<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[zouyang920的博客]]></title><description><![CDATA[专注软件开发技术]]></description><link>https://blog.csdn.net/zouyang920</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; zouyang920]]></copyright><item><title><![CDATA[百万级并发架构设计：LVS+Nginx+Keepalived负载方案]]></title><link>https://blog.csdn.net/zouyang920/article/details/165485300</link><guid>https://blog.csdn.net/zouyang920/article/details/165485300</guid><author>zouyang920</author><pubDate>Tue, 15 Sep 2026 17:57:05 +0800</pubDate><description><![CDATA[因为 LVS DR 模式下，Nginx 节点也需要“拥有”VIP 才能正确响应，但不能让 Nginx 对外宣告这个 VIP，否则客户端会直接访问到 Nginx，绕过 LVS。：分别访问 http://192.168.1.30:8080/health 和 http://192.168.1.31:8080/health，确保都能正常返回。：分别访问 http://192.168.1.20 和 http://192.168.1.21，应该能轮询到两台 Java 应用。]]></description><category></category></item><item><title><![CDATA[Linux环境做LVM快照]]></title><link>https://blog.csdn.net/zouyang920/article/details/165482768</link><guid>https://blog.csdn.net/zouyang920/article/details/165482768</guid><author>zouyang920</author><pubDate>Tue, 15 Sep 2026 16:45:51 +0800</pubDate><description><![CDATA[在Linux中，LVM快照可实现服务不中断下的数据备份与快速回滚。针对Docker部署的业务，建议对/data分区做快照，但需先通过应用层操作（如MySQL的FLUSH、PostgreSQL的CHECKPOINT）确保数据一致性。若无法停写，推荐结合docker commit或tar/rsync进行逻辑备份，以避免因缓存未落盘导致回滚失败。快照创建后可安全升级，失败则合并快照并重启；成功后及时清理，释放空间。]]></description><category></category></item><item><title><![CDATA[高并发场景下你会如何去解决LLM接口限流？]]></title><link>https://blog.csdn.net/zouyang920/article/details/163938288</link><guid>https://blog.csdn.net/zouyang920/article/details/163938288</guid><author>zouyang920</author><pubDate>Fri, 21 Aug 2026 11:29:18 +0800</pubDate><description><![CDATA[本文介绍了一个基于Spring Boot的LLM API网关系统，主要包含以下核心功能： 限流架构：采用Redis Lua脚本实现原子级限流控制，通过ZSet数据结构进行请求计数和Token统计，支持精确的速率限制。 熔断降级机制：集成Resilience4j实现熔断保护，并设计多级降级策略（GPT-4 → GPT-3.5 → Claude）。 系统架构：包含Controller层、Gateway服务层、Token计数器和限流器等组件，采用清晰的Maven模块化结构。 技术栈：基于Spring Boot 3]]></description><category></category></item><item><title><![CDATA[DataV实现可视化大屏]]></title><link>https://blog.csdn.net/zouyang920/article/details/163537895</link><guid>https://blog.csdn.net/zouyang920/article/details/163537895</guid><author>zouyang920</author><pubDate>Thu, 06 Aug 2026 16:08:45 +0800</pubDate><description><![CDATA[本文介绍了施工养护综合数据大屏的实现细节。主要内容包括：1）整体采用Vue框架和DataV组件库构建，通过flex布局实现响应式设计；2）关键样式使用深色背景(#030409)和科技感背景图(bg.png)营造视觉效果；3）详细分析了各组件实现，如顶部标题使用dv-decoration装饰组件、数字翻牌器(dv-digital-flop)展示9项指标等。文中提供了完整的代码结构、效果图和关键代码片段，展示了数据可视化大屏的开发过程和技术要点。]]></description><category></category></item><item><title><![CDATA[Java后端常犯危险的编码陋习]]></title><link>https://blog.csdn.net/zouyang920/article/details/163497890</link><guid>https://blog.csdn.net/zouyang920/article/details/163497890</guid><author>zouyang920</author><pubDate>Wed, 05 Aug 2026 11:00:22 +0800</pubDate><description><![CDATA[本文总结了Java开发中10个常见但危险的编程习惯：1. 