慢文件檢索速度，甚至導致存儲空間不足。通過定期使用專業的重複文件查找工具，用户可以快速識別並刪除這些無用文件，從而釋放磁盤空間，提升計算機性能，優化存儲管理效率； 分享一款專業的重複文件查找輕量工具：

辦公效率 , 重複文件清理 , 重複文件管理 , 重複文件查找

收藏 評論

u_16213327 頭像

mob64ca12d70c79 - ollama配置優先使用的gpu

在當今的 IT 領域，GPU 的高效利用成為了推動計算性能的關鍵。對於使用 Ollama 的開發者來説，正確配置其優先使用的 GPU 是提高模型推理性能的一個重要步驟。在本文中，我將詳細記錄如何解決“ollama配置優先使用的gpu”這一問題的過程。 環境準備 在配置之前，我們需要為後續的操作做好準備，確保所有軟件和硬件的配合都能有效地發揮性能。 首先，需要安裝必要的前置依賴

數據 , 配置文件 , aigc , CUDA

收藏 評論

u_16175462 頭像

mob649e815b5994 - ollama全用GPU跑

在現代計算中，如何讓“ollama全用GPU跑”成為一種高效的運行機制一直是問題的核心。以下，我們將就這一技術難點展開，揭示其解決過程。 背景定位 在深度學習和模型推理的應用場景下，GPU的強大計算能力成為了必需的資源。為了確保“ollama”能夠充分利用這一資源，我們首先分析了當前的業務場景。我們在分析中考慮了模型的規模、數據的複雜度以及用户請求的併發性。由此，我們可以建立業務

請求處理 , 架構設計 , aigc , 迭代

收藏 評論

yychuyu 頭像

良許Linux - 8k雙休和12k單休，選哪個？

大家好，我是良許。 昨天有個粉絲私信我，説他拿到兩個offer，一個是8k雙休，一個是12k單休，問我該怎麼選。看到這個問題，我立馬想起了自己27歲那年面臨的選擇——當時我手上也有兩個offer，一個是世界500強外企雙休但薪資一般，另一個是廣州CVTE 5.5天班（當時）但錢給得多。最後我選了外企，現在回頭看，那個決定直接影響了我後面的整個職業軌跡。 1. 先算一筆賬 很多

嵌入式 , 單片機開發 , c++ , 後端開發 , c , 自媒體

收藏 評論

u_17514447 頭像

mb68b85ccf7a016 - AI 提示詞工程全指南：從“咒語”到“編程”

這是一篇為您定製的 AI 提示詞工程 (Prompt Engineering) 深度指南。 隨着大模型（LLM）能力的爆發，寫提示詞（Prompting）已經不再僅僅是“提問”，而變成了一種使用自然語言進行編程的新範式。對於開發者而言，理解 LLM 的“思維方式”，通過結構化的輸入獲取確定的輸出，是構建 AI 應用（如 RAG、Agent）的核心基本功。 AI

物聯網 , 結構化 , Json , Python

收藏 評論

mirxiong 頭像

掃地小沙彌J - Rust 所有權機制詳解：內存管理的第三條路

這是一篇關於 Rust 所有權 (Ownership) 的深度解析教程。 作為後端開發者，你習慣了 Java/Python 的 GC（垃圾回收）或者 C++ 的手動內存管理。而 Rust 只有所有權。這是 Rust 最難翻越的大山，也是它能在不需要 GC 的情況下保證內存安全的核心魔法。 本文將通過5 個經典案例，帶你徹底看懂 Rust 編譯器到底在“糾結”什麼。

數據 , rust , 代碼人生 , 編譯報錯

收藏 評論

u_16231477 頭像

蒙奇D索隆 - 【數據結構】考研408 | 偽隨機探測與雙重散列精講：散列的藝術與均衡之道

(開放定址法) 導讀 大家好，很高興又和大家見面啦！！！ 通過前面的內容，我們已經學習了兩種 開放定址法 ： 線性探測法：通過 固定探測步長 處理衝突 平方探測法：通過 平方跳躍步長 處理衝突 但是這兩種方法均會帶來一定的問題： 線性探測法 會導致 一次聚集 的現象 平方探測法 會導致 二次聚集 的現象 因此，在 開

yyds乾貨盤點 , 數據結構 , c++ , 後端開發 , 考研 , c , 408

收藏 評論

u_15844731 頭像

阿森CTO - Linux命令行工具

@TOC 📝前言 該文章j將介紹Linux中的常用系統工具和命令，如用於分頁顯示文本的more和less、顯示時間的date、管理日曆的cal、文件搜索的find和grep、以及壓縮/解壓縮的zip/unzip和tar。文中詳細解釋了每個命令的語法、功能和常用選項，並提供了示例。 🌠 more more 命令是一個分頁顯示文本文件內容的工具,它

