1. free 输出$free -m
total used free shared buffers cached
Mem: 19138 18828 309 0 832 9151
-/+ buffers/cache: 8843 10294
Swap: 1961 1503 457各行的意思为：第一行是从操作系统(OS)的角度来看的，Mem[total] = Mem[used] + Mem[free],
在Linux上使用Docker镜像运行Python是一种高效且灵活的开发环境配置方案。在这个过程中，我将分享我的经历和所学到的知识，涵盖背景定位、演进历程、架构设计、性能攻坚、复盘总结及扩展应用等方面的内容。让我们开始这个充满挑战与乐趣的旅程吧！
## 背景定位
作为一家初创企业，我们正在开发一款基于Python的Web应用，随着用户的不断增加，传统的本地开发环境逐渐无法满足需求。为了保证开发
win10使用tensorflow和tensorflow-gpu时踩过的坑最初要使用tensorflow-gpu是因为要使用inception-resnet-v2，这个模型在cpu上跑，速度实在是太慢，两天跑1000个batch的样子，实在难受。于是搬出了我四年前的电脑（NIVIDA 840M）来准备用GPU跑。遇到了一些坑，一一解决了，记录一下。first最开始的时候，以为安装了tensorfl
转载
2024-04-03 08:53:05
138阅读
转自＝easyrock（2路转4路）＝的原创，很少看见这么深入底层的与性机制详解，牛人啊，膜拜ing进而收藏之！街机模拟器工作原理 这几天学习了一下finalburn的源代码，有一些心得，惊喜之余，整理出来与大家分享。
我们
常说的芯片，通常都是接受一定的输入，完成特
转载
2024-01-06 23:14:10
68阅读
在LINUX下安装NVIDIA 显卡最新驱动长期以来，在LINUX下安装显卡驱动无疑是一件让新手头痛的事情，LINUX下安装驱动可不是像WINDOWS下来几个NEXT就可以搞定的事情，通常情况下需要编译内核、手工修改X-WINDOW的配置文件(/etc/X11/XF86config-4或者/etc/X11/xorg.conf)，除非安装RPM的安装包，但是RPM的安装包总是存在很多问题，比如以前N
讲得很好，记下来以后可以借鉴：
如何跑通第一个模型面对一个全新的任务时，可能会遇到深度神经网络的训练不收敛的情况：loss不下降或者计算过程中浮点数越界，处理这种情况有一些常见的技巧。总体的思路是尽量简化训练，使得网络参数很容易学，即使性能不够优，切忌在跑通第一个模型前就做很多为性能优化服务的、增加训练难度的事项，例如数据增强、网络加宽加深等。模型参数选择尽量找一个已经跑通过的、与当前任务相似的任
转载
2023-07-27 17:06:56
195阅读
COCO数据集可用来训练目标检测，分类，实例分割等。下面简单说下如何使用这个数据集，数据集下载可用如下的代码进行，以2017为例。# Download the image data.
cd ./images
echo "Downloading MSCOCO train images ..."
curl -LO http://images.cocodataset.org/zips/train2017
转载
2024-05-03 16:42:36
49阅读
基本命令（linux/shell）基本操作连接服务器查看GPU状态进程管理一键导出环境 / 配置环境复制/移动pip下载很慢虚拟环境condashell脚本串行调参tensorboard可视化训练过程 记录深度学习使用服务器一些常用的shell操作。 基本操作连接服务器ssh username@ipaddress (直接用命令行连接，但scp传文件等必须是linux系统，最开始安了ubuntu
一、docker简介 Docker 是一个开源的应用容器引擎，基于 Go 语言 并遵从 Apache2.0 协议开源。Docker 可以让开发者打包他们的应用以及依赖包到一个轻量级、可移植的容器中，然后发布到任何流行的 Linux 机器上，也可以实现虚拟化。容器是完全使用沙箱机制，相互之间不会有任何接口（类似 iPhone 的 app）,更重要的是容器性能开销极低。1、Docker的应用场景We
转载
2023-10-15 13:48:13
83阅读
需求背景有时候我们需要给别人在服务器上装东西，根据经验，装一次服务器要花至少半个小时，而且很多时候因为系统不一致等情况导致安装依赖之类的问题会很麻烦。因此，我决定尝试用docker来制作一个统一的镜像。以前虽然就学习过docker技术，但是没有实际使用过，感觉适用于需要安装很多机器的情况，所以一开始并用不上，毕竟多了一层之后诸如文件同步之类的情况没有那么方便。这里边复习边整理。优点和缺点优点是能够
转载
2023-10-08 15:08:21
