ITPub博客

现在的处理器都具有保护系统软件不受应用程序破坏的功能，实现这个功能的方法是在处理器中实现不同的操作级别，不同的级别具有不同的功能，Linux使用处理器的两种级别，应用程序运行在最=低级别，即用户空间（或用户态），内核运行在最=高=级别，即内核空间（或内核态）。嵌入式系统都是由硬件系统和软件系统组成任何一个嵌入式系统都是由硬件系统和软件系统组成的。硬件系统和软件系统的协同保证了嵌入式系统的运行。硬件

三大主流前端框架介绍在前端项目中，可以借助某些框架（如React、Vue、Angular等）来实现组件化开发，使代码更容易复用。此时，一个网页不再是由一个个独立的HTML、CSS和JavaScript文件组成，而是按照组件的思想将网页划分成一个个组件，如轮播图组件、列表组件、导航栏组件等。将这些组件拼装在一起，就形成一个完整的网页。本章主要涉及的知识点有：l React框架介绍l Vue框架介绍l

 在程序设计中，递归的设计就是利用了栈的“后进先出”的思想。利用栈可以将递归程序转换为非递归程序。3.3.1  递  归递归是指在函数的定义中，在定义自己的同时又出现了对自身的调用。如果一个函数在函数体中直接调用自己，就称为直接递归函数。如果经过一系列的中间调用，间接调用自己的函数就称为间接递归调用。1. 递归函数例如，n的阶乘递归定义如下：n的阶乘算法如下：publ

大模型是指具有非常大的参数数量的人工神经网络模型。在深度学习领域，大模型通常是指具有数亿到数万亿参数的模型。这些模型通常需要在大规模数据集上进行训练，并且需要使用大量的计算资源进行优化和调整。大模型通常用于解决复杂的自然语言处理、计算机视觉和语音识别等任务。这些任务通常需要处理大量的输入数据，并从中提取复杂的特征和模式。通过使用大模型，深度学习算法可以更好地处理这些任务，提高模型的准确性和性能。大

第2章对MNIST数据做了介绍，描述了其构成方式及其数据的特征和标签的含义等。了解这些有助于编写合适的程序来对MNIST数据集进行分析和识别。本节将使用同样的数据集完成对其进行分类的任务。3.1.1  数据图像的获取与标签的说明MNIST数据集的详细介绍在第2章中已经完成，读者可以使用相同的代码对数据进行获取，代码如下：import numpy as np

内 容 简 介大模型是深度学习自然语言处理皇+冠上的一颗明珠，也是当前AI和NLP研究与产业中最重要的方向之一。本书使用PyTorch 2.0作为学习大模型的基本框架，以ChatGLM为例详细讲解大模型的基本理论、算法、程序实现、应用实战以及微调技术，为读者揭示大模型开发技术。本书共18章，内容包括人工智能与大模型、PyTorch 2.0深度学习环境搭建、从零开始学习PyTorch 2.0、深度学

Deployment提供了一种更加简单的更新Replication Controller和Pod的机制，更好地解决了Pod的编排问题。本节将详细介绍如何通过Deployment实现Pod的管理。15.1.1  什么是DeploymentDeployment的中文意思为部署、调集，它是在Kubernetes的1.2版本中新增加的一个核心概念。Deployment的实现为用户管理Pod提供了

kubectl命令举例为了使读者能够快速掌握kubectl命令的使用方法，下面对常用的命令进行介绍。1. kubectl create命令此命令通过文件或者标准输入创建一个资源对象，支持YAML或者JSON格式的配置文件。例如，如果用户创建了一个Nginx的YAML配置文件，其内容如下：apiVersion: v1kind: ReplicationControllermetadata: 

Kubernetes的重要概念了解和掌握Kubernetes的重要概念是非常有必要的。只有深入理解Kubernetes的基本概念，才能掌握其各个组件的功能，从而能够快速地部署和维护Kubernetes。本节将对Kubernetes中的重要概念进行介绍。1  Cluster（集群）在Kubernetes中，Cluster（集群）是计算、存储和网络资源的集合。Kubernetes利用这些基础

#好书推荐##好书奇遇季#《Docker与Kubernetes容器运维实战》已经出版。本书帮助读者系统掌握Docker与K8s运维技能。 本书内容 本书分两部分系统介绍Docker与Kubernetes的运维技术。（1）Docker部分包括：全面认识Docker、初步体验Docker、Docker基本管理、Docker仓库、数据管理、Dockerfile、日志、Compose、

