在WSL2-Ubuntu中安裝Anaconda、CUDA13.0、cuDNN9.12及PyTorch（含完整環境驗證）

WSL 搭建深度學習環境，流程基本上是一樣的，完整細節可參考我之前的博客：

在WSL2-Ubuntu中安裝CUDA12.8、cuDNN、Anaconda、Pytorch并驗證安裝_cuda 12.8 pytorch版本-CSDN博客

之所以記錄下來，是因為CUDA和cuDNN版本升級后，部分安裝細節有調整（便捷度提升），所以單獨開篇記錄。

一、引言

因需安裝依賴本地CUDA編譯的軟件包，需完整部署CUDA Toolkit、cuDNN及PyTorch環境。從CUDA12.9版本起，NVIDIA支持通過Anaconda安裝cuDNN，故調整流程為先裝Anaconda（前置）→再裝CUDA13.0→接著裝cuDNN9.12→最后裝PyTorch，確保版本適配且操作高效，關鍵步驟附官方及實操參考鏈接，保障可復現性。

二、前提條件（Windows端+WSL端）

（一）Windows系統準備

  1. 安裝NVIDIA官方顯卡驅動（需支持CUDA13.0，版本≥535.xx）：打開Windows cmd，執行nvidia-smi，確認輸出中“CUDA Version”≥13.0；
  2. 啟用WSL2并安裝Ubuntu系統（推薦22.04/24.04 LTS）：終端執行wsl --list --verbose，確認WSL版本為2；
  3. （可選）安裝Microsoft Visual Studio：用于跨平臺編譯需求，參考CUDA官方前置要求。

（二）WSL2-Ubuntu準備

  1. 配置網絡：開啟系統代理（避免下載緩慢，參考WSL2怎么設置網絡自動代理）；
  2. 權限與更新：確保擁有sudo權限，執行系統更新命令： 
    sudo apt update && sudo apt upgrade -y

三、第一步：安裝Anaconda（前置核心步驟）

WSL - Linux 安裝 Anaconda3-2025.06-0 詳細教程 [WSL 分發版均適用]_wsl安裝anaconda-CSDN博客

3.1 下載Anaconda安裝包

  1. 從Anaconda官網查詢最新Linux版本（截至2025年8月，推薦Anaconda3-2025.07-Linux-x86_64.sh）；
  2. 終端執行下載命令（保存至/tmp目錄，避免占用用戶目錄）： 
    wget -P /tmp https://repo.anaconda.com/archive/Anaconda3-2025.07-Linux-x86_64.sh

3.2 運行安裝腳本

  1. 執行安裝命令： 
    bash /tmp/Anaconda3-2025.07-Linux-x86_64.sh
  2. 交互操作：
    • 按ENTER翻頁閱讀許可協議，直至出現“Do you accept the license terms? [yes|no]”，輸入yes；
    • 確認安裝路徑（默認/home/[用戶名]/anaconda3，推薦默認），按ENTER；
    • 詢問“是否初始化Anaconda到shell”，必須輸入yes（自動配置環境變量，為后續conda安裝cuDNN鋪路）。

3.3 驗證Anaconda安裝

  1. 生效環境變量：關閉當前終端并重新打開，或執行source ~/.bashrc（Zsh用戶為source ~/.zshrc）；
  2. 驗證命令： 
    conda --version  # 輸出如“conda 25.7.0”，說明conda命令可用
conda env list   # 顯示base環境及路徑，確認環境正常

參考鏈接：在 Windows 11 下的 WSL - Ubuntu 24.04 中安裝 Anaconda3

四、第二步：安裝CUDA13.0 Toolkit

4.1 驗證WSL與GPU通信

終端執行nvidia-smi，確認輸出中“CUDA Version”≥13.0（若未顯示，需更新Windows端顯卡驅動）。

nvidia-smi

無需登錄（關閉登錄窗口即可）

CUDA 與 cuDNN 免登錄下載政策詳解（基于官方權威信息）_cudnn下載-CSDN博客

CUDA Toolkit 13.0 Downloads | NVIDIA Developer

wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt-get update
sudo apt-get -y install cuda-toolkit-13-0

