计算机小辣鸡

目录自动化打包平台一、打包平台介绍二、自动化打包脚本自动化打包平台来到公司一两个月就被安排到了增量编译的研究与实现，还顺手从零开始配置了一台打包的服务器。奈何水平有限，花了很久的时间才把部门的自动化打包脚本稍微捋顺了一点，最终也实现了编译时间统计以及凑合用的增量编译，其中很多地方网上的资料并不多，就把自己踩过的坑与遇到的困难整理下来，一起学习。由于公司是内网开发（吐槽一下这设计真的操蛋。。），作为ios开发经常需要将开发的代码编译打包并传至外网，自动化打包、上传、测试发布的一整套流程

风险(Risk)是关于一项投资未来回报的不确定性的度量，它相对于某种基准并有时间长度。对风险的定义涉及一项投资或一组投资；风险与一项投资的将来未知回报有关；风险产生于对将来的不确定性；风险可以进行量化地度量；风险必须相对于一个基准而不是孤立地被度量。风险必须在一定的时间长度内度量；在险价值正式定义：在特定的时间长度及给定的概率下最糟的可能损失。风险投资必须具有比无风险投资的收益率更高的期望收益率。...

Verilog文字规则在Verilog程序中，其值不能被随意改变的量被称为常量或者常数。常数主要有三种类型，整数类型（Integer）、实数类型（Real）和字符串类型（String）。整数类型是可以综合的，实数型和字符串型不可综合。整数为了提高可读性，在较长的数间可用下划线分开，下划线可以随意用在整数或实数中，本身不代表任何意义，但是数字最高位前不能用，也不能用在进制

广义而论，只要涉及触发器的电路，无论电路大小都能归结为状态机。有限状态机的优势：高效的顺序控制模型，状态机的工作方式是根据控制信号按照预先设定的状态进行顺序进行的容易利用现成的EDA工具进行优化设计。性能稳定，容易构成性能良好的同步时序逻辑模块，消除电路中的毛刺现象，强化系统工作稳定性方面有更多的解决方案。高速性能高可靠性能分类：从信号输出方式上分，

资源优化（RTL结构）资源共享同样结构的模块需要反复被调用，但该结构模块需要占用的资源比较多，这类模块往往是基于组合电路的算数模块，比如乘法器、宽位加法器等。主要针对数据通路中耗费逻辑资源比较多的模块，通过选择、复用的方式共享使用该模块，以减少该模块的使用个数，达到较少资源使用，优化面积的目的。并不是在任何情况下都能以此法实现资源优化，如果对与门之类的模块资源共享是无意义的，甚至会增加资源的使用。

过程中的两类赋值语句（always语句中）未指定延时的阻塞式赋值语句：阻塞式赋值的特点式是只有在当前语句执行完成后才会去执行下一条语句，而在执行这条语句时，赋值是立即发生的，假设没有指定延时。表述方式：目标变量名 = 驱动表达式；阻塞式赋值的适用范围仅限于过程结构中。如果右边的驱动表达式含有延时语句，则在延时没有结束前，赋值的更新不会发生。执行流程：

时序电路通常都是由过程语句来描述的时钟边沿敏感型(posedge,negedge)、电平敏感型触发器：时钟端要加上posedge，表示需要产生时序电路用UDP也能描述时序电路，(01)表示信号是上升沿触发、(10)表示信号下降沿触发；Q表示原状态数据，Q+表示次态数据，‘-’表示保持原状态。上升沿时钟控制端：posedge CLK下降沿异步复位：negedg

模块语句 ：module 模块名(端口名表);功能描述endmodule端口语句、端口信号名和端口模式：input、output、inout逻辑操作符：连续赋值语句：assign [延时] 目标变量名=驱动表达式当右侧的任一信号变量发生变化时，此表达式就被计算一遍，获得的数据立即赋值给等号左边的变量并行执行语句

