Python has been installed as /usr/local/bin/python3 Unversioned symlinks `python`, `python-config`, `pip` etc. pointing to `python3`, `python3-config`, `pip3` etc., respectively, have been installed into /usr/local/opt/python/libexec/bin If you need
在gitte（码云）第一次新建仓库时需要输入你绑定的gitee账号和密码，账号名就是个人主页中@的内容，但是在push账号时明明输入正确的账号正确的账号密码却出现：git did not exit cleanly (exit code 128)和git did not exit cleanly (exit code 1)的问题。注意：这个两个问题虽然名字很像但是并不是同一问题。
第一时间获取文章，可以关注本人公众号 月牙寂道长 yueyajidaozhang
1 Git下载安装 官网地址：https://git-scm.com/downloads 安装方式：默认安装。（可自行改变安装目录） 2 集成开发工具（Idea） File > Settings > Git > 选择已经安装Git的本地目录 3 下载项目+集成项目 复制仓库HTTPS链接 集成项目 1 打开命令行客户端 打开Code绝对路径，右键打开Git Bash Here 命令行 2 Git status 查看工作空间内所有新增/修改等文件信息 3 Git add 把需
TortoiseSVN 是 Subversion 版本控制系统的一个免费开源客户端，可以超越时间的管理文件和目录。文件保存在中央版本库，除了能记住文件和目录的每次修改以外，版本库非常像普通的文件服务器。你可以将文件恢复到过去的版本，并且可以通过检查历史知道数据做了哪些修改，谁做的修改。这就是为什么许多人将 Subversion 和版本控制系统看作一种“时间机器”。
官方解释，请参考：http://www.subversion.org.cn/svnbook/nightly/svn.ref.svn.c.checkout.html
选择VCS->Import into Version Control->Share Project(Subversion)
在PyCharm安装目录 /opt/pycharm-3.4.1/help目录下可以找到ReferenceCard.pdf快捷键英文版说明 or 打开pycharm > help > default keymap ref PyCharm3.0默认快捷键(翻译的)PyCharm Default Keymap 1、编辑（Editing） Ctrl + Space 基本的代码完成（类、方法、属性） Ctrl + Alt + Space 快速导入任意类 Ctrl + Shift + Enter 语句完成
在RedHat Enterprise Linux 8中，Python没有预先安装。 主要原因是RHEL 8开发人员不想为用户设置默认的Python版本。 因此，作为RHEL用户，您需要通过安装来指定是否需要Python 3或2。 此外，在RHEL中，Python 3.6是Python的默认和完全支持的版本。 但是，Python 2仍然可用，您可以安装它。
最近一段时间shell脚本写得很溜，很有成就感，一想到被自己落下的Python就感到十分心虚。开始坚持学习Python！先将自己的测试机器的Python升级到Python 3.6.6。简单整理、记录一下！
CentOS 8 中如何安装python3？在CentOS 8 没有默认安装Python 3，而Ubuntu系统则默认安装了，本篇文章重点为大家讲解一下CentOS 8 中安装python3具体方法以及在CentOS 8上安装Python 2。
用短链接替换较长的原始 URL，使得用户在访问网页或资源时可以使用更短、更便于记忆和分享的链接，也方便隐藏Get请求。
Python是世界上最受欢迎的编程语言之一。 凭借其简单易学的语法，Python是初学者和经验丰富的开发人员的流行选择。
VSDB is a 'Git' in the form of a KV database.
进入用户目录下的.ssh目录，没有就新建一个； 鼠标右键选择 "Git Bash Here",打开git命令行； 输入如下命令：
遇到提示信息直接回车即可（为了方便，这里不设置密码，改密码是ssh提交时的密码，该密码与github无关）。
在进入代码之前，理解k8s的go client项目是对我们又帮助的。它是k8s client中最古老的一个，因此具有很多特性。 Client-go 没有使用Swagger生成器，就像前面我们介绍的openAPI一样。它使用的是源于k8s项目中的源代码生成工具，这个工具的目的是要生成k8s风格的对象和序列化程序。 该项目是一组包的集合，该包能够满足从REST风格的原语到复杂client的不同的编程需求。
前面已经把分割模型的数据处理的差不多了，最后再加一点点关于数据增强的事情，我们就可以开始训练模型了。
需要解决的问题 在做WEB系统开发时，为了提高性能会利用浏览器的缓存功能，其实即使不显式的申明缓存，现代的浏览器都会对静态文件(js、css、图片之类)缓存。但也正因为这个问题导致一个问题，就是资源的缓存逻辑有时出现问题后服务器的最新版本文件无法更新客户端的缓存。 这个问题会给用户产生许多的困扰，当然首先是测试人员会很头痛，一些看起来没有修复的bug为什么开发要说做好了？这种时候我会无奈的说：ctrl+f5刷新一下。但这毕竟不是解决问题的方法。 思路与方法考虑 思路 之前没有着手处理过这样的问题，
接下来需要再做一些工作，并把我们前面搞好的模型串起来，形成一个端到端的解决方案。这个方案如下，首先是从原始的CT数据出发进行图像分割，识别可能是结节的体素，并对这些体素区域进行分组，然后用这些分割出的候选结节信息进行分类，首先是区分这是否是一个结节，针对是结节的，再区分这是否是一个恶性结节，这样就完成了整个模型框架。
上一节我们理解了业务，也就是我们这个项目到底要做什么事情，并定好了一个方案。这一节我们就开始动手了，动手第一步就是把数据搞清楚，把原始数据搞成我们可以用PyTorch处理的样子。这个数据不同于我们之前用的图片数据，像之前那种RGB图像拿过来做一些简单的预处理就可以放进tensor中，这里的医学影像数据预处理部分就要复杂的多。比如说怎么去把影像数据导入进来，怎么转换成我们能处理的形式；数据可能存在错误，给定的结节位置和实际的坐标位置有偏差；数据量太大我们不能一次性加载怎么处理等等。今天理解数据这部分处理的就是之前整个项目框架图的第一步，关于数据加载的问题。
第 2 部分的结构与第 1 部分不同；它几乎是一本书中的一本书。我们将以几章的篇幅深入探讨一个单一用例，从第 1 部分学到的基本构建模块开始，构建一个比我们迄今为止看到的更完整的项目。我们的第一次尝试将是不完整和不准确的，我们将探讨如何诊断这些问题，然后修复它们。我们还将确定我们解决方案的各种其他改进措施，实施它们，并衡量它们的影响。为了训练第 2 部分中将开发的模型，您将需要访问至少 8 GB RAM 的 GPU，以及数百 GB 的可用磁盘空间来存储训练数据。
org.apache.subversion.javahl.ClientException: The working copy needs to be upgraded svn: The working copy at 'D:\Administrator\Workspaces\MyEclipse 2017 CI\huamu-goodemall' is too old (format 29) to work with client version '1.9.3 (r1718519)' (expects format 31). You need to upgrade the working copy first.
