由于移动端和PC端功能场景的差异，很多移动端绘制可视化图表是没有下载需求的，导致其在网上提供的解决方法很少，通过对代码的解析发现ucharts内部封装的有saveImage方法，直接调用可以直接保存至手机的相册中，具体方法如下： <uni-icons type="download" size="22" color="#04a1f4" @click="downImg()"></uni-icons> <qiun-data-charts ref="myChart" type="line" :canvas2d="true" canvasId='myChart' :opts="myChartOpt" :chartData="myChartData" :animation="false" :ontouch="true" /> methods: { console.log(this.$refs.myChart) // 通过输出图表的this对象可以看到有saveImage方法，如上图所示 this.$refs.myChart.saveImage() }

**阿里云通义千问是阿里云自主研发的一款超大规模语言模型**，专门用于深入理解和分析用户输入的自然语言，以便在不同领域和任务中为用户提供智能服务与协助。以下是对阿里云通义千问模型的相关介绍： 1. **模型能力** - **单轮对话能力**：通义千问能够通过简单的代码交互体验其对话能力，如用户可以通过输入相关问题获得单一答复[^3^]。 - **支持多语言输入**：该模型支持中文、英文等多种不同语言的输入，并能够根据输入内容提供相应的输出[^5^]。 - **文本处理能力**：通义千问具备撰写故事、公文、邮件、剧本和诗歌等文本创作能力，以及润色文本和提取摘要等文本处理能力[^5^]。 - **编程辅助功能**：通义千问不仅能在文字创作上有所作为，还能在一定程度上协助编写和优化代码[^5^]。 - **翻译服务能力**：通义千问能提供包括英语、日语、法语或西班牙语在内的多类语言翻译服务[^5^]。 - **数据可视化**：通义千问的对话模拟能力使其能够扮演不同角色进行交互式对话，有助于数据可视化，如图表制作和数据呈现等[^5^]。 2. **应用场景** - **内容创作**：通义千问可以在各种内容创作场景中找到其位置，无论是故事创作、公文撰写、邮件编写、剧本创作还是诗歌创作，都能展现出其强大的文字创作能力[^5^]。 - **文本处理**：通义千问在文本处理方面表现出色，能够进行文本润色和摘要提取，为用户带来高效、智能的语言服务体验[^5^]。 - **编程辅助**：通义千问能在一定程度上协助用户编写和优化代码，提高编程效率[^5^]。 - **翻译服务**：通义千问具备强大的翻译服务能力，能够提供多种语言的翻译，满足用户的跨语言交流需求[^5^]。 - **对话模拟**：通义千问可以扮演不同角色进行交互式对话，适用于需要模拟对话的场景[^5^]。 - **数据可视化**：通义千问具有数据可视化的能力，可以帮助用户更好地展示和分析数据[^5^]。 3. **技术创新**阿里云通义千问是阿里巴巴集团旗下的一款先进的人工智能大模型，具有强大的理解和生成能力，广泛应用于内容创作、翻译服务、文本摘要等多种场景**。 通义千问不仅在技术领域取得了显著成就，而且在行业应用上也展现出了其广泛的影响力。下面将深入探讨通义千问的各个方面： 1. **概述与基础模型技术** - **模型概述**：通义千问由阿里巴巴集团开发，是一款具有强大处理能力的AI大模型。它不仅能够理解和回应人类的提问，还能执行复杂的任务，如内容创作、翻译和文本摘要等[^3^]。 - **技术发展**：自2023年4月问世以来，通义千问经历了多次升级，最新的版本是2.5版。这个版本在理解能力、逻辑推理、指令遵循和代码能力上有了显著提高，分别提升了9%、16%、19%和10%。尤其在中文能力方面，一直处于业界领先地位[^4^]。 2. **开源与生态建设** - **开源推动**：阿里云通义千问是开源模型的积极推动者，已发布多个开源模型，如1100亿参数的Qwen1.5-110B模型。这些模型在多个基准测试中表现优异，甚至超过了其他知名模型如Meta的Llama-3-70B[^4^]。 - **生态合作**：阿里云通义千问不仅关注技术的发展，也致力于构建一个健康的AI生态系统。通过与众多企业和开发者的合作，阿里云通义千问推动了AI技术的广泛应用，并为用户提供了丰富的AI服务[^5^]。 3. **多模态与专有能力模型** - **多模态模型**：通义千问不仅仅限于文本处理，它还具备多模态处理能力，例如其视觉理解模型Qwen-VL-Max在多项标准测试中得分超群，已被多家企业采用[^4^]。 - **代码模型**：通义千问的代码模型CodeQwen1.5是国内用户规模第一的智能编码助手，具有优秀的代码生成和处理能力。这款模型在HuggingFace的代码模型榜单上名列榜首，其底层模型CodeQwen1.5-7B在4月份登顶Big Code模型排行榜[^4^]。 4. **行业应用与合作** - **企业合作**：通义千问已服务超过9万家企业，涵盖PC、手机、汽车、航空等多个领域。例如，小米的人工智能助手“小爱同学”利用通义千问的多模态AI能力强化了图片生成和理解功能[^4^]。 - **科研应用**：中国科学院国家天文台基于通义千问开发了“星语3.0”，这是大模型首次应用于天文观测领域。此外，陕煤建新煤矿等十余座矿山推出了由通义支持的新型矿山重大风险识别处置系统，展示了大模型在矿山场景的规模化落地[^4^]。 5. **公众服务与未来展望** - **开放服务**：通义千问官网已向公众开放，用户可以登录体验其强大的AI功能。OPPO、得物、钉钉等知名企业已经基于通义千问训练了自己的专属大模型或开发了大模型应用[^5^]。 - **未来发展**：阿里云将继续推动大模型的开源与创新，近期计划开源一个更大参数规模的大模型版本，供全社会免费商用。此举旨在降低大模型使用门槛，让更多企业和个人受益于大模型技术[^5^]。 总之，阿里云通义千问不仅在技术创新上取得显著成就，其在行业应用和服务公众方面也展现了极大的潜力和影响力。通过持续的技术研发和开源推动，阿里云通义千问正在成为推动AI技术普及和行业发展的重要力量。