训练集：用于训练机器学习算法的数据样本集合目标变量：机器学习的预测结果（在分类算法中通常为标称型，在回归算法中通常是连续型）为了测试机器学习算法的效果，通常使用两套独立的样本集：训练数据和测试数据。使用训练数据作为算法的输入，训练完成后输入测试样本，比较测试样本的预测的目标变量值和实际样本类别的差别来得到算法的实际精确度。主要任务分类问题：将实例数据划分

python中继承一个类如果已经定义了Person类，需要定义新的Student和Teacher类时，可以直接从Person类继承：class Person(object):    def __init__(self, name, gender):        self.name = name        self.gender = gender定义Stud

python之导入模块要使用一个模块，我们必须首先导入该模块。Python使用import语句导入一个模块。例如，导入系统自带的模块 math：import math你可以认为math就是一个指向已导入模块的变量，通过该变量，我们可以访问math模块中所定义的所有公开的函数、变量和类：>>> math.pow(2, 0.5) # pow是函数1.41421356

计算机处理自然语言，一个基本的问题就是为自然语言这种上下文相关的特性建立数学模型，即统计语言模型。这是今天所有自然语言处理的基础，并被广泛应用。用数学的方法解释语言规律：贾里尼克 的统计模型：一个句子是否合理，就看他的可能性大小如何。更严格地描述：假定S表示某一个有意义的句子，由一连串特定排序的词w1,w1...,wn组成，要想求得S在文本中出现的概率P(S)，有P(S)=P(w1,w

python中编写无参数decoratorPython的 decorator 本质上就是一个高阶函数，它接收一个函数作为参数，然后，返回一个新函数。使用 decorator 用Python提供的 @ 语法，这样可以避免手动编写 f = decorate(f) 这样的代码。考察一个@log的定义：def log(f):    def fn(x):       

文章先由stackoverflow上面的一个问题引起吧，如果使用如下的代码：@makebold@makeitalicdef say():   return "Hello"打印出如下的输出：Hello你会怎么做？最后给出的答案是：def makebold(fn):    def wrapped():        return "" + f

语言的数学本质：语言的出现是为了人类之间的通信；字母、笔画、文字、数字实际上是信息编码的不同单位，而语言的语法规则则是编解码的算法。计算机出现之后，希望计算机处理自然语言。计算机处理自然语言的方法和人类一样通过接受信息、解码来处理自然语言。机器智能：计算机之父阿兰·图灵最早提出机器智能。图灵测试：让人和机器进行交流，如果人无法

通信模型：信息源编码发出信息→信道传递信息→接受者解码接受信息语言和词汇增多→文字产生（基于高效记录信息的需求）→概念开始概括和归类概念的聚类原理上与自然语言的处理或者机器学习的聚类有很大的相似性。一词多义→产生歧义→根据上下文消除歧义罗塞塔石碑的启示：信息的冗余是信息安全的保障；双语或者多语的对照语料对翻译至关重要，是从事机器翻译研究的基础。

python把函数作为参数编写一个简单的高阶函数：def add(x, y, f):    return f(x) + f(y)如果传入abs作为参数f的值：add(-5, 9, abs)根据函数的定义，函数执行的代码实际上是：abs(-5) + abs(9)由于参数 x, y 和 f 都可以任意传入，如果 f 传入其他函数，就可以得到不

为什么需要基准测试？观察系统在不同压力下的行为，评估系统的容量，观察系统如何处理不同数据。基准测试的策略集成式策略：针对整个系统的整体测试；单组件式策略：单独测试MySQL。通常使用集成式测试测试指标：吞吐量：单位时间内的事务处理数。响应时间/延迟：用于测试任务的总体时间，通常使用百分百响应时间，或者利用折线图来直观地观察分布情况。

Python中什么是setdict的作用是建立一组 key 和一组 value 的映射关系，dict的key是不能重复的。有的时候，我们只想要 dict 的 key，不关心 key 对应的 value，目的就是保证这个集合的元素不会重复，这时，set就派上用场了。set 持有一系列元素，这一点和 list 很像，但是set的元素没有重复，而且是无序的，这点和 dict 的

并发控制（数据库中的表的删除和修改）问题1：email box中，如果同时投递邮件会发生混乱。解决：为了避免会在投递邮件时锁住邮箱，必须等待锁释放才能继续投递。不足：任意时刻只能一个进程修改邮箱内容，不适用于大容量的邮箱系统问题2：当某个客户在读取邮箱时，另一个客户试图删除某个邮件，读的客户可能会报错退出，也可能读取到不一致的邮箱数据