89阅读
nohup方法（不挂起的意思）基本用法含义解释命令运行后的提示示例一些查看指令注意screen命令新建screen窗口退出screen子窗口，实现后台运行程序。回到后台运行程序的子窗口查看当前所有的screen进程彻底退出screen进程 nohup方法（不挂起的意思）基本用法# 进入要运行的py文件目录
nohup python -u test.py > test.log 2>&a
转载
2023-12-13 05:19:39
87阅读
gdb是linux下非常好用的一个调试工具，虽然它是命令行模式的调试工具，但是它的功能强大到你无法想象，这里简单介绍下gdb下常用的命令。首先编译生成可执行文件(这里的test.c是一个简单的求前n项和的程序)。gcc -g test.c -o test（-g选项告诉gcc在编译程序时加入调试信息）。接下来可以这样。gdb test 然后你就会看到出现好多信息在屏幕上，大致说的是gdb的一些版本信
转载
2023-12-29 20:56:21
97阅读
# 跑大型数据：用 Python 还是 PyCharm？
在数据科学和机器学习的快速发展中，大型数据的处理和分析变得日益重要。面对这些挑战，选择合适的工具是至关重要的。Python 和 PyCharm 是处理大型数据的两种重要选择，但它们的使用场景和特性有所不同。本篇文章将深入探讨这两个工具，并通过代码示例帮助大家理解如何进行大型数据的处理。
## Python vs PyCharm
**P
作者：Alexander Kuznetsov
无论您是在用原型证明某一概念，还是开发一个全新的应用程序，或者只是学习 SQL，您都需要在您的应用程序上运行测试数据。本文讨论了如何生成足够的、对测试有用的、具有期望的值分布和列间相关性的测试数据。
使用 SQL 生成大量测试数据
无论您是在用原型证明某一概念，还是开发一个全新的应用程序，或者只是学习SQL，您都需要在您的应
转载
2023-12-25 18:40:59
58阅读
在Linux上使用Kettle（Pentaho Data Integration）来运行Python脚本不仅提升了数据处理的灵活性，也大幅提高了工作效率。然而，具体实现过程中的一些问题可能会导致错误，影响业务流程。本文将通过一个详细的复盘记录，讲解如何在Linux环境中使用Kettle运行Python脚本，并分析可能出现的错误现象及其解决方案。
## 问题背景
在当今数据驱动的业务环境中，企业
# 用WPS跑Python
## 引言
Python 是一种简单易学、功能强大的编程语言，广泛应用于各种领域，包括科学计算、数据分析、人工智能等。而 WPS 是一款功能全面的办公软件，提供了强大的表格处理、文档编辑和演示制作等功能。本文将介绍如何在 WPS 中运行 Python，并给出一些示例代码。
## 准备工作
在开始之前，我们需要先安装 Python 和 WPS Office。Pyt
原创
2023-12-24 06:13:48
1548阅读
内容：Matlab simulink 给数学建模和解非线性方程提供了莫大的便利，但是对于大型仿真程序，smulink仿真速度使人叫苦不迭。总体来说，影响simulink仿真速度有以下几个因素，同时将解决方法奉上：（1）参数设置问题，变步长还是定步长，定步长的大小，求解方法（a）变步长可以大大加快仿真速度，但同时也可能带来结果不准确的问题。（b）定步长的不长越大仿真时间与少，仿真时间的长短大致与仿真
这几天学习了无监督学习聚类算法Kmeans，这是聚类中非常简单的一个算法，它的算法思想与监督学习算法KNN（K近邻算法）的理论基础一样都是利用了节点之间的距离度量，不同之处在于KNN是利用了有标签的数据进行分类，而Kmeans则是将无标签的数据聚簇成为一类。接下来主要是我对《机器学习实战》算法示例的代码实现和理解。 首先叙述下算法项目《对地图上的俱乐部进行聚类
# 使用Python和CUDA进行高性能计算
CUDA（Compute Unified Device Architecture）是由NVIDIA开发的一种并行计算架构，可以利用显卡的强大计算能力加速计算任务。通过结合Python和CUDA，程序员可以轻松地在GPU上运行高性能计算重负载任务。本文将介绍Python如何利用CUDA进行计算，并提供示例代码。
## 1. 安装CUDA和相关库
在
原创
2024-09-13 05:39:23
245阅读
# 用CPU跑Python
Python是一种广泛使用的高级编程语言，以其简洁和易于学习的特性而受到开发者的喜爱。在执行Python代码时，CPU（中央处理单元）作为计算机的核心组件，承担着大部分的计算任务。在本文中，我们将讨论如何在CPU上高效地运行Python代码，并提供一些实用的示例。
## CPU基础知识
让我们先简要了解一下CPU的基本工作原理。CPU负责执行程序中的指令，处理数据
