1.高性能web网关Openresty实践
2.#gStore-weekly | gstore源码解析（一）：基于boost的图谱gstore http服务源码解析
3.想免费学/做生信分析？可以去这几个网站
4.云端如何部署测试Qwen1.5-MoE模型
5.pgAdmin4 - 搞定源码架构
6.基于python的Neo4j知识图谱构建及问题解决(neo4j-python-pandas-py2neo-v3）

高性能web网关Openresty实践

       一、openresty简介

       openresty是源码一个高性能的Web网关，结合了nginx和Lua脚本语言，图谱提供强大的源码动态内容生成、负载均衡与Web应用服务功能。图谱

       二、源码spark源码如何导入openresty安装步骤

       （1）下载源压缩包

       （2）安装依赖

       （3）解压源码

       （4）配置默认选项：程序安装到/usr/local/openresty目录

       （5）编译与安装

       （6）设置环境变量

       （7）测试

       启动、图谱关闭、源码重启openresty

       相关视频推荐

       深入理解openresty

       nginx应用与开发及openresty实战案例讲解

       年最新技术图谱，图谱c++后端的源码8个技术维度，助力你快速成为大牛

       三、图谱openresty开发实践 —— content_by_lua阶段

       新建项目文件夹，源码创建应用、图谱配置与日志子文件夹

       在conf目录创建nginx.conf文件，源码输入配置内容

       启动openresty

       查看nginx启动状态

       在浏览器输入服务器IP与端口，图谱验证效果

       四、openresty开发实践 —— rewrite_by_lua阶段

       在nginx.conf文件输入rewrite_by_lua配置内容

       启动openresty或reload

       五、openresty开发实践 —— body_filter_by_lua阶段

       在nginx.conf文件输入body_filter_by_lua配置内容

       执行效果

       六、openresty开发实践 —— 黑名单功能

       基础版：新建配置文件，输入基础版代码，启动openresty或reload

       进阶版：修改配置文件内容，使用redis存储IP，reload

       高阶版：redis+共享内存方式，init_worker_by_lua阶段添加定时器，reload

       七、openresty开发实践 —— 反向代理

       nginx.conf文件内容与proxy.lua文件内容

       启动openresty或reload

       总结

#gStore-weekly | gstore源码解析（一）：基于boost的gstore ）：专注于共表达分析，对于理解基因间相互作用提供独特的视角。

       TIMER（cistrome.shinyapps.io）：是进行免疫浸润分析的绝佳选择，帮助研究者探索肿瘤微环境。

       HCCDB（lifeome.net/database/hcc）：专门针对肝癌研究，包含大量相关基因和临床数据。

       UALCAN（ualcan.path.uab.edu）：在甲基化分析方面具有独特优势，提供在线工具进行相关研究。

       CCLE（portals.broadinstitute.org）：为生物信息分析提供了基因在不同细胞系中表达的信息。

       人类蛋白图谱（proteinatlas.org）：提供全面的蛋白质表达信息，对于理解蛋白质功能至关重要。

       最后，带注册影院源码Gene Expression Omnibus（ncbi.nlm.nih.gov/geo）是一个涵盖广泛基因表达数据的平台，需要一定的R语言基础来利用。 这些工具和资源共同构成了一个庞大且活跃的生物信息学生态系统，为追求这一领域知识和实践的个人提供了无尽的机会和挑战。

云端如何部署测试Qwen1.5-MoE模型

       我们近期发布了Qwen系列的首个MoE模型，Qwen1.5-MoE-A2.7B。这款模型仅包含亿个激活参数，其性能与当前最先进的亿参数模型，如Mistral 7B和Qwen1.5-7B相比，能够达到相似水平。相较于Qwen1.5-7B中包含的亿个Non-Embedding参数，Qwen1.5-MoE-A2.7B的Non-Embedding参数量减少了约三分之一，达到亿个。相较于Qwen1.5-7B，Qwen1.5-MoE-A2.7B的训练成本降低了%，推理速度则提升了1.倍。

       在实际项目中使用Qwen 7B/B模型时，尝试部署Qwen1.5 MOE模型以测试效果。具体详情请访问以下链接查看。

       部署过程中遇到了一些问题，现分享如下。在Huggingface平台上搜索Qwen1.5-MoE，有三个版本：base版本、chat版本和量化版本。

       最初尝试的是chat版本，下载的模型权重达到了多GB，仅凭A设备无法运行。

       之后选择量化版本：Qwen/Qwen1.5-MoE-A2.7B-Chat-GPTQ-Int4，下载后的模型权重约为8GB。

       部署在云端Linux环境中，使用Huggingface的镜像网站（hf-mirror.com）快速下载。

       首先执行以下命令，然后运行下面的Python文件。

       将`local_dir`设置为自己的本地目录文件夹，后续使用时会用到。

       量化版本的突破主图源码模型需要GB的显存才能成功加载，我使用的是显卡，具有GB显存。

       加载模型和推理的代码如下：

       在加载和测试模型之前，请注意调整`/root/qwen1.5-moe-int4`路径为自己的目录，可使用相对路径或绝对路径。

       在部署过程中，遇到了以下问题：

       需要安装transformers库，但直接使用pip安装可能不行，需要从源码编译。

       可能会出现`ModuleNotFoundError: No module named 'optimum'`的错误，需要重新安装optimum。

       在安装optimum后，可能需要重新安装transformers库。

       可能会遇到`importlib.metadata.PackageNotFoundError: No package metadata was found for auto-gptq`错误，需要重新安装auto-gptq。

