前言创业的第三年，每年写一次总结，每次都是在12月初写，以赶在公司的周年的时候可以发布，但是这次准备了好久，一直不知道怎么动手，感觉相对20年的刻骨铭心，21年略显平淡，简单的回顾3年的时间，第一年是开心和愉快的，没有财务压力，花钱做产品，第二年是煎熬的，也是长白头发最多的一年，钱差不多花完了，需要自力更生，同时还碰上百年不遇的疫情，第三年相对心态上比较平静，被狠狠的熬了一年以后，承压能力相对好了很多，遇事也相对沉稳。2021的也收获了很多，写下来是一个记录也是一段分享，21年整体上是顺利的，没有2020年那样的苦大仇深和绝境求生了，2021年因为疫情的原因没有回老家过年，还第一次为家人准备了
前言 前几天有群友在群里问如何在我之前的文章《ASP.NETCoreWebApi返回结果统一包装实践》的时候有点疑问，主要的疑问点就是关于Respouse的读取的问题。在之前的文章《深入探究ASP.NETCore读取Request.Body的正确方式》曾分析过关于Request的读取问题，需要读取Response的场景同样经常遇到，比如读取输出信息或者包装一下输出结果等。无独有偶Response的读取同样存在类似的问题，本文我们便来分析一下如何进行Response的Body读取。使用方式我们在日常的使用中是如何读取流呢？很简单，直接使用StreamReader去读取，方式如下public
前言 前几天有群友在群里问如何在我之前的文章《ASP.NETCoreWebApi返回结果统一包装实践》的时候有点疑问，主要的疑问点就是关于Respouse的读取的问题。在之前的文章《深入探究ASP.NETCore读取Request.Body的正确方式》曾分析过关于Request的读取问题，需要读取Response的场景同样经常遇到，比如读取输出信息或者包装一下输出结果等。无独有偶Response的读取同样存在类似的问题，本文我们便来分析一下如何进行Response的Body读取。使用方式我们在日常的使用中是如何读取流呢？很简单，直接使用StreamReader去读取，方式如下public
众所周知，在语义分割领域，最经典的网络框架之一就是UNet，简洁的结构，出众的性能，使其不仅在当时取得了骄人的成绩，更对后来的语义分割领域产生了极其深远的影响（尤其是医学图像）。我们先来简单地看看UNet的基本情况。1.UNet网络简介这张图就是网上最常见的那张图，也是原文中的网络结构图。主体部分：显示输入一张572*572的图片，然后通过两个步长为1的3*3卷积（没有padding），得到了568*568分辨率的特征图，然后再通过2*2的最大池化下采样，以此类推，总共经过了4次的下采样。采样之后通过两个3*3的卷积，然后再上采样，上采样的方式采用的是转置卷积（或成为反卷积，其实我觉得反卷积这
一、分库分表概念1.分库随着业务的增长，数据量的增加，很多接口响应时间变得很长，经常出现Timeout，而且通过升级MySQL实例配置已经无法解决问题了，这时候就要分库。垂直分库：将不同的业务表分在不同的数据库中。水平分库：水平分库理论上切分起来是比较麻烦的，它是将同一表数据拆分到不同数据库实例中。2.分表分表的应用场景是单表数据量增长速度过快，因为大表会影响查询性能，DDL变更时间很长，影响业务的可用性，同时导致从库延迟很大。但是MySQL实例的负载并不高，这时候只需要分表，不需要分库。垂直分表：表中的字段太多，需要切分字段，一般将不常用的、数据较大、长度较长的拆分到“扩展表“。水平分表：单
你好，我是Bingo。身在科技行业，我们可以随口说出许多岗位，比如可以划分为：技术/研发类、产品类、设计类、运营类、市场类、战略/投资类、职能及其他类。每个分类就可以衍生出无数岗位，培训机构可以细化分类，并开展标准化的职业培训。回到区块链行业，这是一个新世界，具有新世界的典型特点：雏形原始、光怪陆离、千奇百怪、争议不断，更重要的是缺乏人才。有人说，时尚是一个轮回。身在科技行业，也是如此，传统科技行业现已衍生出无数岗位，而区块链仿佛又将要重新要走一遍互联网的道路。身在科技发展的进程中，如何搭上“顺风车”走上快车道是需要思考与探索的。区块链培训与传统职业化培训相比，就是一个“巨大且分散的非标准化的
作者：京东健康张娜一、并发编程的意义与挑战并发编程的意义是充分的利用处理器的每一个核，以达到最高的处理性能，可以让程序运行的更快。而处理器也为了提高计算速率，作出了一系列优化，比如：1、硬件升级：为平衡CPU内高速存储器和内存之间数量级的速率差，提升整体性能，引入了多级高速缓存的传统硬件内存架构来解决，带来的问题是，数据同时存在于高速缓存和主内存中，需要解决缓存一致性问题。2、处理器优化：主要包含，编译器重排序、指令级重排序、内存系统重排序。通过单线程语义、指令级并行重叠执行、缓存区加载存储3种级别的重排序，减少执行指令，从而提高整体运行速度。带来的问题是，多线程环境里，编译器和CPU指令无法
关于AI未来的思考和应用场景AI（人工智能）是当今最热门的技术领域之一，它已经在多个领域产生了深远的影响，如医疗、金融、制造业等。未来，AI将继续发展，并在更多领域产生重要的影响。AI的未来发展方向有很多，其中一个重要的方向是自主学习。自主学习是指AI系统能够自主地从数据中学习和改进，而不需要人为干预。这种能力将使AI系统更加智能化和自适应，从而在处理各种任务时表现得更加出色。另一个重要的发展方向是AI的应用场景拓展。目前，AI已经在许多领域取得了成功，但是未来，AI的应用场景将不再局限于已有的领域。例如，AI可以被应用于城市规划、交通管理、环境保护等领域，以提高这些领域的效率和质量。此外，A
教育和学习的本质应该是点亮，而不是塞满。增加改变量，减少学习量。最近，ChatGPT的产品能力升级真的是一波接一波，首先是联网和插件功能，之前需要排队，现在如果你是ChatGPTPlus用户，可以不用排队了。直接可以使用了。其次，是ChatGPT官方App正式推出，但是仅限美国区帐号可以下载，App端解除了Plus会员使用GPT4的限制。（目前网页版GPT-4目前的上限是每3小时25条消息）。未来，可能我们目前经常用的软件都会被AI重构，赋予更强大的生产力，更高的效率。比如在ToB的场景下，部分企业可能会有私有化部署ChatGPT的诉求，对个人来讲，虽然直接用OpenAI的API是最便捷且效果
在windows平台进行gitadd时,控制台有时会打印警告warning:intheworkingcopyof‘XXX.sh’,LFwillbereplacedbyCRLFthenexttimeGittouchesit. 查看了一些资料,大概弄清了core.autocrlf配置选项的作用:gitconfig--globalcore.autocrlftrue适用于Windows系统,且一般为Windows默认设置,会在提交时对换行符进行CRLF->LF的转换,检出时又会进行LF->CRLF的转换. 我目前在windows平台工作,core.autocrlf配置为true,我明白了是因为