JDBC是什么 JDBC就是Java DataBase Connectivity的缩写，翻译过来就很好理解了，就是java连接数据库。所以顾名思义，JDBC就是一种用于执行SQL语句的JavaApl，是Java中的数据库连接规范。为了可以方便的用Java连接各种数据库，给Java程序员操作数据库提供了一个标准的API，不用因为使用了另一种数据库，就要学习另一套API，大大减少了学习和使用成本，同时提高了代码的可移植性。 //就是通过java代码操作mysql数据库 JDBC原理 JDBC 为多种关系数据库提供了统一访问方式，它主要包含一些通用的接口类。 下面我用画图的方式，介绍一下JDBC的原理： 首先由程序员开发Java应用，再调用JDBC的相关的API，就可以访问数据库的JDBC驱动程序，然后通过驱动来进行一系列的数据库操作 //JDBC相关的API是由sun公司提供的，相应的JDBC驱动则是由不同的数据库厂商提供 JDBC的使用 想要使用JDBC需要先安装对应的数据驱动包，并且将jar包导入项目中(具体操作博主这里就不展示了，如果有需要后续会专门出一篇博客来介绍相关操作) 当一切准备工作都做完了之后，就可以使用JDBC进行一些操作了 创建数据源 再连接数据库之前，我们要先找到数据库，方法不止一种，这里我介绍使用Datasource获取数据源 首先创建一个MysqlDatasource对象(DataSource是MysqlDatasource实现的一个借口，这里使用到了向上转型) DataSource dataSource = new MysqlDataSource(); 然后我们需要使用一些MysqlDatasource内特有的方法 ((MysqlDataSource)dataSource).setUrl("jdbc:mysql://127.0.0.1:3306/test1?characterEncoding=utf8&useSSL=false"); ((MysqlDataSource)dataSource).setUser("root"); ((MysqlDataSource)dataSource).setPassword("88*****8"); 这些方法的意思我们暂且不管，这里你是否有疑问，我们明明要使用的是MysqlDatasource内特有的方法，确使用向上转型，这样不是反而不能使用这些方法了吗？即使之后又向下转型，将DataSource转为MysqlDatasource，这样不是多此一举吗？直接使用这种方法不也可以吗？ MysqlDataSource mysqlDataSource = new MysqlDataSource(); 确实这样也是可以达成目的的，但是我们在实际写代码中，要尽量使我们的代码低耦合高内聚。 因为我们使用的是MysqlDataSource，如果在项目中大量使用第二种方法，后续要是想要换数据库或者其他操作就会大大增加我们的工作量，所以为了让MysqlDataSource这个类名不要扩散到代码的其他地方，我们更推荐使用第一种方法。 这里简单介绍一下低耦合高内聚🌰： 低耦合：用来描述代码模块之间的依赖程度，列如有两个模块A，B其中B依赖A，那么每次A修改后都要修该B，那么A，B间就是耦合的 高内聚：表示某个特定的软件模块内部，是由很多相关性很强的代码构成，每个模块只负责一项任务，一个功能可以由各个模块通过聚合或组合等达到高度内聚，这样即使聚合的内容发生改变，也不用做很大的变动就等轻松的达到扩展的目的 接下来我们来介绍一下使用到的方法都是什么作用🤔 首先你是不是对setUrl后面那一长串的字符很疑惑，现在我用画图的方式介绍一下 之后的setUser("root")的意思就是输入用户名(mysql默认的用户名就是root)，setPassword("88* *****8")就是输入密码(就是在安装MySQL时自己设定的那个) //这些时MySQL的认证方式，不同数据库的认证方式不同，在使用时需要加载不同的驱动包 建立和数据库服务器之间的连接 我们现在找到了数据库的位置了接下来就是要去连接数据库 Connection connection = dataSource.getConnection(); 连接的方式非常简单就这一行代码就行，我们调用dataSource接口的getConnection方法，这个方法会返回一个Connection对象，就可以和数据库建立起一个网络连接了 //注意要使用Java.sql包下的Connection 构建sql语句 以上步骤属于准备工作，接下来可以正式通过Java操作数据库了 既然要操作数据库，那我这里提前创建好了一个库 首先我们要写一条sql语句，需要以字符串的形式才行 String sql = ("insert into score values(11,23,99,99)"); 现在我们已经有了一条语句，接下来就是把这条语句发送给MySQL数据库 PreparedStatement preparedStatement = connection.prepareStatement(sql); JDBC API主要提供了三种Statement对象供我们使用 StatementPrepareStatementCallbleStatement 我们平时用的比较多的是PrepareStatement，翻译过来就是预处理语句，在执行我们发送的sql语句前，它会先解析检查sql，看看是不是有什么问题，解析完毕之后，就会得到结构化数据，直接把解析好的结构化数据发送给服务器，服务器就省下了这部分解析的工作，间接减小了数据库的开销

一.故障展示 有一天我打开了电脑,发现3这个数字按键一直在输入,拔了外界的键盘,他这个按键还是会冲突 ,就如同上面的图一样 ,可能是电脑内部的键位进了灰卡住了什么东西导致的,于是我果断就电脑上的按键给扣下来了,扣的时候不知道里面的结构非常的谨慎,所以没导致里面的结构被损坏,因为扣的时候需要非常的谨慎,具体可以看下网上的大神是怎么操作的,不建议强拆。 二.拆下来的配件模样 我这台电脑是联想小新, 拆口后的按键里面会有两个卡槽,一大一小, 先放大的: 顺序： 1.先将大槽对上,不过需要反面扣,目的是为了和键帽相扣 2.然后将小的部件部件对在小槽上 3.最后一步:扣上键帽 三.结语 大体的操作就是这样,因为我的已经重新安装上去了，所以就不给予展示了,嘻嘻！~ 如果这样解决不了，那可能是其他的原因。

