- 综合排序
- 最热优先
- 最新优先
- 来自专栏算法channel
这9个提高效率的Python工具，太赞了！
最近汇总了平时常用到的9个很好的Python工具，它们能极大的提高我们的工作效率，安装它们，然后逐步熟练使用它们。若有用，可以收藏这篇文章。 ('Asia/Shanghai') shc = pendulum.now() print('Current Date Time in sh =', shc) # DateTime(2021, 12, 9, 16, 38, 52, 599942, tzinfo=Timezone('Asia/Shanghai')) shc.add(years=1) # DateTime(2022, 12, 9, 16, 9 图像处理Pillow 很多时候，需要以某种方式修改图像，使其更适合，例如模糊细节、组合一个或多个图像或创建缩略图。
1.1K20编辑于 2021-12-15 - 来自专栏小白晋级大师
分布式系统学习9：分布式锁
分布式系统学习9：分布式锁这是小卷对分布式系统架构学习的第12篇文章，今天学习面试中高频问题：分布式锁，为什么要做分布式锁，有哪些实现方式，各适用于什么场景等等问题1. 为什么要用分布式锁？ 使用场景：乐观锁去除了加锁解锁的操作，但是一旦冲突后的重试成本非常高，只有再冲突概率非常低，且加锁成本比较高的场景，才考虑使用乐观锁3.分布式锁的实现方式常见分布式锁实现方案如下：基于关系型数据库比如 MySQL 实现分布式锁。 基于分布式协调服务 ZooKeeper 实现分布式锁。基于分布式键值存储系统比如 Redis 、Etcd 实现分布式锁。 ，还有没有其他方法，所以还是要多了解一种方法的前面分布式理论基础时已经了解到Zookeeper是CP模式，提供数据一致性，因此适合作为分布式锁的选型。
31600编辑于 2025-01-22 - 来自专栏武军超python专栏
11月9日python分布式爬虫
另外，如果需要继承，也可以定义为类方法，实例对象和类对象都可以调用 使用分布式必须要安装： pip install scrapy-redis 分布式： 分布式爬虫的难点在于多台机器之间怎么互相通信而防止爬取重复的 url才能爬取一个url,不能自动爬取的话首先看一下域名是否正确，如果实在不行的话就把redis数据库 清空一下(flushdb),可能是由于存储爬取过的url那个列表的上次运行缓存太多造成的 使用分布式需要使用 如果使用/来表示路径可以直接写绝对路径，如果使用\则需要在绝对路径的前面加r来表示不转义，以原字符解释, 路径的 最后一定要加/表示最后那个文件下： with open('G:/第四阶段/11月9日 as f: f.write((item['aname']+','+item['atype'] + '\n')) f.close() with open(r'G:\第四阶段\11月9日
46920发布于 2019-02-25 - 来自专栏用户9257747的专栏
9 款好用到爆的 JSON 处理工具，极大提高效率！
9.Eclipse JSON编辑器插件 面向Eclipse IDE的免费JSON编辑器插件包括自定义语法高亮、代码折叠、格式化和编辑等功能，提供了同步树视图。还提供语法树解析。
3.8K20编辑于 2022-05-17 - 来自专栏全栈测试开发日记
Locust学习笔记9——分布式压测
那么就引出了分布式压测的概念，Jmeter通过调度机(Master)与执行机(Slave)来实现。 而Locust也支持分布式压测，类似Jmeter一样，当一台机器无法模拟所需的用户数量时候，可以通过多台Slave机器来实现，Master机器主负责分发任务和下达指令。 分布式场景 Locust分布式场景有两种： 1.单台机器设置Master和Slave 2.多台机器时，一台调度机(Master)，其他机器设置执行机(Slave) 前提： 1、主机（ 单机分布式压测 启动方式：Locust中使用主从模式启动多个进程（使用多核处理器的能力），先启动 master，主处理器负责分发任务，然后再逐一启动若干个 slave(slave 的节点数要小于等于本机的处理器数 多机分布式压测 前面已经说过，当一台电脑无法满足足够大的并发用户数量时，就需要多台机器来模拟请求。多机案例需要多台机器，以后有时间部署多台机器来演示，这里就讲方法。
1.8K20编辑于 2023-02-02 - 来自专栏林德熙的博客
高效率工具
本文分享一些提高效率工具 Btsync 关于 btsync 参见：编程大人的介绍 btsync 是分布式网盘，里面可以存放任意内容，我就使用他来分享工具，本文的工具都提供btsync分享。 如果你觉得没有一个好用的插件，那么可以自己写一个，参见： http://lindexi.oschina.io/lindexi/post/VisualStudio-%E6%89%A9%E5%B1%95%E5% 无论在哪都可以使用 Markdown http://markdown-here.com/ 有道词典Chrome划词插件 https://chrome.google.com/webstore/detail/%E6%9C %89%E9%81%93%E8%AF%8D%E5%85%B8chrome%E5%88%92%E8%AF%8D%E6%8F%92%E4%BB%B6/eopjamdnofihpioajgfdikhhbobonhbb
2.1K10发布于 2018-09-19 - 来自专栏*坤的Blog
提高效率
---- layout: default title: 提高效率 category: [文化, 思想] comments: true --- 文章介绍 文章只是个人总结的一些提高效率的办法 同是可以添加一些插件提高效率,比方说eclipse的openexplorer是一个不错的东西.
