清理Linux的磁盘使用空间
硬盘虽然并不值钱,但对于一个强迫症来说,看到莫名其妙地内容占据了好些空间也非常不爽。记录下在Linux中如何发现空间占用大户,以及可以删除什么以缩减使用空间。
硬盘虽然并不值钱,但对于一个强迫症来说,看到莫名其妙地内容占据了好些空间也非常不爽。记录下在Linux中如何发现空间占用大户,以及可以删除什么以缩减使用空间。
为了精简hexo安装的npm
modules,用rm -rf node_modules/
删除了已安装的包,再npm install
把package.json中定义的包安装一遍。结果hexo自动从4.0.0升级到了4.2.1,hexo g
时失败。node.js除了hexo外基本不用,npm自然不熟,有些配置是直接抄来的并不知其所以然。而hexo的插件都是由npm管理的,稍微研究了下如何查看这些插件的最新版本和升级它们。
自从有了 996.icu 和马云的“996福报”理论之后,关于996工作制的讨论就从未停止。我有不少同学同事加入或离开了996公司,我想说的是,福报不福报都是自己的选择,自己选的路,跪着也要走完。都希望挣更多的钱,抵制996并不是抵制高收入,本质上是希望用955的工作制挣到996开的工资。但理性思考后会发现它并不合理,单位时间的工资高低是由市场决定的,在一个充分竞争的市场上,同样性质不同公司的时薪差别不会太大。一家公司的package远高于另一家,工作强度和时长增加情理之中。
看下这个回答:# 如何看待996工作制度?
交叉熵(Cross Entropy)和KL散度(Kullback–Leibler Divergence)是机器学习中极其常用的两个指标,用来衡量两个概率分布的相似度,常被作为Loss Function。本文给出熵、相对熵、交叉熵的定义,用python实现算法并与pytorch中对应的函数结果对比验证。
TextCNN 是一种经典的DNN文本分类方法,自己实现一遍可以更好理解其原理,深入模型细节。本文并非关于TextCNN的完整介绍,假设读者比较熟悉CNN模型本身,仅对实现中比较费解的问题进行剖析。
项目地址:https://github.com/finisky/TextCNN
这里的实现基于: https://github.com/Shawn1993/cnn-text-classification-pytorch
主要改动:
Transformer自2017年推出之后,已经横扫NLP领域,成为当之无愧的state-of-the-art。原始paper “Attention is All you Need”中对attention提出了通用的query/key/value抽象,开始时觉得很难理解,后来随着读的文献更多,慢慢体会到了其中的意思。关于Transformer和attention的各种解释类文章有很多,不再赘述,本文仅就其中的核心,MultiHeadAttention的实现进行源码剖析。
Find Peak
Element
给定一个数组,其中任意两个相邻元素的值不等,寻找数组中某峰值的index
i,使得n[i - 1] < n[i] > n[i + 1]
。保证峰值一定存在,如果有多个峰值,可返回任意一个。
乍看此题不难,O(n)的算法很容易想到,直接遍历数组即可。但题目要求给出O(log(n))的算法。显然,直观上应该用二分查找,否则复杂度要求不能满足。可数组是无序的,无法直接应用二分查找。
Today I found that some pods in kubernetes cluster are failed, the
status is Waiting: ContainerCreating
. The pod events:
MountVolume.SetUp failed for volume "xxxxx" : secret "xxxxx" not found
kubelet aks-agentpool-xxx-vmss000001
Unable to attach or mount volumes: unmounted volumes=[xxxxx], unattached volumes=[xxxxx]: timed out waiting for the condition
维护过中型以上系统的工程师,一定都有看到某处代码或设计后脱口而出"What the fuck","这TMD是谁设计的系统","写这代码的人脑子有坑吧?"的经历。
想到上学时一个工作几年的师兄聊天时说,实际系统里讲究“够用就好”,不要搞一些奇技淫巧,当年听起来觉得很有道理,但却没有切身体会。随着经验的积累,慢慢明白什么叫“够用就好”,什么叫过度设计,以及简单比复杂需要更高技巧和更多思考的道理。
There are two ways of constructing a software design: One way is to make it so simple that there are obviously no deficiencies, and the other way is to make it so complicated that there are no obvious deficiencies. The first method is far more difficult.