4.2 下載并安裝CUDA密鑰環

  1. 執行下載命令（從NVIDIA WSL-Ubuntu專屬倉庫獲取）： 
    (base) love@AI:~$ wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.deb
    • 下載日志： 
      --2025-08-24 11:31:34--  https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.deb
Connecting to 127.0.0.1:7897... connected.
Proxy request sent, awaiting response... 200 OK
Length: 4328 (4.2K) [application/x-deb]
Saving to: ‘cuda-keyring_1.1-1_all.deb’
cuda-keyring_1.1-1_all.deb    100%[=================================================>]   4.23K  --.-KB/s    in 0s
2025-08-24 11:31:36 (912 MB/s) - ‘cuda-keyring_1.1-1_all.deb’ saved [4328/4328]
  2. 安裝密鑰環（確保后續CUDA包來源可信）： 
    (base) love@AI:~$ sudo dpkg -i cuda-keyring_1.1-1_all.deb
    • 安裝日志（關鍵片段）： 
      [sudo] password for love:
Selecting previously unselected package cuda-keyring.
(Reading database ... 40769 files and directories currently installed.)
Preparing to unpack cuda-keyring_1.1-1_all.deb ...
Unpacking cuda-keyring (1.1-1) ...
Setting up cuda-keyring (1.1-1) ...

4.3 更新軟件源并安裝CUDA13.0

  1. 更新軟件包列表： 
    (base) love@AI:~$ sudo apt-get update
    • 更新日志（關鍵片段）： 
      Hit:1 http://security.ubuntu.com/ubuntu noble-security InRelease
Hit:2 http://archive.ubuntu.com/ubuntu noble InRelease
Get:3 http://archive.ubuntu.com/ubuntu noble-updates InRelease [126 kB]
Get:4 https://developer.download.nvidia.cn/compute/cuda/repos/wsl-ubuntu/x86_64  InRelease [1581 B]
Fetched 3275 kB in 4s (741 kB/s)
Reading package lists... Done
  2. 安裝CUDA13.0 Toolkit（指定版本避免自動升級）： 
    (base) love@AI:~$ sudo apt-get -y install cuda-toolkit-13-0
    • 安裝過程：系統自動下載3389 MB依賴包（含cuda-cccl-13-0、cuda-nvcc-13-0等核心組件），最終提示“Setting up cuda-toolkit-13-0 (13.0.0-1) …”，表示安裝完成。

4.4 配置CUDA環境變量

  1. 編輯shell配置文件（以Bash為例）： 
    nano ~/.bashrc
  2. 在文件末尾添加以下內容（指定CUDA13.0安裝路徑）： 
    export PATH=/usr/local/cuda-13.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-13.0/lib64:$LD_LIBRARY_PATH
export CUDA_HOME=/usr/local/cuda-13.0
  3. 保存并生效：按Ctrl+X→輸入Y→按ENTER，執行source ~/.bashrc。

4.5 驗證CUDA13.0安裝

nvcc -V  # 輸出如“Cuda compilation tools, release 13.0, V13.0.48”
ls /usr/local/cuda-13.0  # 顯示bin、lib64、include等目錄，確認安裝完整性

參考鏈接：在 Windows 11 下的 WSL - Ubuntu 24.04 中安裝 CUDA 的記錄；

官方指引：CUDA下載（WSL-Ubuntu deb_network方式）

五、第三步：安裝cuDNN9.12（Anaconda方式）

CUDA 深度神經網絡庫 (cuDNN) | NVIDIA 開發者

同樣是免登錄下載和安裝。

官方文檔更新未及時，注意修改“cuda-version=”的版本號。

一般 cuDNN 能自動降級適配CUDA，但較老的 cuDNN 版本可能無法向后兼容較新版本的 CUDA 。

cuDNN 安裝命令：

conda install nvidia::cudnn cuda-version=13

或者：

conda install nvidia::cudnn=9.12 cuda-version=13

5.1 激活Anaconda環境

  1. 確保處于base環境（終端前綴顯示(base)），若未激活執行： 
    conda activate base
  2. （可選）創建獨立虛擬環境（推薦，避免污染base環境）： 
    conda create -n cuda13_env python=3.13  # 適配Python 3.13版本
conda activate cuda13_env

