wang959512421的博客

深入剖析kubernetes

深入剖析kubenetes笔记

深入剖析kubenetes笔记

Go语言中的'cannot take address of XXX'

时常听到Unicode,UTF-8,ASCII,GBK。。。一系列与字符相关的概念，傻傻分不清楚。背景介绍我们在计算机屏幕上看到的是实体化的文字，而在计算机存储介质中存放的实际是二进制的比特流。那么在这两者之间的转换规则就需要一个统一的标准，为了实现转换标准，各种字符集标准就出现了。简单的说字符集就规定了某个文字对应的二进制数字存放方式（编码）和某串二进制数值代表了哪个文字（解码）的转换关系。相关概念字符集：一个规则集合的名字，对应到真实生...

在学习有关vxlan相关知识的时候，提到vxlan是一种overlay网络，于是便学习了一下相关的知识。overlay VPN提到overlay网络之前，就不得不提一下与其相关的VPN。VPN有两种，一种是点到点（peer-to-peer）VPN,另外一种则是overlay VPN。两种VPN的区别主要体现在运营商所提供的网络（PN）和用户自己网络(CN)之间是否会产生影响： peer-to-peer VPN：用户自己的网络的任何改变都会影响到运营商所提供的网络。 overl

目前主要还是通过邀请好友的方式增加文件数，需要的大佬们可以用微信扫一下下面这个码就可以得到七天会员啦，会员是无文件数限制的。

VPC简介VPC全称是Virtual Private Cloud。VPC可以理解为是一种云，也可以是一种网络模式（因为云本身也是一种资源池）关于虚拟私有云（VPC）的名称由来从基础架构服务（laaS）来看，云可以理解一种资源池，像我们常见的公有云，私有云以及混合云。VPC本身也是云的一部分，有点类似于VPN,都是在公共资源上隔离出一个个用户。VPC是这么一种云，它由公有云管理，运行在公共资源上，但是保证每个用户之间的资源是隔离，用户在使用的时候不受其他用户的影响，感觉像是在使用自己的私有云一

严格意义来说，Keepalived主要是通过虚拟路由冗余来实现高可用功能,但是其也可以借助IPVS实现负载均衡，所以也简要的学习了一下。简介起初是设计来监控集群中各个节点的状态，根据TCP/IP模型中网络层（ICMP控制消息请求），传输层（tcp三次握手），应用层（http请求）等方式确保负载均衡器后面的实际服务是运行的，当检测失败时，当主负载均衡器出现问题时，由备负载均衡器承载对应的业务，从而在最大限度上减少流量损失，并提供服务的稳定性。routeA,routeB,rou...

关于CRDT相关的一些理论知识全称： Conflict-free Replicated Data Type（无冲突的复制数据类型） 由来： 在分布式系统中，不同节点之间的数据复制存在一致性问题（强一致性问题），CRDT作为一种理论来指导如何将原有数据结构设计成在数据复制过程中通向最终一致性的一种新的数据结构。 最终结果： 确保操作的独立性并且操作彼此不会冲突从而避免协调。 相关理论： CAP：Consistency, Availability, Partition

Deployment是k8s中用来管理发布的控制器，在开发的过程中使用非常频繁，本篇文章主要介绍deployment相关的使用和原理。声明式API 最终一致性 水平触发 资源对象 。。。一，Deployment的作用定义一组pod的期望数量，controller会维持Pod的数量和期望的一致（其实deployment是通过管理rs的状态来间接管理pod） 配置Pod的发布方式，controller会按照给定的策略去更新pod资源，以此来保证更新过程中可用的pod数量和不可...

Redis持久化方法及内存使用

一、关于k8s的理解k8s作为一个容器编排平台，其核心功能是编排。 Pod是k8s的最小调度单位，具有很多的字段和属性。其编排的实现主要是通过一个个控制器根据被控制对象的属性和字段实现的。 在k8s中，每个build-in资源类型（Deployment,Statefulset...也就是内置类型）都有对应的控制器,都遵循一个通用的编排模式：Reconcile loop(调谐循环).for {actualState := GetResourceActualState(rsvc)expectSt

python作为一门简单高效的编程语言，常常因为其语法的简便性而导致我们在编写代码的过程中“为所欲为”，本篇文章主要分享一下在日常编写代码的过程中的一些小技巧。

本文主要针对yolo_v3进行模型剪枝量化，主要使用voc格式的数据集训练自己的数据，代码主要在：-[x]https://github.com/ReOneK/Yolo_v3_prune_vocdata具体步骤如下：## 一、数据处理- 将标注数据放入data/Annotations,图片数据放入data/images- 运行modify.py文件，避免因图片问题导致标注文件中图片的长宽为0的问题-将voc_label.py中classes修改为自己的训练类别，并分别运行make..

看了无数篇博客都是牛头不对马嘴，忙活了半天才搞清楚如果大家在用torch的过程中看见这样的错误。。。。淡定，不是你的问题，也不是代码问题。。。是破win10的原因只需要在代码前面加上torch.cuda.current_device()torch.cuda._initialized = True就可以正常训练了。。。心累啊...

首先①使用 torch.cuda.is_available()查看是否正确安装cuda以及cudnn,但是有时候会发现明明是有GPU存在就是调用不了，出现以下错误PyTorch非常容易的就可以使用GPU，可以用如下方式把一个模型放到GPU上：device = torch.device("cuda：0")model.to(device)然后可以复...

关于torch.gather函数直接上代码example1输出为example2输出为

原本安装pytorch只需要一条命令：conda install pytorch torchvision cudatoolkit=9.0 -c pytorch结果不是网不行就是各种出错。。。于是用pip安装试了一下，发现还是pip好用啊，conda说的那么好。。。这是官网推荐的pip install https://download.pytorch.org/whl/c...

L1正则化：为啥会产生稀疏矩阵：（看图）L1的等值线是方形,等值线相交时很大概率上出现在顶点处，而顶点都在坐标轴上，因此必有其他参数为0，所以用L1正则的解具有稀疏性.数学解释：对损失函数求梯度：我觉得还是图像生动一点，极小值产生时，也就是说损失函数时是一个凹图（没找到图。。），即此处的损失函数的导数是为0的，不就是梯度为0吗？梯度不就是w...