小编Luc*_*bue的帖子

我是 RTK 查询的新手，正在努力解决必须实现的用例。

场景：我必须合并两个 API 调用的结果：第一个 API 调用是私有 API 调用，而第二个 API 调用是公共 API 调用。我需要合并这两个 API 的响应，并将计算结果写入 RTK 缓存，以便 UI 可以相应更新。

问题：我发现一旦调用await queryFullfilled，RTK 查询就会立即将来自该 API 调用的响应写入其缓存，然后当我进行计算并尝试使用缓存更新 RTK 缓存时，缓存apiSlice.util.updateQueryData将再次更改。这意味着 UI 将渲染两次，第一次使用错误的值（人员数组），第二次使用正确的值（由 id 和实体组成的 JSON）。

问题：有没有办法只向 RTK 缓存写入 1 次，这样我就可以得到我需要的计算值？array因为发生的情况是，在某些情况下，我需要JSON才能进入缓存{ids: [...], entities: {}}。

import { createEntityAdapter } from '@reduxjs/toolkit';
import axios from 'axios';

export const personsAdapter = createEntityAdapter();
const permitsInitialState = personsAdapter.getInitialState();

export const apiSlice = myServiceApi.injectEndpoints({
  endpoints: (builder) => ({
    getPersons: …

我已经在我的一个项目中集成了 RTK 查询，并且我试图了解如何处理我的表的 UI。我已经阅读过其他 StackOverflow 问题（例如那个问题），但我无法找到我的用例的答案。

我的表格行对其有操作，因此用户可以直接从表格页面编辑或删除行项目。

我正在使用以下 RTK 查询挂钩：

// To fetch the data that populates the table. 
// 'isLoading' is used to show the spinner all over the table
const {data, isLoading} = useGetItemsQuery()

// To trigger the edit of the item.
const [triggerEditItem] = useEditItemMutation({fixedCacheKey: 'edit-item-' + data.id})

// To get when the editing is happening 
const [, {isLoading: isEditing}] = useEditItemMutation({fixedCacheKey: 'edit-item-' + data.id})

这是我的切片：

serviceApi.injectEndpoints({
  endpoints: (builder) => ({
    getItems: builder.query({
      providesTags: [TAGS.ITEMS], …

我有一个非常基本的问题，如果我在谷歌上搜索错误，或者答案是否太简单以至于我没有看到，我不知道。

我正在使用hls.js作为 Javascript 库实现一个 Web 应用程序，我需要一种方法来获取直播流的绝对经过时间，例如，如果用户在 10 分钟后加入直播，我需要一种方法来检测用户的第一个直播时间第二个是流媒体的第 601 秒。

检查流片段，我发现了一些信息，例如 startPTS 和 endPTS，但所有这些信息始终与检索到的块而不是整个流块相关，例如，如果用户在 10 分钟后加入直播并且块持续时间为 2 秒，则第一个我将得到的块将具有 startPTS = 0 和 endPTS = 2，我将得到的第二个块将具有 startPTS = 2 和 endPTS = 4 等等（将值四舍五入到最接近的整数）。

有没有办法从 HLS 直播中提取我需要的绝对经过时间？

我想了解社区对有关前端和后端验证的特定场景的意见。

网上有很多资源可以解释为什么 REST API 应该始终存在后端和前端验证。我正在实现一个模式，要求用户插入其电子邮件以启用关键资源的删除。该信息仅用于启用删除按钮，而不是我需要存储在某处的信息。是否应该将此信息传递到后端以执行后端验证？

我个人的想法是，同时进行前端和后端验证总是一个好主意，但我试图了解在这种情况下，后端验证可能毫无价值。

我已经阅读了分布式TensorFlow文档以及有关StackOverflow的问题，但我仍然对可以使用TensorFlow及其参数服务器体系结构进行分布式培训背后的动力有些怀疑。这是来自分布式TensorFlow文档的代码片段：

if FLAGS.job_name == "ps":
    server.join()
  elif FLAGS.job_name == "worker":

    # Assigns ops to the local worker by default.
    with tf.device(tf.train.replica_device_setter(
        worker_device="/job:worker/task:%d" % FLAGS.task_index,
        cluster=cluster)):

      # Build model...
      loss = ...
      global_step = tf.contrib.framework.get_or_create_global_step()

      train_op = tf.train.AdagradOptimizer(0.01).minimize(
          loss, global_step=global_step)

这是我阅读的StackOverflow问题的部分答案：

工作程序从PS任务并行读取所有共享模型参数，并将它们复制到工作程序任务。这些读取与任何并发写入均不协调，并且不会获取任何锁：尤其是该工作程序可能会看到一个或多个其他工作程序的部分更新（例如，可能已应用了来自另一工作程序的更新的子集，或元素的一个子集）中的变量可能已更新）。

工作者根据一批输入数据和在步骤1中读取的参数值在本地计算梯度。

工作人员使用由优化算法（例如SGD，带有动量的SGD，Adagrad，Adam等）确定的更新规则，将每个变量的梯度发送到适当的PS任务，并将梯度应用于它们各自的变量。更新规则通常使用（大约）交换操作，因此它们可以独立地应用于来自每个工作程序的更新，并且每个变量的状态将是接收到的更新序列的运行汇总。

我必须在另一个环境中重现这种参数服务器架构，并且我需要深入了解TensorFlow框架内worker和PS任务之间如何交互。我的问题是，PS任务在从工作人员那里收到值后会执行某种合并或更新操作，还是只存储最新的值？仅仅存储最新的值可以合理吗？查看TensorFlow文档中的代码，我发现PS任务只是执行一个join（），我想知道此方法调用的背后是PS任务的完整行为。

还有一个问题，计算梯度和应用梯度之间有什么区别？