       解决这些问题后，运行上面的推理代码，进行模型加载和测试。尝试让模型生成一段歌词，发现量化版本的推理速度较慢，生成较长文本需要1-3分钟不等。直接加载模型进行推理，没有使用其他加速方法。

       MoE技术是否有效？后续将继续深入研究。

       我是从事自然语言处理（NLP）、知识图谱、大模型实际业务落地的算法工程师大林，如果您同样对此感兴趣，欢迎在dalinvip中备注知乎 大模型，一起交流。

pgAdmin4 - 搞定源码架构

       pgAdmin4是一个强大的开源工具，专为PostgreSQL数据库管理而设计，它是pgAdmin3的现代化升级，遵循开放源码协议，免费且适用于商业用途。作为基于Python的xdqd分时指标源码Web应用程序，pgAdmin4支持两种部署模式：web浏览器访问的web模式和独立运行的桌面模式。

       pgAdmin4的4.版本提供了详尽的功能图谱和系统架构，它是一个由Python编写的程序，源代码可以下载并深入了解其设计。源码结构清晰，核心组件在pgadmin包中，包含了Jinja引擎使用的HTML模板和全局静态文件，如图像、JavaScript和CSS，这些在__init__.py构造函数中初始化，负责设置日志和身份验证，以及动态加载其他模块。

       pgAdmin4的功能扩展是通过模块实现的，这些模块作为Python类实例，继承自Web/pgadmin/utils.py中的PgAdminModule类，它是一个基于Flask的Blueprint。为了被pgAdmin4识别为有效模块，需要创建一个Python包，并遵循特定规则，如为模块定义template和static目录，避免名称冲突。

       总的来说，pgAdmin4的源码架构设计巧妙，模块化使得功能扩展既灵活又有序，无论是开发人员还是数据库管理员，都能方便地管理和操作PostgreSQL数据库。

基于python的Neo4j知识图谱构建及问题解决(neo4j-python-pandas-py2neo-v3）

       项目介绍

       探索 Neo4j 与 Python Pandas 结合的强大力量：Py2Neo v3

       Skyellbin/neo4j-python-pandas-py2neo-v3，利用 Py2Neo 框架和 Python 的 Pandas 库，高效地进行 Neo4j 数据库与 Pandas DataFrame 之间数据转换的工具。该项目旨在解决在 Neo4j 图数据库和广泛使用的 Pandas 库之间进行数据交互的问题。通过 Py2Neo，它允许用户轻松地导入 Pandas DataFrame 到 Neo4j，反之亦然，从而使数据分析和可视化更为便捷。

       Neo4j：是领先的图形数据库，特别适合处理关系密集型的撑压线源码数据，如社交网络、知识图谱或供应链信息。

       Python Pandas：是数据分析的核心库，提供高性能、易用的数据结构（DataFrame）和数据分析工具。

       Py2Neo：是一个强大的 Python 库，用于操作 Neo4j 数据库，包括读取、写入、查询等操作。在这个项目中，Py2Neo 是连接 Neo4j 和 Pandas 的桥梁。

       此项目实现了以下功能：

       将 Pandas DataFrame 转换为 Neo4j 图形数据模型。

       从 Neo4j 查询结果构建 Pandas DataFrame。

       支持 Neo4j Cypher 查询语言，使数据提取更加灵活。

       下载后运行前需要做的事

       1 启动neo4j服务

       2 在浏览器输入 localhost:/browser/

       3 修改URL和设置用户名以及密码，与代码中的信息相符合

       4 在pycharm里运行代码

       5 运行 invoice_neo4j.py

       注：运行前修改一下该文件的 invoice_neo4j.py的第2行，包位置问题。

       此时报错：

       ValueError: The following settings are not supported: { 'username': 'neo4j'}

       这是因为在高版本不支持username参数。

       修改后即可运行

       安装依赖问题

       1 写了readme里的pip install -r requirements.txt后，其他包安装成功，py2neo==3安装失败

       依赖的pypi链接

       解决方案：

       linux下容易解决，访问pypi官网，下载3.0版本或者3.1版本（比如下面这个链接），手动安装即可

       github.com/Skyellbin/ne...

       win不好解决：

       3.0 3.1都没有win版本！ win只能使用4.0以上的版本

       4.0版本的链接下载后可以手动安装进工程（下载后，放进工程目录，然后在终端里输入 pip install .\py2neo-.2.4-py2.py3-none-any.whl

