博客 RSS 訂閱

u_16213298 頭像

mob64ca12cfec58 - Ubuntu ollama推理時沒有使用gpu

在使用Ubuntu進行ollama推理時，用户常常會遇到“推理時沒有使用GPU”的問題。這是一個常見的性能瓶頸問題，直接影響到預測的速度和效率。下面將詳細闡述如何解決該問題的過程。 用户反饋： “在使用ollama進行模型推理時，始終沒有看到GPU的使用，我確定我的設備有GPU，但怎麼設置都無法啓用。” 根據上面的用户反饋，可以看出問題出在模型推理的過程中未能有效利

aigc , ci , CUDA , Ubuntu

收藏 評論

JavaEdge 頭像

JavaEdge - 亞馬遜為 Bedrock AgentCore 添加 A2A 協議，實現多智能體系統互操作

0 前言 亞馬遜 宣佈，在 Amazon Bedrock AgentCore Runtime 正式支持A2A協議**，讓基於不同框架構建的智能體之間能夠實現通信與協作。** 該協議支持來自 Strands Agents、OpenAI Agents SDK、LangGraph、Google ADK 和 Claude Agents SDK 等框架的智能體以“通用且可驗證的

服務器 , yyds乾貨盤點 , 人工智能 , 深度學習 , 開發者 , 協同工作

收藏 評論

u_16213358 頭像

mob64ca12dedda8 - AIGC 音頻生成工具 天工

AIGC 音頻生成工具 天工是一款致力於音頻生成的智能工具，能夠幫助用户輕鬆創建和修改音頻文件。本文將詳細記錄如何有效配置和使用這一工具的過程，包括環境準備、分步指南、配置詳解、驗證測試、排錯指南以及擴展應用。 環境準備 在使用“AIGC 音頻生成工具 天工”之前，用户需要確保環境中的前置依賴已被成功安裝。以下是所需的依賴及其版本兼容性矩陣： 依

User , System , aigc , ci

收藏 評論

u_16213395 頭像

mob64ca12e7b5cf - 基於AIGC的人工智能應用框架圖

在這個博文中，我將詳細記錄如何構建一個"基於AIGC的人工智能應用框架圖"，並涵蓋以下核心內容：環境配置、編譯過程、參數調優、定製開發、錯誤集錦和進階指南。 首先，我們需要確保系統具有合適的環境配置。在環境配置階段，涉及依賴的安裝、配置與版本的管理。下圖即展示了該過程的流程圖，幫助大家理解整個步驟。 flowchart TD A[環境準備] -- B[安裝依賴]

System , aigc , 人工智能 , 解決方案

收藏 評論

u_14555121 頭像

mb5d873393ad030 - BitpieSQL錢包性能的三要素

在數據庫系統中，BitpieSQL錢包下載查詢地址biepe.app；性能是衡量應用健康度的關鍵指標。許多開發者將性能優化簡單歸結為"添加索引"，但實際上，高效的查詢是索引策略、執行計劃優化和數據分佈理解三者協同作用的結果。本文將深入探討這三要素的相互作用機制，幫助您構建系統化的SQL性能優化思維。 1 SQL執行的生命週期與性能瓶頸 1.1 查詢處理的全鏈路視角

數據 , 執行計劃 , 數據分佈 , webpack , 前端開發

收藏 評論

u_16175508 頭像

mob649e81664bd9 - PostableCommand Enumeration

PostableCommand Enumeration 是一種用於處理系統命令和消息的枚舉類型，廣泛應用於軟件開發領域，尤其是在構建命令模式和事件驅動架構時。它提供了一種標準化的方式來定義和管理可被系統處理的各種命令，確保了代碼的可維護性和擴展性。 為了全面理解和解決與 PostableCommand Enumeration 相關的問題，我將從以下幾個維度展開分析和討論。 核心維

複雜度 , 字符串 , aigc , JAVA

收藏 評論

u_11103654 頭像

binswm - 掌握下載im錢包現代C++的演變（圖）

本文目標是剖析lambda im錢包的主要演變過程下載，imTke.app官網但不是所有的小細節。對 lambda 的基礎知識不瞭解可以閲讀博主的另一篇文章，有詳細介紹。lambda 的演變一般是賦予它們手動定義函數對象的功能。 一、背景 Lambda 是現代 C++ 最受歡迎的功能之一。自從在 C++ 11 中引入以來，它們在 C++ 代碼中無處不在。而且，

默認參數 , 服務器 , 自動換行 , 分佈式 , 函數返回

收藏 評論

u_10983731 頭像

wangyeke - 關於token pocket下載解決JSON丟失問題

Go語言中，當uint64或int64數值超過錢包下載時，Tekon.app官網JSON序列化會因float64精度限制導致精度丟失。解決方案包括：使用json:"id,string"標籤轉為字符串、自定義類型實現Marshaler接口、或使用第三方庫json-iterator將大整數序列化為字符串。 原理: 在 Go 語言中，當把uint64或int64類型

