iOS中解析Android点九图（NinePatch）格式，获取其可拉伸区域，用于做图片的自适应区域拉伸，包含了完整的解析点九Chunk数据源代码。

作为一个合格的 DBA，在遇到线上单表数据量超过千万级别的时候，往往会建议用户通过分表来缩减单表数据量，当用户问为什么单表数据量不能超过千万时，DBA 往往会说：单表数据量超过千万，会影响查询性能。知其然而不知所以然，学习技术不能停留在表面，而是要进一步去深入挖掘其中的原理，这样才能不断进步和成长。回到这个问题：为什么单表数据量不能超过两千万，其中的依据是什么？

go 中高性能编程是一个经久不衰的话题，本文尝试从实践及源码层面对 go 的高性能编程进行解析。

1. 比较 LLaMA、ChatGLM、Falcon 等大语言模型的细节：tokenizer、位置编码、Layer Normalization、激活函数等。
2. 大语言模型的分布式训练技术：数据并行、张量模型并行、流水线并行、3D 并行、零冗余优化器 ZeRO、CPU 卸载技术 ZeRo-offload、混合精度训练、激活重计算技术、Flash Attention、Paged Attention。
3. 大语言模型的参数高效微调技术：prompt tuning、prefix tuning、adapter、LLaMA-adapter、 LoRA。

别了，Python GIL。

本文，我们从一个插件的结构开始，详述了插件的环境的创建以及插件的执行流程，希望能帮助大家对 vscode 的插件体系有清晰的理解。

本文就团队管理聊管理，一个参照点是笔者带团队时的一些经验，另一个是管理方法论体系，争取做到理论和实际相结合。

AIGC 在图像生成领域如火如荼，StableDiffusion 加各种 LORA，ControlNet，大家玩得不亦乐乎。但是基于扩散模型的方式，仍然存在很多问题，比如抽卡成功率过低，生成图像的细节仍需优化。具体到二维码生成，目前 hugging face 上的几个 ControlNet 确实可以生成不错的二维码和语义融合的图像，但是往往需要大量尝试，并且加上后续的一些迭代修改，才能保证生成的图像能被正确地识别为想要地二维码。我们通过强化学习加课程学习的方式，在保证出图效果的基础上，将二维码识别率从 20%提高至 80%。

QQ浏览器是如何重构进化的？

梳理一下C++的知识体系，温故而知新。

第一部分为看清：大模型的训练及推理过程是如何的，以及内部逻辑。

第二部分为理解：大模型的训练及推理和算力的关系。

第三部分为推演：用简单的公式量化大模型算力的需求。

第四部分为优化：我们如何提高算力利用率。

多数程序员不了解机器学习、深度学习，把它当成了黑盒。觉得它神秘，被ChatGPT所震惊，觉得它很神奇。我这里就做个超级简要的讲解，给GPT模型祛魅。

首先，我们要理解，这个世界，处处是概率。我们经常说：可能，但是不知道我们口中的可能具体对应的概率是多少而已。有时候，我们言之凿凿，有时候，我们心里觉得‘这事儿概率其实并不大’。

概率，所有机器学习模型，都是一个概率模型！具体到ChatGPT这样的对话模型，它就是根据你的问题的N个词，和已经做出预测的答案的M个词，M+N个词，计算出概率最大的下一个词。为了控制词表的大小，每次预测概率的时候可以让候选词少一点。

Make Keyboard Great Again.

为什么你的时间越管理越少？

我知道需求很急，但正确做事之前，先确定什么是正确的事情。

国民应用评论区扛住高并发的实战细节。