一 虚拟机内存扩容 内存扩容很简单，直接找到虚拟机的设置选项，调整内存大小即可 二 虚拟机硬盘扩容 虚拟机的硬盘扩容可没那么简单喽，不过根据我的步骤来做一点问题都没有！ 虚拟机硬盘扩容之前必须先将所有的快照全部都删除干净才可以选择扩容，否则按钮是灰色的无法扩容。快照都删除干净之后关闭虚拟机，点击【编辑此虚拟机设置】 此时可以点击【扩展】 输入要设置的最大磁盘空间大小 点击扩展后，即可开机开机后输入df -h 查看磁盘空间 运行fdisk -l，查看硬盘信息 运行fdisk /dev/sda 输入m， 输入n， 输入p ， p之后的东西都选择为默认【3次回车即可】， 再输入t， 分区号根据默认输入3， Hex代码输入8e(将分区的类型更改为Linux LVM)， 输入w保存退出 【详细截图如下】 建议先reboot重启，然后使用fdisk -l查看是否生效（不重启的话下一步可能会出错） 将创建的磁盘分区格式化，mkfs -t ext3 /dev/sda3 运行pvcreate /dev/sda3 输入y（将磁盘的类型转化为Linux LVM之后才能使用pvcreate操作） 使用pvdisplay可以查看到新的物理卷 将/dev/sda3添加到centos卷组，此时使用vgextend centos /dev/sda3 (不知道自己属于什么卷组，输入df -h 查看/dev/mapper/-,例如/dev/mapper/centos-root，则卷组为centos） 增加/dev/mapper/centos-root大小，增加20GB【根据自己扩展的硬盘大小增加】 使用lvextend -L +20G /dev/centos/root(注意扩展的硬盘大小，如果报错，说明没有这么大的空间可以扩展，需要减少增加空间，如改成：lvresize -L +19.9G /dev/mapper/centos-root) 最后同步一下系统文件xfs_growfs /dev/mapper/centos-root 再次输入df -h 即可查看结果【每个人扩展的硬盘空间大小不一样那么显示的大小就不一样】 扩展完啦！！！

👉原文阅读 💡章前导言 本文为B站1天搞定SpringBoot+Vue全栈开发系列视频学习笔记，带时间戳的B站笔记（不含代码）已经施工完成，点击视频右下角的“笔记”按钮即可查看（不带B站时间戳的笔记专栏链接在这）。 有能力的朋友请多多支持up拿完整的课件代码！本笔记代码部分不全，纯手打（我手打是因为个人而言手打记忆才深刻）。 如果想要资料，老师的微信公众号有免费的课件和文档，关注“软件练习生”公众号回复“Java”获取课件资料（注意：关注回复关键字就可以，不会让你加群/微信的！）。 我自己整理的课件、代码等资料（不保证全），放在Github上了，需要的自取。 👉1天搞定SpringBoot+Vue全栈开发·个人整理资料 目录 👉[原文阅读](https://b1ankc-mov.github.io/posts/springbootp3)💡章前导言 📘正文开始Web入门控制器控制器介绍路由映射实际操作参数传递 APIPOST 📘正文开始 对应视频内容👉SpringBoot Controller Web入门 Spring Web提供了启动器starter，主要包含了三个组件：mvc、json、tomcat。webmvc组件主要提供web开发的注解（类似于控制器的注解）是web开发的基础框架json组件主要提供了JSON数据的解析，使能够接收前端发送数据并返回Tomcat为自带的容器依赖 控制器 控制器介绍 mvc为后端开发的一种模式：m为Model，用于存储收发数据；c为Controller，用于协调控制；v为View(视图)，是用来显示数据的。 在mvc模式下，从数据库中加载的数据首先被封装在Model中，通过Controller，绑定到View上（视图可以理解为html的页面）。 所以控制器负责接收将数据交给浏览器与接收用户请求。用户操作时，实际上是→对控制器发出请求→控制器取用数据→交给视图→最终响应给用户。 两种注解 @Controller(无法前后端分离）：既有页面又有数据。@RestController：只有数据。RestController（为了方便前端处理）会将返回的对象数据转换为JSON格式。 路由映射 控制器如何接收前端的请求 @RequestMapping(可以用在类或者方法上） value参数：用于配置路径，支持普通字符串与正则表达式。可以规定前端用什么方法请求（比如get或post） 实际操作 使用@RequestMapping 加入value值：/hello。 使hello方法能够接收前端的请求，前端通过/hello路径能够访问到该方法。（在地址栏里面发送的请求都是get请求） 规定方法：加入method=RequestMethod.GET，规定只能通过get请求。(@RequestMapping(value="/hello",method=RequestMethod.GET)等价于@GetMapping("/hello")) 参数传递 @RequestParam可以将前端的数据绑定到控制器的方法上以获取前端传递的信息。当传参与参数名一致时可省略。 此时只需要在方法里面加入一个参数：String nickname，就可自动将前端输入的昵称传入nickname中。 传参与定义参数名不一致，可以在方法里加入@RequestParam(value = "nickname",required = false)String name （代表参数映射,加上这个注解，就代表这个参数是必须的，如果希望可选就加上required = false) （如果必须，没输入会报错，报错结果为status=400，400一般意味着是客户端，也就是浏览器出了问题） 全部代码如下 创建entity实体包，在entity下创建User类(按住alt+insert快捷加入get/set/to String方法) public class User { public String getUsername() { return username; } public void setUsername(String username) { this.username = username; } public String getPassword() { return password; } public void setPassword(String password) { this.

什么是OS Copilot 在老师的介绍下我了解到了阿里云OS Copilot这个产品，它是阿里云推出的一项基于人工智能技术的操作系统，设计用于阿里云Linux操作系统以及其他可能的云上操作系统环境，为用户提供智能化的系统管理和运维支持。 阿里云提供了操作手册，操作时按着步骤来就好 实践链接：使用操作系统智能助手OS Copilot解锁操作系统运维与编程 - 云起实验室-在线实验-上云实践-阿里云开发者社区-阿里云官方实验平台-阿里云 OS Copilot 产品体验评测 1）您的角色是什么？开发、运维、学生？如果使用OS Copilot，您的使用场景是什么？ 我是一名学习计算机的准大二学生，在编写代码时有不懂的会使用OS Copilot来查疑解惑，我印象最深的就是OS Copilot的解释代码含义功能，对我的学习有很大帮助。 2）你觉得 OS Copilot 在新人上手方面是否简单、指引文档是否清晰、是否存在什么阻碍？ 较为简单，但指引文档里的部分细节操作并未完全给出，对于新手小白来说可能有些不便。 3）OS Copilot 是否对您的工作有帮助？如果有帮助的话，帮助程度1-10分，能够打几分？ OS Copilot能够有效地帮助我，比如通过智能提示减少错误、提高脚本编写效率、快速诊断系统问题等。我会给它8-9分。 4）您愿意向周边朋友/工作伙伴推荐OS Copilot吗？如果OS Copilot开源，是否有意愿共同参与开发？包括参与OS领域大模型的训练等。 我非常愿意向我的同学们推荐OS Copilot，这样大家可以共同利用OS Copilot进步，并且对小组作业的完成也有帮助。 OS Copilot 产品功能反馈 1）您体验了哪些功能？对OS Copilot的哪些功能最感兴趣（知识问答、辅助编程、辅助命令执行等），为什么？ 我体验了知识问答、辅助编程、辅助命令执行，我对这三项功能都很感兴趣，它们都有可说的点。 知识问答 进入对话模式后，在对话模式中输入问题，例如"当前是什么系统？"，Copilot会给出相应回答。 得到答案 OS Copilot支持自然语言问答，用户可以直接在命令行中输入自然语言表述的问题，并提供精确答案或执行相应操作，极大地简化了操作流程，降低了学习成本和使用难度。而且它的反应性能也很快。 辅助编程 执行如下命令，让OS Copilot写一个网络监控脚本。 co "请帮我写一个网络流量监控脚本，用python语言实现" 输入n并回车，取消安装psutil库。 输入n并回车，取消执行上述python代码 辅助编程提高了开发效率，减少代码错误。 辅助命令执行 执行如下命令，让OS Copilot解释网络监控脚本中代码含义。 cat test.py | co "请解释下每行代码的意思" 对新手的帮助尤其大，可以通过这项功能查漏补缺，了解未涉及的代码知识。 2）您有体验过其他类型的产品吗？对比其他产品OS Copilot有什么优缺点？ 体验过其他类型的产品，对比OS Copilot的优缺点是： 优：使用方法简单，使用效率快，专业性更强 缺：需要用户具备一定的Linux基础知识或编程基础，如果用户对Linux或编程不够了解，可能无法充分发挥OS Copilot的作用，甚至可能无法理解其生成的代码或建议。 3）您希望OS Copilot能够扩展其他哪些功能呢？比如，支持更多的操作系统、自动命令报错原因分析、系统错误排查，或其他任何您想到的功能。

