Posts

我想在macOS下更方便地操作NAS硬盘和Ubuntu台式机的文件。其中NAS是机械硬盘RAID6，写入速度在600MB/s左右，读取速度在1000MB/s左右，提供了Samba服务。Ubuntu是NVMe SSD组建的RAID0，本地读取可以达到10GB/s左右，提供了ssh登录。 ...

从2017年 组装了一台TITAN Xp四卡台式机 已使用超过4年，最近进行了一些升级： GPU：AORUS GeForce RTX 4090 Xtreme Waterforce 24G CPU：AMD Ryzen Threadripper PRO 5975WX 主板：ASUS Pro WS WRX80E-SAGE SE WIFI II 电源：ROG Thor 1600W Titanium ...

在开始具体介绍各种并发方法之前，这里简单总结一下选择建议： 方法 适用场景 数据传递 优点 缺点 threading I/O密集型任务：如网络上传、数据库查询等，线程在等待I/O时会释放GIL，让其他线程工作 在主线程和工作线程之间传递的是数据的引用（内存地址）。没有数据拷贝或序列化的开销 创建线程开销小，所有线程共享同一个内存空间，资源利用更高效，适合处理网络请求等I/O操作 Python的GIL限制导致CPU密集型任务无法真正并行，多线程切换也会带来额外开销 multiprocessing CPU密集型任务：如大规模数学计算、视频编码等，需要利用多核CPU并行计算以绕开GIL 开销巨大。把一个大的数据块put到队列中时，它必须被序列化(pickle)，通过管道(pipe)发送到另一个进程，然后在那个进程中反序列化(unpickle) 可以充分利用多核CPU实现真正的并行计算，每个进程有独立的GIL 每个进程都有独立的内存副本，总体内存消耗更大，启动时间较长 concurrent.futures 简单并行任务：适合批量处理独立且相似的任务，如批量文件处理、网络请求等 线程池模式下与threading相同，进程池模式下与multiprocessing相同，都需要进行数据序列化 提供统一的高级接口同时支持线程池和进程池，使用map等函数式API更直观 无法细粒度控制任务调度，不支持复杂的并发模式，功能相对基础 asyncio I/O密集型任务：特别适合高并发场景，如Web服务器、大量网络请求、API调用等 协程间通过队列、事件或共享变量传递数据，没有序列化开销，数据共享高效 单线程实现并发，避免线程切换开销，支持大量并发连接，性能优异 需要使用async/await特殊语法，第三方库需要专门支持，不适合CPU密集型任务 joblib 科学计算：数据分析、机器学习训练和预测、大规模数值计算等 默认使用多进程，数据需要序列化，但针对numpy数组等科学计算对象有特殊优化 针对科学计算优化，支持结果缓存和进度条显示，与numpy/scipy等库集成好 主要面向数据处理和机器学习场景，通用并发功能有限，不适合复杂的并发控制 1. threading - 多线程 适用于I/O密集型任务的简单示例，并发下载多个文件： ...

https://github.com/google/lyra/blob/main/lyra/soundstream_encoder.cc

一、传统基石：requirements.txt与命令式时代 在深入探讨现代Python打包的复杂性之前，必须首先理解其历史基础。requirements.txt和setup.py文件共同构成了多年来Python依赖管理的支柱。这个时代以命令式、基于脚本的方法为特征，虽然在当时解决了关键问题，但也为后来的声明式转变埋下了伏笔。本部分将解构这一传统体系的起源、功能及其固有的局限性。 ...

最近我组装了一台GPU训练工作站，总花费64,781元，电脑点亮后运行稳定。 英伟达显卡 我选择了目前最高端的消费级显卡TITAN Xp，在京东抢购了四块，单价9699元，总计38796元。显卡享有三年保修，将于2020年11月到期。 ...

在游戏开发中，高质量的语音通知对于增强玩家体验至关重要。本文将分享如何利用IBM Watson的文本转语音服务生成基础音频，并通过Adobe Audition进行后期处理，制作出专业级的游戏通知音效。 ...