def

打造用户态存储利器，基于SPDK的存储引擎Blobstore & BlobFS https://community.mellanox.com/s/article/howto-configure-nvme-over-fabrics SPDK自动精简配置的逻辑卷使用 construct_lvol_bdev https://www.sdnlab.com/21098.html spdk 块设备层bdev https://www.cnblogs.com/whl320124/p/10064878.html https://spdk.io/doc/bdev.html#bdev_ug_introduction 转自 spdk中nvmf源码 https://mp.weixin.qq.com/s/ohPaxAwmhGtuQQWz--J6WA https://spdk.io/doc/nvmf_tgt_pg.html nvmf的spec http://nvmexpress.org/resources/specifications/ 总的知识点+较详细不同bdev配置 https://www.jianshu.com/p/b11948e55d80 https://www.gitmemory.com/issue/spdk/spdk/627/478899588 SPDK NVMe-oF target 多路功能介绍

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。 Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下 Scrapy主要包括了以下组件： 引擎(Scrapy) 用来处理整个系统的数据流, 触发事务(框架核心) 调度器(Scheduler) 用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址 下载器(Downloader) 用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的) 爬虫(Spiders) 爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面 项目管道(Pipeline) 负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体

一、列表排序 　　 排序 就是将一组“无序”的记录序列调整为“有序”的记录序列。 　　 列表排序 ：将无序列表变为有序列表。 　　　　输入：列表 　　　　输出：有序列表 　　两种基本的排序方式： 升序 和 降序 。 　　python内置的排序函数：sort()。 二、常见排序算法　　 名称 复杂度 说明 备注 冒泡排序 Bubble Sort O(N*N) 将待排序的元素看作是竖着排列的“气泡”，较小的元素比较轻，从而要往上浮 插入排序 Insertion sort O(N*N) 逐一取出元素，在已经排序的元素序列中从后向前扫描，放到适当的位置 起初，已经排序的元素序列为空 选择排序 O(N*N) 首先在未排序序列中找到最小元素，存放到排序序列的起始位置，然后，再从剩余未排序元素中继续寻找最小元素，然后放到排序序列末尾。以此递归。 快速排序 Quick Sort O(n *log 2 (n)) 先选择中间值，然后把比它小的放在左边，大的放在右边（具体的实现是从两边找，找到一对后交换）。然后对两边分别使用这个过程（递归）。 堆排序HeapSort O(n *log 2 (n)) 利用堆（heaps）这种数据结构来构造的一种排序算法。堆是一个近似完全二叉树结构，并同时满足堆属性：即子节点的键值或索引总是小于（或者大于）它的父节点。 近似完全二叉树 希尔排序 SHELL O(n 1+ ￡

pytorch数据读取机制： sampler生成索引index，根据索引从DataSet中获取图片和标签 1.torch.utils.data.DataLoader 功能：构建可迭代的数据装在器 dataset:Dataset类，决定数据从哪读取及如何读取 batchsize:批大小 num_works:是否多进程读取数据，当条件允许时，多进程读取数据会加快数据读取速度。 shuffle:每个epoch是否乱序 drop_last:当样本数不能被batchsize整除时，是否舍弃最后一批数据 DataLoader(dataset, batchsize=1, shuffle=False, batch_sampler=None, num_workers=0, collate_fn=None, pin_memeory=False, drop_last=False, timeout=0, worker_init_fn=None, multiprocessing_context=None) epoch：所有训练样本都已输入到模型中，称为一个epoch iteration：一批样本输入到模型中，称为一个iteration batchsize：批大小，决定一个epoch有多少个iteration 例如： 样本总数：８０，　batchsize：8 １epoch = 10 iteraion 样本总数

1. Python 作为一个近年备受好评的语言，它的一些优点让人无法忽视。 代码简洁、可移植性强、可代入c,c＋＋语言，或自身作为包供其他语言使用。复制代码不必考虑转义直接就能运行，这些都是他的优势。 python的数据类型和大多语言相似，创建变量却很简单，无需显示创建，直接变量名加类型表示，如“”、‘’都表示创建字符串，数字表示integral,加.表示float，false、true表示布尔类型。 和数组相似的列表，并且其值可以是不同类型。不可修改值但可以合并的元组。键值一一对应的字典。 删除变量用del关键字。 输出语句的关键字是：Print，使用方法是Print “内容”，变量; 运算符多了几个如：幂运算符（**），and'or'not，in'notin，is'isnot，另外**运算符的优先级最高。 2. Python提供了顺序、条件、循环 三种流程语句。 If=>单条件语句，true执行false不执行。 示例-& 判断用户输入 iuputStr=input("请输入一个数字") \r inputNum=int(inputStr) \r if inputNum==13 : input "您输入的为13" 如果要进行不同判断的结果的不同执行方式 用 if elif 两个结果用 if else 相比C#Python没有do while 循环，break 终止循环

