张士玉小黑屋

本期文章是K8s第3篇，主要是实战Kubectl创建Deployment部署应用。通过本期文章：我们将学习创建在Kubernetes集群上运行应用程序的Deployment所需的最常见的Kubectl命令。在前期的文章中，已经介绍了一些云原生入门的知识及简单实战，感兴趣的同学可以去我的云原生专栏中学习，任意门：云原生学习专栏实战Kubectl创建Deployment部署应用、查看应用前言：学习目标一：用Kubectl创建Deployment1、部署第一个在K8s上的应用程序二：实战部署1、查看Kubectl配置2、查询集群中节点信息3、部署程序应用4、查看部署的程序后文：总结前言：学习目标本篇文章，学习目标是：1、学习Kubetcl中应用的部署。2、

文章目录前言一、deeplabV3+二、数据准备三、修改代码四、开始训练五、测试前言在上一篇主要了解了语义分割，实例分割，全景分割的区别，以及labelme标注的数据进行转换，这边文章主要是通过deeplabV3+构建自己的语义分割平台一、deeplabV3+上图所示，是deeplabV3+的主体框架，简单来说就是编码，解码的过程。将输入的图片通过DCNN深度卷积神经网络，获得两个有效的特征层（浅层）（深层）对深层特征层进行ASPP（利用不同膨胀率的膨胀卷积进行特征提取，然后对特征进行堆叠，通过1X1卷积调整通道数，得到最终的特征）将高语义的特征信息经过上采样与浅层特征进行特征融合，在进行3X3的卷积，然后通过1*1卷积进行通道数的调整，调整成num_class（分类数）进行

?前言本文是C++软件异常排查从入门到精通系列教程专栏的导航贴（欢迎点击订阅，持续更新…）。专栏介绍：根据近几年排查软件异常的实践与经验，系统地讲解了C++软件异常常见原因与常用排查方法，以图文并茂的方式给出具体的分析实例，带领大家逐步掌握C++软件异常排查的相关技术与要领，适合基础进阶和想做技术提升的相关C++开发人员！专栏适用人群：C++软件开发人员。文章还在持续更新ing… 如果文章对您有用，请点点赞，点点关注，点点收藏，也可以订阅专栏，您的支持是我前进的最大动力！ Thanks！Thanks！Thanks！?文章列表?Part1概述⭐️第1章：C++软件异常分析概述功能介绍：本文概要性地讲述了C++软件异常的分类以及常用的排查方法。⭐️第2章：C++

?‍?作者：大二学生小周?主页：关注学习更多技术?关键：容器技术软件开发架构云原生大家好，前几篇文章讲解了云计算，微服务的概念，本文讲解容器技术，直接来到容器难免有些突兀，我决定按照时代划分为物理机时代，虚拟化时代以及本文的重点容器化时代，最后将容器化微服务和k8s串起来，浅谈一下云原生，你会明白，为什么说容器技术的成熟预示着云原生时代的到来？我是小周，周棋洛的周，如果觉得文章写的不错，记得三联支持可怜的博主呀❤️文章目录物理机时代虚拟化时代什么是容器？容器的优势容器vs虚拟机再看云原生写在最后物理机时代在物理机时代，假如我开了公司，半年时间将网站开发完成了，现在要将网站上线，我需要先购买一台服务器，在服务器上安装操作系统，然后在服务器上安装数据库和配置网站环境，

目录前言一、为什么要做数据均衡？二、数据场景1.大数据分布不均衡2.小数据分布不均衡三、均衡算法类型1.过采样 2.欠采样3.组合采样  四、算法具体种类1.欠采样算法： （1）.RandomUnderSampler（2）.ClusterCentroids （3）.CondensedNearestNeighbour​编辑 （4）.EditedNearestNeighbours（5）.RepeatedEditedNearestNeighbours​编辑 （6）.AllKNN （7）.InstanceHardnessThreshold （8）.NearMiss​编辑 （9）.NeighbourhoodCleaningRule （10）OneSided

