CAN DL=SF_DL

时间: 2023-10-05 19:08:32 浏览: 46
CAN DL=SF_DL 表示CAN的数据长度等于单帧的数据长度。根据引用中的条件，单帧的数据长度SF_DL需要满足两个条件：SF_DL < CAN_DLSF_DL != 0 且SF_DL <= 6/7（传统CAN）或62/63（CAN FD）。因此，CAN DL可以根据具体的条件和网络类型来确定。引用中提到，CAN网络底层是半双工的，但网络层的工作状态可以根据用户自定义是否为全双工或半双工。因此，CAN DL可以根据具体的网络设置来确定。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [汽车UDS诊断详解及Vector相关工具链使用说明——3.6 错误处理](https://blog.csdn.net/weixin_42967006/article/details/118487997)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* [DL_POLY_5.1.0版本安装版](https://download.csdn.net/download/qq_43191733/85655083)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

相关推荐

bz2

DL_POLY_5.1.0版本安装版

DL_POLY也是分子动力学的模拟软件，跟LAMMPS相比，其使用者比较少。作者这里提供最新的并行安装包。
rar

DNN_DL_DNN_

Delppaan sjd shye aa
pdf

Quectel_QMulti_DL_CMD_User_Guide_V1.5.pdf

Quectel Qmulti CL CMD user guide v1.5.pdf

优化这段代码 select * FROM((shift_log INNER JOIN etl_shift_stat ON shift_log.ID=etl_shift_stat.SHIFT_LOG_ID) INNER JOIN etl_point ON etl_shift_stat.POINT_ID=etl_point.POINT_ID) INNER JOIN sys_team ON shift_log.TEAM_ID=sys_team.TEAM_ID where POINT_NAME IN('W3.DL.DL017','W3.DL.DL037','W3.NCS.99POW0300') and shift_log.PER_DATE>=concat(substr(:date,1,7),'-01') and shift_log.PER_DATE<=:date order by PER_DATE

INNER JOIN etl_point ON etl_shift_stat.POINT_ID = etl_point.POINT_ID AND etl_point.POINT_NAME IN ('W3.DL.DL017', 'W3.DL.DL037', 'W3.NCS.99POW0300') INNER JOIN sys_team ON a.TEAM_ID = sys_team.TEAM_ID ...

请你修改优化代码，要求在读取完lc1和lc5文件后，分别调用save_to_csv函数将解析后的数据保存为CSV文件。1分文件名格式为文件名_1M。CSV，五分钟文件名格式为：文件名_5M.csv， import os import struct import pandas as pd # 常量定义 LC1_FILE_PATH = 'D:\\sz000001.lc1' LC5_FILE_PATH = 'D:\\sz000001.lc5' BYTES_PER_RECORD = 32 SECONDS_PER_MINUTE = 60 MINUTES_PER_HOUR = 60 HOURS_PER_DAY = 24 SECONDS_PER_DAY = SECONDS_PER_MINUTE * MINUTES_PER_HOUR * HOURS_PER_DAY SECONDS_PER_YEAR = SECONDS_PER_DAY * 365 START_YEAR = 2004 def read_lc_file(file_path): """读取lc文件，返回包含数据的DataFrame对象""" with open(file_path, 'rb') as f: buf = f.read() num = len(buf) // BYTES_PER_RECORD dl = [] for i in range(num): a = struct.unpack('hhfffffii', buf[i*BYTES_PER_RECORD:(i+1)*BYTES_PER_RECORD]) date_str = format_date(a[0]) time_str = format_time(a[1]) dl.append([date_str, time_str, a[2], a[3], a[4], a[5], a[6], a[7]]) df = pd.DataFrame(dl, columns=['date', 'time', 'open', 'high', 'low', 'close', 'amount', 'volume']) return df def format_date(date_int): """将日期整数格式化为字符串""" year = START_YEAR + date_int // 2048 month = (date_int % 2048) // 100 day = (date_int % 2048) % 100 return '{:04d}-{:02d}-{:02d}'.format(year, month, day) def format_time(time_int): """将时间整数格式化为字符串""" hour = time_int // 60 minute = time_int % 60 return '{:02d}:{:02d}:00'.format(hour, minute) # 将解析后的数据存入同一路径相同文件名的CSV格式文件中 def save_to_csv(df, file_path): csv_file_path = os.path.splitext(file_path)[0] + '.csv' df.to_csv(csv_file_path, index=False) # 读取lc1文件 df1 = read_lc_file(LC1_FILE_PATH) print(df1) # 读取lc5文件 df5 = read_lc_file(LC5_FILE_PATH) print(df5) save_to_csv(df1, LC1_FILE_PATH) save_to_csv(df5, LC5_FILE_PATH) # 调用save_to_csv函数并将解析后的数据保存为CSV文件 file_name = "lc1" df1.to_csv(file_name + "_1M.csv", index=False) file_name = "lc5" df5.to_csv(file_name + "_5M.csv", index=False)

