象话的博客

WSL（Windows Subsystem for Linux）是微软为Windows操作系统开发的一个子系统，允许用户在Windows环境中直接运行Linux的命令行工具、应用程序及系统服务，而无需启动完整的Linux虚拟机或进行双系统启动。

​在使用Java和Maven等工具时，经常会遇到jar运行包和依赖包的概念。

这行代码将输入层和输出层连接起来，定义了整个模型。现在，模型已经准备好进行编译、训练和评估了。这个模型是一个典型的卷积神经网络，它使用了卷积层来提取图像特征，最大池化层来减少特征图的维度，展平层来将特征图转换为一维数组，全连接层来根据提取的特征进行分类，并使用dropout来防止过拟合。

输入层：titletext_bodytags是三个输入层，分别代表文章的标题、正文和标签。它们被定义为层，其中shape参数指定了输入数据的维度。这里有一个需要注意的地方，通常文本数据（如标题和正文）不会直接以词汇表大小（）作为输入维度，而是需要先经过嵌入层（Embedding Layer）转换为固定大小的密集向量。不过，为了简化示例，这里直接使用了词汇表大小作为输入维度。特征合并：使用层将三个输入的特征合并成一个单一的张量。隐藏层：通过一个具有64个单元和ReLU激活函数的Dense。

是一个常用的损失函数，特别是当目标变量是整数编码的类别索引时（即，不是one-hot编码的）。它对于许多不同的问题都是一个很好的选择，因为它自动调整学习率，并且对于不同的参数可以有不同的学习率。模型非常适合于构建简单的堆叠模型，但如果你需要构建更复杂的模型（例如，具有多个输入或输出的模型，或者层之间具有跳过连接的模型），则可能需要使用。当你调用这个方法时，你正在告诉模型使用给定的数据（输入和标签）进行训练，以及训练过程中的一些关键参数。参数仅在模型的第一层中指定，它定义了输入数据的形状（不包括批量大小）。

国际化就是用户可以选择对应的语言，页面展示成对应的语言；

Apache Flink 是一个高性能的开源分布式流处理框架，专注于实时数据流的处理。它设计用于处理无界和有界数据流，在内存级速度下提供高效的有状态计算。Flink 凭借其独特的Checkpoint机制和Exactly-Once语义，确保数据处理的准确性和一致性，同时支持高吞吐量和低延迟。通过灵活的窗口操作和丰富的状态管理功能，Flink 能够应对复杂的实时数据处理需求，是大数据处理领域的重要技术之一。其强大的DataStream API和Table API为开发者提供了高效、简洁的数据处理手段。

SM1作为一种对称加密算法，由于其算法细节并未公开，且主要在中国国内使用，因此在国际通用的加密库（如Bouncy Castle）中并不直接支持SM1算法。SM1算法的具体实现涉及国家密码管理局的规范，通常需要使用国家指定的安全模块（如SSF33、SC1/SC2卡）或通过国家认证的加密硬件/软件产品来实现。不过，如果你有合法授权并且在合规的环境下需要使用SM1算法，可能需要依赖特定的国产加密库或SDK，比如某些商用的密码机提供的SDK，这些SDK会封装好SM1的加解密接口供开发者调用。

信创需要；原状：原来的服务使用springboot框架，自带的web容器是tomcat，打成jar包启动；需求：使用东方通tongweb来替换tomcat容器；

最近梳理的研发全流程：从需求接收 到 最后的 上线部署；从 阶段 和 角色 形成如下流程图；

用户登录后，后端服务根据JWT规则生成token给到前端，前端之后的请求都会携带这个token访问后端接口，后端对这些请求校验token，保障token的有效性，进而确保是合法请求；JWT非常契合单点登录，因为JWT的后端认证不需要额外访问存储信息，只需要一个秘钥就可以自认证；JWT由于包含了认证的用户信息，那么就不需要后端服务再额外保存这些认证信息，所以节省了后端的资源；由于JWT生成的token可以包含业务信息，而且这些业务信息是参与了签名的，所以保障了这些业务信息不被篡改，而且还有有效时间范围；