5.2 通過conda安裝cuDNN9.12

  1. 執行安裝命令（指定與CUDA13.0兼容的cuDNN9.12版本）： 
    (base) love@AI:~$ conda install nvidia::cudnn=9.12 cuda-version=13
  2. 安裝日志（關鍵片段）： 
    Channels:- defaults- nvidia
Platform: linux-64
Collecting package metadata (repodata.json): done
Solving environment: done
## Package Plan ##environment location: /home/love/anaconda3added / updated specs:- cuda-version=13- nvidia::cudnn=9.12
The following NEW packages will be INSTALLED:cuda-version       pkgs/main/noarch::cuda-version-13.0-hbda6634_3cudnn              nvidia/linux-64::cudnn-9.12.0.46-h2b6041c_0libcudnn           nvidia/linux-64::libcudnn-9.12.0.46-h24322f0_0libcudnn-dev       nvidia/linux-64::libcudnn-dev-9.12.0.46-h2b6041c_0
Proceed ([y]/n)? y
Downloading and Extracting Packages:
Preparing transaction: done
Verifying transaction: done
Executing transaction: done

5.3 驗證cuDNN9.12安裝

  1. 查看conda已安裝包： 
    conda list | grep cudnn  # 輸出“cudnn                     9.12.0.46          h2b6041c_0    nvidia”
  2. 檢查庫文件路徑（conda環境內）： 
    ls $CONDA_PREFIX/lib/libcudnn*  # 顯示libcudnn.so、libcudnn_static.a等文件

參考鏈接：Windows 11 系統下，通過 WSL 里的 Ubuntu 24.04 安裝 CUDNN 記錄；

CUDA與cuDNN適配說明：是否需要預先安裝CUDA Toolkit?

六、第四步：安裝PyTorch（適配CUDA13.0）

Get Started

pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu129

6.1 執行安裝命令

從PyTorch官方倉庫（https://download.pytorch.org/whl/cu129 ）安裝適配CUDA13.0的版本（CUDA向下兼容，cu129包支持CUDA13.0）：

(base) love@AI:~$ pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu129

6.2 安裝日志（關鍵片段）

Looking in indexes: https://download.pytorch.org/whl/cu129
Collecting torchDownloading https://download.pytorch.org/whl/cu129/torch-2.8.0%2Bcu129-cp313-cp313-manylinux_2_28_x86_64.whl.metadata (30 kB)
Collecting torchvisionDownloading https://download.pytorch.org/whl/cu129/torchvision-0.23.0%2Bcu129-cp313-cp313-manylinux_2_28_x86_64.whl.metadata (6.1 kB)
# 自動下載依賴（nvidia-cuda-nvrtc-cu12、nvidia-cudnn-cu12等）
Downloading https://download.pytorch.org/whl/cu129/torch-2.8.0%2Bcu129-cp313-cp313-manylinux_2_28_x86_64.whl (1240.3 MB)━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 1.2/1.2 GB 1.9 MB/s eta 0:00:00
Successfully installed nvidia-cublas-cu12-12.9.1.4 ... torch-2.8.0+cu129 torchvision-0.23.0+cu129 triton-3.4.0