循环内创建对象易引发内存泄漏；2. 用==比较字符串会导致逻辑错误；3. 忽略异常处理会隐藏系统问题；4. SQL拼接易遭注入攻击；5. 资源未关闭导致泄漏；6. 过度同步降低并发性能；7. 生产环境打印debug日志拖垮I/O；8. 硬编码配置难调整；9. 参数未校验引发NPE；10. 忽略并发安全导致数据异常或CPU飙升。这些习惯可能导致内存溢出、安全漏洞、性能下降等严重问题，开发者应特别注意避免。]]></description><category></category></item><item><title><![CDATA[Python + VUE3实现Python Web项目案例]]></title><link>https://blog.csdn.net/zouyang920/article/details/163082780</link><guid>https://blog.csdn.net/zouyang920/article/details/163082780</guid><author>zouyang920</author><pubDate>Tue, 21 Jul 2026 17:19:12 +0800</pubDate><description><![CDATA[本文介绍了基于FastAPI的后端实现，主要包括项目架构和核心代码解析。后端采用FastAPI框架搭建，通过main.py作为入口文件，配置了CORS跨域支持、静态文件服务和多个API路由（文件管理、在线编辑等）。配置文件config.py定义了基础路径、端口和认证信息。项目采用前后端分离架构，通过静态文件挂载提供前端页面，实现了动态路由处理（如/view/{fileId}），并支持自动打开浏览器功能。整体流程展示了从请求到页面渲染的完整处理过程。]]></description><category></category></item><item><title><![CDATA[MySQL 事务、锁与隔离级别的BUG并发问题]]></title><link>https://blog.csdn.net/zouyang920/article/details/162899140</link><guid>https://blog.csdn.net/zouyang920/article/details/162899140</guid><author>zouyang920</author><pubDate>Thu, 16 Jul 2026 09:12:28 +0800</pubDate><description><![CDATA[摘要：本文介绍了事务的ACID特性（原子性、一致性、隔离性、持久性），重点分析了隔离性的复杂性，指出完全隔离会降低性能。SQL标准定义了4种隔离级别，不同数据库默认级别不同（MySQL为RR，PostgreSQL/Oracle为RC）。文中提供了查看和修改事务隔离级别的SQL语句示例，并提醒从PG转向MySQL时需注意隔离级别差异。文章内容待进一步补充完善。（149字）]]></description><category></category></item><item><title><![CDATA[优雅的Prompt提示词实战技巧]]></title><link>https://blog.csdn.net/zouyang920/article/details/162831735</link><guid>https://blog.csdn.net/zouyang920/article/details/162831735</guid><author>zouyang920</author><pubDate>Mon, 13 Jul 2026 11:09:36 +0800</pubDate><description><![CDATA[摘要： 本文介绍了智能客服Prompt设计的核心思路与工程实现。Prompt设计包含六大要素：角色定义、能力边界、知识库、用户上下文、行为约束和输出格式，并以售后客服为例提供了结构化模板。工程实现方面，强调Java接入需关注四点：1）消息拼接与上下文管理，维护多轮对话状态；2）Token控制与成本优化；3）Prompt模板化实现业务解耦；4）权限校验与安全兜底需在代码层保障。示例代码展示了如何结合Redis、RAG检索和模板引擎实现动态Prompt生成与响应解析，确保服务高效安全。]]></description><category></category></item><item><title><![CDATA[SSE服务器到客户端单向推送]]></title><link>https://blog.csdn.net/zouyang920/article/details/162422394</link><guid>https://blog.csdn.net/zouyang920/article/details/162422394</guid><author>zouyang920</author><pubDate>Mon, 29 Jun 2026 15:13:37 +0800</pubDate><description><![CDATA[本文介绍了SSE（Server-Sent Events）技术及其应用场景，并与WebSocket进行了对比分析。SSE适用于服务器单向推送数据（如行情、通知等），基于HTTP协议实现长连接推送。文章详细说明了SSE的工作原理、前后端实现方式，包括数据格式规范、响应头设置和跨域处理。同时提供了Node.js后端和前端JavaScript的完整代码示例，并对比了SSE与WebSocket的适用场景：SSE更适合简单推送场景，WebSocket适合双向通信需求。最后还介绍了连接异常处理、重连机制等注意事项。]]></description><category></category></item><item><title><![CDATA[AI智能课堂推荐系统]]></title><link>https://blog.csdn.net/zouyang920/article/details/162371228</link><guid>https://blog.csdn.net/zouyang920/article/details/162371228</guid><author>zouyang920</author><pubDate>Sat, 27 Jun 2026 19:08:07 +0800</pubDate><description><![CDATA[本文简要介绍了一个基于Spring Cloud的微服务架构项目。