df = pd.DataFrame(dl, columns=['date', 'time', 'open', 'high', 'low', 'close', 'amount', 'volume']) return df def format_date(date_int): """将日期整数格式化为字符串""" year = START_YEAR + date_...

请将以下代码补充内容：将解析后的数据存入同一路径相同文件名的CSV格式文件中 import os import struct import pandas as pd # 常量定义 LC1_FILE_PATH = 'D:\\sz000001.lc1' LC5_FILE_PATH = 'D:\\sz000001.lc5' BYTES_PER_RECORD = 32 SECONDS_PER_MINUTE = 60 MINUTES_PER_HOUR = 60 HOURS_PER_DAY = 24 SECONDS_PER_DAY = SECONDS_PER_MINUTE * MINUTES_PER_HOUR * HOURS_PER_DAY SECONDS_PER_YEAR = SECONDS_PER_DAY * 365 START_YEAR = 2004 def read_lc_file(file_path): """读取lc文件，返回包含数据的DataFrame对象""" with open(file_path, 'rb') as f: buf = f.read() num = len(buf) // BYTES_PER_RECORD dl = [] for i in range(num): a = struct.unpack('hhfffffii', buf[i*BYTES_PER_RECORD:(i+1)*BYTES_PER_RECORD]) date_str = format_date(a[0]) time_str = format_time(a[1]) dl.append([date_str, time_str, a[2], a[3], a[4], a[5], a[6], a[7]]) df = pd.DataFrame(dl, columns=['date', 'time', 'open', 'high', 'low', 'close', 'amount', 'volume']) return df def format_date(date_int): """将日期整数格式化为字符串""" year = START_YEAR + date_int // 2048 month = (date_int % 2048) // 100 day = (date_int % 2048) % 100 return '{:04d}-{:02d}-{:02d}'.format(year, month, day) def format_time(time_int): """将时间整数格式化为字符串""" hour = time_int // 60 minute = time_int % 60 return '{:02d}:{:02d}:00'.format(hour, minute) # 读取lc1文件 df1 = read_lc_file(LC1_FILE_PATH) print(df1) # 读取lc5文件 df5 = read_lc_file(LC5_FILE_PATH) print(df5)

可以添加以下代码实现将解析后的数据存入同一路径相同文件名的CSV格式文件中： # 将解析后的数据存入同一路径相同文件名的CSV格式文件中 def save_to_csv(df, file_path): csv_file_path = os.path.splitext...

def _get_nexts(self): def _get_next_dl_batch(di, dl): try: batch = next(dl) except StopIteration: new_dl = iter(self._dataloaders[di]) self._iterators[di] = new_dl batch = next(new_dl) return batch什么意思

它接受两个参数：di 表示数据集的索引，dl 表示数据集的迭代器。该函数首先尝试从迭代器中获取下一个批次，如果迭代器已经到达末尾，则重新创建一个新的迭代器并获取下一个批次。最后，该函数返回获取到的批次。

