docker自建jupiter

### 使用 Docker 自建 Jupyter Notebook 服务器教程 #### 安装 Docker 为了使用 Docker 部署 Jupyter Notebook,首先需要确保宿主机已经安装了 Docker。对于大多数操作系统而言,官方文档提供了详细的安装指南[^1]。 #### 启动 Jupyter Notebook 容器 启动一个带有 Jupyter Notebook 的容器非常简单。通过下面这条命令即可创建并运行一个新的容器: ```bash sudo docker run -d -p 8888:8888 jupyter/base-notebook ``` 上述命令会下载 `jupyter/base-notebook` 镜像,并将其作为一个后台服务启动,在宿主机的 8888 端口监听来自客户端的连接请求[^2]。 #### 访问 Jupyter Notebook Web 接口 一旦容器成功启动,可以通过浏览器访问 http://localhost:8888 来打开 Jupyter Notebook 的网页界面。首次登录时可能会提示输入密码或令牌;此时可以从日志输出中找到该令牌信息,方法是在终端查看容器的日志输出: ```bash sudo docker logs <container_id> ``` 其中 `<container_id>` 是指之前启动命令返回的那个唯一标识符,也可以用 `docker ps` 查看到正在运行中的容器列表及其 ID。 #### 数据持久化配置 为了避免数据丢失,建议挂载本地目录至容器内部用于保存工作文件。修改之前的启动命令如下所示: ```bash sudo docker run -d -v /path/to/notebooks:/home/jovyan/work -p 8888:8888 jupyter/base-notebook ``` 这里 `/path/to/notebooks` 应替换为实际想要映射到容器内的路径。这样即使停止或删除容器后,所有的工作成果仍然会被安全地存储于宿主机上指定的位置。 #### 进一步优化与扩展功能 除了基础版之外,还有其他预装了更多科学计算库的镜像可供选择,比如 `jupyter/datascience-notebook` 或者 `jupyter/tensorflow-notebook`,这些都包含了更丰富的工具集来满足不同场景下的需求。

创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

Python内容推荐

物理信息神经网络求解 Klein-Gordon 方程的应用研究(Python代码实现)

物理信息神经网络求解 Klein-Gordon 方程的应用研究(Python代码实现)

内容概要:本文系统研究了物理信息神经网络(PINN)在求解Klein-Gordon方程中的应用,通过构建前馈神经网络模型,将偏微分方程的残差项作为损失函数的重要组成部分,结合初始条件与边界条件进行联合优化训练,实现了对非线性波动方程的高效数值求解。文中详细阐述了PINN的理论基础、网络结构设计、损失函数构建策略及训练流程,并提供了基于Python的完整代码实现,展示了该方法在处理复杂物理系统建模问题中的准确性、灵活性与无需网格划分的独特优势。; 适合人群:具备一定深度学习、偏微分方程理论基础及Python编程能力的研究生、科研人员和工程技术开发者,尤其适合从事科学计算、物理建模与神经网络交叉领域研究的学者。; 使用场景及目标:① 掌握物理信息神经网络的基本原理及其在微分方程求解中的实现路径;② 学习如何将物理先验知识嵌入神经网络训练过程,提升模型的物理一致性和泛化能力;③ 借助所提供的代码实例开展相关科研工作,拓展PINN在量子场论、非线性光学、波动传播等领域的应用研究; 阅读建议:建议读者结合文中给出的Python代码逐行复现求解过程,深入理解损失函数中各物理约束项的设计逻辑与权重配置,同时可尝试调整网络超参数、改变方程形式或应用于其他类型的偏微分方程,以全面提升对PINN方法的掌握与创新能力。

Agent 工具权限沙箱实战:白名单+参数校验+超时限次,零 Key 离线可跑(Python 源码)

Agent 工具权限沙箱实战:白名单+参数校验+超时限次,零 Key 离线可跑(Python 源码)

Agent 工具权限沙箱实战包。白名单、类 JSON Schema 参数校验、单工具超时、调用次数/速率限制,日志参数脱敏,未知工具默认拒绝。含计算器、检索、受限写文件等 Mock 工具。零第三方依赖、零 API Key,含样例与冒烟。MIT。作者 blog.csdn.net/mtl1994

