1 部署 官方文档指引 1.1 client 每个业务数据库都要新建 undo_log 表。 对 springboot 应用，执行 client - MySQL - AT，切tag=1.5.2： https://github.com/seata/seata/blob/v1.5.2/script/cl ...

Pattern: Database per service。 背景 如用微服务架构模式开发一个在线商店应用程序。大多数服务需要在某种数据库中持久化数据。如，订单服务存储订单信息，而客户服务存储客户信息。 问题 微服务应用程序中的数据库架构是什么？ 驱动力 服务必须松耦合，以便能够独立开发、部署和扩展 ...

今天我们将深入分析云开发的 AI 能力。这次的讨论焦点不再是之前提到的云端IDE编写代码的能力，而是更为广泛和实际的内容——如何利用云平台提供的各种模块化能力，快速高效地开发。今天的主题依然围绕AI展开，但这并不妨碍我们从平台能力的开通开始，逐步引导你了解 云开发 的 AI 能力。 在这个过程中，我 ...

最近 Sealos Devbox 有点火 ，越来越多的小伙伴都开始使用 Sealos Devbox，有位小伙伴写的文章阅读量已经接近了两万！ 评论区有个小伙伴问我能不能出一篇部署 Gradio 和 Streamlit 的文章，瞬间我就来劲了，赶紧去搜一下这两个东西是啥，你还别说，确实挺有意思的。 ...

首先给大家介绍一个很好用的学习地址：https://cloudstudio.net/columns 在上一章节中，我们对聚类的相关知识进行了全面的介绍，旨在为大家打下坚实的理论基础。今天，我们的主要任务是深入探讨数据可视化的技术和方法。在之前的学习中，我们已经接触过回归分析中的可视化技术，而今天我们 ...

实验介绍： 图像识别是人工智能的重要领域 怎么识别图像呢？ 人眼识别人的性别 看头发长度，身型，穿衣打扮这些特征，比如：长发是女孩，短发是男孩。 使用神经网络算法就可以自动学习特征并用于分类等任务。 一：神经网络 比如识别手写数字，如果一个像素一个像素地识别，那么计算量很大很复杂。如果总结出数字的特 ...

0 前言 ShardingSphere提供数据访问安全性：通过数据脱敏，完成对敏感数据的安全访问。本文介绍ShardingSphere数据脱敏功能。 数据脱敏，指对敏感信息通过脱敏规则进行数据转换，实现敏感隐私数据的可靠保护。相较传统私有化部署方案，互联网应用对数据安全要求更高，涉及范围更广。根据行 ...

1 介绍 1.1 背景 越来越多的手机和平板电脑成为许多人的主要计算设备。这些设备上强大的传感器（包括摄像头、麦克风和GPS），加上它们经常被携带的事实，意味着它们可以访问前所未有的大量数据，其中大部分本质上是私人的。根据这些数据学习的模型持有承诺通过支持更智能的应用程序来大大提高可用性，但数据的敏 ...

首先给大家介绍一个很好用的学习地址：https://cloudstudio.net/columns 聚类是一种无监督学习方法，其基本假设是数据集未经过标记，或者输入数据与预定义的输出之间并不存在直接的对应关系。聚类的主要目标是将具有相似特征的数据点归类到同一组中，这一组通常被称为“簇”。 聚类结果的 ...

0 前文 上一文解析了 ShardingSphere 强一致性事务支持 XAShardingTransactionManager ，本文继续： 讲解该类 介绍支持柔性事务的 SeataATShardingTransactionManager sharding-transaction-xa-core中 ...

0 前言 基于上一文基础，详细展开 ShardingSphere 分布式事务实现。先看支持强一致性事务的XAShardingTransactionManager。 1 XAShardingTransactionManager 回到 ShardingSphere，来到 sharding-transac ...

阿里巴巴等联合推出的 Meissonic 文生图模型，仅 1B 参数，能在普通电脑及未来无线端运行推理。本文将详细展示其在笔记本上的本地部署教程，带你领略 Meissonic 的独特魅力与强大功能…… ...

背景概要设计文档评审是软件开发过程中的一个重要环节，主要体现在以下几个方面：1.确保设计的一致性和完整性：通过评审，可以确保设计文档中描述的系统架构、模块划分、接口定义等内容在各个部分之间保持一致，避免出现相互矛盾或遗漏的情况。评审过程有助于发现设计中的潜在问题，如数据流不一致、模块功能重叠等，从而 ...

0 前言 这是一系列技术和组织协议，旨在帮助管理开发日益强大的 AI 系统的风险。随 AI 模型强大，我们认为它们将为经济和社会带来巨大价值，但也将带来日益严重的风险。RSP 主要关注灾难性风险，即 AI 模型直接导致的大规模毁灭性风险。这些风险可能源于对模型的故意滥用（例如被恐怖分子或国家行为者用 ...

10月29日，以“国云智算聚金陵 自主可控铸新基”为主题的天翼云中国行·江苏南京站活动圆满举办。南京市数据局领导、中国电信江苏分公司领导、客户及合作伙伴代表莅临现场，共商转型发展新机遇，共创智慧江苏新未来。会上举行了天翼云全栈自主可控能力升级计划、南京城市算力调度平台合作签约等仪式，通过持续构建领先... ...

想要更优的Inference Time Scaling曲线，前提是模型本身是一个很强的Generator，已经拥有足够的生成合理推理过程的能力，同时还拥有很强的Verifier模型来对推理节点进行打分决策，并且二者可以在少人类监督的条件下不断迭代优化。这一章我们先聊聊如何让大模型"自学"推理思考，从... ...

11月了，秋招已经开始了。不知最近有没有同学在投简历面试呢? 回想起几年前我面试某大厂的时候，被问到了很多深度学习相关的知识，那时的我懂的不多，可以说是被面试官360度无死角蹂躏。 那次面试，印象最深的是问了很多与卷积相关的问题，导致我后来工作一段时间看到卷积就时不时的去查些资料，害怕自己又理解错了 ...

K-means聚类的原理。 K-Means算法的目标是将原始数据分为K簇，每一簇都有一个中心点，这也是簇中点的均值点，簇中所有的点到所属的簇的中心点的距离都比到其他簇的中心点更近。 K-means聚类的算法流程。 1、随机确定K个点作为质心。 2、找到离每个点最近的质心，将这个点分配到这个质心代表的 ...

本文介绍向量检索服务DashVector动态量化功能和作用。 背景介绍 量化（Quantization）是向量检索技术中一种常用的优化方法，通过一定程度的精度（召回率）损失，来换取性能的大幅度提升，以及内存占用（索引文件大小）大幅度降低。 向量检索服务DashVector支持向量的动态量化，用户仅需 ...

背景 在项目管理过程中，风险分析与应对是一个重要的过程，它有助于确保项目的顺利进行并达成目标。常规过程可以分为几个关键步骤： 1. 风险识别 目的：找出可能影响项目成功的各种不确定因素。 方法：可以通过研讨会、访谈、问卷调查、历史数据审查等方式来识别潜在的风险。 2. 风险量化 目的：评估已识别风险 ...