请修改优化以下代码 import os import struct import pandas as pd # 常量定义 LC1_FILE_PATH = 'D:\\sz000001.lc1' 5_FILE_PATH = 'D:\\sz000001.lc5' BYTES_PER_RECORD = 32 SECONDS_PER_MINUTE = 60 MINUTES_PER_HOUR = 60 HOURS_PER_DAY = 24 SECONDS_PER_DAY = SECONDS_PER_MINUTE * MINUTES_PER_HOUR * HOURS_PER_DAY SECONDS_PER_YEAR = SECONDS_PER_DAY * 365 START_YEAR = 2004 def read_lc_file(file_path): """读取lc文件，返回包含数据的DataFrame对象""" with open(file_path, 'rb') as f: buf = f.read() num = len(buf) // BYTES_PER_RECORD dl = [] for i in range(num): a = struct.unpack('hhfffffii', buf[i*BYTES_PER_RECORD:(i+1)*BYTES_PER_RECORD]) date_str = format_date(a[0]) time_str = format_time(a[1]) dl.append([date_str, time_str, a[2], a[3], a[4], a[5], a[6], a[7]]) df = pd.DataFrame(dl, columns=['date', 'time', 'open', 'high', 'low', 'close', 'amount', 'volume']) return df def format_date(date_int): """将日期整数格式化为字符串""" year = START_YEAR + date_int // 2048 month = (date_int % 2048) // 100 day = (date_int % 2048) % 100 return '{:04d}-{:02d}-{:02d}'.format(year, month, day) def format_time(time_int): """将时间整数格式化为字符串""" hour = time_int // 60 minute = time_int % 60 return '{:02d}:{:02d}:00'.format(hour, minute) # 将解析后的数据存入同一路径相同文件名的CSV格式文件中 def save_to_csv(df, file_path, is_lc1): if is_lc1: interval = '1M' else: interval = '5M' csv_file_path = os.path.splitext(file_path)[0] + '_' + interval + '.csv' df.to_csv(csv_file_path, index=False) # 读取lc1文件 df1 = read_lc_file(LC1_FILE_PATH) print(df1) # 读取lc5文件 df5 = read_lc_file(LC5_FILE_PATH) print(df5) # 调用save_to_csv函数并将解析后的数据保存为CSV文件 save_to_csv(df1, LC1_FILE_PATH, True) save_to_csv(df5, LC5_FILE_PATH, False) # 以lc1和lc5的文件名分别保存五分钟的数据 file_name = os.path.splitext(os.path.basename(LC1_FILE_PATH))[0] df1_5M = df1.resample('5T', label='right', closed='right').agg({'open': 'first', 'high': 'max', 'low': 'min', 'close': 'last', 'amount': 'sum', 'volume': 'sum'}) save_to_csv(df1_5M, LC1_FILE_PATH, False) file_name = os.path.splitext(os.path.basename(LC5_FILE_PATH))[0] df5_5M = df5.resample('5T', label='right', closed='right').agg({'open': 'first', 'high': 'max', 'low': 'min', 'close': 'last', 'amount': 'sum', 'volume': 'sum'}) save_to_csv(df5_5M, LC5_FILE_PATH, False)

3. 使用更加规范的命名方式，比如将dl改为data_list，将df改为data_frame等。 4. 使用更加简洁的方式创建csv文件路径。 5. 使用更加高效的resample函数来进行数据聚合和重采样。 6. 在函数定义之后添加函数调用的...

select * FROM((shift_log INNER JOIN etl_shift_stat ON shift_log.ID=etl_shift_stat.SHIFT_LOG_ID) INNER JOIN etl_point ON etl_shift_stat.POINT_ID=etl_point.POINT_ID) INNER JOIN sys_team ON shift_log.TEAM_ID=sys_team.TEAM_ID where POINT_NAME IN('W3.DL.DL017','W3.DL.DL037','W3.NCS.99POW0300') and shift_log.PER_DATE>=concat(substr(:date,1,7),'-01') and shift_log.PER_DATE<=:date order by PER_DATE

