小仙的摘抄本

写在前面的话:
哇哈哈,喝着咖啡晒着太阳发着呆,突然就想到了要做个“美句”摘抄本。
这种事情中学时代常干的,看到精致的摘抄本和长得喜人的笔就想买回家收藏,只等遇到动人的歌词和段落,就往上誊抄。
不知道抄满了多少个本子,沧月的文字,煽情的漫评,唱了很久不腻的歌词……
唉,都是青春呀。
不知道从什么时候起,遇到文具精品店还是会驻足,但已经不再有冲动买下来。笔袋里装的笔全是一个牌子一个型号不同色系,桌上堆的本子清一色简约Notebook,看不见花哨。画在里面的不是图表就是bug记录,字迹有大有小不再整齐,不会特意去排列成有点幼稚的形状。
说正题
大家肯定有这样的时候,拜读某部大牛的著作时,偶见妙语,或者是极精辟的定义,或者是极启发人的思路,或者是看着忍不住笑意的段子。每每如此,拍案而起,环顾左右,就想找人分享喜悦。然而要么别人GET不到你的点,要么回复的极慢,慢到惊喜都淡了。要么干脆就没人可分享。
所以,我要做这么一个摘抄本,记录这开心一刻。Share给看到的有缘人,以及未来的自己。
心里冒出这样一个主意的时候,感觉自己又年轻了好几岁,哈哈。不说废话,开始正文咯!


“在软件发展业的初期,程序编写都是以算法为核心的,程序员会被数据和过程分别作为独立的部分来考虑,数据代表问题空间中的客体,程序代码则用于处理这些数据,这种思维方式直接站在计算机的角度去抽象问题和解决问题,称为面向过程的编程思想。与此相对的是,面向对象的编程思想是站在现实世界的角度去抽象和解决问题,它把数据和行为都看作是对象的一部分,这样让程序员能以符合现实世界的思维方式来编写和组织程序。”

出处:《深入理解JAVA虚拟机:JVM高级特性与最佳实践》第2版 周志明著 机械工业出版社 13.1节
摘录理由:面向过程和面向对象的区别从12年在朱福喜老师的课堂上启蒙起,就听到了无数个版本,自己也偶有感慨,这个说法从数据和对数据做处理的过程的关系来解读面向过程和面向对象的区别与联系,觉得特别有道理,故摘录在此。
摘录时间:2017.02.26

“当多个线程访问一个对象时,如果不用考虑这些线程在运行时环境下的调度和交替执行,也不需要进行额外的同步,或者在调用方进行任何其他的协调操作,调用这个对象的行为都可以获得正确的结果,那这个对象是线程安全的。”

出处:《深入理解JAVA虚拟机:JVM高级特性与最佳实践》第2版 周志明著 机械工业出版社 13.2节,笔者应该只是翻译,原文出自《Java Concurrency In Practice》作者Brian Goetz对线程安全的定义。
摘录理由:如果让你说明一下线程安全的定义?你会怎么说?这段定义告诉我们下面几点:1、线程安全的主语是指多个线程同时访问的一个对象(变量、代码、类、实例等等),这是线程安全考虑的范围;2、不用人工去对这些线程做协调和同步来保证线程安全,这是线程安全的手段;3、每次运行时,调用这个对象的行为都能得到正确的结果(不一定是同一个结果),这是线程安全的目标。简洁,信息量却巨大。So精辟,好好学习。
摘录时间:2017.02.26

“Java与C++之间有一堵由内存动态分配和垃圾收集技术所围成的“高墙”,墙外面的人想进去,墙里面的人却想出来。“

出处:《深入理解JAVA虚拟机:JVM高级特性与最佳实践》第2版 周志明著 机械工业出版社 第2章引言
摘录理由:看到这句话我笑了,原句的墙用来隔绝婚前婚后,这里用来隔绝内存动态分配和垃圾收集技术对程序员的透明和非透明化。当初上学时选修了JAVA之后就决定不再修C++了,现在因为身在深圳又想去腾讯的缘故,经常会在某个时候想要不转投C++的怀抱,又会担心自己两样都学成四不像,如今想想是对的,待一门语言学的精通之后再去涉猎另一门,才有对比的资格呀。至于找工作,看缘分吧哈哈。
摘录时间:2017.02.26

“从处理问题的方式上说,互斥同步属于一种悲观的并发策略,总是认为只要不去做正确的同步措施(例如加锁),那就肯定会出现问题,无论共享数据是否真的会出现竞争,它都要进行加锁……随着硬件指令集的发展,我们有了另外一个选择:基于冲突检测的乐观并发策略,通俗地说,就是先进行操作,如果没有其他线程争用共享数据,那操作就成功了;如果共享数据有争用,产生了冲突,那就再采取其他的补偿措施(最常见的补偿措施就是不断地重试,直到成功为止)。”
出处:《深入理解JAVA虚拟机:JVM高级特性与最佳实践》第2版 周志明著 机械工业出版社 13.2.2节 线程安全的实现方法
摘录理由:把互斥同步和非阻塞同步两种实现线程安全的手段分别形容为悲观和乐观的并发策略,让我深以为然。一个是小心翼翼,步步为营,不管有没有遇到问题,挂起线程再说;一个是Just Do It,大不了重头再来。后者是随着硬件指令集的发展,多出来的一种选择,这也无外乎它更有底气了。然而也不排除有些时候,需要前者那种策略。具体的内容,大家不如去读读这本书。:)
摘录时间:2017.2.26


持续更新中……
也许只能算是自嗨,如果和我的嗨点相同~欢迎大家一起Share~
好记性不如烂键盘,有木有。。。

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值