Jupiter是一款性能非常不错的轻量级的分布式服务框架

Jupiter是一款性能非常不错的轻量级的分布式服务框架

Jupiter是一款性能非常不错的, 轻量级的分布式服务框架

selenium-jupiter:Selenium的JUnit 5扩展

selenium-jupiter:Selenium的JUnit 5扩展

Selenium木星 Selenium-Jupiter是一个扩展,旨在简化JUnit 5测试中对Selenium的使用。 该库是开源的,根据的条款。 目录 动机 Selenium-Jupiter允许以简单的方式从测试执行Selenium。 为此, Selenium-Jupiter充分利用了几个JUnit 5功能,例如以及。 此外, Selenium-Jupiter提供了与无缝集成,从而可以轻松地在Docker容器中使用不同的浏览器(Chrome,Firefox,Opera甚至Android设备中的浏览器)。 Selenium-Jupiter作为Java依赖项 为了将Selenium-Jupi

Docker 中快速安装tensorflow环境的方法步骤

Docker 中快速安装tensorflow环境的方法步骤

主要介绍了Docker 中快速安装tensorflow环境的方法步骤,小编觉得挺不错的,现在分享给大家,也给大家做个参考。一起跟随小编过来看看吧

Jupiter:工作推荐

Jupiter:工作推荐

木星(工作推荐) 该网站可帮助人们优化求职。 它可以根据用户历史记录推荐新作业。 模组 GitHub Job API Client:它负责使用Github API从Github获取作业信息。 用户存储了自己喜欢的工作后,我们可以调用MonkeyLearn API提取关键字。 然后它可以根据这些关键字推荐作业。 RPC处理程序:它与用户,Github Job API客户端和MySQL数据库直接通信。 用户发出请求并从Rpc获得响应。 MySQL数据库:用户数据,例如用户名和密码,喜欢的作业和推荐作业,将存储在MySQL数据库中。 我也在项目中使用了docker。 演示版

S3Mock:AWS S3 API的简单模拟实现,可作为Docker映像,JUnit 4规则或JUnit Jupiter扩展启动

S3Mock:AWS S3 API的简单模拟实现,可作为Docker映像,JUnit 4规则或JUnit Jupiter扩展启动

S3模拟 介绍 S3Mock是一种轻量级服务器,实现了Amazon S3 API的某些部分。 创建它是为了支持密封测试并减少测试时对基础结构的依赖性。 可以通过JUnit4和JUnit5支持或以编程方式将模拟服务器作为Docker容器启动。 类似的项目有: 用法 使用Docker映像 从命令行开始: docker run -p 9090:9090 -p 9191:9191 -t adobe/s3mock 端口9090用于HTTP,端口9191用于HTTPS。 组态 可以使用以下环境参数配置该模拟: validKmsKeys :将被视为有效的KMS Key-Ref列表。 initial

ml_mipt_dafe_major:FALT MIPT的机器学习课程

ml_mipt_dafe_major:FALT MIPT的机器学习课程

FALT MIPT的机器学习课程 工具 选项1 安装 在命令行中输入: jupyter notebook 在浏览器中打开 按指示使用 选项2 从安装Docker 在终端中转到您要运行Jupiter Notebook的目录,然后使用以下命令 docker run -d -p 4545:4545 -v $PWD:/home/user vlasoff/ml jupyter notebook 我们通过浏览器进入 按指示使用(要停止,请在终端中写入docker ps和docker stop ) 该图像包括: Python 3.7 Julia1.3.1 :warning: 不安全! 在容器运行时关闭本地计算机上的端口4545 选项3 前往 按指示使用

木星

木星

Jupiter是一个框架,用于包装计算或内存密集型组件,以向基于托管运行时(例如node.js , Java , Ruby)构建的应用程序提供高吞吐量和超低延迟服务。 我们在使用Jupiter和我们的开源Java框架一起构建基于Web的应用程序。 可以在找到更多信息和详细描述。 部署方式 在部署方面,我们非常重视Docker ,因此我们只需登录到stdout并使用SIGHUP来检测关闭请求。 尽管Jupiter旨在用作构建自定义服务的库,但是在Jupiter IO -IO下提供了一个独立的docker映像,就像在Jupiter的月球中一样,而不是I / O操作:)。 Jupiter IO启用了所有模块(如上所述)。 因此,您可以拨打以下电话去: > docker run -p 2410:2410 scireum/jupiter-io:latest & > redis-cli -p