成纤维细胞生长因子13（FGF13）是FGF11亚家族成员，调节电压门控钠离子通道的运输和功能，在大脑皮层和海马体的神经元极化和迁移中起着至关重要的作用，同时与微管蛋白结合参与微管聚合和稳定。 （数据来源AlphaFold） FGF13由208个氨基酸组成，属于胞内非分泌型蛋白，主功能域为全长区段，其中在N端和C端分别包含一段无序结构，N端主要涉及核定位，另外还有一处氨基酸磷酸化位点修饰。 （数据来源Uniprot） FGF13在物种间的保守性很高，序列差异很小。 和同亚家族其他成员类似，FGF13最初被发现是电压门控Na+通道的有效调节剂，而且还影响 Ca2+通道及其功能，FGF13可能通过一种新的双离子通道机制导致心律失常。 （数据来源Hennessey JA, et al. Circ Res. 2013） 进一步研究发现FGF13还可以通过控制小窝外壳蛋白（cavin1）在肌膜和胞质溶胶之间的相对分布，降低细胞膜穴样内陷丰度，增加了压力超负荷引起的心脏功能障碍风险，FGF13确立为细胞膜穴样内陷介导的机械保护和适应性肥大信号传导的负调节剂。 （数据来源Wei EQ, et al. Proc Natl Acad Sci U S A. 2017） 而另一层机制还表明：FGF13通过其核定位序列直接与p65相互作用，并在心肌肥大中与细胞核中的p65共定位，并调节NF-κB活化，促进病理性心脏肥大。以上的系列探索揭示了FGF13在心肌细胞调控中的复杂重要作用。 （数据来源Jia S, et al. iScience. 2020） 另外FGF13与皮层神经元生长锥中的微管相关：其FGF13B亚型是一种微管稳定蛋白，调节轴突和前导过程发育和神经元迁移，而FGF13缺乏的小鼠在皮质发育、学习和记忆方面表现出缺陷，说明FGF13在神经发生中具有重要调节功能。 （数据来源Wu QF, et al. Cell. 2012） 在21年的相关报道中印证了上述论断：FGF13A（FGF13的核亚型异构体）参与了神经干细胞的维持和出生后海马体（海马体是哺乳动物大脑中的两个壁龛之一，其神经发生持续到成年期。海马神经干细胞(NSCs)的神经生成能力随着年龄的增长而下降）发育过程中神经元分化的抑制，同时FGF13B（FGF13的胞浆定位异构体）在神经干细胞分化过程中上调，正常的海马发育需要不同异构体的协同作用。 （数据来源Yang QQ, et al. Cell Rep. 2021） FGF13作为维持出生后海马神经干细胞自我更新和神经发生能力的重要调节因子，其基因突变易导致导致先天性智力障碍，为临床上智力障碍疾病的早期筛查提供了新的致病位点，同时也为基因治疗提供了潜在靶标。 （数据来源Pan X, et al. Elife. 2021） FGF13在神经元干细胞和电压门控钠离子通道的双重调控作用中，也引出了其他有趣的研究：FGF13可以稳定微管以调节背根神经节神经元中的钠通道功能从而调节炎症性疼痛。 （数据来源Wang Q, et al. J Adv Res. 2020） 在周围神经系统中FGF13与电压门控钠通道Na V 1.7相互作用介导瘙痒感，靶向瘙痒敏感分子对由瘙痒引起的抓挠在慢性瘙痒疾病中带来严重的组织损伤治疗干预中至关重要，FGF13提供了一种潜在的抑制剂靶标。 （数据来源Dong F, et al.

