weixin_72943020的博客

然而，如何让Node.js应用在高速运行的同时，还能保持良好的性能，是许多开发者关心的问题。掌握本文提到的调优策略，结合实际应用场景，不断实践与总结，相信你能够让Node.js应用在高速运行的同时，保持良好的性能。（1）调整Node.js进程的内存限制：通过设置环境变量--max-old-space-size和--max-semi-space-size，调整V8引擎的内存限制。非阻塞I/O：Node.js的I/O操作采用非阻塞方式，避免了因I/O等待导致线程阻塞，提高了资源利用率。

掌握浏览器渲染原理，运用本文提到的优化方法，相信你能够打造出高性能的网页，为用户提供更好的体验。摘要：本文将带你了解浏览器渲染原理，并从多个角度探讨前端性能优化的方法，帮助你在项目中实现更快的页面加载速度和更流畅的用户体验。（2）图片优化：使用图片压缩工具减小图片体积，使用WebP等现代图片格式，合理使用雪碧图、图标字体等。（3）懒加载：对于非首屏内容，可以使用懒加载技术，按需加载资源，减少首屏加载时间。（3）服务端渲染（SSR）：将部分渲染工作放在服务器端完成，减少浏览器渲染负担。

计算机网络概念——互连的、自治的计算机系统的集合​广义观点：能实现远程信息处理的系统或能进一步达到资源共享的系统。​资源共享观点：以能够相互共享资源的方式互连起来的自治计算机系统的集合。目的：资源共享；组成：多台自治计算机；规则：网络协议​用户透明性观点：整个网络就像一个大的计算机系统一样对用户是透明的。计算机网络的组成​组成部分硬件、软件、协议。​ 工作方式：边缘部分（用户主机）、核心部分（路由器、网络）​ 功能组成：通信子网（物理层、数据链路层、网络层）、资源子网（会话层、表示层、应用层）

本文将根据一个文件夹（包括一段时间人民日报的发文以txt格式保存），提取以’党', '发展', '中国', '我们', '人民'五个为主题的随时间变化的词频的变化，用主题河流图直观的展现。

本文主要介绍如何从多个文件夹中读取txt文件，将所有的txt文档合并为txts，然后利用jieba分词，并统计txts中各个词语出现的词频，选取出现最多的十个词语绘制词云图。

BERT模型的全称是：BidirectionalEncoder从名字中可以看出，BERT模型的目标是利用大规模无标注语料训练、获得文本的包含丰富语义信息的Representation，即：文本的语义表示，然后将文本的语义表示在特定NLP任务中作微调，最终应用于该NLP任务。煮个栗子，BERT模型训练文本语义表示的过程就好比我们在高中阶段学习语数英、物化生等各门基础学科，夯实基础知识；

NLP可用于信息检索，通过匹配查询和文本内容，返回相关的信息。同时，也可以生成文本摘要，将长文本精炼成简洁的摘要。

Transformer模型是Google团队在2017年6月由Ashish Vaswani等人在论文《Attention Is All You Need》所提出，当前它已经成为NLP领域中的首选模型。Transformer抛弃了RNN的顺序结构，采用了Self-Attention机制，使得模型可以并行化训练，而且能够充分利用训练资料的全局信息，加入Transformer的Seq2seq模型在NLP的各个任务上都有了显著的提升。

本周学习了Attention训练模型，目前大部分attention模型都是依附于Encoder-Decoder框架进行实现，在NLP中Encoder-Decoder框架主要被用来处理序列-序列问题。也就是输入一个序列，生成一个序列的问题。这两个序列可以分别是任意长度。具体到NLP中的任务比如：文本摘要，输入一篇文章(序列数据)，生成文章的摘要(序列数据)文本翻译，输入一句或一篇英文(序列数据)，生成翻译后的中文(序列数据)