93220发布于 2018-06-29 - 来自专栏程序猿杂货铺
高效率使用 Github
此处默认你有 Github 账号、安装了 Git 并且熟悉基本的 Git 操作，只是需要寻求部署 Github Pages 方面的知识。GitHub Pages 大家可能都知道，常用的做法，是建立一个 gh-pages 的分支，通过 Setting 里的设置的GitHub Pages 模块可以自动创建该项目的网站。
1.3K30发布于 2019-06-02 - 来自专栏罗西的思考
PyTorch 分布式(9) ----- DistributedDataParallel 之初始化
[源码解析] PyTorch 分布式(9) ----- DistributedDataParallel 之初始化 目录 [源码解析] PyTorch 分布式(9) ----- DistributedDataParallel 1.2.1 分布式数据并行 最上面是分布式数据并行组件。 Distributed.py： 这是 DDP 的 Python 入口点。 0xFF 参考 pytorch分布式系列3——分布式训练时，torch.utils.data.distributed.DistributedSampler做了什么？ pytorch分布式系列1——搞清torch.distributed.launch相关的环境变量 pytorch分布式系列2——DistributedDataParallel是如何做同步的？ 分布式秘籍大揭秘 pytorch分布式训练（二init_process_group） https://pytorch.org/tutorials/intermediate/ddp_tutorial.html
1.7K40发布于 2021-11-24 - 来自专栏java达人
分布式系统模式9-Single Socket Channel
来源: https://martinfowler.com/articles/patterns-of-distributed-systems/
75310发布于 2021-01-05 - 来自专栏罗西的思考
深度学习分布式训练框架 horovod (9) --- 启动 on spark
[源码解析] 深度学习分布式训练框架 horovod (9) --- 启动 on spark 目录 [源码解析] 深度学习分布式训练框架 horovod (9) --- 启动 on spark 0x00 本系列其他文章如下： [源码解析] 深度学习分布式训练框架 Horovod (1) --- 基础知识 [源码解析] 深度学习分布式训练框架 horovod (2) --- 从使用者角度切入 [源码解析] 深度学习分布式训练框架 horovod (3) --- Horovodrun背后做了什么 [源码解析] 深度学习分布式训练框架 horovod (4) --- 网络基础 & Driver [源码解析] 深度学习分布式训练框架 horovod (5) --- 融合框架 [源码解析] 深度学习分布式训练框架 horovod (6) --- 后台线程架构 [源码解析] 深度学习分布式训练框架 horovod (7) --- DistributedOptimizer [源码解析] 深度学习分布式训练框架 horovod (8) --- on spark 0x01 总体架构图 首先，我们还是要祭出架构图，这样大家可以按图索骥
65720发布于 2021-07-08 - 来自专栏函数式编程语言及工具
Akka（9）： 分布式运算：Remoting-远程构建式
上篇我们讨论了Akka-Remoting。我们说Akka-Remoting是一种点对点的通讯方式，能使两个不同JVM上Akka-ActorSystem上的两个Actor之间可以相互沟通。Akka
93190发布于 2018-01-05 - 来自专栏*坤的Blog
提高效率
---- layout: default title: 提高效率 category: [文化, 思想] comments: true --- 文章介绍 文章只是个人总结的一些提高效率的办法 同是可以添加一些插件提高效率,比方说eclipse的openexplorer是一个不错的东西.