七、第五步：完整驗證深度學習環境

驗證PyTorch深度學習環境Torch和CUDA還有cuDNN是否正確配置的命令-CSDN博客

驗證代碼示例（python環境）：

import torch  # 導入 PyTorch 庫print("PyTorch 版本：", torch.__version__)  # 打印 PyTorch 的版本號# 檢查 CUDA 是否可用，并設置設備（"cuda:0" 或 "cpu"）
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print("設備：", device)  # 打印當前使用的設備
print("CUDA 可用：", torch.cuda.is_available())  # 打印 CUDA 是否可用
print("cuDNN 已啟用：", torch.backends.cudnn.enabled)  # 打印 cuDNN 是否已啟用# 打印 PyTorch 支持的 CUDA 和 cuDNN 版本
print("支持的 CUDA 版本：", torch.version.cuda)
print("cuDNN 版本：", torch.backends.cudnn.version())# 創建兩個隨機張量（默認在 CPU 上）
x = torch.rand(5, 3)
y = torch.rand(5, 3)# 將張量移動到指定設備（CPU 或 GPU）
x = x.to(device)
y = y.to(device)# 對張量進行逐元素相加
z = x + y# 打印結果
print("張量 z 的值：")
print(z)  # 輸出張量 z 的內容

7.1 Python交互模式驗證（核心步驟）

  1. 終端進入Python環境： 
    (base) love@AI:~$ python
Python 3.13.5 | packaged by Anaconda, Inc. | (main, Jun 12 2025, 16:09:02) [GCC 11.2.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>>
  2. 執行驗證代碼： 
    import torch
# 1. 驗證版本信息
print("PyTorch 版本：", torch.__version__)  # 輸出“2.8.0+cu129”
print("支持的 CUDA 版本：", torch.version.cuda)  # 輸出“12.9”（向下兼容CUDA13.0）
print("cuDNN 版本：", torch.backends.cudnn.version())  # 輸出“91204”（對應cuDNN9.12）# 2. 驗證GPU可用性
print("CUDA 可用：", torch.cuda.is_available())  # 輸出“True”
print("cuDNN 已啟用：", torch.backends.cudnn.enabled)  # 輸出“True”
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print("當前設備：", device)  # 輸出“cuda:0”
print("GPU 設備名：", torch.cuda.get_device_name(0))  # 輸出GPU型號（如“NVIDIA GeForce RTX 4090”）# 3. 驗證GPU張量運算（核心功能驗證）
x = torch.rand(5, 3).to(device)  # 創建隨機張量并轉移到GPU
y = torch.rand(5, 3).to(device)
z = x + y  # GPU上執行張量相加
print("GPU 張量運算結果：\n", z)
  3. 預期輸出（示例）： 
    PyTorch 版本： 2.8.0+cu129
支持的 CUDA 版本： 12.9
cuDNN 版本： 91204
CUDA 可用： True
cuDNN 已啟用： True
當前設備： cuda:0
GPU 設備名： NVIDIA GeForce RTX 4090
GPU 張量運算結果：tensor([[1.0225, 1.4994, 1.9415],[0.8256, 1.4385, 1.3833],[0.8874, 0.4490, 1.1313],[1.4452, 0.3707, 1.2173],[0.8632, 1.1795, 1.0678]], device='cuda:0')

7.2 額外驗證（可選，確保編譯功能）

  1. 驗證CUDA編譯器： 
    nvcc --version  # 確認CUDA編譯器正常，支持本地編譯
  2. 驗證conda環境與系統CUDA協同： 
    echo $CUDA_HOME  # 輸出“/usr/local/cuda-13.0”，確認環境變量生效
echo $LD_LIBRARY_PATH | grep $CONDA_PREFIX/lib  # 確認conda的cuDNN路徑被識別

