最新

我在巨大的压力下构建了一个真实的生产系统，你可以通过SSH登录并解决实际问题。你将拥有自己的服务器（真实的机器），并在压力下修复各种问题。 有朋友告诉我，这让我想起了SRE（站点可靠性工程师）的《毁灭战士》，另一个人称它为“飞行模拟器”，因为你可以做任何事情（如果崩溃可以重启）。还有人说这就像是“工程师的逃脱室”，因为你需要在一个陌生的系统中找到自己的路并解决难题。我不知道，也许这很有趣。试试吧！ 它的工作原理是：你会得到两台Hetzner服务器：一台是流量生成器（来自纽约出租车数据的真实流量，压缩到每秒12000个请求），向用户服务器发送大量请求，而用户服务器上有一些（现实中）故障的组件，试图将数据呈现到图表上。你的任务是让它正常工作，并降低整个系统的延迟。你可以使用任何你喜欢的工具或技术来实现这一目标。 到目前为止，我看到有人在数据库中进行操作，添加缓存，使用Go重写服务。没有唯一正确的解决方案！ 我为什么要构建这个：我15年前是一名学校教师，过去10年一直在培训开发者。大多数开发培训（教程、玩具项目等）与“真实工作”感觉相去甚远。我想看看我们能否让培训变得更加真实、具有挑战性和趣味性。

我想更新我的设备（戴尔 XPS），正在考虑一款配置最高的 M4 Max。我的预算是 4000 到 5000 美元。 我更倾向于购买非苹果的硬件，但这款戴尔用了仅三年就出现了很多问题：充电器坏了，找替换件很困难，因为这是一个特定型号，电池现在几乎只能维持一个小时，触摸屏在使用一年后就出现了故障，现在完全没用了，“碳纤维”外壳的老化情况也让人感到荒谬，仿佛已经使用了十年以上，麦克风仍然不支持，虽然这算是一个小问题。 此外，我没有任何证据，但我觉得整体性能有所下降，尽管不是很明显。 我之前使用过苹果的 MacBook，虽然也有问题，但当它们正常工作时，表现非常出色。我更想买一台 Linux 笔记本，但我找不到任何能够与 M4 Max 相匹配或接近的产品。

我一直在开发 siapy-lib，这是一个用于处理和分析高光谱及多光谱图像的 Python 库。它旨在帮助研究人员、工程师和开发者在不使用像 ENVI 或 SNAP 这样大型图形用户界面工具的情况下，处理光谱图像数据。 该库注重灵活性和模块化，采用基于插件的架构，使其易于扩展并集成到您自己的工作流程中。 主要功能： • 光谱图像处理：轻松读取和可视化 ENVI、GeoTIFF 和原始图像立方体。 • 光谱分析：提取和分析光谱特征。 • 机器学习集成：标记图像区域、训练模型和图像分割。 • 相机共注册：对来自多个传感器的数据进行对齐，并计算相机空间之间的变换。 • 辐射度转换：使用参考面板将辐射度转换为反射率。 • CLI 工具（实验性）：通过 siapy-cli 提供基本的命令行访问，便于快速原型开发。 该库仍在不断发展中，我非常希望听到从事遥感、地球观测或光谱成像的人员的反馈，无论是学术界还是应用领域。欢迎提出建议、报告错误或贡献代码！ GitHub: [https://github.com/siapy/siapy-lib](https://github.com/siapy/siapy-lib) CLI（可选）：[https://github.com/siapy/siapy-cli](https://github.com/siapy/siapy-cli)

我在90年代开始编程，并一直持续到今天（尽管由于我在管理团队，所以编程的时间有限）。我经常看到一些在20年前会有非常简单或“愚蠢”解决方案的问题，如今却似乎需要复杂的工具、库或服务。 举两个例子： 我最近看到一位工程师为存储一个仅在当前会话中需要的临时文件而配置了一个S3桶，而这个文件只能被创建它的应用程序访问。对我来说，这正是本地文件系统的用途。 我还看到另一位工程师配置了一个内存中的键值存储，用于存储一些不经常变化的参考数据，这些数据可以在启动时轻松加载，并且在应用程序运行时内存在请求之间保持持久。对我来说，这正是本地堆内存的用途。我只需将数据加载到一个单例映射中。 这两种服务都有其合理的使用场景，但我不禁想知道，它们（以及其他我在这里不想详细讨论的工具和服务）是否开始让程序员忘记我们的应用程序运行在具有标准资源（CPU、内存、磁盘、网络接口）的机器上，这些资源通过操作系统提供，并通过开发平台提供的API进一步抽象化。 还有其他人有类似的经历吗？ [1] 我所工作的系统是非平凡且至关重要的：资本市场交易系统。因此，这并不是说那些“愚蠢”的解决方案在韧性、性能或可维护性方面存在问题。