该项目采用前后端分离和微服务拆分的设计模式，属于典型的Spring Cloud微服务解决方案。文章提供了架构示意图，但内容尚未完善，后续将进一步补充详细说明。]]></description><category></category></item><item><title><![CDATA[Spring Boot 集成 Tess4J 实现图片OCR文字识别]]></title><link>https://blog.csdn.net/zouyang920/article/details/162294730</link><guid>https://blog.csdn.net/zouyang920/article/details/162294730</guid><author>zouyang920</author><pubDate>Thu, 25 Jun 2026 09:57:00 +0800</pubDate><description><![CDATA[摘要：基于Tesseract OCR和Spring Boot的图片文字识别实现 本文介绍如何使用Tesseract OCR引擎和Spring Boot框架实现图片文字识别功能。主要内容包括：1) 环境准备，安装Tesseract引擎并配置语言数据包；2) 项目配置，引入Tess4J依赖并设置Tesseract实例；3) 核心功能实现，包括服务层图片处理和REST接口；4) 识别精度优化建议，如图像预处理方法。该方案支持中英文混合识别，适用于文档数字化、验证码识别等场景，通过合理的图像预处理可显著提高识别准确]]></description><category></category></item><item><title><![CDATA[AI智能旅游推荐系统]]></title><link>https://blog.csdn.net/zouyang920/article/details/162238985</link><guid>https://blog.csdn.net/zouyang920/article/details/162238985</guid><author>zouyang920</author><pubDate>Tue, 23 Jun 2026 16:53:15 +0800</pubDate><description><![CDATA[该项目展示了Spring Boot与大语言模型(LLM)的集成方案，包含多项核心技术：通过MCP协议实现模型上下文管理，采用RAG架构增强生成效果，运用SSE实现流式响应，结合WebFlux进行响应式编程，并整合向量数据库实现文本向量化检索。项目提供了从AI集成到实时数据推送的完整解决方案，适用于需要智能交互的现代应用场景。]]></description><category></category></item><item><title><![CDATA[OpenClaw 完整使用教程：从零配置到高级技能开发]]></title><link>https://blog.csdn.net/zouyang920/article/details/160818349</link><guid>https://blog.csdn.net/zouyang920/article/details/160818349</guid><author>zouyang920</author><pubDate>Wed, 06 May 2026 11:19:31 +0800</pubDate><description><![CDATA[本文介绍了OpenClaw的安装部署及常见问题解决方法。建议使用WSL安装OpenClaw，安装成功后通过&quot;openclaw gateway start&quot;命令启动网关访问页面。针对首次登录需要获取网关令牌的问题，文章提供了详细解决方案，并展示了成功连接智谱大模型进行对话的示例。整个过程图文并茂，指导用户完成从安装到使用的完整流程。]]></description><category></category></item><item><title><![CDATA[PyTorch深度学习框架之基于RNN实现AI歌词生成器]]></title><link>https://blog.csdn.net/zouyang920/article/details/160768094</link><guid>https://blog.csdn.net/zouyang920/article/details/160768094</guid><author>zouyang920</author><pubDate>Mon, 04 May 2026 15:35:57 +0800</pubDate><description><![CDATA[我们将创建一个基于 RNN（LSTM）的 AI 歌词生成器，可以学习周杰伦、林俊杰等歌手的歌词风格，并生成新的歌词。]]></description><category></category></item><item><title><![CDATA[PyTorch深度学习框架之基于CNN的手机价格分类任务]]></title><link>https://blog.csdn.net/zouyang920/article/details/160580816</link><guid>https://blog.csdn.net/zouyang920/article/details/160580816</guid><author>zouyang920</author><pubDate>Tue, 28 Apr 2026 10:24:26 +0800</pubDate><description><![CDATA[如果原始宽是6不是5，那第一次池化就是4×6 → 2×3，第二次池化就是1×1，还是会得到1×1，本质就是我们原始输入本身就很小，两次减半之后自然就到1了😀。如果你的输入是大尺寸图片​，比如(3, 224, 224)，只需要修改全连接层的输入维度就行，卷积部分逻辑不变。原始 4 × 5 → 第一次除以2：4/2=2，5/2=2.5向下取整=2 → 2×2。