　　python使用MySQL主要有两个模块，pymysql（MySQLdb）和SQLAchemy。 　　　　pymysql（MySQLdb）为原生模块，直接执行sql语句，其中pymysql模块支持python 2和python3，MySQLdb只支持python2，两者使用起来几乎一样。 　　　　SQLAchemy为一个ORM框架，将数据对象转换成SQL，然后使用数据API执行SQL并获取执行结果 　　另外DBUtils模块提供了一个数据库连接池，方便多线程场景中python操作数据库。 1.pymysql模块 　　安装：pip install pymysql 　　创建表格操作：　（注意中文格式设置） #coding:utf- 8 import pymysql #关于中文问题 # 1 . mysql命令行创建数据库，设置编码为gbk：create databse demo2 character set utf8; # 2 . python代码中连接时设置charset= " gbk " # 3 . 创建表格时设置default charset= utf8 #连接数据库 conn = pymysql.connect(host= " localhost " , user= " root " , passwd= "" , db= ' learningsql ' , charset=

给定一个包含 n 个整数的数组 nums，判断 nums 中是否存在三个元素 a，b，c ，使得 a + b + c = 0 ？找出所有满足条件且不重复的三元组。 注意：答案中不可以包含重复的三元组。 来源：力扣（LeetCode） 链接：https://leetcode-cn.com/problems/3sum 著作权归领扣网络所有。商业转载请联系官方授权，非商业转载请注明出处。 class Solution: def threeSum(self, nums: [int]) -> [[int]]: nums.sort() 从小到大 res, k = [], 0 for k in range(len(nums) - 2): 循环n-2次 if nums[k] > 0: break # because of j > i > k. 如果nums [K]大于0跳出 if k > 0 and nums[k] == nums[k - 1]: continue # skip. 如果k大于0 k和k-1位置相等 i, j = k + 1, len(nums) - 1 如果不符合以上条件 i=k+1。j=倒数第二个 while i < j: s = nums[k] + nums[i] + nums[j] 取三数之和如果三数之和小于零 if s < 0: i += 1 while i < j and

决策树是一种用于分类和回归的非参数监督学习方法。目标是创建一个模型，通过从数据特性中推导出简单的决策规则来预测目标变量的值 导入类库 1 import numpy as np 2 import pandas as pd 3 from sklearn.feature_extraction import DictVectorizer 4 from sklearn.tree import DecisionTreeClassifier 5 from sklearn.model_selection import train_test_split 简单版 1 def decide_play1(): 2 df = pd.read_csv( ' dtree.csv ' ) 3 dict_train = df.to_dict(orient= ' record ' ) 4 5 dv = DictVectorizer(sparse= False) 6 dv_train = dv.fit_transform(dict_train) 7 # print(dv_train) 8 # dv_train1 = np.append(dv_train, dv_train[:, 5].reshape(-1, 1), axis=1) 9 # dv_train2 = np.delete(dv_train1, 5, axis

　　本文学习利用python学习边缘检测的滤波器，首先读入的图片代码如下： import cv2 from pylab import * saber = cv2.imread("construction.jpg") saber = cv2.cvtColor(saber,cv2.COLOR_BGR2RGB) plt.imshow(saber) plt.axis("off") plt.show() 　　图片如下： 　　边缘检测是图像处理和计算机视觉的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点，图像属性中的显著变化通常反映了属性的重要事件和变化。这些包括：深度上的不连续，表面方向的不连续，物质属性变化和场景照明变化。边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。图像边缘检测大幅度的减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。 　　在实际的图像分割中，往往只用到一阶和二阶导数，虽然原理上，可以用更高阶的导数，但是因为噪声的影响，在纯粹二阶的导数操作中就会出现对噪声的敏感现象，三阶以上的导数信息往往失去了应用价值。二阶导数还可以说明灰度突变的类型。在某些情况下，如灰度变化均匀的图像，只利用一阶导数可能找不到边界，此时二阶导数就能提供很有用的信息。二阶导数对噪声也比较敏感，解决的方法是先对图像进行平滑滤波，消除部分噪声

D:\ProgramData\Anaconda3\Lib\site-packages\pyhanlp\__init__.py 加入 WordVectorModel = LazyLoadingJClass('com.hankcs.hanlp.mining.word2vec.WordVectorModel') # coding=utf-8 from flask import Flask from flask import request from flask import jsonify from flask import make_response,Response from flask_cors import CORS from pyhanlp import * port = 9999 app = Flask(__name__) CORS(app, supports_credentials=True) @app.route('/') def index(): str = "Hello, AI Server!" print(str) return str # 成功请求 def successResp(data): return jsonify(code=0, message="success", data=data) # 错误请求 def errorResp(msg): return