大數據 , yyds乾貨盤點 , 搜索 , hive , 數據倉庫 , Linux

收藏 評論

lufeng_68f0e3782426d 頭像

程序員鋒仔 - 2025-12-21 GitHub 熱點項目精選

🌟 2025-12-21 GitHub Python 熱點項目精選(14個) 每日同步 GitHub Trending 趨勢，篩選優質 Python 項目，助力開發者快速把握技術風向標～ 📋 項目列表（按 Star 數排序） 1. exo-explore/exo exo是一個開源項目，旨在讓用户能夠在家中使用日常設備（如手機、電腦、平板和智能手錶等）構建自己的AI集羣。它通過將所有設備的資源

資訊 , 程序員 , 後端 , Python

收藏 評論

u_14664141 頭像

江湖有緣 - 【Docker項目實戰】使用Docker部署Eigenfocus項目管理工具

(【Docker項目實戰】使用Docker部署Eigenfocus項目管理工具) 一、Eigenfocus介紹 1.1 Eigenfocus簡介 Eigenfocus是一款自託管的項目管理、規劃與時間追蹤工具，基於團隊多年產品開發的經驗打造，兼顧簡潔性與靈活性，適用於從個人項目到多成員團隊的各種場景。 1.2 Eigenfocus主要特點 項目管

插入圖片 , 私藏項目實操分享 , 運維 , Docker

收藏 評論

u_17141077 頭像

g天命風流 - JVM之JVM棧的詳細解析

Java 棧 Java 虛擬機棧：Java Virtual Machine Stacks，每個線程運行時所需要的內存 每個方法被執行時，都會在虛擬機棧中創建一個棧幀 stack frame（一個方法一個棧幀） Java 虛擬機規範允許 Java 棧的大小是動態的或者是固定不變的 虛擬機棧是每個線程私有的，每個線程只能有一個活動棧幀，對應方法調用到執行完成的整個過

操作數 , JAVA , 前端開發 , 局部變量 , Javascript

收藏 評論

u_17321650 頭像

ZKMALL - 全場景適配無壓力！ZKmall開源商城：Vue3架構賦能可落地可擴展

在企業搭建電商系統時，“技術架構老舊、落地部署複雜、業務擴展受限、場景適配不足”是眾多企業的核心痛點。市面上多數電商系統採用過時技術架構，後續擴展升級困難；部分系統部署流程繁瑣，需專業團隊長時間調試，落地效率低下；更有系統功能固化，無法適配零售、跨境、直播等不同業務場景，難以滿足企業多樣化發展需求。這讓本就追求高效落地與靈活拓展的企業陷入“落地難、擴展慢、適配窄”的困境。ZKma

可擴展 , yyds乾貨盤點 , 電商系統 , 架構 , 後端開發 , 模塊化

收藏 評論

u_16213406 頭像

mob64ca12ea4e24 - stable diffusion把模型用完刪掉後 還留下一些顯存佔用

在使用“Stable Diffusion”生成模型時，我們經常會遇到一個讓人苦惱的問題：在使用完模型並將其刪除後，系統顯存依然佔用的現象。這可能會導致後續模型加載時的性能問題，或甚至導致無法加載新模型。本文將詳細記錄解決這個問題的過程，包括環境配置、編譯過程、參數調優、定製開發、部署方案以及進階指南。 環境配置 我們需要確保運行環境的各個組件都正確配置，以便高效利用顯存。以下是配

aigc , 編譯過程 , ci , Python

收藏 評論

u_16213407 頭像

mob64ca12ea8117 - llamafactory data 數據集下載太慢

在使用 LlamaFactory 數據集時，有些用户發現下載速度緩慢，這會極大地影響數據集的使用效率。本文將詳細説明如何解決 “LlamaFactory 數據集下載太慢” 的問題，分為幾個模塊步驟進行解釋，以確保您順利下載並使用數據集。 環境準備 在開始之前，必須確保環境已準備好。這裏列出了所需的前置依賴和版本兼容性。 前置依賴安裝： 序號

數據集 , aigc , 創建目錄 , Python

收藏 評論

M82A1 頭像

滄州虎王科技 - 實現從JS到Python的跨越：前端開發者的轉型攻略

從JS到Python：一個前端開發者的絲滑轉型之路 作為前端開發者，您已精通JavaScript（JS）的異步處理、DOM操作等核心技能。轉向Python時，您會發現許多概念可無縫遷移，只需聚焦關鍵差異即可高效轉型。以下分步指南助您平穩過渡： 一、相似性：快速上手的基石 基礎語法通用性 變量聲明：無需let/const，

軟件研發 , 作用域 , 開發者 , Python

收藏 評論

lying7 頭像

躺柒 - 讀人機溝通法則：理解數字世界的設計與形成01機器循環運行

1. 計算 1.1. 計算是一個無形的陌生宇宙，它無限廣闊，同時包含無限多的細節 1.2. 它是一種不遵循物理定律的原材料，在某種意義上為互聯網提供了遠超於電的力量 1.3. 它是一種無處不在的媒介，由經驗豐富的軟件開發人員和科技行業控制，他們對計算的掌控程度甚至可能威脅國家主權 1.4. 今天我們使用的計算機不僅是由電力和數學驅動的，還是由我們的每個動作和它們通過我們的使用過程實時瞭解到的信息