本节将使用ResNet实现CIFAR-10数据集的分类。7.2.1  CIFAR-10数据集简介CIFAR-10数据集共有60 000幅彩色图像，这些图像是32×32像素的，分为10类，每类6 000幅图，如图7-9所示。这里面有50 000幅图用于训练，构成了5个训练批，每一批10 000幅图；另外，10 000幅用于测试，单独构成一批。测试批的数据取自100类中的每一类，每一类随机取

实战：基于卷积的MNIST手写体分类前面实现了基于多层感知机的MNIST手写体识别，本章将实现以卷积神经网络完成的MNIST手写体识别。1.  数据的准备在本例中，依旧使用MNIST数据集，对这个数据集的数据和标签介绍，前面的章节已详细说明过了，相对于前面章节直接对数据进行“折叠”处理，这里需要显式地标注出数据的通道，代码如下：import numpy as&nbsp

#好书推荐##好书奇遇季#《高性能Linux网络编程核心技术揭秘》，京东当当天猫都有发售。定价109元，网店打折销售更便宜。本书配套示例项目源码、作者QQ答疑。 本书详解高性能Linux网络编程的核心技术及DPDK框架，剖析Nginx高性能服务器架构，实战基于libevent 的FTP服务器、基于epoll的高并发聊天服务器、基于DPDK的应用案例、基于P2P架构的高性能游戏服务器。&n

#好书推荐##好书奇遇季#《PyTorch 2.0深度学习从零开始学》，京东当当天猫都有发售。定价69元，网店打折销售更便宜。本书配套示例项目源码、PPT课件。 本书以通俗易懂的方式介绍PyTorch深度学习基础理论，并以项目实战的形式详细介绍PyTorch框架的使用。为读者揭示PyTorch 2.0进行深度学习项目实战的核心技术，实战案例丰富而富有启发。 本书内容 

本节将使用监听器设计购物车效果，这个购物车需要满足以下需求：（1）当用户每次修改预购买商品名称的时候，都需要清空购买数量。（2）对购物车数据进行侦听，每次单击“加入购物车”按钮，会显示商品名称和数量。 【例7.5】设计购物车效果（源代码\ch07\7.5.html）。<div id="app">     

在使用监听器的时候，除了直接写一个监听处理函数外，还可以接收一个加字符串形式的方法名，方法在methods选项中定义。【例7.2】使用监听器方法（源代码\ch07\7.2.html）。在示例中监听了yuan和jiao属性，后面直接加上字符串形式的方法名method1和method2，最后在页面中使用v-model指令绑定yuan和jiao属性。<div id="app&q

监听器是一个对象，以key-value的形式表示。key是需要监听的表达式，value是对应的回调函数。value也可以是方法名，或者包含选项的对象。Vue实例将会在实例化时调用$watch()遍历watch对象的每一个property。同时，当差值数据变化时，执行异步或开销较大的操作时，可以通过采用监听器的方式来达到目的。下面讲解解监听器的用法。监听器在Vue实例的watch选项中定义。它包括两

Spark本地模式的安装比较简单，直接启动上一节安装配置好的CentOS7-201虚拟机（直接使用免费的Virtualbox安装CentOS7.9），以hadoop账户登录Linux，下载并解压Spark安装文件就可以运行。这种模式可以让我们快速了解Spark。在安装Spark之前需要需先准备好JDK环境，并正确配置JAVA_HOME和PATH环境变量。下面介绍一下Spark本地模式的安装。（1）

 在很多情况下，开发人员并不了解Scala语言，也不了解Spark常用的API，但又非常想要使用Spark框架提供的强大的数据分析能力。Spark的开发工程师们考虑到了这个问题，于是利用SQL语言的语法简洁、学习门槛低以及在编程语言中普及程度和流行程度高等诸多优势，开发了Spark SQL模块。通过Spark SQL，开发人员能够使用SQL语句实现对结构化数据的处理。 本节主要

1. Spark RDD是什么RDD（Resilient Distributed Dataset，弹性分布式数据集）是一个不可变的分布式对象集合，是Spark中最基本的数据抽象。在代码中RDD是一个抽象类，代表一个弹性的、不可变、可分区、里面的元素可并行计算的集合。每个RDD都被分为多个分区，这些分区运行在集群中的不同节点上。RDD可以包含Python、Java、Scala中任意类型的对象，甚至可