1K20发布于 2018-06-04 - 来自专栏站长的编程笔记
MacBook 高效率软件工具
Alfred - 类似于 mac 自带的聚焦搜索 9. iina - 视频播放器 10. Alfred - 类似于 mac 自带的聚焦搜索 ---- 9. iina - 视频播放器 ---- 官方网站: https://iina.io mac 默认的播放器 QuickTime Player
1K20编辑于 2022-12-28 - 来自专栏chester技术分享
.NET分布式Orleans - 9 - 贪吃蛇项目演示
，它具有许多优点和适用场景： 简化分布式系统开发：Orleans7提供了高层次的抽象，使得开发者可以更轻松地构建和管理分布式系统，无需处理底层的复杂性。 分布式状态管理：Orleans7提供了强大的分布式状态管理机制，可以轻松地在集群中共享和管理状态，避免了传统分布式系统中状态同步的复杂性。 生态系统丰富：Orleans7拥有一个活跃的社区和丰富的生态系统，提供了许多扩展和工具，可以帮助开发者更好地构建和管理分布式系统。 Orleans7适用于需要构建高性能、高可用性和高度可扩展性的分布式系统的场景，如在线游戏、实时分析、物联网应用等。 同时，对于开发者来说，如果需要简化分布式系统的开发和管理，并且希望能够以面向对象的方式来编写代码，那么Orleans7也是一个很好的选择。
31410编辑于 2024-04-13 - 来自专栏全栈程序员必看
素数推断算法(高效率）
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 第 1 步过后2 4 … 28 30这 第 2 步開始： i=3; 因为prime[3]=true, 把prime[6], [9], [12], [15], [18], [21], [24], [27], [30]标为false. 如定义prime[N],则0表示 3，1表示5，2表示7，3表示9…。假设prime[0]为true,则表示3时素数。prime[3]为false意味着9是合数。 3,如第0单元代表3，第1单元代表5…) 第 2 步開始： i=0; 因为prime[0]=true, 把 [3], [6], [9], [12]标为false. 7（i=2）本来应该从下标为[9]開始筛，可是因为[9]被筛过了，而 [16]也已经被5（i=1）筛过了。于是7（i=2）从[23]（就是2*23+3=49）開始筛。
61710编辑于 2022-07-14 - 来自专栏进击的Coder
让 Python 高效率工作
我是个只会用 Excel 的数据分析工作者。有一天，我和同事大鹏约好晚上一起喝酒，离下班还有 5 分钟，老板突然 Q 我：
91060发布于 2019-09-12 - 来自专栏Java-SpringCloud相关
Java学习笔记-微服务(9)-终-分布式事务Seata
Seata在微服务中，一定存在多个数据库，那么多个数据库间如何处理分布式事务？对于分布式事务问题，有哪些解决方案？一次业务操作需要跨多个数据源或系统进行远程调用时，就会产生分布式事务问题。 但关系型数据库提供的能力是基于单机事务的，一旦遇到分布式事务场景，就需要通过其他技术手段来解决事务问题。单体应用被拆分为微服务应用，原来的多个模块被拆分为多个应用，就有多个数据源。 Seata(incubating) 是一款开源的分布式事务解决方案，致力于在微服务架构下提供高性能和简单易用的分布式事务服务。 该操作跨域三个数据库，有两次远程调用，所以一定会存在分布式事务问题。 此时就出现了分布式事务问题，当用户下单时，金额和库存的扣减已生效，由于 Time Out 导致主业务应用未能收到正确返回，导致更新订单状态的操作未能正确执行。
53210编辑于 2025-03-09 - 来自专栏DevOps
AI框架：9大主流分布式深度学习框架简介
前言 转载翻译Medium上一篇关于分布式深度学习框架的文章 https://medium.com/@mlblogging.k/9-libraries-for-parallel-distributed-training-inference-of-deep-learning-models -5faa86199c1fmedium.com/@mlblogging.k/9-libraries-for-parallel-distributed-training-inference-of-deep-learning-models 其主要特点是： 没有主节点的分布式训练：分布式哈希表允许连接分散网络中的计算机。 容错反向传播：即使某些节点没有响应或响应时间过长，前向和后向传递也会成功。 使用 OneFlow，很容易： 使用类似 PyTorch 的 API 编写模型 使用 Global View API 将模型缩放到 n 维并行/分布式执行 使用静态图编译器加速/部署模型。 9. Mesh-Tensorflow 根据 github 页面：Mesh TensorFlow (mtf) 是一种用于分布式深度学习的语言，能够指定广泛的分布式张量计算类别。
6.4K10编辑于 2024-03-29 - 来自专栏日拱一兵
9种分布式ID生成之美团（Leaf）实战
引言 前几天写过一篇《一口气说出 9种 分布式ID生成方式，面试官有点懵了》，里边简单的介绍了九种分布式ID生成方式，但是对于像美团（Leaf）、滴滴（Tinyid）、百度（uid-generator） 而通过读者留言发现，大家普遍对他们哥三更感兴趣，所以后边会结合实战，详细的对三种分布式ID生成器学习，今天先啃下美团（Leaf）。 不了解分布式ID的同学，先行去看《一口气说出 9种 分布式ID生成方式，面试官有点懵了》温习一下基础知识，这里就不再赘述了 美团（Leaf） Leaf是美团推出的一个分布式ID生成服务，名字取自德国哲学家 目前主流的分布式ID生成方式，大致都是基于数据库号段模式和雪花算法（snowflake），而美团（Leaf）刚好同时兼具了这两种方式，可以根据不同业务场景灵活切换。 后续还会把其他几种分布式ID生成器，依次结合实战介绍给大家
1.9K20发布于 2020-03-11
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号