AI

收藏 評論

u_13715298 頭像

技術員阿偉 - 《從數據到轉化：遊戲地域偏好驅動的精準推送指南》

有些團隊投入大量資源做全量推送，卻始終困在“高曝光低轉化”的死循環裏，核心癥結在於無視不同地區玩家的地域行為基因差異—同款硬核競技活動，在北方地區的參與率可能高達40%，而在南方地區卻不足10%；一套休閒掛機玩法，在東部沿海城市的7日留存率能達到65%，在西北內陸卻僅為30%。這種差異並非偶然，而是地域文化積澱、作息節律差異、審美取向分化、社交習慣不同等多重因素長期塑造的結果。真

差異化 , yyds乾貨盤點 , 數據 , 推送 , 代碼人生

收藏 評論

u_13715298 頭像

技術員阿偉 - 《遊戲評論區輿情量化與運營預警實戰指南》

遊戲評論區早已不是簡單的互動場域，而是藏着用户情緒密碼的隱形監測站。每一條留言背後，都涌動着未被言説的態度傾向，每一次情緒共振，都可能醖釀成影響內容生命週期的輿情浪潮。多數運營者仍停留在“人工刷評”的低效階段，要麼錯過情緒發酵的黃金預警期，要麼被海量無效信息誤導決策，而真正的進階玩法，在於將散落的評論情緒轉化為可量化的輿情信號，通過精準解碼實現“情緒未爆先預警”，讓運營動作從被動

yyds乾貨盤點 , 數據 , 錨點 , 權重 , 代碼人生

收藏 評論

u_17605382 頭像

wx6946463041d26 - 個人學習感悟

作為一名計算機科學與技術專業的大一新生，初入大學的這一年，就像是打開了一扇通往數字世界的全新大門。從最初對代碼的一無所知，到如今能敲出簡單的程序；從對專業課程的迷茫困惑，到逐漸找到學習的節奏，這段充滿挑戰與驚喜的旅程，讓我對計算機專業有了最真切的初體驗。 剛踏入校園時，我對計算機專業的認知還停留在“會修電腦、會玩遊戲”的淺層理解上，以為學

音視頻 , 計算機科學 , 計算機專業 , 循環語句

收藏 評論

u_15515702 頭像

LazyUpdate - Qt常用功能整理—QSplitter

1.QSplitter 概述 QSplitter 是 Qt 中用於創建可調整分割區域的窗口部件，允許用户通過拖動分割條來調整子部件的大小。 2.基本使用方法 2.1創建 QSplitter // 水平分割 QSplitter *horizontalSplitter = new QSplitter(Qt::Horizontal); // 垂直分割

軟件研發 , yyds乾貨盤點 , 樣式表 , qt , 自定義 , 拖動 , 分割條

收藏 評論

u_16213430 頭像

mob64ca12f028ff - denoising diffusion probabilistic models for building extraction

在這篇博文中，我將向大家展示如何實現在建築提取任務中的去噪擴散概率模型（denoising diffusion probabilistic models），這一技術近年來在圖像處理領域展現了良好的表現。我們將系統性地覆蓋環境配置、編譯過程、參數調優、定製開發、錯誤集錦和生態集成等內容。 環境配置 首先，為了順利進行項目的構建，環境配置非常重要。以下是我所使用的環境和軟件包列表：

aigc , 編譯過程 , 環境配置 , Python

收藏 評論

u_16175476 頭像

mob649e815e9bc9 - github copilot和bito

關於 GitHub Copilot 和 Bito 的問題解決過程，我整理了這篇博文，希望能夠深刻分析這一技術背景及其交互擴展性。 協議背景 GitHub Copilot 和 Bito 是兩種主要的編碼助手工具，通過機器學習技術智能生成代碼，從而提高開發者的效率。這兩者的基礎協議及通訊方式在不斷演化，使用者需要了解這一背景。 《四象限圖》展示了這兩款工具的應用場景以及優缺點。

抓包 , 字段 , tcp , aigc

收藏 評論

u_16175450 頭像

mob649e81586edc - aigc底層邏輯

在人工智能生成內容（AIGC）的廣泛應用背景下，理解其底層邏輯至關重要。本篇博文將深入探討這個問題，力求全面而詳盡。通過逐步解析，讀者將對此領域有更深刻的認識。 背景描述 在2020年代初，AIGC開始迅速崛起。初始階段主要集中在自動化的內容生成，逐漸演變成了多模態能力的綜合展現。以下是這一發展過程的時間軸： timeline title AIGC發展歷程 2

性能優化 , aigc , ci , 模態

收藏 評論

BarberQiao 頭像

四毛打印店 - 物聯網系統中數據質量控制的重要性

物聯網系統中數據質量控制的重要性 基於物聯網的信息化系統在實際應用中，數據質量控制是確保系統可信度的關鍵環節。當系統交付客户後出現計費算費準確性問題時，往往不是因為系統功能缺陷，而是缺乏完善的數據質量保障機制。物聯網系統具有數據量大、來源多樣、實時性強等特點，傳感器故障、網絡傳輸異常、環境干擾等因素都可能導致異常數據產生。有效的數據質量控制應該建立完整的數據生命週期管理體系，包括數據

數據 , 物聯網 , 數據質量 , 考試認證

收藏 評論