神经流:脚本和管道的执行引擎

神经流:脚本和管道的执行引擎

入门 neuro-flow是使用Neu.ro平台简化日常工作的工具。 主要思想是:用户创建配置常规事物的YAML文件,例如,在平台中启动Jupiter Notebook,启动培训管道,打开用于远程存储的文件浏览器等。 该工具可以构建所需的Docker映像并在后台启动Neu.ro工作,但可以避免用户键入所有必需的neuro选项并手动管理管道方案。 安装 该工具托管在PyPI上,可以作为常规Python项目由pip安装: $ pip install neuro-flow 使用--upgrade选项升级到最新版本: $ pip install --upgrade neuro-flow

户田健吾

户田健吾

DA田健吾(eller86) 一个15岁的业余程序员。 :face_savoring_food: 特征 使用TDD维护应用Java,JUnit Jupiter,Selenide,TypeScript,mocha,Jasmine等 自定义和优化开发工作流程 GitHub动作,Jenkins,Travis CI,Ant,Maven,Gradle,npm,yarn,Sphinx,Docker等 开发Ant,Maven,Gradle,Jenkins,GitHub Probot和GitHub Action的扩展。 静态代码分析和字节码处理 为工作,。 开发适用于SpotBugs,Google Errorprone,SonarQube,PMD等的插件。使用ObjectWeb ASM构建小型工具。 解决问题,领导能力,团队/项目管理 关于我的职业生涯,请访问或在与我联系。 联络人 通过电子邮件发送至或DM在。

朱皮特

朱皮特

朱皮特

Geospatial-Anaconda

Geospatial-Anaconda

地理空间Python :globe_showing_Americas: :snake: Docker Hub上的官方图片: $ docker pull waliot/geospatial-anaconda:latest $ docker run -d \ --name geospatial-anaconda \ --restart=unless-stopped \ -v ` pwd ` /jupiter-notebooks:/opt/notebooks \ -p 8888:8888 \ waliot/geospatial-anaconda:latest $ docker container logs geospatial-anaconda 生成并运行 使用docker container构建并运行: $ docker build -t geospatial-anaconda . $ docker ru

基于 (Ju)ni5 + All(ure) + (Rest) Assured 实现接口测试

基于 (Ju)ni5 + All(ure) + (Rest) Assured 实现接口测试

基于 (Ju)ni5 + All(ure) + (Rest) Assured 实现接口测试

jupyter-workbench:Jupyter笔记本电脑工作台

jupyter-workbench:Jupyter笔记本电脑工作台

朱比斯特工作台 Jupyter笔记本电脑工作台 码头工人 在docker / jupyter-data-science下,找到: requirements.txt :所有用于预安装的python库 jupyter docker :使用基础映像使用预安装的python lib构建映像: continuumio/anaconda3:2020.07 docker-compose :启动并构建该映像 build.bash :建立图像并将其命名为jupyter-data-science:2020-09 笔记本电脑 履带式 爬虫类:notebooks / libs / crawler-class.ipynb 返回BeautifulSoup对象 导入使用: %run /notebooks/local/libs/crawler-class.ipynb crawler = Crawler(BASE_

HogwartsSDETJck22Interface-Jenkins自动化持续集成实战项目

HogwartsSDETJck22Interface-Jenkins自动化持续集成实战项目

Jenkins自动化持续集成实战项目 Jenkins自动化持续集成实战项目 Jenkins自动化持续集成实战项目 Jenkins自动化持续集成实战项目 Jenkins自动化持续集成实战项目

S2-Matt

S2-Matt

S²-马特

novel-to-dsfargggase

novel-to-dsfargggase

novel-to-dsfargggase

SpringBoot+Mybatis-Plus整合Sharding-JDBC5.1.1实现单库分表【全网最新】.doc

SpringBoot+Mybatis-Plus整合Sharding-JDBC5.1.1实现单库分表【全网最新】.doc

SpringBoot+Mybatis-Plus整合Sharding-JDBC5.1.1实现单库分表【全网最新】.doc

android-studio-ide-202.7486908-windows.zip

android-studio-ide-202.7486908-windows.zip

android-studio-ide-202.7486908-windows.exe

最新推荐最新推荐

recommend-type

两路半桥LLC谐振变换器软开关Simulink仿真(模拟谐振参数不同、分裂电容)