序列化 , webpack , 前端開發 , Json

收藏 評論

u_11395103 頭像

wowwow0607 - 多進程環境中解決 PHP 文件系統鎖定問題指南

多進程環境中解決 PHP 文件系統鎖定問題指南 文件系統鎖定是 PHP 應用在多進程環境中運行時一個關鍵但常被忽視的方面。當多個進程或線程同時訪問共享文件時，如果沒有適當的同步機制，可能會導致競態條件、數據不一致甚至數據損壞。本指南將探討在 PHP 應用中解決文件系統鎖定問題的高級技術，確保數據完整性和應用可靠性。 原文鏈接 - 多進程環境中解決 PHP 文件系統鎖定問題指

MySQL , php , 數據庫 , 文件鎖 , 多進程

收藏 評論

u_11683561 頭像

sweetoneday - 深入理解 PHP-FPM 的最佳配置

深入理解 PHP-FPM 的最佳配置 對大多數開發者來説，PHP-FPM 的配置並不是日常工作中需要深入研究的東西。這沒什麼問題，畢竟不是每個人都想或需要在服務器調優上花時間。 況且，現在有很多託管服務（寶塔，1panel 等）可以幫你把服務器配置好，安裝所有依賴（包括 PHP-FPM），你只需要在控制面板點幾下就能部署代碼。也許你們公司有專門的運維，或者有資深開發在負責這

子進程 , php , 前端開發 , Javascript

收藏 評論

XY-Heruo 頭像

花酒鋤作田 - [python]FastAPI-Tracking ID 的設計

前言 在實際業務中，根據 tracking_id 追查日誌中一條請求的完整處理路徑是一個比較常見的需求。不過 FastAPI 官方並沒有提供相對應的功能，因此需要開發者自行實現。本文介紹如何基於 contextvars，為每次請求的完整流程都添加一個 tracking_id，並在日誌中記錄。 什麼是 contextvars Python 在 3.7 版本的標準庫中加入了一個模塊 contextva

後端

收藏 評論

u_11644109 頭像

kexiaojun1 - Laravel ObjectId 性能最強體積最小的分佈式 UUID 生成擴展

相信每位 Laravel 開發者都遇到過這種情況：新建項目、寫遷移、模型默認用自增 ID。開始挺好，但等到系統要上分佈式、對接 API、搞微服務的時候，整數 ID 的侷限性就暴露出來了。 Laravel ObjectId 就是為了解決這個問題：一套開箱即用的全局唯一 ID 方案，借鑑了 MongoDB ObjectId 的設計思路，可以直接用在 MySQL、MariaDB

MySQL , laravel , 數據庫 , postgresql

收藏 評論

u_11927406 頭像

chris310wtt - 進階學習 PHP 中的二進制和位運算

在實際項目中，經常需要大量依賴 PHP 中的位運算操作。從讀取二進制文件到模擬處理器，這是一項非常有用的知識，而且也非常酷。 PHP 提供了許多工具來支持你處理二進制數據，但需要從一開始就注意：如果你追求極致的底層效率，PHP 並不是最佳選擇。 不過請耐心看下去！本文將展示關於位運算、二進制和十六進制處理的非常有價值的內容，這些在任何語言中都會有用。 原文鏈接

字符串 , php , 人工智能 , 深度學習 , 十進制

收藏 評論

u_15138569 頭像

mb60540bdd81be7 - 9 個步驟教你如何安全地遷移數據庫或字段

本文提供無停機遷移數據庫唯一ID的9步安全方案。核心分三階段：首先封裝ID類型實現新舊字段共存，其次通過功能開關逐步切換至UUID並監控性能，最後清理舊ID字段。關鍵要點包括解耦原始類型、回填數據、功能開關控制及索引優化，確保可隨時回滾。 這篇文章要講的是一個非常具體且棘手的問題：唯一 ID 遷移。 現在有一個實體User，由User::$id標識，看起來像這樣：

字段 , User , MySQL , 數據庫 , SQL

收藏 評論

u_16432251 頭像

Transofomer周 - Deepseek math V2的價值

我之前説過講一下math V2的論文，今天來還個願 其實為什麼這論文沒人重視呢？主要是兩個原因： 1- 絕大多數人討厭數學 2- 之前出過一個prover2，大家也不知道幹啥的也和數學有關，然後又來一個 討厭數學就不説了（甚至有人討厭香菜），主要説第二個，prove2為什麼讓人不知道是幹啥的？ 它其實是lean 生成器，

data , 生成器 , 人工智能 , 深度學習 , Lean

收藏 評論

u_14535797 頭像

wx5d7321c78b265 - PHP 8.5 在性能、調試和運維方面的新特性

2025 年即將結束，這意味着 PHP 的新版本也已經發布了！ 在本文中，我們將重點介紹那些你在上述文章中找不到的，關於 PHP 8.5 在性能、調試和運維方面的變化。 其中一些改動甚至是由 Tideways 的員工直接貢獻的。 你是不是最好奇 PHP 8.5 是否比舊版本性能更強？可以看看基準測試。 原文鏈接 PHP 8.5 在性能、調試和運維方面的新特性

