-
Discuz!DeBug模式
DeBug 模式 面向对象 作用 所需文件 修改配置文件 DeBug 信息解释 DeBug 模式 面向对象 有一定php ,mysql 基础的站长，程序开发者 作用 可以明细的列出当前页面的查询可以具体查询出现的文件，和时间。并且有查询的explain 信息。便于检查哪里出现了慢查询。 可以查看当前页面内存使用情况 可以列出当前页面... -
数据加载和处理教程
数据加载和处理教程 Dataset类 Transforms Compose transforms 迭代整个数据集 后记: torchvision 数据加载和处理教程 译者：@distant1219 校对者：@bringtree 作者 : Sasank Chilamkurthy 在解决机器学习问题时, 我们需要付出很多努力来准... -
如何保证消息的可靠性传输？
如何保证消息的可靠性传输？ 面试题 面试官心理分析 面试题剖析 RabbitMQ 生产者弄丢了数据 RabbitMQ 弄丢了数据 消费端弄丢了数据 Kafka 消费端弄丢了数据 Kafka 弄丢了数据 生产者会不会弄丢数据？ RocketMQ 消息丢失的场景 生产者发送消息时如何保证不丢失？ MQ 收到消息后写入硬盘如何保证不丢失？ ... -
4.6.互斥锁
4.6 互斥锁 概述 基本概念 互斥锁又称互斥型信号量，是一种特殊的二值性信号量，用于实现对共享资源的独占式处理。 任意时刻互斥锁的状态只有两种，开锁或闭锁。当有任务持有时，互斥锁处于闭锁状态，这个任务获得该互斥锁的所有权。当该任务释放它时，该互斥锁被开锁，任务失去该互斥锁的所有权。当一个任务持有互斥锁时，其他任务将不能再对该互... -
CUDA 语义
CUDA 语义 内存管理 最佳实践 设备无关代码 使用固定的内存缓冲区 使用 nn.DataParallel 替代 multiprocessing CUDA 语义 译者：@Chris 校对者：@Twinkle torch.cuda 被用于设置和运行 CUDA 操作. 它会记录当前选择的 GPU, 并且分配的所有 CUDA 张... -
自动求导机制
自动求导机制 向后排除子视图： requires_grad autograd 如何编码历史信息： Variable 上的 In-place 操作： In-place 正确性检测： 译者署名 自动求导机制 从后向中排除子图 requires_grad volatile 自动求导如何编码历史信息 Variable 上的 In-pl... -
Task Runner 部署
1 服务端部署 Task Runner 2 本地部署 Task Runner ¶ 2.1 Windows 环境 2.2 Mac 环境 1 服务端部署 Task Runner 部署服务器要求 操作系统：Ubuntu 22 / CentOS 7 64 位系统 CPU/内存：2C4G 磁盘空间：50 G # 下载在线安装包并上传到服务器 找... -
内存压缩
内存压缩 77. 概况 78. 启用 内存压缩 77. 概况 内存压缩（A.K.A Accordion）是hbase-2.0.0中的一项新功能。它首先在[Accordion：HBase Breathes with In-Memory Compaction]的Apache HBase博客上引入（https://blogs.apache.org/hb... -
自动求导机制
自动求导机制 从后向中排除子图 requires_grad volatile 自动求导如何编码历史信息 Variable上的In-place操作 In-place正确性检查 自动求导机制 本说明将概述Autograd如何工作并记录操作。了解这些并不是绝对必要的，但我们建议您熟悉它，因为它将帮助您编写更高效，更简洁的程序，并可帮助您进行调... -
将分布式DataParallel与分布式 RPC 框架相结合
将分布式DataParallel 与分布式 RPC 框架相结合 将分布式DataParallel 与分布式 RPC 框架相结合 原文：https://pytorch.org/tutorials/advanced/rpc_ddp_tutorial.html 作者 ： Pritam Damania 本教程使用一个简单的示例演示如何将Distr...