内容概要:本文介绍了“两路半桥LLC谐振变换器软开关Simulink仿真”资源包,重点在于基于Simulink平台对两路半桥LLC谐振变换器进行高精度建模与动态仿真,特别考虑了谐振参数不一致及分裂电容等非理想工况对系统性能的影响。该仿真模型不仅涵盖了主电路拓扑、软开关实现机制与谐振网络设计,还深入分析了不同参数配置下系统的启动特性、稳态效率、动态响应及软开关条件的满足情况。通过参数扫描与对比仿真,帮助用户掌握LLC变换器的关键设计要素与优化方法,具备较强的工程指导价值和科研教学意义。; 适合人群:电力电子、电气工程及其自动化等相关专业的高校师生,以及从事高频开关电源、新能源变换器、车载充电机等领域的研发工程师和技术人员。; 使用场景及目标:① 掌握两路并联半桥LLC谐振变换器的建模与仿真方法;② 理解软开关技术在提升变换器效率与降低EMI方面的关键作用;③ 分析谐振参数偏差与分裂电容结构对系统均流特性、增益曲线及软开关范围的影响;④ 支持科研项目中的拓扑验证、控制策略开发与故障工况分析; 阅读建议:建议结合Simulink仿真模型与配套说明文档进行学习,重点关注谐振腔参数设置、驱动时序设计及软开关波形观测;可通过调整谐振电感、电容值或引入参数失配,观察系统行为变化,深入理解LLC变换器的稳定边界与优化设计原则。
recommend-type

双向全桥CLLC谐振变换器仿真模型(Simulink仿真实现)

内容概要:本文系统介绍了双向全桥CLLC谐振变换器的Simulink仿真模型,重点阐述了变频控制、闭环仿真及其与多种电力电子拓扑(如维也纳整流器、DAB变换器、图腾柱PFC等)的联合仿真设计。资源包涵盖2.5kW双向全桥LLC、V2G电动汽车充放电系统、三相PFC、多相交错LLC等多种变换器的仿真案例,并深入展示了三电平VIENNA整流器在双闭环PI控制与SVPWM调制策略下,结合上下电容电压差值补偿实现中点电位平衡的先进控制方法。通过仿真验证,该策略不仅有效维持了800V直流母线电压的稳定,还在动态工况下显著提升了电容电压的均衡度,同时保持了较低的输入电流THD,充分体现了SVPWM与中点平衡控制协同优化的技术优势。; 适合人群:具备电力电子与自动控制理论基础,从事新能源发电、电动汽车、工业电源、微电网等领域的研究生、工程师及科研人员。; 使用场景及目标:① 学习并构建高频谐振变换器(如LLC、CLLC)的Simulink仿真模型,掌握其变频与混合控制策略;② 深入理解并应用中点电位平衡、双闭环PI控制、SVPWM调制等核心技术于VIENNA等三电平变换器中;③ 复现高水平期刊论文中的控制算法,服务于科研项目申报、学术论文撰写或工程产品开发。; 阅读建议:该资源为综合性仿真资料库,建议使用者结合自身研究方向(如电动汽车充电、新能源并网)选择对应案例进行精学,重点关注控制策略的设计逻辑、仿真参数的整定方法以及SVPWM与中点平衡的协同机制,并充分利用附带的计算书和参考文献深化理解,以实现从仿真模型到实际工程应用的顺利转化。
recommend-type

全桥LLC谐振(变频+移相混合控制)变换器闭环仿真模型(Simulink仿真实现)

全桥LLC谐振(变频+移相混合控制)变换器闭环仿真模型(Simulink仿真实现)
recommend-type

国央企创新负责人如何通过平台提升技术需求挖掘与资源配置的精准性?.docx

国央企创新负责人如何通过平台提升技术需求挖掘与资源配置的精准性?
recommend-type

虚拟同步发电机(VSG)惯量阻尼自适应控制仿真模型(simulink仿真实现)