海外ASO是针对iOS的App Store和谷歌的Google Play这两个主要海外应用商店进行的优化过程，两个不同的平台需要采取不同的优化策略，以下是对iOS优化和谷歌优化的详细解析： 一、iOS优化（App Store） 1、关键词覆盖 选择关键词：iOS允许开发者在iTunes Connect中设置关键词，这些关键词对于应用的搜索排名至关重要。开发者需要选择与应用内容紧密相关、且用户搜索频率高的关键词。 关键词字段限制：iOS的关键词字段有100字符限制，因此需要精选关键词，避免浪费宝贵的字符空间。 关键词位置：虽然关键词字段在iTunes Connect中设置，但关键词也会受到标题、副标题、描述等因素的影响。 2、描述和截图优化 描述：应用描述应简单明了，突出应用的功能和特点，同时吸引用户注意。 截图：高质量的截图可以展示应用的界面设计和用户体验，提高用户的下载意愿。 3、应用图标和名称 图标：应用图标是用户在应用商店中首先注意到的元素之一，因此应具有辨识度、美观且符合应用气质。 名称：应用名称应并避免使用过长或难以理解的名称。 4、用户评价和反馈 鼓励用户评价：积极的用户评价可以提高应用的信誉度和下载量。开发者可以通过应用内提示、推送通知等方式鼓励用户评价。 回应反馈：及时回应用户的反馈和问题，展示开发者的专业性和责任心。 5、关键词排名 目前海外ios的关键词排名当天操作第二天就能看到排名提升，并且成本很低，效果非常好 6、榜单优化 海外ios跟国内早些年一样，游戏相关的冲榜依旧非常流行，效果好流量大自然是个非常好的选择！ 二、谷歌优化（Google Play） 1、关键词覆盖 融入标题和描述：与iOS不同，Google Play的后台没有关键词填写这栏，所以关键词可以自然地融入应用的标题、简短介绍和详细描述中。因此，开发者需要在这些文本元素中合理地布置关键词。 关键词挖掘：利用关键词挖掘工具找到与应用相关的热门关键词和长尾关键词，以提高应用的搜索曝光率。 2、应用描述和截图优化 描述：与iOS类似，Google Play的应用描述也需要简洁明了、突出核心功能和特点。同时，可以适当地添加一些促销信息或用户评价以提高吸引力。 截图和视频：高质量的截图和视频可以展示应用的独特功能和用户体验。Google Play允许开发者上传多个截图和一个视频预览，因此可以充分利用这些资源来展示应用的优势。 3、应用图标和名称 图标：与iOS相似，Google Play的图标也需要具有辨识度、美观且符合应用气质。 名称：虽然Google Play对应用名称的字符限制比iOS宽松，但仍需保持简洁明了并包含核心关键词。 4、A/B测试 利用Google Play的A/B测试功能来测试不同的图标、截图、描述等元素对下载量的影响，以找到好的展示方案。 5、关键词排名 谷歌这两年一直在调整导致操作成本偏高，虽然上架比ios要容易，但是规则和机制都比较复杂导致后期的优化成本偏高，关键词排名更新周期较长通常都要一周以上。 6、榜单优化 谷歌的榜单也是比较吸量的，但是单独操作很难上去需要通过配合买量的方式联合操作来达到效果 综上所述，海外ASO的iOS优化和谷歌优化在具体细节和策略上存在差异。开发者需要根据不同平台的特点和用户习惯来制定针对性的优化策略。 由于越来越多的人出海，海外aso已经成了大家的必备选择，用户精准成本相对较低，竞争小等诸多利好因素，让一批又一批的出海人吃到了红利！

一. 什么是Axios 1. axios 是独立于 vue 的一个项目，不是 Vue 的一部分 2. axios 通常和 Vue 一起使用，实现 Ajax 操作 3. Axios 是一个基于 promise 的 HTTP 库 axios官方文档 二.引入Axios库文件 1.可以直接引用 2.可以下载Axios的js文件导入 下载此js文件 三.使用Axios配合Vue发出Ajax请求案例 在Vue中使用Axios，向服务器发送Ajax请求，将获取的json数据显示界面 <!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <meta http-equiv="X-UA-Compatible" content="IE=edge"> <meta name="viewport" content="width=device-width, initial-scale=1.0"> <title>title</title> </head> <body> <div id="app"> <h1>妖怪列表</h1> <table border="1" width="300"> <tr> <td>名字</td> <td>年龄</td> </tr> <tr v-for="monster in monsterList"> <td>{{monster.name}}</td> <td>{{monster.age}}</td> </td> </tr> </table> </div> <script src="vue.js"></script> <script src="

【2024.4】Windows11系统 1.为打开网页流畅，建议准备梯子，打开Github等网站时会明显加快 2.准备Anaconda，可参考其他博主文章下载 一、代码下载 官网下载YOLOv8（建议开梯子） ​ 二、环境配置 1.在Anaconda中利用conda命令创建环境yolov8，并激活环境 -- 创建环境 conda create -n yolov8 python=3.9 -- 激活环境 conda activate yolov8 2.pip的源换到国内aliyun镜像，会提高下载速度 pip config set install.trusted-host mirrors.aliyun.com 3.安装一下yolov8在python>=3.8版本必要安装包，配置文件已经内置其中： pip install ultralytics 4.下载预训练权重模型： （1）推荐yolov8s.pt或者yolov8n.pt，模型小，下载快（用梯子） （2）下载完成后，将模型放在ultralytics-main文件夹下 5.检验环境： （1）在环境中打开项目ultralytics-main： ① 在Anaconda Prompt中cd到ultralytics-main目录下 ② 在Pycharm终端直接打开 （2）运行以下指令： yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg' (3)若运行成功会在D:\ultralytics-main下生成\runs\detect\predict，且文件中会包含一张照片 ​ 三、训练模型 【CPU】 1.准备工作： （1）在ultralytics-main目录下新建data文件夹； （2）再在data目录下新建四个文件夹:Annotations文件夹，images文件夹，ImageSets文件夹，labels文件夹 ​ 2.准备数据集： （1）将准备好的图片以.jpg的格式放入images文件夹中 （2）利用labelimg进行标注后将生成的.xml文件保存至Annotations文件夹中 3.数据集的划分： （1）在ultralytics-main目录下创建一个split_train_val.py文件； （2）运行文件之后会在imageSets文件夹下将数据集划分为训练集train.txt、验证集val.txt、测试集test.txt，里面存放的就是用于训练、验证、测试的图片名称，代码内容如下： import os import random trainval_percent = 0.9 train_percent = 0.9 xmlfilepath = 'data/Annotations' txtsavepath = 'data/ImageSets' total_xml = os.

将一个类的接口转换成另一个接口，以便让原本不兼容的类可以一起工作。让我们通过一个更贴近日常生活的例子来展示适配器模式：假设你有一台只支持USB接口的电脑，但是你想要使用一个只有RJ45网线接口的网络适配器卡。在这种情况下，你需要一个适配器来连接这两个不兼容的接口 目标：使电脑能够通过RJ45接口连接网络 1. 定义目标接口（电脑的USB接口） public interface Usb { void connectUsb(); } 2. 定义现有类（RJ45网络适配器卡） public class NetworkCardRJ45 { public void connectRJ45() { System.out.println("Connected RJ45 network card."); } } 3. 创建适配器类（RJ45转USB适配器） public class Rj45ToUsbAdapter implements Usb { private NetworkCardRJ45 networkCardRJ45; public Rj45ToUsbAdapter(NetworkCardRJ45 networkCardRJ45) { this.networkCardRJ45 = networkCardRJ45; } @Override public void connectUsb() { networkCardRJ45.connectRJ45(); System.out.println("Adapter converted RJ45 to USB."); } } 4. 使用适配器 public class Main { public static void main(String[] args) { NetworkCardRJ45 networkCard = new NetworkCardRJ45(); Usb usbAdapter = new Rj45ToUsbAdapter(networkCard); usbAdapter.