       现在可以运行了

       运行之后会出现 只有节点、生成边失败 的问题

       py2neo v4改了一些代码细节，不再有 'find_one'方法

       在源代码里，修改成下面这样

       DataToNeo4jClass.py 修改行的那个方法

       最终结果

#gStore-weekly | gStore源码解析（三）：安全机制之用户权限管理解析

       在gStore的全面安全机制中，用户权限管理是关键环节。首先，我们探讨权限的定义，它区分了系统用户（如system和root）和普通用户，后者的基本操作权限包括查询、更新等七类。用户权限在创建时需通过授权接口，针对特定数据库库进行定制化配置，这些信息会被存储在系统库中，并在ghttp服务启动时加载到用户对象中。

       权限管理涉及动态调整，ghttp服务提供了新增、删除和清空权限的功能。新增权限通过ghttp::addPrivilege函数实现，删除和清空权限则通过ghttp::delPrivilege函数操作。权限校验在服务运行时进行，对用户操作进行验证，确保符合接口权限要求，系统用户默认拥有所有权限，而其他用户则在登录后只允许特定操作，如查看库信息和心跳检测。

       理解这一部分后，建议配合gStore源码Main/ghttp.cpp进行深入研究。此外，gStore的安全机制还有更多内容等待探索，如黑白名单配置。如果你对gStore有任何疑问，可以添加运营人员微信，加入gStore图谱社区进行交流。

       我们鼓励大家参与gStore-weekly技术文章征集活动，分享你的技术见解、案例或心得，原创文章有机会获得精美礼品。一起参与，共同提升gStore技术社区的活力和深度。

字节T3-2级专家出品：年Android高级资深开发进阶路线图谱！

       随着Android技术的不断发展和更新，对开发者技能的要求日益提高。本文将全面分析年的Android高级资深开发进阶路线图，从初级、中级、高级以及资深工程师四个阶段进行深入探讨。

       初级开发阶段，应届生需掌握Android开发必备的底层技术，包括Java序列化、注解、泛型与反射、虚拟机底层原理、Android内存原理、数据结构算法等。推荐学习资料包括Java泛型、Java反射、Java并发编程、Java IO 和Android虚拟机等基本知识点，详细内容可参考文章。对于没有接触过Android的开发者，建议通过阅读入门书籍、官方文档和实践代码来熟悉环境，逐步尝试编写业务代码。

       中级开发阶段，应学习Android的Framework、Binder、Handler、AMS、PMS、WMS以及Jetpack等核心组件。深入理解源码原理，掌握深入源码的学习方法，解决实际问题。相关学习笔记和手册免费分享，获取方式见文章。

       高级开发阶段，需深入研究特定领域，如音视频开发、架构设计等。音视频开发方面，涵盖C/C++、JNI、H./H.、MediaCodec、剪辑、直播、OpenGL、解码、特效、FFmpeg、Webrtc等知识点。架构设计方面，剖析主流框架和一线大厂核心框架，学习架构设计思想，实战积累经验。

       资深开发阶段，拓展技术广度，学习Flutter跨平台开发、Android车载开发及前沿技术。掌握Flutter 3.0的混合式开发，了解跨平台技术的发展趋势，关注市场需求，不断提升技术能力。

       持续学习，定期面试，了解市场动态，确定技术短板，针对性提升。报名培训机构，学习行业精品资料，配合各种学习资源辅助，提高学习效率。多看大佬学习笔记，学习设计思想，站在巨人的肩膀上前行。掌握系统化学习方法，避免学习内容杂乱，确保学习质量。

       本文提供的路线图旨在帮助开发者高效提升技能，快速成长为Android高级资深工程师。通过持续学习、实践与反思，开发者能够紧跟技术发展趋势，成为具备竞争力的移动开发专家。

github是什么

       github是托管平台，专门用于存储代码、软件等等资源和信息的。github在年出现，最开始大家会将自己编写的源代码、图谱、文件编辑器防止这里，后来用户数量不断增加，现在已经有万用户，且托管的数量越来越多，它现在属于微软旗下。

github是什么

       1、github是开源代码库，与我们现在看到的各种云服务比较相似，它能够存储很多东西，比如软件、代码片段、文本渲染、报表等等，很多世界上非常有名的开源项目也会托管在这里，并且为其他的用户服务。

       2、github的创始人是汤姆普雷斯顿-维尔纳、克里斯万斯特拉斯，通过十多年的运营，它已经是世界上最有影响力的开源代码库，并且在年的时候被微软收购，因此现在它是微软旗下的，微软为收购支付了亿美元的费用。

       3、github在年的时候就已经有完开发者，并且它还在不断的壮大，在年的时候，github收购了NPM。在年和年的时候，github曾受到过黑客入侵，且资源库曾被擦除，不过现在已经基本恢复正常。

github是干什么的

       github的主要功能就是托管、分享，它可以让用户在这里存储开源代码，并且将这些代码分享给其他人，由于是开源的，因此并不违反规定。它还可以帮助人们在这里找到自己想要的开源代码，通过它来进行配置管理。

github是哪个国家的公司

       github是美国公司，因为它在年已经归入微软旗下，所以它现在隶属于美国。在年的6月4日，微软用亿美元的股票收购了github，从此它的名声更加显赫。在收购之后，github的CEO也从原本的创始人变为微软的开发者服务副总裁，负责这个托管平台的运营。