内容概要:本文提供了“虚拟同步发电机(VSG)惯量阻尼自适应控制仿真模型”的Simulink仿真实现方法,系统阐述了如何通过仿真手段研究VSG在电力系统中的动态响应特性,重点聚焦于其惯量与阻尼的自适应控制策略。文中详细说明了模型构建流程,涵盖控制算法设计、参数调节、根轨迹分析等内容,并通过对比不同调节系数下的系统响应,深入探讨了控制参数对系统稳定性与动态性能的影响。该仿真模型有效复现了VSG模拟传统同步发电机惯性与阻尼特性的能力,对于提升新能源并网系统的频率稳定性和抗扰动能力具有重要研究价值。; 适合人群:具备电力系统、自动化或相关领域基础知识,从事新能源并网、微电网控制、电力电子与电力系统仿真研究的研究生、科研人员及工程师。; 使用场景及目标:①用于教学与科研中深入理解虚拟同步发电机的工作原理及其在现代电力系统中的应用;②为新能源发电系统接入电网时的稳定性分析与控制策略设计提供仿真验证平台;③支持对VSG控制参数进行优化,提升系统应对负荷波动和扰动的能力。; 阅读建议:建议读者结合Matlab/Simulink软件动手实践,按照文档结构逐步搭建仿真模型,重点关注控制环路设计与参数整定部分,同时参考提供的代码与仿真结果进行对比分析,以加深对VSG自适应控制机制的理解。
recommend-type

JGroup入门教程:集群通信与配置解析

"这篇文档是关于JGroup的笔记,涵盖了JGroup的基本概念、主要功能、特点以及核心API的介绍。" JGroup是一个专门用于构建分布式集群的库,它允许应用程序加入集群并与其他节点进行通信。当节点加入或离开时,JGroup会提供相应的通知机制。与Java Message Service (JMS)相比,JGroup的功能更专注于集群内的消息传递,不涉及队列、主题或事务管理。其核心特性在于其灵活的协议栈和配置,用户可以通过编辑XML配置文件来定制所需的功能。 例如,通过在协议栈中添加COMPRESS协议,可以实现消息的压缩。此外,JGroup还支持加密和身份验证,确保只有通过X.509证书认证的节点才能加入集群,从而增强了安全性。 JGroup的架构主要包括一个Channel接口,这是客户端主要的API,用于发送和接收消息。当发送消息时,消息会自顶向下通过整个协议栈。以下是`JChannel`类的部分关键方法: 1. `public JChannel(String properties)`:根据指定的XML配置文件(如"udp.xml")创建一个新的JChannel实例。 2. `public void setReceiver(Receiver r)`:设置接收器,用于处理接收到的消息。这里使用了`ReceiverAdapter`作为基础实现,用户可以自定义自己的接收器。 3. `public void connect(String cluster_name)`:将Channel连接到名为"demo-cluster"的集群。 4. `public void send(Message msg)`:通过Channel发送一个Message对象到集群。 5. `public View getView()`:获取当前的集群视图,即集群中节点的状态信息。 6. `public Address getLocalAddress()`:获取本地节点的地址。 7. `public void disconnect()`:断开Channel与集群的连接。 8. `public void close()`:关闭Channel,释放资源。 通过上述API,开发者可以轻松地实现集群内的通信。如果需要更改通信参数,如网络协议、消息格式等,只需修改对应的XML配置文件即可,无需修改应用程序代码。 JGroup是一个强大的工具,适用于需要高可用性和容错性的分布式系统。它简化了集群通信的实现,同时提供了高度的灵活性和可扩展性,使得开发人员能够专注于业务逻辑,而不用担心底层通信的复杂性。
recommend-type

FP32_FP16_INT8_BF16量化选型决策图谱(工业界已验证的7大业务场景精度-时延-功耗三维权衡矩阵)

以下是对您提供的技术博文进行深度润色后的版本。全文严格遵循您的全部优化要求: - ✅ **完全去除所有显性标题层级**(如“# 1. 量化基础…”、“## 2.1 FP32…”等),代之以自然段落过渡与逻辑流引导; - ✅ **打破“总—分—总”结构**,开篇即切入真实工业痛点,技术原理、硬件归因、场景验证三者交织推进; - ✅ **彻底删除“引言/总结/展望/参考资料”等模板化章节**,结尾不复述、不喊口号,而以一个具象的技术演进断面收束; - ✅ **语言高度去AI化**:摒弃“本文将从…角度阐述…”类句式;大量使用设问、插入语、工程师口语化表达(如“你猜怎么着?”“别急,先
recommend-type

GPU硬件编解码怎么开启?不同品牌显卡的操作方式有什么区别?