八、注意事項與常見問題

  1. 版本兼容性：
    • 確保cuDNN版本（9.12）與CUDA13.0匹配，可通過NVIDIA cuDNN兼容性表查詢；
    • Python版本推薦3.9~3.13，避免過高版本導致依賴包不兼容。
  2. 網絡問題：
    • 若conda/pip下載緩慢，配置國內鏡像（如清華conda鏡像：conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/nvidia/）；
    • 若CUDA源無法訪問，替換為中科大CUDA源：sudo sed -i 's/developer.download.nvidia.com/mirrors.ustc.edu.cn\/nvidia-cuda/' /etc/apt/sources.list.d/cuda.list。
  3. 編譯報錯處理：
    • 若報錯“nvcc not found”，重新執行source ~/.bashrc；
    • 若報錯“libcudnn.so not found”，激活conda環境（conda activate cuda13_env）并執行export LD_LIBRARY_PATH=$CONDA_PREFIX/lib:$LD_LIBRARY_PATH。

九、結語

本文完成WSL2-Ubuntu中Anaconda→CUDA13.0→cuDNN9.12→PyTorch的完整部署，通過實操日志和多維度驗證，確保環境支持本地CUDA編譯與GPU加速深度學習任務。后續可基于此環境安裝依賴CUDA的自定義軟件包（如深度學習框架插件、自定義算子），直接用于模型訓練與推理開發。

參考鏈接匯總

  1. Anaconda安裝：https://aicity.blog.csdn.net/article/details/144737143?spm=1011.2415.3001.10575&sharefrom=mp_manage_link
  2. CUDA13.0安裝：https://aicity.blog.csdn.net/article/details/144735570?spm=1011.2415.3001.10575&sharefrom=mp_manage_link；
  3. 官方指引：https://developer.nvidia.com/cuda-downloads?target_os=Linux&target_arch=x86_64&Distribution=WSL-Ubuntu&target_version=2.0&target_type=deb_network
  4. cuDNN9.12安裝：https://aicity.blog.csdn.net/article/details/144734627?spm=1011.2415.3001.10575&sharefrom=mp_manage_link
  5. 網絡代理配置：https://blog.csdn.net/u014451778/article/details/146073726?sharetype=blog&shareId=146073726&sharerefer=APP&sharesource=u014451778&sharefrom=link
  6. CUDA Toolkit場景說明：https://aicity.blog.csdn.net/article/details/148660071?spm=1011.2415.3001.10575&sharefrom=mp_manage_link
  7. PyTorch下載源：https://download.pytorch.org/whl/cu129

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/news/920332.shtml
繁體地址，請注明出處：http://hk.pswp.cn/news/920332.shtml
英文地址，請注明出處：http://en.pswp.cn/news/920332.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

OpenFOAM中梯度場的復用(caching)和生命期管理

OpenFOAM中梯度場的復用(caching)和生命期管理

文章目錄OpenFOAM中梯度場的復用(caching)和生命期管理一、緩存機制的目標二、如何實現緩存（以 fvc::grad 為例）1. 使用 IOobject::AUTO_WRITE 和注冊名2. 示例：fvc::grad 的緩存實現（簡化邏輯）三、生命期管理是如何實…
閱讀更多...
【Hot100】貪心算法

【Hot100】貪心算法

系列文章目錄 【Hot100】二分查找 文章目錄系列文章目錄方法論Hot100 之貪心算法121. 買賣股票的最佳時機55. 跳躍游戲45. 跳躍游戲 II763. 劃分字母區間方法論 Hot100 之貪心算法 121. 買賣股票的最佳時機 121. 買賣股票的最佳時機：給定一個數組 prices &#…
閱讀更多...
電子電氣架構 --- 軟件項目復雜性的駕馭思路

電子電氣架構 --- 軟件項目復雜性的駕馭思路

我是穿拖鞋的漢子，魔都中堅持長期主義的汽車電子工程師。 老規矩，分享一段喜歡的文字，避免自己成為高知識低文化的工程師： 做到欲望極簡，了解自己的真實欲望，不受外在潮流的影響，不盲從，不跟風。把自己的精力全部用在自己。一是去掉多余，凡事找規律，基礎是誠信；二是…
閱讀更多...
SSE實時通信與前端聯調實戰