大數據 , php , hive , INI

收藏 評論

u_11543695 頭像

王廣緒 - 不用 Web 服務器也能跑 PHP？這事比你想的有意思

不用 Web 服務器也能跑 PHP？這事比你想的有意思 如果你寫了一段時間 PHP，腦子裏大概是這個畫面： 瀏覽器 → Web 服務器（Apache/Nginx）→ PHP → 返回 HTML 這條路徑實在太經典了，以至於很多人心裏，PHP 就等於 Web 開發。寫個腳本，扔到 public/ 或 htdocs/ 目錄，配個虛擬主機，然後通過 HTTP 訪問 —— 好像這就

移動開發 , php , ios , Web

收藏 評論

u_11117078 頭像

葉梓梓 - PHP Fiber 優雅協作式多任務

PHP Fiber 優雅協作式多任務 在 PHP Model Context Protocol (MCP) SDK 開發過程中遇到的實際問題，深入探討了 PHP 纖程（Fibers）這一被低估的強大特性。文章詳細展示瞭如何使用纖程解決複雜的雙向通信問題，以及如何構建既優雅又實用的 API。 原文鏈接 PHP Fiber 優雅協作式多任務 背景 在開發官方 PHP MC

微信開發 , 移動開發 , 處理程序 , php , 客户端

收藏 評論

u_11370644 頭像

沉默的復甦 - 深入理解 PHP-FPM 的最佳配置

深入理解 PHP-FPM 的最佳配置 對大多數開發者來説，PHP-FPM 的配置並不是日常工作中需要深入研究的東西。這沒什麼問題，畢竟不是每個人都想或需要在服務器調優上花時間。 況且，現在有很多託管服務（寶塔，1panel 等）可以幫你把服務器配置好，安裝所有依賴（包括 PHP-FPM），你只需要在控制面板點幾下就能部署代碼。也許你們公司有專門的運維，或者有資深開發在負責這

子進程 , php , 前端開發 , React.js

收藏 評論

u_12366247 頭像

My_Dabao - PHP "真異步" TrueAsync SAPI 與 NGINX Unit 集成

PHP “真異步” TrueAsync SAPI 與 NGINX Unit 集成 現在的 Web 開發和過去最大的區別是什麼？一句話：沒人再願意等服務器響應了。 七八年前，甚至更早的時候，模塊加載、組件打包、腳本解釋、數據庫查詢 —— 這些步驟慢一點，對業務和用户也不會造成太大影響。 現在不一樣了。Web 開發的核心已經變成了最大化服務器響應速度。這種轉變來自網速的提

非阻塞 , php , 前端開發 , Javascript

收藏 評論

ChenYinging 頭像

FAfa_C++ - 代碼隨想錄Day25_回溯5_全排列

非遞減子序列 問題描述 給了一個數組，要求給出其所有長度=2的非遞減子序列。 思路 壓入結果的條件是path.size()=2，回溯過程結束的條件是移動到了邊上startIndex=num.size() 在樹中，非遞減序列，要求壓入的元素必須比之前壓入的大：if(path.empty()||nums[i]=path.back()) 問題 如果給出的數組包含重複元素，那麼答案的集合中就會包含重

後端

收藏 評論

xaye 頭像

祝你今天愉快 - C++學習（二十一） for循環

一、介紹 C++ 中的 for 循環用於重複執行一段代碼，主要有三種形式： 傳統 for 循環（C 風格） for (初始化; 條件; 迭代) { // 循環體 } 初始化：循環開始前執行一次（如 int i = 0）。 條件：每次循環前檢查，為 true 則繼續，false 則退出。

指尖人生 , 移動開發 , include , c++ , Android , ci

收藏 評論

cerana 頭像

cerana - 歐拉公式

(目錄) 一、複數 $Z^2=-1 \Rightarrow Z=\pm\sqrt{-1}=\pm i$ 複數的座標表示：$Z=a+bi$ 複數的三角表示：$Z=\rho(cos\theta+isin\theta)$ 乘法：棣莫佛定理 摸相乘，角相加。 $$ Z_1Z_2=\rho_1

人工智能 , 數據分析 , 歐拉公式

收藏 評論