### 如何在GPU上启用编码器和解码器 对于希望利用GPU进行视频编解码的应用程序来说,启用硬件加速可以显著提高效率并减少CPU负载。具体方法取决于所使用的硬件平台以及软件库的支持情况。 #### NVIDIA CUDA 编解码设置 NVIDIA 提供了一套完整的工具集用于在其GPU上执行高效的视频处理操作。NVENC/NVDEC API允许开发者轻松集成硬件加速的功能至应用程序中[^2]。 ```cpp // 初始化CUDA环境 cudaError_t cudaStatus = cudaSetDevice(0); if (cudaStatus != cudaSuccess) {
recommend-type

嵌入式软件覆盖率测试技术及应用分析

"嵌入式软件覆盖率测试的研究与应用 (2014年) - 孙陇平,江苏自动化研究所" 本文深入探讨了嵌入式软件的覆盖率测试,这是一种关键的软件质量保证方法,尤其在面对日益复杂和硬件紧密集成的嵌入式系统时。覆盖率测试是衡量软件测试完整性和效率的重要指标,它通过确保软件的每一部分至少被执行一次来检测潜在的问题。 1. 覆盖率测试基础 - 覆盖率测试的核心在于度量测试用例对软件代码的覆盖程度,包括语句覆盖率、判定覆盖率、条件覆盖率、判定/条件覆盖率和路径覆盖率。这些指标帮助测试人员了解测试用例是否充分执行了代码的不同方面。 - 语句覆盖率关注的是每一行代码是否被执行,而判定覆盖率则检查每个判断表达式的真假分支是否都被执行过。条件覆盖率更进一步,确保每个条件的可能结果都被测试。判定/条件覆盖率综合考虑了条件和整个判断的覆盖。路径覆盖率是最全面的,它要求覆盖所有可能的执行路径。 2. 覆盖率测试方法 - 在嵌入式系统中,由于其与硬件的紧密耦合,常规测试方法往往不足。因此,采用程序插装技术进行覆盖率测试成为主流。这种方法涉及到在源代码中插入特殊代码,以记录和报告哪些部分被执行,然后编译生成可执行文件。 3. 覆盖率测试工具 - 文章提到了两种流行的覆盖率测试工具,Bullseye Coverage和LDRA TestBed。这两种工具都能提供详细的覆盖率报告,帮助定位未被测试的代码段。 4. 应用示例 - 以Turbo C开发环境下的DOS操作系统为例,作者展示了如何使用LDRA Testbed进行覆盖率分析。通过插装程序,可以获取语句覆盖率和分支覆盖率数据,从而找出可能存在的软件问题,并优化测试用例以提高测试的全面性。 5. 实践意义 - 覆盖率测试对于提升嵌入式软件的质量至关重要,它能够减少错误,降低测试难度,提高测试效率。通过这种测试,可以更准确地评估软件的健壮性和可靠性,从而确保产品在实际应用中的稳定运行。 综上,覆盖率测试是嵌入式软件开发过程中的重要环节,通过有效的覆盖率测试策略和工具,能够显著提升软件的质量,减少潜在的缺陷,并为测试过程提供量化依据。
recommend-type

GitLab CI Runner高并发雪崩实录(CPU飙至98%、IO等待超400ms):深度拆解Runner注册协议缺陷、Docker-in-Docker内存泄漏与Gitaly连接池耗尽的7层根因(附实时熔断配置模板)

# GitLab CI Runner高并发雪崩现象全景还原与全链路治理实践 在金融级CI平台日均3.2万次Pipeline触发的严苛场景下,一种极具迷惑性的系统性故障反复上演:注册成功率断崖式下跌至15%以下、Runner在线率骤降76%、平均注册耗时飙升至47秒以上。表面看是TLS握手超时或证书错误,但深入追踪发现,这并非孤立故障,而是**注册协议缺陷、运行时泄漏、Gitaly连接耗尽三重根因耦合触发的系统性雪崩**。更令人警醒的是,这种故障往往在系统负载看似平稳、CPU/内存使用率无明显异常的情况下悄然发生——它不靠资源压垮系统,而是通过协议语义漏洞、状态机失控与资源回收滞后,在毫秒级的