上一小节遗留的问题就是，我们希望能够把图像一个区域与周围上下左右各个区域关联的这种特性学习到，也就是实现平移不变性，通俗来理解，一个好一点的办法就是在一个点上，把它周围的点都加起来放在这个点上，当做这个点的数据。 听起来是不是很简单，卷积就是大概实现了这个功能，我们看一下离散卷积的公式，既然这里说离散卷积，当然还有连续卷积，不过我们现在用不到，只考虑这个离散卷积就好了。
上一小节我们终于开始搭建神经网络了，只不过它很简单，并且对我们更早的时候做的温度计转换模型做了一次迭代，甚至连效果都没有太大的变化，这一小节我们开始处理一些有意思的事情：做一个图像分类的模型。
零停重启目标程序，比如一个网络服务程序，不用丢失和中断任何消息实现重新启动，正在处理的消息也不会中断和丢失，重启的方法是给目标程序的进程发SIGHUP信号。
最近在 Kubernetes 生态中比较大的事情就是 KubeCon NA 2023 成功举办了，会上有很多不错的内容，也有很多重磅消息。目前会议的相关视频已经全部上传完成， 感兴趣的小伙伴可以通过 https://sourl.cn/xTUCvn 观看。
工作中需要以kubernetes原生的方式构建API接口服务，并将构建出的API接口直接聚合到kubernetes的apiserver服务上。本周花了不少时间研究这个，这里记录一下。
这篇文章从系统架构开始，到核心库讲解，到实践开发，再到单元测试，比较完整的描述了支持Terraform的开发全过程。
namespace设计解读 namespace是Kubernetes进行多租户资源隔离的主要手段，那么它在系统中的表现形式是什么样的?实现原理和使用方法又是怎样的呢? 什么是namespace nam
#, c-format msgid "Destination '%s' is not a directory" msgstr "目的 “%s” 不是目录" #, c-format msgid "Destination '%s' already exists" msgstr "目的 “%s” 已存在" #, c-format msgid "Can't read directory '%s'" msgstr "无法读取目录 “%s”" #, c-format msgid "Error closin
使用Subversion库API开发应用看起来相当的直接，所有的公共头文件放在源文件的subversion/include目录，从源代码编译和安装Subversion本身，需要这些头文件拷贝到系统位置。这些头文件包括了所有用户和Subversion库可以访问的功能和类型。Subversion开发者社区仔细的确保所有的公共API有完好的文档—直接引用头文件的文档。
在上一篇文章中介绍完了 lerna version 的运行机制后，那么在本篇文章中我将继续介绍一下 lerna 发包机制中最关键的一个 command 即 lerna publish。
在Windows环境中，我们一般使用TortoiseSVN来搭建svn环境。在Mac环境下，由于Mac自带了svn的服务器端和客户端功能，所以我们可以在不装任何第三方软件的前提下使用svn功能，不过还需做一下简单的配置。 我们首先来看下，如何在Mac环境下搭建svn服务器端环境。
上一章的结束让我们陷入了困境。虽然我们能够将深度学习项目的机制放置好，但实际上没有任何结果是有用的；网络只是将一切都分类为非结节！更糟糕的是，结果表面看起来很好，因为我们正在查看训练和验证集中被正确分类的整体百分比。由于我们的数据严重倾向于负样本，盲目地将一切都视为负面是我们的模型快速得分的一种简单而快速的方法。太糟糕了，这样做基本上使模型无用！
在过去的几章中，我们已经构建了许多对我们的项目至关重要的系统。我们开始加载数据，构建和改进结节候选的分类器，训练分割模型以找到这些候选，处理训练和评估这些模型所需的支持基础设施，并开始将我们的训练结果保存到磁盘。现在是时候将我们拥有的组件统一起来，以便实现我们项目的完整目标：是时候自动检测癌症了。
到目前为止，我们已经仔细研究了线性模型如何学习以及如何在 PyTorch 中实现这一点。我们专注于一个非常简单的回归问题，使用了一个只有一个输入和一个输出的线性模型。这样一个简单的例子使我们能够剖析一个学习模型的机制，而不会过于分散注意力于模型本身的实现。正如我们在第五章概述图中看到的，图 5.2（这里重复为图 6.1），了解训练模型的高级过程并不需要模型的确切细节。通过将错误反向传播到参数，然后通过对损失的梯度更新这些参数，无论底层模型是什么，这个过程都是相同的。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
实时音视频
