数据库的隔离级别和mysql的隔离级别 数据库隔离级别是控制并发事务数据可见性的机制，SQL标准定义了4种级别（读未提交、读已提交、可重复读、串行化），隔离级别越高一致性越强但性能越低。MySQL默认采用可重复读级别，InnoDB引擎通过MVCC和间隙锁解决了幻读问题，比标准实现更优。与Oracle等数据库不同，MySQL在默认级别下已能较好平衡一致性与性能，多数场景无需调整，仅高一致性需求时可选串行化。使用时可通过SQL语句查看和修改隔离级别配置。

阅读 129

2赞

收藏 2
如何将JPG、PNG、GIF图像转换成PDF、SVG、EPS矢量图像 突然get一个把图片转矢量的小办法，真的把自己开心坏了，刷刷刷几下自己就可以搞定，这成就感无敌了，看我如何将JPG、PNG、GIF图像转换成PDF、SVG、EPS矢量图像！这个VectorMagic支持单张位图及批量位图的转换功能，基本保证原图的所有特征和颜色，同时可以在VectorMagic软件中直接设置转换后矢量图形的颜色及详细参数设置，傻瓜式的操作非常适合新手操作。上面这个按钮是单张图片转换为矢量的按钮。里面会有很多关于转换时的设置，但是我觉得对于新手可以直接跳过，看下面的按钮。

阅读 379

5赞

收藏 5
数据集划分和模型训练 数据集划分和模型训练一.训练误差，测试误差，泛化误差二.数据集划分方法1.旁置法2.留一法3.K折交叉验证法三.建模中可能存在的问题1.数据过拟合2.预测模型的偏差和方差

阅读 553

5赞

收藏 5
【查漏补缺】机器学习典型算法 本文总结了监督学习、半监督学习和非监督学习的主要算法。监督学习部分介绍了线性回归、逻辑回归、决策树、随机森林、KNN、朴素贝叶斯和SVM等经典算法及其核心公式和原理。半监督学习部分以表格形式对比了标签传播、生成模型、S3VM等6类算法的特点和适用场景。非监督学习部分则涵盖了K-means聚类、层次聚类、PCA降维、自编码器和孤立森林等算法，重点说明了它们在特征提取和异常检测中的应用。全文系统性地梳理了机器学习三大类算法及其典型实现，可作为算法选择的参考指南。

阅读 846

10赞

收藏 8
LLM概念和主要类别架构 本文系统梳理了语言模型的发展历程与技术特点。首先概述了语言模型的四个发展阶段：从早期的基于规则和统计的N-gram模型，到神经网络语言模型，再到预训练语言模型（BERT、GPT等），最后演变为当前的大语言模型。其次详细分析了三类主流模型架构：自编码模型（如BERT）通过掩码语言建模理解上下文；自回归模型（如GPT）采用单向解码结构擅长文本生成；序列到序列模型（如T5）则结合编码器-解码器完成转换任务。文章还探讨了不同模型的核心参数、预训练任务、适用场景及优缺点，并针对双向注意力的低秩问题提出了解决方案。

阅读 114

4赞

收藏 1
Word VBA快速制作试卷(2/2) 本文介绍了一个VBA宏代码，用于自动整理英语听力题目文档。该代码主要实现以下功能：1) 复制原始题目内容到文档末尾；2)插入"参考答案"标题；3) 对答案部分进行格式处理，将题目编号前的答案选项标红，并在答案部分标红并加下划线显示正确答案选项。代码通过Range对象操作实现文档内容的复制、格式修改和替换，使用了通配符查找和条件替换等技术。该工具可帮助教师快速整理听力测试材料，提高工作效率。

阅读 299

4赞

收藏 8
MongoDB占用内存情况分析 MongoDB 的高内存消耗通常是正常现象，因为它会充分利用内存来提升性能。主要原因包括：1）WiredTiger 存储引擎默认使用50%-60%内存作为内部缓存；2）操作系统文件系统缓存辅助存储数据；3）大查询、过多索引、高并发连接等操作会增加内存压力。关键要监控缓存淘汰率和系统缺页错误，确保工作集能放入内存。优化建议包括增加内存、优化查询和索引、控制连接数、必要时使用分片集群。高内存占用本身不是问题，需关注的是内存不足导致的性能下降。