深度学习之“深度”并不是说这种方法能够获取更深层次的理解，而是指一系列连续的表示层。深度学习是机器学习的一个分支领域：它是从数据中学习表示的一种新方法，强调从连续的层中学习，这些层对应于越来越有意义的表示。对于图中从 A 到 B 的每条边，我们都画一条从 B 到 A 的反向边，在深度学习中，这些分层表示是通过叫作神经网络（ neural network）的模型学习得到的。一些核心概念是从人们对大脑（特别是视觉皮层）的理解中汲取部分灵感而形成的，但深度学。这个反向图表示的是反向传播过程。

强引用-软引用-弱引用-虚引用。

最近，我也一直在使用SpringCloudGateway开发我们自己的网关产品。根据我对这份正式文件的理解，内容如下：SpringCloudGateway的默认底层依赖项是SpringWebflux。我们知道Spring Webflux是异步和响应式编程，并且编程范式是使用流范式编写的；那么SpringCloudGateway支持同步网关吗？官方支持，官方网站提供了相应的解决方案，即将默认的底层Webflux切换到SpringMVC以支持同步；

是一种行为设计模式，它允许多个对象处理一个请求，从而避免了请求的发送者和接收者之间的耦合关系。优点是把任务划分为一个一个的节点，然后按照节点之间的业务要求、顺序，把一个个节点串联起来，形成一个执行链路，一个节点一个节点向后执行；把原来一堆代码按照原子性拆分成责任链，耦合降低，可扩展性增强，责任划分清晰；

HBASE是一种开源的、分布式的、基于列存储的数据库，设计用于处理大规模的数据。它提供了高可靠性、高性能、实时读写等特性，适用于存储和处理大规模的结构化数据。本文将详细介绍HBASE的使用步骤，包括环境配置、表创建、数据插入、查询和管理等操作。通过以上步骤，我们可以初步了解和掌握HBASE的基本操作。HBASE作为一款分布式数据库，具有强大的数据处理能力，适用于处理大规模的结构化数据。在实际应用中，我们需要根据业务需求和数据规模来设计和优化HBASE的使用。希望本文能对大家学习和使用HBASE有所帮助。

首先介绍一下Nexus的四个仓库的结构：maven-central 代理仓库，代理了maven的中央仓库：https://repo1.maven.org/maven2/；maven-public 仓库组，另外三个仓库都归属于这个组，所以我们的maven配置文件只需配置这个仓库的地址，就可以使用另外三个仓库的组件；maven-releases 稳定版本仓库，这个仓库存放我们项目稳定版本的组件；maven-snapshots 快照版本仓库，这个仓库存放我们开发过程中的快照版本；

因此，非计算机科班的人需要利用业余时间学习计算机基础知识，如编程语言、数据结构、算法等。理论知识固然重要，但在实际工作中，更多的是需要解决实际问题的能力。因此，非计算机科班的人可以尝试找一些实习或者兼职的机会，将所学知识应用到实际项目中去。总之，非计算机科班的人要想顺利地转码，需要具备一定的自学能力、培养良好的编程思维、关注实际项目经验以及保持积极的心态。在这个过程中，保持积极的心态非常重要。要相信自己有能力学会计算机知识，勇敢地面对挑战，不断地调整学习方法和策略，最终实现自己的职业转型目标。

开发分支，不管是要做新的feature还是需要做bug修复，都是从这个分支分出来做。在这个分支下主要负责记录开发状态下相对稳定的版本，即完成了某个feature或者修复了某个bug后的开发稳定版本。feature-姓名-功能描述feature分支与开发任务一一对应。对每一次迭代中的每一个原子的功能点，根据任务会由负责的开发人员以develop分支建立对应的feature分支进行处理，当功能点开发自测完毕之后，就将feature分支合并到develop分支去。

若依框架后端使用的响应对象AjaxResult，和Swagger存在不兼容问题，导致返回体即使使用了Swagger注解，但是Swagger接口文档中，不显示返回体的对象Swagger文档：