再除以2：2/2=1，2/2=1 → 1×1 刚好两次池化就变成1×1了～为例（如果是图片，流程基本一致，只是输入不同），用经典的。]]></description><category></category></item><item><title><![CDATA[PyTorch深度学习框架之损失函数&梯度&学习率&正则化]]></title><link>https://blog.csdn.net/zouyang920/article/details/159977768</link><guid>https://blog.csdn.net/zouyang920/article/details/159977768</guid><author>zouyang920</author><pubDate>Thu, 09 Apr 2026 11:34:52 +0800</pubDate><description><![CDATA[如果是现在做普通CV/分类/回归任务，你不用纠结这两个，直接用Adam/AdamW就行；只有你做RNN序列任务，或者稀疏特征的场景，再按需选RMSProp/Adagrad就可以，用法和Adam完全一样，只需要改一行optimizer = …代码就行。正则化就是解决「过拟合」，Dropout用来随机失活防止依赖少数特征，BN用来稳定训练加快收敛还能防过拟合；现在做CNN分类，直接把BN+Dropout加上就行，代码只需要加几行，就能明显提升测试集准确率，解决过拟合问题。]]></description><category></category></item><item><title><![CDATA[PyTorch深度学习框架之多分类交叉熵实现图像分类以及二分类交叉熵实现二分类任务]]></title><link>https://blog.csdn.net/zouyang920/article/details/159926902</link><guid>https://blog.csdn.net/zouyang920/article/details/159926902</guid><author>zouyang920</author><pubDate>Tue, 07 Apr 2026 17:36:06 +0800</pubDate><description><![CDATA[import os# 第一步：定义自定义小CNN （就是我们说的3-4层卷积）# 结构：输入(3, 224, 224) → 卷积1 → ReLU → 池化 → 卷积2 → ReLU → 池化 → 卷积3 → ReLU → 池化 → 全连接1 → ReLU → 全连接输出"""num_classes: 你要分的手机类别数，默认3类（苹果/华为/小米）"""# 1. 卷积层部分：3层卷积，符合你说的3-4层，参数量极小# 输入是RGB图片，3通道，所以第一层in_channels=3。]]></description><category></category></item><item><title><![CDATA[PyTorch深度学习框架之神经网络搭建案例]]></title><link>https://blog.csdn.net/zouyang920/article/details/159784795</link><guid>https://blog.csdn.net/zouyang920/article/details/159784795</guid><author>zouyang920</author><pubDate>Fri, 03 Apr 2026 10:20:02 +0800</pubDate><description><![CDATA[总结：
解决梯度消失/爆炸、打破对称性，提高收敛速度。
4、Xavier（Glorot）初始化

整个网络做Xavier初始化：
5、两种初始化的对比]]></description><category></category></item><item><title><![CDATA[OpenCV 案例六【道路裂缝检测】]]></title><link>https://blog.csdn.net/zouyang920/article/details/159123016</link><guid>https://blog.csdn.net/zouyang920/article/details/159123016</guid><author>zouyang920</author><pubDate>Mon, 16 Mar 2026 15:38:13 +0800</pubDate><description><![CDATA[对经过预处理（去噪、增强对比度）的灰度图像，采用自适应阈值方法，将其转换为二值图像，目的是突出图像中的裂缝。如：图片中的裂缝会被设置为白色（255），而背景会是黑色（0）。由于代码中使用了 cv2.THRESH_BINARY_INV，进行反转，因为裂缝通常是黑色的，最终效果是裂缝被设置成白色。]]></description><category></category></item><item><title><![CDATA[OpenCV 案例五【动物识别】]]></title><link>https://blog.csdn.net/zouyang920/article/details/159115616</link><guid>https://blog.csdn.net/zouyang920/article/details/159115616</guid><author>zouyang920</author><pubDate>Mon, 16 Mar 2026 10:55:40 +0800</pubDate><description><![CDATA[OpenCV已经帮你把Caffe模型的加载能力内置好了，只要你有deploy.prototxt（模型结构）和bvlc_googlenet.caffemodel（模型权重）这两个文件，直接就能用cv2.dnn.readNetFromCaffe加载运行，不需要装Caffe环境。Embedding）是一个由伯克利视觉与学习中心（BVLC）开发的开源深度学习框架，以其高效、模块化和适合计算机视觉任务而闻名。Caffe模型是该框架训练和保存的神经网络模型，广泛应用于图像分类、目标检测、语义分割等领域。]]></description><category></category></item></channel></rss>