英特尔边缘计算创新大使 贾志刚 OpenVINO介绍 OpenVINO2024.2版本跟之前版本最大的不同是OpenVINO2024.2分为两个安装包分别是基础包与生成式AI支持包，新发布的GenAI开发包支持C++与Python语言接口调用，支持多种LLM加载与推理部署能力，实现了OpenVINO对CNN网络、生成式模型、LLM网络主流模型的全面推理支持。安装包下载地址如下： https://docs.openvino.ai/install OpenVINO生成式AI支持 OpenVINO2024版本支持大量文本、图像、音频生成模型，如 Llama 2、MPT、OPT、Stable Diffusion、Stable Diffusion XL。这样可以开发多模式应用程序，从而实现一次写入、随处部署的功能。OpenVINO支持的生成式AI方式主要包括以下三种方式分别是： Hugging Face：通过 Optimum Intel 扩展，使用 OpenVINO 作为 Hugging Face 框架（转换器、扩散器）的后端。 OpenVINO GenAI 风格:使用 OpenVINO 生成式AI的APIs (Python and C++) 基础 OpenVINO：OpenVINO 原生 API（Python 和 C++）与自定义管道代码一起使用 三种部署方式好处与不同： Hugging Face API 易于学习，提供简单的界面，并隐藏了模型初始化和文本生成的复杂性，以获得更好的开发人员体验。但是，它具有更多的依赖项、更少的自定义项，并且无法移植到 C/C++。 OpenVINO GenAI Flavor 通过自动管理文本生成循环、标记化和调度等基本任务来降低 LLM 实现的复杂性。原生 OpenVINO API 提供了更多的实践体验，需要手动设置这些功能。这两种方法都旨在最大程度地减少依赖关系和整体应用程序占用空间，并允许在 C++ 应用程序中使用生成模型。 建议从拥抱脸框架开始，尝试不同的模型和场景。然后，如果需要进一步优化，该模型可以与 OpenVINO API 一起使用。Optimum Intel 提供的接口支持使用神经网络压缩框架 （NNCF） 进行模型优化（权重压缩），并将模型导出为 OpenVINO 模型格式，以便在原生 API 应用程序中使用。 LLM推理支持 像 GPT 这样的大型语言模型 （LLM） 是变革性的深度学习网络，能够完成从文本生成到语言翻译的广泛自然语言任务。OpenVINO2024优化了这些模型的部署，增强了它们的性能并集成到各种应用中。下面的代码展示了如何将 LLM 与 OpenVINO20204 结合使用，从模型加载和转换到高级用例

当下人工智能火爆，提到AI，几乎每个人都能说上几句，但是你真的会使用AI吗？ 当涉及到如何实际使用AI时，许多人可能会觉得它太过高深莫测，从而产生一种距离感，不知如何开始。我和大家也一样，直到我使用了302.AI平台，我才发现原来AI这么容易上手使用！我们每一个人都可以毫无障碍的使用AI，今天我就把自己的经历分享给大家，希望每个人都可以轻松使用AI，让这项技术成为我们生活中的得力助手。 寻找学术论文的困难 在日常的研究和科研中，看论文几乎是每天都需要做的事情，而寻找一篇高质量的论文往往如同海底捞针。作为一名专注于人工智能领域的研究生，我最近就遇到了这样的困境。研究生导师给我布置了总结姿态技术的任务，但面对网上海量而杂乱的信息，我感到无从下手，无法找到自己真正需要的论文。并且因为自己的英语较差，找到论文之后总是需要导入翻译软件去进行翻译，不会的问题还需要借助别的工具去解答。在这个反复的过程中，就要浪费我大把的时间，不能让我把百分之百的精力投入到论文的阅读中去。 有没有一种工具可以帮助我查到所有相关的论文，并辅助我去阅读和解答问题呢，这样我就可以省出来很多时间和精力放到论文的阅读中去。这个问题一直长期困扰着我，长时间没得到解答，也正因如此我没能按时完成导师的任务。 AI学术论文搜索工具 组会上我向老师说明了自己遇到的问题，自己确实很努力去找论文了，但是这个过程真的很花时间。在说完自己的诉求后，同实验室的博士生学长向我推荐了302.AI平台的AI学术论文搜索工具，可以帮助我很好的寻找论文和辅助阅读，节省不必要的时间浪费。 抱着试一试的心态，会后我就立马使用了起来，让我最惊喜的是这个工具真的十分方便和全面！ 1.使用流程简单方便 首先登录进去之后，在工具列表，找到师兄推荐的AI学术论文搜索工具： 点击我们要使用的工具，会出现这样的创建界面，需要我们选择自己需要的模型，可以说是非常人性化，自己根据需要选择想用的模型就可以： 然后点击创建就好了，甚至名称也不需要起，就会自动给我们默认一个名字，如果想要修改配置的话，点击工具管理就可以后续进行修改： 2.搜索全面，使用方便 创建完成之后，我们就会看到这样的论文搜索界面，非常简便，我将自己的研究题目输入其中： 令我十分惊讶的是，它竟然搜出了上万条的论文结果，所有论文应有尽有，并且我们可以根据提交日期和相关性进行排序，找到我们需要的匹配度最高的论文或者最新的论文。 3.功能多，智能化 随便点开一篇文章，我惊喜的发现其中竟然有全文摘要、全文翻译和AI解答功能！这不正是我心目中理想工具的样子吗，这样看论文也太舒服了吧！ 并且与其他的翻译软件不同，这款工具翻译出来的中文文章格式非常工整，并且文字异常清晰，真的有点震惊到我了，用过的翻译软件进行翻译时总会出现乱码和排版混乱的问题，而它工整的像是本来的文章就是中文一样！图片公式丝毫没有受到影响，真的彻底爱上了这个工具，以后看论文帮了我大忙！ 用过这个之后，我又接连用了好几个工具超市里的好几个工具，用了一圈使用下来，特别推荐AI翻译大师、AI老照片修复、AI电商场景图生成这几个工具，真的超级好用，使用起来也超级方便，信我就完事了。 全能工具箱 在用了一连串的工具之后，真的让我十分兴奋，想看看它还有啥功能，于是我打开了界面上的全能工具箱，在这里可以快速使用302.AI平台的所有功能。还是跟上面一样的简单创建之后，我们的全能工具箱就配置完成了： 打开全能工具箱，发现了其中包含很多AI工具，聊天机器人、绘画机器人等应有尽有，经过实践下来，我发现其使用和上面的工具超市一样，无需编程知识，我们可以根据需要，一键生成各种专属AI。 在聊天界面中我们可以点击【助手】，添加我们想要的功能： 简单上手机器人 在聊天界面点击 【应用商店】，可快捷地选择不同的机器人。比如我这次就选择了AI歌曲和音乐创作平台Suno，因为当下AI创作音乐非常火，很多人都在抵制AI创作音乐，我自己也没有接触过这个东西，也不知道怎么去接触，这次正好给我一个机会去尝试一下，看一看AI创作出来的音乐到底多厉害，我把自己对音乐的需求输入给它： 然后经过很短的时间它就将自己创作的音乐名字和歌词写好了： 经过一小会，它就将歌曲创作出来了，并且有两个创作版本，歌曲都达到了一首歌正常的长度： 迫不及待点开来听一下，有一说一真的特别好听，旋律很棒而且歌词写的也不错，十分押韵，如果不是专业懂乐理知识的人根本无法判断出来是不是AI生成的，知道现在我才知道，为什么现在很多人都在使用AI创作音乐，AI创作出来的音乐真的太强了。 经过上面的实践，我对AI有了新的认识，原来AI与我们之间真的零距离，通过302.AI平台，我可以零门槛的创作出自己需要的AI助手，对我这种小白来说，这些工具完全可以能应用上且好上手。 零门槛302.AI平台 除此之外，我们也可以在302.AI后台里生成无数个机器人，并一键分享给他人，无需登录，让所有人零门槛接触AI。我了解到302.AI平台汇集了全球顶级AI的自助平台，对像我一样的新手小白简直是福音，大家都可以轻松使用AI： 官方网站 网站介绍 在这个AI的时代，我相信每个人都可以无门槛的使用AI，所以大家赶快使用起来吧！