1. 符合 POINT_NAME 字段为 'W3.DL.DL017'、'W3.DL.DL037' 或 'W3.NCS.99POW0300' 的记录。 2. 符合 PER_DATE 字段在指定时间段内的记录，时间段为 :date 的月份的第一天到最后一天。 3. 按照 PER_DATE 字段进行升序...

const dl_car = document.querySelectorAll('dl.car'); const ck_btn = dl_car.querySelectorAll('p.ck_btn');是什么意思

这段代码的意思是先通过querySelectorAll方法获取所有带有dl和car类的元素，然后在这些元素中查找带有p和ck_btn类的元素，并将它们存储在ck_btn变量中。 需要注意的是，querySelectorAll方法返回的是...

Traceback (most recent call last): File "DT_001_X01_P01.py", line 150, in DT_001_X01_P01.Module.load_model File "/home/kejia/Server/tf/Bin_x64/DeepLearning/DL_Lib_02/mmdet/apis/inference.py", line 42, in init_detector checkpoint = load_checkpoint(model, checkpoint, map_location=map_loc) File "/home/kejia/Server/tf/Bin_x64/DeepLearning/DL_Lib_02/mmcv/runner/checkpoint.py", line 529, in load_checkpoint checkpoint = _load_checkpoint(filename, map_location, logger) File "/home/kejia/Server/tf/Bin_x64/DeepLearning/DL_Lib_02/mmcv/runner/checkpoint.py", line 467, in _load_checkpoint return CheckpointLoader.load_checkpoint(filename, map_location, logger) File "/home/kejia/Server/tf/Bin_x64/DeepLearning/DL_Lib_02/mmcv/runner/checkpoint.py", line 244, in load_checkpoint return checkpoint_loader(filename, map_location) File "/home/kejia/Server/tf/Bin_x64/DeepLearning/DL_Lib_02/mmcv/runner/checkpoint.py", line 261, in load_from_local checkpoint = torch.load(filename, map_location=map_location) File "torch/serialization.py", line 594, in load return _load(opened_zipfile, map_location, pickle_module, **pickle_load_args) File "torch/serialization.py", line 853, in _load result = unpickler.load() File "torch/serialization.py", line 845, in persistent_load load_tensor(data_type, size, key, _maybe_decode_ascii(location)) File "torch/serialization.py", line 834, in load_tensor loaded_storages[key] = restore_location(storage, location) File "torch/serialization.py", line 175, in default_restore_location result = fn(storage, location) File "torch/serialization.py", line 157, in _cuda_deserialize return obj.cuda(device) File "torch/_utils.py", line 71, in _cuda with torch.cuda.device(device): File "torch/cuda/__init__.py", line 225, in __enter__ self.prev_idx = torch._C._cuda_getDevice() File "torch/cuda/__init__.py", line 164, in _lazy_init "Cannot re-initialize CUDA in forked subprocess. " + msg) RuntimeError: Cannot re-initialize CUDA in forked subprocess. To use CUDA with multiprocessing, you must use the 'spawn' start method ('异常抛出', None) DT_001_X01_P01 load_model ret=1, version=V1.0.0.0

根据你提供的错误信息，看起来是在使用多进程时遇到了 CUDA 初始化错误。错误信息中指出，无法在 fork 的子进程中重新初始化 CUDA。为了在多进程中使用 CUDA，你需要使用 'spawn' 启动方法。 你可以尝试在主模块中...

TempIa = (s32)(Dl645FrontTmp.UI[0]/(Dl645FirmPara.IRmsConst)); TempIb = (s32)(Dl645FrontTmp.UI[1]/(Dl645FirmPara.IRmsConst)); TempIc = (s32)(Dl645FrontTmp.UI[2]/(Dl645FirmPara.IRmsConst)); Dl645Front.PubData.I[0] = fnDFConver_Bcd32To32(TempIa); Dl645Front.PubData.I[1] = fnDFConver_Bcd32To32(TempIb); Dl645Front.PubData.I[2] = fnDFConver_Bcd32To32(TempIc); Dl645Front.PubData.I[3] = fnDFConver_Bcd32To32((s32)(Dl645FrontTmp.UI[3]/(Dl645FirmPara.IRmsConst))); if(Dl645FrontTmp.PDirect&0x0001) Dl645Front.PubData.I[0] |= 0x80000000; if(Dl645FrontTmp.PDirect&0x0002) Dl645Front.PubData.I[1] |= 0x80000000; if(Dl645FrontTmp.PDirect&0x0004) Dl645Front.PubData.I[2] |= 0x80000000; RN7302计量芯片的代码解析