阅读 437

5赞

收藏 10
ThreadLocal详解 如果当前线程的threadLocals为空，就会new ThreadLocalMap(this, value) 绑定当前线程。ThreadLocalMap内部是Entry数组，Entry的k为当前线程且为弱引用,同时为线程类Thread的内部属性。set时先获取当前线程的ThreadLocalMap，用当前线程作为key进行赋值。线程池复用线程时，未清理 ThreadLocal 导致残留旧数据。:子线程无法获取父线程的 ThreadLocal 值。的 Entry，但依赖调用时机。

阅读 304

3赞

收藏 4
ActiveMQ消息队列：从入门到Spring Boot实战 在复杂的企业级应用中，不同服务之间往往存在着错综复杂的依赖关系。异步通信：许多业务场景下，生产者无需立即知道消费者处理结果，例如用户下单后，库存扣减、积分发放、物流通知等操作可以异步进行，避免阻塞主流程，提升用户体验。系统解耦：消息队列作为中间件，将消息的发送方和接收方解耦。生产者无需关心消费者是谁、有多少个，只需将消息发送到MQ；消费者也无需知道消息来自何处，只需从MQ中获取并处理。这种松耦合的设计使得系统各模块可以独立开发、部署和扩展，降低了系统复杂度。流量削峰。

阅读 925

17赞

收藏 26
李宏毅2025《机器学习》第八讲 - AI想太多怎么办？ 随后，文章沿着上期课程提出的四大技术流派，系统性地探讨了控制和优化推理长度的解决方案，包括“草稿链”提示法、学习最短正确路径、内化推理过程，以及将“效率”作为核心指标引入强化学习的激励机制。一个真正高效、智能的AI，不应是无休止思考的“思想巨人”，而应是懂得在恰当的时候、用恰当的资源、做恰当的思考的“智慧工程师”。一定长度的推理是必要的“生存优势”。但当训练的激励机制（如单纯的RL）只奖励“正确”这一个指标时，就如同演化中的“性选择”，模型会不计成本地增加推理长度来“炫技”，以期获得更高的奖励分数。

阅读 1.1k

34赞

收藏 10
Linux和shell 最快入门的方式是使用苹果系统。

阅读 403

3赞

收藏 4
【Python修仙编程】(二) Python3灵源初探(9) 本文通过修仙故事的形式讲解Python条件语句的概念和应用。文章讲述了练气期修士林羽向其师傅玄天真人学习条件语句的过程，将编程概念与修仙情节巧妙结合。玄天真人将条件语句比作修仙者的"判断之力"，详细解释了if-elif-else的基本结构，并通过两个具体代码示例演示了条件语句的实际应用：第一个示例展示了变量真值判断，第二个示例实现了一个狗年龄转换程序。这种寓教于故事的讲解方式使抽象的编程概念更易理解，展现了编程学习也可以充满趣味性。

阅读 260

4赞

收藏 0
ubuntu22.04系统入门 linux入门 简单命令基础复习 实现以及实践 文章摘要：本文介绍了免费使用搭载4090显卡的Ubuntu22.04云主机进行Linux入门实践，包括基础文件操作命令（mkdir/rmdir创建删除目录、touch创建文件、echo写入内容）、文件查看命令（stat/awk/sort）、以及查找命令（find）的使用方法。该云主机环境已预配置，适合新手快速上手实践，避免环境搭建耗时。文末提供了获取免费体验兑换码的方式。

阅读 646

19赞

收藏 5
机器学习【一】线性模型 本文系统介绍了机器学习中的线性模型及其应用。主要内容包括：1）线性回归的基本原理、数学表达式和优化方法；2）分类与回归任务的区别；3）正则化方法（L1/LASSO回归和L2/岭回归）的理论与实现；4）逻辑回归的原理及其在分类问题中的应用；5）多项式回归的非线性扩展。通过Python代码示例展示了各模型的实际应用，包括加利福尼亚房价预测案例，比较了不同模型的性能表现。文章强调线性模型在机器学习中的基础性地位，以及正则化在防止过拟合和特征选择中的重要作用。