🏡作者主页：点击！ 🐧Linux基础知识(初学)：点击！ 🐧Linux高级管理专栏：点击！ 🔐Linux中firewalld防火墙：点击！ ⏰️创作时间：2024年7月10日14点11分 🀄️文章质量：94分 在当今互联网高并发访问的环境下,单一的Web服务器很难满足不断增长的用户需求。为了提高系统的可靠性、可扩展性和高可用性,实现负载均衡和集群部署是一个非常重要的解决方案。 Nginx凭借其高性能、高并发和低资源占用的特点,成为了一款出色的反向代理服务器和负载均衡器。它可以在多台Web服务器之间分发请求,实现负载均衡,同时还提供了缓存、压缩等优化功能,有效提高了Web应用程序的响应速度和可靠性。 而Tomcat则是一款广泛使用的Java Web应用服务器,它支持集群部署,可以将多个Tomcat实例组合成一个逻辑上的服务器集群,实现请求的负载均衡和会话共享,从而提高了系统的可扩展性和高可用性。 无论是Nginx还是Tomcat,它们在负载均衡和集群部署方面都有着独特的优势和特点,根据具体的应用场景和需求,合理选择和配置这两种技术,可以极大地提升Web应用程序的性能和可靠性。 实验环境 Nginx IP地址：192.168.192.100/24 Tomcat1 ip地址：192.168.192.111/24 Tomcat2 ip地址：192.168.192.112/24 本案例我们将以Nginx作为负载均衡器，Tomcat作为应用服务器的负载群集的设置方法 Tomcat1 1.查看JDK是否安装 [root@localhost ~]# java -version -bash: java: 未找到命令 如果没有配置java不要慌，如果有的话是会显示的 配置本地源或者阿里源来安装 yum install -y java-1.8.0-openjdk 上传安装包 解压安装 解压完成之后移动 开启tomcat [root@localhost ~] tar -zxf apache-tomcat-9.0.91.tar.gz 解压 [root@localhost ~ ]mv apache-tomcat-9.0.91 /usr/local/tomcat8 移动到 /usr/local下 [root@localhost ~] /usr/local/tomcat8/bin/startup.sh 开启tomcat Using CATALINA_BASE: /usr/local/tomcat8 Using CATALINA_HOME: /usr/local/tomcat8 Using CATALINA_TMPDIR: /usr/local/tomcat8/temp Using JRE_HOME: /usr Using CLASSPATH: /usr/local/tomcat8/bin/bootstrap.

学而时习之，温故而知新。 敌人出招（使用场景） 组合关系中，如果要A对象创建B对象，或者要A对象创建一堆对象，这种是普遍的需求。 你出招 这种适合创建者模式，我感觉也是比较常见的。 构造函数里面创建一堆别的对象 这个属不属于？应该属于吧？这个很常见。 静态方法里创建对象 这种是不是？ 参考代码 参考代码

近日，苏州东方克洛托光电技术有限公司（下称“克洛托光电”）高精度光学镜头装调仪正式交付于福建福晶科技股份有限公司，研发人员在现场完成设备安装调试并介绍使用方法。据悉，这已是双方第二次展开合作。 前沿产品力助推合作企业发展 高精度光学镜头装调仪系克洛托光电光学检测装调系列产品，将中心偏差测量仪与间隔测量仪组合，同时实现定心和间隔的测量，不仅能够准确测量光学系统的中心偏差，也能测量镜片间隔与镜片中心厚度，极大方便了光学系统的高精度装调。 该设备的成功交付，不仅意味着克洛托光电产品和研发实力获得认可，还将凭借其先进的技术水准，以更高的质价比提升合作企业的产品精度和质量，增强其在行业内的竞争力。 多元产品线适应多行业需求 官方信息显示，克洛托光电是一家从事高端光电产品研发、生产、销售与技术服务的高新技术企业，侧重于成像光谱与特种光电两大技术方向，定位特种光电装备、电力检测设备的研制与生产，在光谱成像、红外成像测温、光学精密检测及装调等方面取得了多项重要成果，已拥有多光谱成像仪、红外/可见/多波段复合目标模拟器、红外测温系统、紫外与红外光学镜头以及定心仪、间隔仪、成像模组等产品。 在光学精密检测设备方面，除本次交付的高精度光学镜头装调仪外，克洛托光电还拥有单光路及双光路中心偏差测量仪、镜面间隔测量仪等多款光学精密检测产品，能广泛适用于军事、航空航天、民用和工业检测等领域内各类光学系统的精密装配和测量，满足光学元件、镜头系统、相机模组的光学装调与检测需求。其中，“中心偏差与镜面间隔测量仪”于去年斩获第二届“金燧奖”中国光电仪器品牌榜银奖，产品深受市场和权威认可。 稳扎稳打，时刻保持创新精神 作为高新技术企业，克洛托光电在光学精密检测技术方面取得了诸多创新与突破。在定心技术方面，低畸变光学系统设计结合高精度图像识别算法，集成公司特有的技术可实现曲率半径全域测量。在间隔技术方面，突破镜片辅助装调指示、复杂背景中干涉峰值包络提取及峰值匹配等核心技术。独有的镜面间隔测量技术突破时域短相干技术在镜面厚度及空气间隔测量领域内的技术应用壁垒。 基于强大的技术与产品实力，截至目前，克洛托光电已与长春光机所、中国兵器工业集团东北工业集团有限公司、华为技术有限公司、季华实验室等多家科研院所及科技型公司建立了良好的合作关系。 近年来，得益于政策支持和市场需求的双重驱动，我国智能制造、高端装备、航空航天、生物医疗以及消费电子等应用领域迎来快速发展，精密光学元件的需求也随之持续增长，光学精密检测设备的市场前景广阔。以此为背景，克洛托光电凭借其研发实力，持续在光学精密检测领域实现技术的创新突破，推出高质价比的国产光学精密检测设备，对高端机器视觉领域产品的标准化生产具有重要意义！

