-
结束语
结束语 结束语 这篇教程可能并非如你所愿，希望能涵盖一个内容管理系统的方方面面， 但是它至少带你了解了一些最为关键的知识点，包括路由、控制器、模型 等等。我们希望这篇教程可以帮助你了解一些 CodeIgniter 的基本设计模式， 在这个基础上你可以做更为深入的研究。 现在，你已经完成了这篇教程，我们推荐你再继续看看文档的其余部分。 CodeIgni... -
13.1 为何要用AWT？
13.1 为何要用AWT？ 13.1 为何要用AWT？ 对于本章要学习的“老式”AWT，它最严重的缺点就是它无论在面向对象设计方面，还是在GUI开发包设计方面，都有不尽如人意的表现。它使我们回到了程序设计的黑暗年代（换成其他话就是“拙劣的”、“可怕的”、“恶劣的”等等）。必须为执行每一个事件编写代码，包括在其他环境中利用“资源”即可轻松完成的一些任务。... -
第十一章
第十一章 符号（Symbols） 符号与字符串 符号和变量 为什么使用符号？ 深入探索 什么是符号？ { "title" : "第十一章" , "ctime" : "2018-12-11 01:10:00" , "mtime" : "2018-12-11 01:10:00" } ... -
6.5 MapReduce
6.5 MapReduce 方法介绍 基础架构 MapReduce模式 问题实例 6.5 MapReduce 方法介绍 MapReduce是一种计算模型，简单的说就是将大批量的工作（数据）分解（MAP）执行，然后再将结果合并成最终结果（REDUCE）。这样做的好处是可以在任务被分解后，可以通过大量机器进行并行计算，减少整个操作的时间。但如果你... -
Automatic differentiation package - torch.autograd
Automatic differentiation package - torch.autograd torch.autograd.backward(variables, grad_variables, retain_variables=False) Variable API 兼容性 In-place operations on Variables ... -
将分布式DataParallel与分布式 RPC 框架相结合
将分布式DataParallel 与分布式 RPC 框架相结合 将分布式DataParallel 与分布式 RPC 框架相结合 原文：https://pytorch.org/tutorials/advanced/rpc_ddp_tutorial.html 作者 ： Pritam Damania 本教程使用一个简单的示例演示如何将Distr... -
6.5 MapReduce
6.5 MapReduce 方法介绍 基础架构 MapReduce模式 问题实例 6.5 MapReduce 方法介绍 MapReduce是一种计算模型，简单的说就是将大批量的工作（数据）分解（MAP）执行，然后再将结果合并成最终结果（REDUCE）。这样做的好处是可以在任务被分解后，可以通过大量机器进行并行计算，减少整个操作的时间。但如果你... -
自定义表单项(1.0.6+)
自定义表单项(1.0.6+) 1.建立表单项目录 2.放入颜色选择器需要的文件（可选） 3.建立入口文件 4.定义需要加载的js和css文件（可选） 5.创建表单项模板文件 6.调用表单项方法 自定义表单项(1.0.6+) 从1.0.6开始，支持自定义扩展表单项 版本 新增功能 1.0.7 支持调用公共资源 1.1.0 修改静态资... -
针对NLP的Pytorch深度学习
针对NLP的Pytorch深度学习 针对NLP的Pytorch深度学习 译者：@JingTao 、@friedhelm739 作者 : Robert Guthrie 本教程将带你浏览基于Pytorch深度学习编程的核心思想.其中很多思想(例如计算图形抽象化以及自动求导) 并不是Pytorch特有的,他们和任何深度学习工具包都是相关的. ... -
说一下 Dubbo 的工作原理？注册中心挂了可以继续通信吗？
Dubbo 的工作原理 面试题 面试官心理分析 面试题剖析 dubbo 工作原理 工作流程 注册中心挂了可以继续通信吗？ Dubbo 的工作原理 面试题 说一下的 dubbo 的工作原理？注册中心挂了可以继续通信吗？说说一次 rpc 请求的流程？ 面试官心理分析 MQ、ES、Redis、Dubbo，上来先问你一些思考性的问题 、原理 ...