这段代码是针对RN7302计量芯片进行数据处理和转换的。...然后分别将三相电流和零线电流存储到Dl645Front.PubData.I数组中，并对其中三相电流进行符号位处理。最后，将电流数据存储到Dl645Front中。

static void draw_face_boxes(dl_matrix3du_t *image_matrix, box_array_t *boxes, int face_id){ int x, y, w, h, i; uint32_t color = FACE_COLOR_YELLOW; if(face_id < 0){ color = FACE_COLOR_RED; } else if(face_id > 0){ color = FACE_COLOR_GREEN; } fb_data_t fb; fb.width = image_matrix->w; fb.height = image_matrix->h; fb.data = image_matrix->item; fb.bytes_per_pixel = 3; fb.format = FB_BGR888; for (i = 0; i < boxes->len; i++){ // rectangle box x = (int)boxes->box[i].box_p[0]; y = (int)boxes->box[i].box_p[1]; w = (int)boxes->box[i].box_p[2] - x + 1; h = (int)boxes->box[i].box_p[3] - y + 1; fb_gfx_drawFastHLine(&fb, x, y, w, color); fb_gfx_drawFastHLine(&fb, x, y+h-1, w, color); fb_gfx_drawFastVLine(&fb, x, y, h, color); fb_gfx_drawFastVLine(&fb, x+w-1, y, h, color); #if 0 // landmark int x0, y0, j; for (j = 0; j < 10; j+=2) { x0 = (int)boxes->landmark[i].landmark_p[j]; y0 = (int)boxes->landmark[i].landmark_p[j+1]; fb_gfx_fillRect(&fb, x0, y0, 3, 3, color); } #endif } }

这段代码是用于在图像中绘制人脸框和关键点的函数。它接收一个指向图像矩阵和人脸框数组的指针，以及一个人脸 ID。 首先，它根据人脸 ID 的值确定要绘制的人脸框的颜色。如果人脸 ID 为负数，表示没有检测到人脸，...

dl_anomaly_detection_workflow

引用<span class="em">1</span><span class="em">2</span><span class="em">3 #### 引用[.reference_title] ..."extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_...

setwd("/Users/15878/Desktop/") data<-read_excel("huizhi.xlsx") b<-ggplot(data,aes(x=Beta(DL)/Beta(IM),y=GMV-Precuneus)) b+geom_point(size=2,color='blue')+ coord_fixed()+theme_classic()+ geom_smooth(method = "lm",formula = y ~ x,size=2,color="black",fill="green")+ theme (aspect.ratio=1,axis.text.x = element_text (size = 15),axis.title.x = element_text (size = 15),axis.title.y = element_text(size = 15),axis.text.y = element_text (size = 15))+ stat_cor(data=data, method = "pearson") ggsave("KRd.png",dpi=300,limitsize = FALSE,width=10,height=10,units="cm")解释代码

这段代码使用了 ggplot2 包来绘制散点图。首先，通过 setwd() 函数设置工作目录，然后使用 read_excel() 函数读取名为 "huizhi.xlsx" 的 Excel 文件中的数据。接下来，创建了一个 ggplot() 对象 b，并使用 ...

def dl_page(url): res = requests.get(url, headers=headers, proxies=proxies) res.encoding = "gbk" main_page = BeautifulSoup(res.text, "html.parser") main_url = main_page.find("ul", attrs={"class": "clearfix"}) alist = main_url.find_all("a") url_ = "https://pic.netbian.com"