SSE實時通信與前端聯調實戰

1.SSE 原理機制 sse 類似websocket,但是sse是單向的，不可逆的，只能服務端向客戶端發送數據流 2.解決跨域問題 Access to XMLHttpRequest at http://127.0.0.1:8090/sse/doChat from origin http://127.0.0.1:3000 has been blocked by CORS policy: Re…
閱讀更多...
從傳統到創新：用報表插件重塑數據分析平臺

從傳統到創新：用報表插件重塑數據分析平臺

一、傳統 BI 平臺面臨的挑戰 在當今數字化時代，數據已成為企業決策的重要依據。傳統的商業智能（BI）平臺在數據處理和分析方面發揮了重要作用，但隨著數據量的爆炸式增長和用戶需求的日益多樣化，其局限性也逐漸顯現。 …
閱讀更多...
MySQL--MySQL中的DECIMAL 與 Java中的BigDecimal

MySQL--MySQL中的DECIMAL 與 Java中的BigDecimal

1. 為什么需要 DECIMAL在數據庫中，常見的數值類型有：INT、BIGINT → 整數，存儲容量有限。FLOAT、DOUBLE → 浮點數，存儲效率高，但存在精度丟失問題。DECIMAL(M, D) → 定點數，存儲精確值。例子：…
閱讀更多...
低空無人機系統關鍵技術與應用前景：SmartMediaKit視頻鏈路的基石價值

低空無人機系統關鍵技術與應用前景：SmartMediaKit視頻鏈路的基石價值

引言：低空經濟的新興格局 低空經濟作為“新質生產力”的代表，正在從政策驅動、技術突破和市場需求的共振中走向產業化。2023年，中國低空經濟的市場規模已超過 5000 億元人民幣，同比增長超過 30%。無人機（UAV&#xff…
閱讀更多...
在Windows系統上升級Node.js和npm

在Windows系統上升級Node.js和npm

在Windows系統上升級Node.js和npm，我推薦以下幾種方法： 方法1：使用官網安裝包（最簡單） 訪問 nodejs.org 下載Windows安裝包（.msi文件） 運行安裝包，選擇"修復"或直接安裝新…
閱讀更多...
【Jetson】基于llama.cpp部署gpt-oss-20b（推理與GUI交互）

【Jetson】基于llama.cpp部署gpt-oss-20b（推理與GUI交互）

前言 本文在jetson設備上使用llama.cpp完成gpt-oss 20b的部署，包括后端推理和GUI的可視化交互。 使用的設備為orin nx 16g（super），這個顯存大小推理20b的模型完全沒有問題。 使用硬件如下，支持開啟super模式。&#…
閱讀更多...
Matplotlib 可視化大師系列（一）：plt.plot() - 繪制折線圖的利刃

Matplotlib 可視化大師系列（一）：plt.plot() - 繪制折線圖的利刃

目錄Matplotlib 可視化大師系列博客總覽Matplotlib 可視化大師系列（一）：plt.plot() - 繪制折線圖的利刃一、 plt.plot() 是什么？二、 函數原型與核心參數核心參數詳解三、 從入門到精通：代碼示例示例 1：最基…
閱讀更多...
第二階段Winfrom-8：特性和反射，加密和解密，單例模式

第二階段Winfrom-8：特性和反射，加密和解密，單例模式

1_預處理指令 （1）源代碼指定了程序的定義，預處理指令（preprocessor directive）指示編譯器如何處理源代碼。例如，在某些情況下，我們希望編譯器能夠忽略一部分代碼，而在其他情況下&am…
閱讀更多...
【開題答辯全過程】以 微信小程序的醫院掛號預約系統為例，包含答辯的問題和答案

【開題答辯全過程】以 微信小程序的醫院掛號預約系統為例，包含答辯的問題和答案

個人簡介一名14年經驗的資深畢設內行人，語言擅長Java、php、微信小程序、Python、Golang、安卓Android等開發項目包括大數據、深度學習、網站、小程序、安卓、算法。平常會做一些項目定制化開發、代碼講解、答辯教學、文檔編寫、也懂一些降重方面的技巧。感謝大家的…
閱讀更多...
鴻蒙ArkUI 基礎篇-06-組件基礎語法-Column/Row/Text

