本文为系列第二部分，使用第一部分安装好的MongoDB Ops Manager创建用户数据库。
整个系列：
所谓的Application Database是MongoDB Ops Manager的后端DB，并不能用来存放用户数据，所以我们需要用Ops Manager创建用户数据库。使用Ops Manager创建的MongoDB叫做Deployment，注意此Deployment是MongoDB Deployment，与kubernetes的Deployment不是一码事。
MongoDB的入门配置门槛（单机）很低，但如果想达到生产环境的要求则有些技术含量。生产环境的配置要求包括Replica Set、Sharding、Scale up/down、数据备份、通信加密TLS和指标实时监控等。配置这些功能比较繁琐，有不少坑要踩。那么有没有好用的工具帮我们配置和管理呢？
如果你按官方文档 Configure mongod and mongos for TLS/SSL 配置MongoDB证书，可能会遇到如下问题：
| |
or
最近遇到个数据库表设计的问题，一张账号表，业务逻辑存在一列唯一accountId，是否还要在数据库表中加一列自增int作为主键？这应该是实践中普遍存在的问题，于是研究了下推荐做法。
对一个DBA来说监控mysql服务器的性能指标是非常重要的。我们可以通过mysqlbench中的Server Status来轻松监测服务器最近一段时间的状态。但是这些指标具体代表了什么含义？比如，Selects per second 和Innodb reads per second的区别是什么？如何评估服务器当前写入的性能？
博客越写越多，将markdown源文件备份到github变得非常重要。github pages要求免费账户的username.github.io必须是public repository。网上主要有两种方案，一个是用hexo-git-backup插件，另一个是在username.github.io上创建另一个分支进行备份。
BBR 是Google 2016年提出的TCP 拥塞控制算法，可以显著地提升Server的吞吐率并降低延迟。在VPS上实测效果非常明显，将VPS的下载速度由10Mbps左右提升至约50Mbps，自动视频质量也由240p升至1080p。
2020-11-28更新： 经过四个多月的肌肉练习（引体向上，核心肌群训练，跑步，羽毛球），肩颈疼痛症状显著缓解，坚持锻炼两个月后，落枕、脖子活动受限的情况基本就没再发生过，现在的情况就更好了。全身性的肌肉训练效果还是很好的，亲测推荐！
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。
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。
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。
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。
在以前的面试指南中，写代码不限定编程语言，主要考察算法。近几年机器学习火了之后，作为面试官，面试科班出身的面试者我会要求对方使用C或C++而非Python。原因很简单，现在许多科班出身的同学基本功不扎实，恨不能大一上来就搞深度学习，对计算机科学没有大局观和底层的认识，往往不能很好地胜任日常的工作。而C/C++作为科班的必修课，可以作为一个简单的分类器判断对方的功底。
GPT2是一个很好的长文本生成模型，但官方版本并没有开源中文预训练好的模型。因此，最近用开源的中文新闻，wiki，评论等从头训练了一个中文GPT2用于文本生成任务。
Windows下的emacs用起来体验不是太好，对中文的支持也不太行。偶尔打开一次需要输入个中文发现用Ctrl+Space或Win+Space都调不出第三方输入法（如腾讯或搜狗输入法）。
正确使用异常处理可以让代码逻辑变得清晰，使程序的鲁棒性更好，并可以准确捕捉到一些细节的错误。那么问题来了，异常的使用场景是什么，实践中又有哪些常见问题，本文简单讨论一二。