这段代码是一个函数，用于下载网页并解析其中的内容。函数接收一个URL参数，并使用requests库向该URL...最后，该函数返回一个字符串类型的URL，用于下载图片。其中，headers和proxies是请求头和代理，可以自己定义。

data_path = f"./data/{data_type}" train_dl, valid_dl, test_dl = dataloader.data_generator(data_path, configs, training_mode) logger.debug("Data loaded ...")解释这段代码

2. train_dl, valid_dl, test_dl = dataloader.data_generator(data_path, configs, training_mode): 调用data_generator这个函数，产生训练、验证和测试用的数据集。其中dataloader是一个模块，data_...

a=DL_ID.decode('utf-8') Traceback (most recent call last): File "<stdin>", line 1, in <module> UnicodeError:

'utf-8' codec can't decode byte 0x80 in position 0: invalid start byte This error occurs because the byte sequence in DL_ID cannot be decoded using the UTF-8 codec. It is likely that the byte ...

read_dl_classifier_data_set()怎么用

read_dl_classifier_data_set() 是一个函数，用于读取深度学习分类器的数据集。它的具体使用方法取决于你所使用的编程语言和框架。如果你使用的是 Python 和 TensorFlow，可以通过以下代码调用该函数： import ...

最新推荐

recommend-type

HP_DL380_RAID5_配置方法

HP_DL380_RAID5_配置方法............................................................................
recommend-type

HP+DL380+G8操作系统安装手册

HP+DL380+G8操作系统安装手册 HP+DL380+G8操作系统安装手册 HP+DL380+G8操作系统安装手册
recommend-type

智慧物流医药物流落地解决方案qytp.pptx

智慧物流医药物流落地解决方案qytp.pptx
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

实现实时数据湖架构：Kafka与Hive集成

![实现实时数据湖架构：Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构，它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同，实时数据湖不依赖于预先定义的模式，而是采用灵活的架构，可以处理各种数据类型和格式。这种架构为企业提供了以下优势： - **实时洞察：**实时数据湖允许企业访问最新的数据，从而做出更明智的决策。 - **数据民主化：**实时数据湖使各种利益相关者都可
recommend-type

解释minorization-maximization (MM) algorithm，并给出matlab代码编写的例子

Minorization-maximization (MM) algorithm是一种常用的优化算法，用于求解非凸问题或含有约束的优化问题。该算法的基本思想是通过构造一个凸下界函数来逼近原问题，然后通过求解凸下界函数的最优解来逼近原问题的最优解。具体步骤如下： 1. 初始化参数 $\theta_0$，设 $k=0$； 2. 构造一个凸下界函数 $Q(\theta|\theta_k)$，使其满足 $Q(\theta_k|\theta_k)=f(\theta_k)$； 3. 求解 $Q(\theta|\theta_k)$ 的最优值 $\theta_{k+1}=\arg\min_\theta Q(
recommend-type

JSBSim Reference Manual

JSBSim参考手册，其中包含JSBSim简介，JSBSim配置文件xml的编写语法，编程手册以及一些应用实例等。其中有部分内容还没有写完，估计有生之年很难看到完整版了，但是内容还是很有参考价值的。
recommend-type

"互动学习：行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动，互动学习以行动为中心的强化学习学会互动，互动学习，以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授：智囊团论文联合主任菲利普·普雷教授，大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授，Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士，Deepmind对于那些及时看到自己错误的人...3谢谢你首先，我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔，"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲，你知道在这篇论文的（许多）错误中，你是我可以依
recommend-type

实现实时监控告警系统：Kafka与Grafana整合

![实现实时监控告警系统：Kafka与Grafana整合](https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9BVldpY3ladXVDbEZpY1pLWmw2bUVaWXFUcEdLT1VDdkxRSmQxZXB5R1lxaWNlUjA2c0hFek5Qc3FyRktudFF1VDMxQVl3QTRXV2lhSWFRMEFRc0I1cW1ZOGcvNjQw?x-oss-process=image/format,png) # 1.1 Kafka集群架构 Kafka集群由多个称为代理的服务器组成，这