初衷作为Vue技能树的构建者，一直拖延到现在才来写这篇文章，主要还是心里没有底，前面殊不知这颗“树”是否促进了大家学习的热情，也不知它给大家带来了多少收获。说到我们的Vue技能树，我作为尤大大的忠实粉丝自就业后就一直在运用Vue技术做前端开发，其实网上有过很多很多前端框的对比文章，其实框架本身之所以能够出现注定是为了规避一些已有框架的劣势，Vue框架的出现大大的提高了前端的性能、开发效率等，而且如今的Vue技术也已经相对非常成熟稳定了；一次偶然的机会，跟邹老师交流的时候提及CSDN站内的前端知识体系，受到邹老师的邀请来做Vue技能树的构建工作，说实话起初的时候没有太大的感觉，当时的自己其实对咱们CSDN的技能树并不是很了解，自己以为也是比较简单的，也没有顾及那么多直接就应下了；一方面

经常会被同学们问到这个问题，要怎么努力才能找到好工作？学习好就能进好公司？屁！被学校教育坑的一把鼻涕一把泪的老学长来回答一波。我上大学时，连续三年得过国家励志奖学金，英语过六级，以为软考有用，还考了个软件设计师证书，以为四级有用，也考了个软件测试工程师证书，看人家用c++写软件，自学MFC写了几个桌面小程序。自以为很牛逼的去找工作，结果要价2500，都没人收，2011年，一个计算机系top级毕业生，薪资还没流水线的高。现在工作近十年，也辗转几个大厂，做校招、社招面试也不下于上百场，这里跟大家说几句心里话。万字长文，这可能是改变你一生的文章。这些内容会涉及行业秘密，希望你能耐心看完，绝对会有帮助，顺带能帮点个赞，就更感激了。目录：学习好为什么进不去好公司校招看什么

梦晨发自凹非寺量子位|公众号QbitAI谷歌研究员被AI说服，认为它产生了意识。他写了一篇长达21页的调查报告上交公司，试图让高层认可AI的人格。领导驳回了他的请求，并给他安排了“带薪行政休假”。要知道在谷歌这几年带薪休假通常就是被解雇的前奏，公司会在这段时间做好解雇的法律准备，此前已有不少先例。休假期间，他决定将整个故事连同AI的聊天记录一起，全部公之于众。……听起来像一部科幻电影的剧情梗概？但这一幕正在真实上演，主人公谷歌AI伦理研究员BlakeLemoine正通过主流媒体和社交网络接连发声，试图让更人了解到这件事。华盛顿邮报对他的采访成了科技版最热门文章，Lemoine也在个人Medium账号连续发声。推特上也开始出现相关讨论，引起了AI学者、认知科学

马上就要到一年一度的618大促，卖萌酱在添加购物车时，选择困难症又犯了。如今的电商评论区，大量刷单行为淹没了重要的产品评价，有的被淹没在了追评区，有的平台甚至已经不分好评/中评/差评区了，而是“一眼望去好评如潮”。比如某净水器的评论区，看似只有200条差评，但1.3w条追评、10w条好评中其实隐藏着数不清的差评，这些差评往往可信度极高（毕竟卖家和同行都不会雇水军去好评区写差评）。但如果想从追评和好评区找出这些差评，能找到你眼瞎。于是卖萌酱心生一计，既然评论数量这么多，为啥不自己训练个AI模型来从动辄10万+评论的评论区里自动挖掘差评呢？毕竟人眼一秒看不了10条评论，但AI模型一秒看100条甚至1000条评论也不成问题（只要你有好显卡部署服务）。说！干！就！干！首先卖萌酱将这

目录第0级，Excel第1级，敏捷BI第1级，润乾报表第1级，易明建模第2级，SPL第3级，SQL第3级，国产报表工具与企业BI软件第3级，SPL第3级，AutoML平台路线图SPL资料大数据和人工智能时代，数据分析是个热门话题，数据分析师貌似也是个热门职业。很多门外汉想学，但面对浩瀚繁杂的技术，也搞不清该从哪里开始。于是，经常有人问这个问题，当然还有问得更具体的，怎么能学会SQL啊，要不要学Python啊，其实背后经常都是一回事。这里刻意把“处理”也挂上，因为数据分析并不会单独存在，用来分析的数据常常还需要自己去准备去整理，这些都是数据处理的范畴。比如把一堆Excel给合并起来，也许下一步的任务就是分析了，但这一步却少不了。还有些事情，比如用花名册生成员工卡，说成是数据分析显然