大数据的学习笔记，从大数据的基本概念包括Hadoop、hive、离线计算、实时计算、数据库、数据仓库、维度建模、大规模并行处理MPP，到阿里大数据产品，包括MaxCompute、DataWorks、数据集成、机器学习PAI、AnalyticDBforMySQL，和最后的概要说明
2023/8/12 15:18:33
1.8MB
1
点文件此仓库将包含我使用的系统配置文件集。
.vimrcvim/neovim配置文件，用于Mac和Linux主机。
coc-settings.jsonneovimcoc配置。
星际飞船starshipshell提示配置
.vimrcvim/neovim配置文件，用于Mac和Linux主机。
coc-settings.jsonneovimcoc配置。
星际飞船starshipshell提示配置
2023/8/7 8:16:33
14KB
1
简体中文|棒极了一份精心编辑的相关清单。
文件官方文档社区文档（:warning:过期）在线玩具deno-play.app（:warning:证书问题）模块注意：Deno有一些官方模块可以在中找到，如果你有合适的模块可以考虑提交到仓库。
一个更好的用于创建Web应用程序的Deno框架。
-Alosaur-具有许多装饰器的DenoWeb框架。
格式化字节（Uint8Array，ArrayBufferView...）输出，在调试IO功能时很有用。
用于构造控制台应用程序的简单但功能强大的框架。
将破折号/点号/下划线/间隔分隔的字符串转换为camel案例：foo-bar→fooBar。
-用于杰诺控制台的颜色基础库。
在执行长任务时在终端中显示加载中。
-一个简单的CSV解析器。
-CacheClean，在下次运行时重新加载dep。
-的ejs模板引擎。
文件官方文档社区文档（:warning:过期）在线玩具deno-play.app（:warning:证书问题）模块注意：Deno有一些官方模块可以在中找到，如果你有合适的模块可以考虑提交到仓库。
一个更好的用于创建Web应用程序的Deno框架。
-Alosaur-具有许多装饰器的DenoWeb框架。
格式化字节（Uint8Array，ArrayBufferView...）输出，在调试IO功能时很有用。
用于构造控制台应用程序的简单但功能强大的框架。
将破折号/点号/下划线/间隔分隔的字符串转换为camel案例：foo-bar→fooBar。
-用于杰诺控制台的颜色基础库。
在执行长任务时在终端中显示加载中。
-一个简单的CSV解析器。
-CacheClean，在下次运行时重新加载dep。
-的ejs模板引擎。
2023/8/4 18:49:41
890KB
1
Nest＆AngularUniversalStarter使用Universal的最小和Angular启动器。
如果您正在寻找AngularUniversal仓库，请转至。
用:red_heart_selector:通过入门该演示是根据构建的。
安装npmi开发（仅客户端渲染）npmstart将运行ngserve。
开发（服务器端渲染）npmrundev:ssr。
生产*npmrunbuild:ssr&&npmrunserve:ssr编译您的应用程序并启动Nest服务器以在http://localhost:4000上为您的Universal应用程序提供服务。
*npmrunprerender编译您的应用程序并渲染您的应用程序文件执照
如果您正在寻找AngularUniversal仓库，请转至。
用:red_heart_selector:通过入门该演示是根据构建的。
安装npmi开发（仅客户端渲染）npmstart将运行ngserve。
开发（服务器端渲染）npmrundev:ssr。
生产*npmrunbuild:ssr&&npmrunserve:ssr编译您的应用程序并启动Nest服务器以在http://localhost:4000上为您的Universal应用程序提供服务。
*npmrunprerender编译您的应用程序并渲染您的应用程序文件执照
2023/7/29 3:26:28
179KB
1
培训关于批处理AI的分布式培训此仓库是有关如何使用BatchAI以分布式方式训练CNN模型的教程。
涵盖的场景是图像分类，但是该解决方案可以推广到其他深度学习场景，例如分段和对象检测。
图像分类是计算机视觉应用中的常见任务，通常通过训练卷积神经网络（CNN）来解决。
对于具有大型数据集的大型模型，单个GPU的训练过程可能需要数周或数月。
在某些情况下，模型太大，以致于无法在GPU上放置合理的批处理大小。
在这些情况下使用分布式培训有助于缩短培训时间。
在此特定方案中，使用Horovod在ImageNet数据集以及合成数据上训练ResNet50CNN模型。
本教程演示了如何使用三个最受欢迎的深度学习框架来完成此任务：TensorFlow，Keras和PyTorch。
有许多方法可以以分布式方式训练深度学习模型，包括数据同步和基于同步和异步更新的模型并行方法。
当前，最常见的场景是与同步更新并行的数据-这是最容易实现的，并且对于大多数用例而言已经足够。
在具有同步更新的数据并行分布式训练中，该模型在N个硬件设备之间复制，并且一小批训练样本被划分为N个微批次（参见图2）。
每个设备都
涵盖的场景是图像分类，但是该解决方案可以推广到其他深度学习场景，例如分段和对象检测。
图像分类是计算机视觉应用中的常见任务，通常通过训练卷积神经网络（CNN）来解决。
对于具有大型数据集的大型模型，单个GPU的训练过程可能需要数周或数月。
在某些情况下，模型太大，以致于无法在GPU上放置合理的批处理大小。
在这些情况下使用分布式培训有助于缩短培训时间。
在此特定方案中，使用Horovod在ImageNet数据集以及合成数据上训练ResNet50CNN模型。
本教程演示了如何使用三个最受欢迎的深度学习框架来完成此任务：TensorFlow，Keras和PyTorch。
有许多方法可以以分布式方式训练深度学习模型，包括数据同步和基于同步和异步更新的模型并行方法。
当前，最常见的场景是与同步更新并行的数据-这是最容易实现的，并且对于大多数用例而言已经足够。
在具有同步更新的数据并行分布式训练中，该模型在N个硬件设备之间复制，并且一小批训练样本被划分为N个微批次（参见图2）。
每个设备都
2023/7/28 19:18:56
437KB
1
应对挑战CoodingChallanges是一个仓库，我将定期添加编码挑战，每当我在学习过程中解决/尝试解决编码挑战时，都将在此处添加。
第一次挑战一个非常简单的JS程序，用于计算两个人的BMI并进行比较。
学分：[Jhonas课程]（）
第一次挑战一个非常简单的JS程序，用于计算两个人的BMI并进行比较。
学分：[Jhonas课程]（）
2023/7/28 1:36:50
1KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB