前言：已有 docker 镜像，想将 docker 容器迁移到其他服务器上运行。 1.查看要要保存的镜像的ID docker images 2.保存镜像为tar包 docker save -o arcode.tar arcode:v1 3.远程复制文件到其他服务器 scp ./arcode.tar root@xxx.xxx.xxx.xxx:./arcode.tar 4.加载镜像 docker load -i arcode.tar 5. 运行容器 docker run –name arcode-api -p 5000:5000 -v /mnt/data/docker/arc …
开发相关拓展插件 1. WEB前端助手（FeHelper) FeHelper简直就是前端开发人员的神器，它是由国人开发的一款前端工具集合的小插件，插件功能齐全，基本上涵盖了前端从业者经常会使用到的基础功能，使用起来也很顺手。下面就来感受一下强大的功能：FE支持按需安装，也就是说，上面的这些功能， 你需要什用到什么再安装就行， 下面就挑两个我工作中使用到的： json 格式化 页面取色 我们在开发时需要对一些内容进行取色， 很多小伙伴都是打开chrome调试器再使用取色器进行取色。使用FeHelper的取色器更加方便 JS正则表达式验证 不仅可以生成常用的正则表达式, 也可可以校验表达式是否匹配 …
容器使用沙箱机制，互相隔离，优势在于让各个部署在容器的里的应用互不影响，独立运行，提供更高的安全性。 编写Dockerfile文件 FROM python:3.6.8 RUN mkdir /code \ &&apt-get update \ COPY app /code COPY requirements.txt /code RUN pip install -r /code/requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple WORKDIR /code CMD [“/bin/bash” …
写在开头： 本文不涉及到任何代码，只讲概念层面的，结合本人在实际开发过程中的各种体验，对这几种跨平台技术进行一个点评 跨平台技术的由来： 传统的纯原生开发已经不能满足日益增长的业务需求。主要表现在如下两个方面。 1)动态化内容需求增大。当需求发生变化时，纯原生应用需要通过版本升级来更新内容，但应用上架、审核是需要周期的，这个周期对高速变化的互联网时代来说是很难接受的，所以，对应用动态化(不发版也可以更新应用内容)的需求就变得迫在眉睫了。 2)业务需求变化快，开发成本变大。由于原生开发一般都要维护 Android、iOS两个 开发团队，版本迭代时，无论人力成本还是测试成本都会变大。 总结一下，纯 …
最近，BootStrap 团队成员 XhmikosR 在 GitHub 上透露，BS 5 将放弃支持 IE 浏览器。 有网友在这条 PR 的回帖中表示，放弃 IE 的决定可以理解，但正如其他人指出的那样，许多教育、政府和大型银行部门仍在使用 IE（而且是在微软的支持下），也有很多初创公司支持这些行业。 从 BootStrap 5 中移除 IE 的支持，但至少要延迟对 BootStrap 4 的支持吧。 PS：BS v4 今年年底就 EOF 了。 GitHub 讨论： https://github.com/twbs/bootstrap/pull/30377 本文链接地址: BootStrap 5 …
什么是代码风格呢？从小的来说，有的开发喜欢带分号，有的不喜欢带分号。有的喜欢使用空格，有的喜欢使用 Tab。有的喜欢空两个空格，有的喜欢四个空格。除了这些，还有一些关于代码的优化，如避免声明未使用，避免冗余的代码逻辑等。如果你是新参加工作的人员，又恰好遇到一个代码风格混乱，密密麻麻赋值前后都不带空格的项目，只能有苦难言了。 因此团队合作中需要统一规范。 ESLint 与约束 统一编码规范不仅可以大幅提高代码可读性，甚至会提高代码质量。当我们设计了一套关于编码规范的规则集时，需要工具去辅助检测，这就是 ESLint。 $ npm install eslint –save-dev 规则集需要统一 …
viewport-fit 这个属性解决全屏的问题，设置了这个属性后，页面就会填充整个刘海区域。 <meta name=“viewport” content=“width=device-width, initial-scale=1.0, viewport-fit=cover”> 上面属性设置之后，再把html,boby高度设置成100% 发现底部出现空白没有填满，这主要是这里的100%，只是安全区域的高度，是不包含非安全区域的。需要主动获取屏幕像素高度为html、body设置。 其他 viewport-fit 可设置的值: contai …
tensorflow默认会申请分配所有的gpu资源，这会导致明明可以跑的模型却无法跑起来，报OOM而无法创建sessions。 TensorFlow 在分配显存的时候，设置为可以逐步分配，需要多少显存，就一点点往上添，直到够用为止。比如GPU显存为8GB，开始训练一个模型，TensorFlow 先分配100MB，然后200MB 、300MB……最后在700MB处停住了，因为实际700MB就够用了。 #指定使用那块GUP训练 os.environ[“CUDA_VISIBLE_DEVICES”] = ‘0’ config = tf.ConfigPro …