鴻蒙ArkUI 基礎篇-06-組件基礎語法-Column/Row/Text

目錄 掌握組件寫法，使用組件布局界面 ArkUI與組件 先布局再內容 DevEco Studio代碼實戰 預覽效果 總結 練習 掌握組件寫法，使用組件布局界面 ArkUI與組件 ArkUI（方舟開發框架）：構建 鴻蒙 應用 界面 的框架 組件…
閱讀更多...
8.27 網格memo

8.27 網格memo

lc329計算矩陣中最長遞增路徑長度嘗試從矩陣每個位置出發，int dfs() 往上下左右四個方向找嚴格遞增的路徑retmax(ret,dfs(x,y)1);return memo[i][j]ret;返回所有路徑里的最長長度 class Solution {public:int dx[4]{0,0,1,-1};int dy[4]{1,-1,0,0};int m,n;vector&l…
閱讀更多...
flume監控文件寫入 Kafka 實戰：解耦應用與消息隊列的最佳實踐

flume監控文件寫入 Kafka 實戰：解耦應用與消息隊列的最佳實踐

flume監控文件寫入 Kafka 實戰：解耦應用與消息隊列的最佳實踐 在日志采集場景中，直接讓應用程序通過 log4j2 寫入 Kafka 會導致應用與 Kafka 強耦合（如 Kafka 故障可能影響應用運行）。更優的方案是：應用程序將日志寫入…
閱讀更多...
從瀏覽器無法訪問到Docker容器的 FastAPI 服務地址【宿主機瀏覽器和容器不在同一個網絡層面：端口映射】

從瀏覽器無法訪問到Docker容器的 FastAPI 服務地址【宿主機瀏覽器和容器不在同一個網絡層面：端口映射】

文章目錄1. 問題根源：Docker 網絡模型2. 解決方案：端口映射（Port Mapping）方法 1：重新運行容器并添加端口映射（推薦）方法 2：獲取宿主機的 IP 進行訪問（特定情況&#xff…
閱讀更多...
線性代數中矩陣等價與離散數學中關系的閉包之間的關聯

線性代數中矩陣等價與離散數學中關系的閉包之間的關聯

最近在重溫線性代數時，學到矩陣的等價的定義及其性質，發現其性質與離散數學中關系的閉包所要滿足的性質非常相似，不由的讓人不懷疑這二者之間存在某種關聯，從而引發以下的思考：從deepseek的回答中我明白了矩陣的等價其…
閱讀更多...
從MyJUnit反思Java項目的工程實踐(版本控制篇)

從MyJUnit反思Java項目的工程實踐(版本控制篇)

從 MyJUnit 反思Java項目的工程實踐(版本控制篇) 參考資料 deepseekgithub copilotCSDN-Git代碼管理工作流程：GitFlow詳解Conventional Commits手冊封面來自 qwen-image 遵循 git flow 分支管理模型 Git Flow 是一種圍繞項目發布的核心分支模型, 它規定了不同的開發…
閱讀更多...
小工具推薦

小工具推薦

小工具 ? 平時不太喜歡去搜羅一些好用的工具，但是看到自己感興趣的還是會記下來，有的是github上的開源項目，有的是一些直接在線的工具。主要是除了工作時間也不知道去干點什么，或者是和朋友玩玩游戲，或者是city walk…
閱讀更多...
【js】加密庫sha.js 嚴重漏洞速查

【js】加密庫sha.js 嚴重漏洞速查

前言sha.js 是 JavaScript 生態里最常用的輕量級加密庫。它由 Browserify 社區維護，體積不足 20 KB，卻實現了 SHA-1、SHA-224、SHA-256、SHA-384、SHA-512 全系列算法，是 crypto-browserify、webpack、web3.js 等數百個流行包的“根依賴”。而…
閱讀更多...
最新文章

Copyright @ 2022~2023