阅读 916

12赞

收藏 25
Elasticsearch 全文检索与过滤 在内容型产品（博客、社区、文档库）里打造一套好用的搜索，是提升用户体验最直接、最高性价比的手段。本篇博客使用 “烹饪博客” 场景，从零搭建并逐步扩展一套 Query DSL 检索方案——不仅能搜到“标题/描述中的关键词”，还能按评分、日期、配料等多维度灵活筛选。原理性背景在官方文档已非常详尽，本文着重 “最常用语法 + 实战技巧”，顺序也贴合真实开发流程：建索引 → 写数据 → 查询 → 调优。

阅读 844

20赞

收藏 4
基于UDP的SNMP协议 各种各样的网络设备（如路由器、交换机、服务器、打印机等）都通过这种语言，与一个中心管理站（NMS）进行沟通，汇报自己的状态，并接受管理指令。MIB的结构是标准化的，但同时设备制造商也可以定义自己的私有（Private）MIB，以包含其设备的特定信息。MIB是一个树状结构，树上的每一个节点都有一个唯一的、全局的标识符，这就是OID。网络管理员不需要记住这些复杂的数字，因为网络管理软件通常会提供一个用户友好的界面，将OID翻译成可读的名称（如 “system.sysDescr.0”）。以确保通信的安全性。

阅读 742

6赞

收藏 11
少林寺用什么数据库？ 对IT人而言，吃透其架构、把准数据库命脉、拥抱国产化与AI，就是在驾驭未来十年的技术竞争力

阅读 3.2k

18赞

收藏 16
word中rtf格式介绍 RTF（Rich Text Format，富文本格式）是一种由微软开发的跨平台文档文件格式，用于在不同应用程序和操作系统之间交换格式化文本。

阅读 500

8赞

收藏 3
如何批量删除word 里面的符号及符号内文字？ 但需要注意 Word 的通配符语法与正则表达式略有不同，上面的写法可能在 Word 中无法完全使用，推荐还是用简单的。我想在 word 里面批量删除类似：【1†L9-L17】、【1†L17-L25】的符号及符号内文字，怎么办？你可以使用 Word 的“查找和替换”功能，通过正则表达式批量删除类似。如果 Word 提示没有找到任何内容，请确认你已经勾选了“使用通配符”。如果想更精确一点（只删除类似。打开“查找和替换”窗口。打开 Word 文档。”按钮展开高级选项。将“替换为”框留空。

阅读 208

3赞

收藏 4
redis，MongoDB等未授权访问靶场复现 未授权

阅读 884

28赞

收藏 21
C# 闭包 这里面lamada 函数是一个闭包, 闭包执行的时候，i 值已经变化了。所以，得不到最后想要的结果。于是我改成了下面的。将i 复制成新的变量。今天在写代码的时候，突然发现奇怪的问题，调试之后，才发现是函数闭包使用错误，踩坑了。总之，尽量少用闭包吧。

阅读 249

3赞

收藏 0
作者推荐
AI算法网奇
资深算法工程师，优快云博客专家。多年一线算法研发经验 主要研究方向为三维重建、多模态模型。希望把我的经验和知识带给每一个喜欢钻研朋友，为中国人工智能行业添砖加瓦！
关注
HarkerYX
学习各类技术优快云博客专家！ 热爱日系指弹！ 目前就职新能源汽车行业！
关注
3Ｄ视觉工坊
公众号「3D视觉工坊」博主，微信：cv3d007
关注
理想不闪火
研究开放环境下的深度学习算法、生成模型推理加速和医学图像。 欢迎订阅专栏！
关注
zhangphil
zhangphil@live.com
关注
深度Java
TA很懒，还没有添加简介
关注
dog250
TA很懒，还没有添加简介
关注
JEECG低代码平台
TA很懒，还没有添加简介
关注
teayear
《Java编程讲义》作者,华为认证讲师，微软MVP，ORACLE认证专家称号，，主要研究方向为云计算、人工智能、AI/VR、算法 PYTHON/JAVA，曾经服务过中国铝业、中国烟草等央企,欢迎合作！
关注
Android系统攻城狮
《Android系统多媒体进阶实战》一书作者
关注