在运行一个新项目时往往可能会出现各种波折，比如上图的版本不一致问题，原项目版本其实需要的是jdk1.8，但是打开新项目后这里默认编译出来却是需要jdk11？ 下面分享一下我的解决方法和步骤： 1、首先检查maven的配置问题 打开file->setting->搜索maven,找到配置的maven版本 在window资源管理器中打开E:\develop\apache-maven-3.6.1\conf\setting.xml文件，检查配置是否为jdk1.8保存，注意配置要在profiles标签中，如图： 2、可以选择重启一下，idea 然后打开file->project strucure,检查SDKs是否配置为1.8，并且检查modules中每个项目模块的sources->language level以及dependencies为jdk8，将其改正 3、打开file->setting->搜索Java compiler,检查target bytecode version为1.8，将其改正，点击apply,ok 4、到这里问题基本已经能够解决了，如果还没有解决请先重启后检查一下步骤正确性，再不然的话就到其他博客的相关贴文看看吧 5、祝你好运~

EchoMimic是阿里巴巴达摩院推出的一个AI驱动的口型同步技术项目。这项技术能够通过给定的音频和一张或多张人物的面部照片，生成一个看起来像是在说话的视频，其中的人物口型动作与音频中的语音完美匹配。这种技术在娱乐、教育、虚拟现实、在线会议等领域有广泛的应用前景，可以用于创建更加真实和互动的视频内容。 与快手的 LivePortrait 不同, EchoMimic不仅能通过参考表情生成视频，还能够通过音频匹配对应口型，还支持将两者混用，即通过音频控制口型，通过 landmarks 来控制姿势和表情。 想象一下，你的声音和面部动作，能被完美复制到视频中，就像照镜子一样自然。 以往，我们生成视频动画要么依赖音频信号，要么依赖面部标志点，但这两种方法都有各自的局限性。音频驱动的方法容易不稳定，而面部关键点驱动的又缺乏自然感。EchoMimic横空出世，一举解决了这两个问题。它能够结合音频和面部标志点，让生成的视频既稳定又自然。 EchoMimic的稳定性和自然度是它的两大杀手锏。通过融合音频和面部标志点的特征，它生成的面部动画更加符合真实的面部运动和表情变化。无论是微小的嘴角上扬，还是眼神的微妙流转，EchoMimic都能精准捕捉，让动画效果如真人般逼真。 面部标志点，听起来很高大上，其实它们就是面部图像上的一些特定点，用来表示面部的关键特征和结构。这些点通常位于眼睛、鼻子、嘴巴等关键部位，帮助计算机视觉算法更好地理解和分析面部表情和动作。 EchoMimic的功能强大到令人惊叹。它可以单独使用音频或面部标志点生成肖像视频，也可以将两者结合，创造出更加逼真的动画。更厉害的是，它还支持多语言和多风格，无论是普通话、英语还是歌唱，EchoMimic都能轻松应对。 EchoMimic的应用前景无限广阔。无论是面部识别、表情识别，还是面部动画、增强现实，甚至是医学成像，EchoMimic都能大展身手。它的出现，无疑将为这些领域带来革命性的变革。 总而言之，EchoMimic这项技术不仅仅是一项创新，它更是一次对传统视频生成技术的颠覆。随着技术的不断进步和完善，我们有理由相信，未来EchoMimic将在更多领域大放异彩，为我们带来更加丰富和逼真的视觉体验。 项目地址：https://github.com/BadToBest/EchoMimic 本地一键整合包：EchoMimic - 一张照片生成说话视频，可用于AI数字人生成，阿里最新开源 本地一键整合包下载 注：只支持N卡，建议显存8-10G起使用 使用教程： 1、下载一键包，解压出来，双击“一键启动”等待自动跳转到WebUI界面 2、上传一张用于生成视频的“参考图”和驱动图片说话的“驱动音频”，如下图 3、高级参数可以默认，也可以自由调节，比如生成视频的宽度、高度，以及视频帧率、步数等参数，如下图 4、所有参数设置完成后，点击下方的“Submit”提交即可。 5、等待生成完成后，在“生成的视频”可以预览生成后的效果，也可以点击下方的“Flag”按钮，将生成的视频和参数保存到本地，保存路径为软件目录下的“flagged”目录。 这个生成速度比较慢，但是效果还是很棒的，感觉这个项目很有前景。测试一段10秒左右的视频生成512x512大概用时10分钟左右，显卡不好的，可以调低参数，比如视频帧率，步数、宽度和高度等。希望后期的版本能对此做优化。

背景：启动rabbitmq错误 [root@10-61-82-173 ~]# systemctl restart rabbitmq-server Job for rabbitmq-server.service failed because the control process exited with error code. See "systemctl status rabbitmq-server.service" and "journalctl -xe" for details. journalctl -u rabbitmq-server.service 查看系统日志 [root@10-61-82-173 ~]# journalctl -u rabbitmq-server.service -- Logs begin at 四 2024-07-11 00:17:32 PDT, end at 四 2024-07-11 22:46:26 PDT. -- 7月 11 21:05:17 10-61-82-173 systemd[1]: Starting RabbitMQ broker... 7月 11 21:05:18 10-61-82-173 rabbitmq-server[14026]: 2024-07-11 21:05:18 Error when reading /var/lib/rabbitmq/.