C++反向迭代器的封装和模板进阶(个人笔记)

下面是在vector和list实现的基础上再加入反向迭代器，也是分两个版本，自己实现的版本，和库里的版本。（也就是不要分离编译！解决办法：1.模板定义的位置显示实例化，这个方法极其麻烦，直接将模板的可以自动推演参数的优势给消灭了。非类型形参，就是用一个常量作为类(函数)模板的一个参数，在类(函数)模板中可将该参数。在a.cpp中，编译器没有看到对Add模板函数的实例化，因此不会生成具体的加法函数，这里是自己实现的反向迭代器版本，与STL标准库里的有点不太一样。先总结一句：模板尽量不要分离编译很坑！

Ubuntu系统的初始化

安装完毕后清理不再需要的软件包和缓存。

kafka大数据采集技术实验（未完待续）

若启动不成功，需要将zookeeper.properties中的admin.EnableServer=false修改为admin.EnableServer=true。此时生产者即可进入等待输入，并将消息发送给消费者。

Windows 安全中心：页面不可用 你的 IT 管理员已限制对此应用的某些区域的访问，并且你尝试访问的项目不可用。有关详细信息，请与 IT 支持人员联系。

Windows 安全中心提示：【页面不可用 你的 IT 管理员已限制对此应用的某些区域的访问，并且你尝试访问的项目不可用。有关详细信息，请与 IT 支持人员联系。】Windows 11 重置后，无法打开 windows 安全中心，或打开安全中心背景是白色

解决方案：用决策树算法如何生成决策树图及生成SQL规则

解决方案：用决策树算法如何生成决策树图及生成SQL规则

真实世界的密码学（三）

用户身份验证协议（机器验证人类的协议）通常在安全连接上进行，只有机器（服务器）已经通过验证。在这个意义上，它将单向验证连接升级为双向验证连接。用户认证协议大量使用密码。密码已被证明是一种相对实用的解决方案，并被用户广泛接受。但由于密码卫生不佳、熵值低和密码数据库泄露等问题，密码也导致了许多问题。有两种方法可以避免用户携带多个密码（并可能重复使用密码）：密码管理器—用户可以使用的工具，用于为他们使用的每个应用程序生成和管理强密码。单点登录。

bug（警告）：[vue-router] Duplicate named routes definition: …

[vue-router] Duplicate named routes definition: …警告消除

回归损失函数

回归损失函数也可以做为评价指标使用，但是有没有想过数据分布与损失函数之间的关系呢！。我曾经遇到两个问题，类似正太分布与非正太分布损失函数。比如下面： 0的值异常多。可以采用非正太损失函数，使用tweedie loss、possion loss等损失函数替代mse。这些lgb、xgb都可调参数。

Kafka顺序消费以及消息积压问题

Kafka顺序消费以及消息积压问题

Dubbo应用可观测性升级指南与踩坑记录

应用从dubbo-3.1.*升级到dubbo-*:3.2.*最新稳定版本，提升应用的可观测性和度量数据准确性。1. dubbo版本发布说明2. 应用修改点3. 踩过的坑

20240422，C++文件操作

停电一天之后，今天还有什么理由不学习呜呜……还是没怎么学习。

C++类和动态内存分配

C++能够在程序运行时决定内存的分配，而不是只在编译阶段，因此，就可以根据程序的需要，而不是根据一系列严格的存储类型规则来使用内存，C++使用new和delete运算符来动态控制内存，但是，在类中使用这些运算符会导致许多新的问题，在这种情况下，析构函数就是必不可少的，下面我们通过一个小程序来看一看这些问题，这个程序是在类中使用new和delete来存储释放字符串我们将函数声明写在一个头文件，即stringbad.h在头文件里定义了一个类，名为Stringbad。

高可用环境kafka消息未按顺序消费问题

高可用环境kafka消息未按顺序消费问题

第15届蓝桥杯题解

于是数列为 1 9 7 17（1+9+7） 33（9+7+17） 57（7+17+33） 107（17+33+57）197（33+57+107）...第2 4 6 8 12 ...n个数分别是24的 1倍 2倍 3倍 4倍 6倍 n/2倍。所以我们算法思路也是先根据数入的数S给数列初始化然后再和加上前n个数。本题的意思是 先给你一个数让你初始化数列数据。结果：2429042904288。n为S的位数比如197n就为3。然后新的数等于前n个数相加（然后新的数等于前两个数相加。答案：7913837。

前沿论文 | LLM推理性能优化最佳实践

当batch size为1时，4xA100-40GB GPU对应的MBU为55%，而2xH100- 80GB GPU上可以实现更高的MBU，达到60%（如图2所示）。曲线上的每一条线都是通过将batch size从1增加到256得到的，有助于确定在不同的延迟限制条件下，我们可以使用的batch size。有些服务器在所有GPU之间都是高带宽连接，而有些服务器的GPU是成对的，之间的通信带宽较低。此外，在下一次token生成的迭代过程中，新的KV项会被添加到现有的缓存中，使缓存随着新token的生成而增大。

ChatGPT深度科研应用、数据分析及机器学习、AI绘图与高效论文撰写教程

ChatGPT深度科研应用、数据分析及机器学习、AI绘图与高效论文撰写教程

鸢尾花数据集的KNN探索与乳腺癌决策树洞察

今天博主做了这个KNN和决策树的实验。介绍一下数据集：威斯康星州乳腺癌数据集（Wisconsin Breast Cancer Dataset）是一个经典的机器学习数据集，它最初由威斯康星州医院的Dr. William H. Wolberg收集。这个数据集被广泛用于分类任务、特征选择、模型评估等机器学习任务和实验中 数据类型：这是一份多变量数据集，包含了乳腺癌的生理参数。数据集特征：特征：数据集由 30 个特征组成，这些特征是图像分析得到的，包括纹理、面积、平滑度、凸性、颗粒度等统计参数。目标变量

CUDA编程：其四、CUDA矩阵乘法

不同于C++，c语言对于矩阵的表示和一维数组没有区别。矩阵虽然是二维，但是在c语言内存空间里面仍然是线性存储，说白了先存第一行，再存第二行，以此类推。假如一个二维数组int array[100][100]，那么元素a[50][50]按照指针的取值方法就是。假如有两个矩阵A和B，那么A×B可以运算的前提是，

手拉手安装Kafka2.13发送和消费消息

手拉手安装Kafka2.13发送和消费消息

Kafka 迁移工具 MirrorMaker2 原理起底

因为 OffsetSync 没有按照时间间隔同步的逻辑，导致的结果就是当前分区最新的消息位点距离上一次同步的位点如果没有超过 100，则不会生成新的 OffsetSync。记录在 OffsetSync 消息中的位点映射信息是非常必要的，首先一条消息从源集群被同步到目标集群上，前后的 offset 大概率是不同的，而且还有可能会出现消息重复和多个源集群的 topic 被同步到一个目标 topic 上的情况，而位点映射能最大程度上帮助我们将源集群的消息和目标集群的消息对应上。