内容：vs+libtorch（环境配置以及部署），包含batch推理，FP16推理。 适合人群：libtorch初学者，模型部署应用者， 使用场景：工业缺陷检查或学生学习

达梦8主备集群搭建部署

Mycat数据库中间件部署数据库分库操作

项目架构：B/S架构 开发语言：Java语言 开发软件：idea eclipse 前端技术：Layui、HTML、CSS、JS、JQuery等技术 后端技术：JAVA 运行环境：Win10、JDK1.8 数 据 库：MySQL5.7/8.0 运行服务器：Tomcat7.0 CSDN太坑了，设置是0积分，动态调整下载积分太多，想要源码的私信我吧。

mysql备份脚本 可以同时备份一个实例下的多个库 适合多实例部署的版本 各路径请进行相应的修改 别忘了脚本赋权

U8 cloud linux系统安装及部署指南

（注：评估版 有限制）。运行环境windows7及以上X64位系统， 绿色免安装，软件简化开源ocr系统在windows服务器的部署敲命令安装的过程，同时集成了ocr识别模板制作可视化编辑测试工具（无需抠字符），后端调用方面集成了ocr识别代理接口（可自行设置ip和端口），默认使用了了开源的识别库（可自行替换）可进行日常的中英文识别 识别效果还不错

svn安装部署相关软件包

深度学习-TensorRT模型部署实战，2022年4月新课，完整版视频教程下载，附代码、课件。 本课程划分为四部分： 第一部分精简CUDA-驱动API：学习CUDA驱动API的使用，错误处理方法，上下文管理方法，了解驱动API所处位置，CUDA的开发习惯。 第二部分精简CUDA-运行时API：学习CUDA运行时API的使用，力求精简，力求够用，学会编写核函数加速模型预处理（仿射变换），学习yolov5的后处理加速方法，共享内存的使用。 第三部分tensorRT基础：学习tensorRT的模型编译、推理流程，onnx解析器的使用，学习onnx的结构和编辑修改方法，学习int8量化，插件开发流程，简化的插件开发方法，学习动态shape的应用。 第四部分tensorRT高级：以项目驱动，学习大量具体的项目案例（分类器、目标检测、姿态检测、场景分割、道路分割、深度估计、车道线检测、huggingface、insightface、mmdetection、onnxruntime、openvino），学习针对深度学习需要的封装技术、多线程技术、框架设计技术。

注意：建议虚拟机内存2G以上，一定要配置阿里云的加速镜像 1.下载镜像文件 docker pull beginor/gitlab-ce:11.0.1-ce.0 2.创建GitLab 的配置 (etc) 、 日志 (log) 、数据 (data) 放到容器之外， 便于日后升级 mkdir -p /mnt/gitlab/etc mkdir -p /mnt/gitlab/log mkdir -p /mnt/gitlab/data 3.运行GitLab容器 进入/mnt/gitlab/etc目录，运行一下命令 docker run \ --detach \ --publish 844