模型选择与策略选择的疑问

想请问下，模型的确认，与所用的策略是否有关联？ 或是说策略完全就是基于数据量的大小来进行选择的？---根据李航的统计学习方法，数据量很大的情况下，一般直接采取经验风险最小化准则；而数据量不太多 的情况下，则选择结构风险最小化准则）

关于ARIMA模型的几点疑问

关于这个ARIMA模型，一直有些不理解之处，恳请指点下： 1. 这个数据的平稳化处理，是否就是剥离趋势和周期因素？ 剩余一个残差部分？ 2. 平稳化处理，据说有几种方法，比如对数化，差分，移动平均法，分解。对于分解是比较清晰的。对数化处理，只是单纯缩小数据范围，其实有点鸡肋的感觉，因为还要继续差分处理。对于差分和移动平均法，我一直是理解为差分用来消除趋势影响，而移动平均法则用来消除周期影响。不知道对不对，还是说差分是一次性消除趋势和周期两种因素? 3. 对于数据的分解，剥离了趋势和周期影响，剩余残差部分。要求是说残差也要满足平稳性。而平稳性，其实是规律性的体现。这样的话，残差有规律，就可以建立回归模型，从而进行预测。然后，模型建立后，进行残差检验，又要求满足白噪声。这个白噪声又是要求数据是随机性的，不能有规律性，否则就是趋势或周期因素未能剔除干净。。。这两者不是有矛盾么？？还是说数据分解的残差，和模型建立后的残差，并不是一个东东？？

关于神经网络模型的几点疑问

神经网络模型，因为其随机性，每次训练出来的结果中准确度不太一样。想请问下： 每次训练的准确度会相差很多么？ 我自己试过几次，貌似不会很大。但是个人经验不足，不敢确认； 假使准确度相差较大，而当前的模型训练完毕后，发现此时的准确度较高。那保存该模型后，准确率就能和测试集的准确率基本一致？ 神经网络模型属于生成法还是判别法模型？ 神经网络需要设置超参，那是否有必要将数据分成三份---训练集、验证集、测试集？还是说，只有在交叉验证的条件下，才需要这样切分数据？ 顺便问下，这个数据集到底要怎么切分法？我问过人，据说常规情况下，大部分模型都是需要设置超参的。而设置超参的话，就必须切分出验证集（该验证集用于超参的训练）。那按照这种说法，不是数据集就是要分成三份才是合理的么？可是实际上，我经常看到的，也都是分成两份而已啊？

powerDesigner如何选择概念模型和物理模型？

在使用powerDesigner创建数据库模型时，什么时候选择用概念模型？什么时候选择用物理模型呢？请大神指教。

pytorch训练LSTM模型的代码疑问

原博文链接地址：https://blog.csdn.net/Sebastien23/article/details/80574918 其中有不少代码完全看不太懂，想来这里求教下各位大神~~ ``` class Sequence(nn.Module): def __init__(self): super(Sequence,self).__init__() self.lstm1 = nn.LSTMCell(1,51) self.lstm2 = nn.LSTMCell(51,51) self.linear = nn.Linear(51,1) #上面三行代码是设置网络结构吧？为什么用的是LSTMCell,而不是LSTM？？ def forward(self,inputs,future= 0): #这里的前向传播名称必须是forward,而不能随意更改？？因为后面的模型调用过程中，并没有看到该方法的实现 outputs = [] h_t = torch.zeros(inputs.size(0),51) c_t = torch.zeros(inputs.size(0),51) h_t2 = torch.zeros(inputs.size(0),51) c_t2 = torch.zeros(inputs.size(0),51) #下面的代码中，LSTM的原理是要求三个输入：前一层的细胞状态、隐藏层状态和当前层的数据输入。这里却只有2个输入？？ for i,input_t in enumerate(inputs.chunk(inputs.size(1),dim =1)): h_t,c_t = self.lstm1(input_t,(h_t,c_t)) h_t2,c_t2 = self.lstm2(h_t,(h_t2,c_t2)) output = self.linear(h_t2) outputs +=[output] for i in range(future): h_t,c_t = self.lstm1(output,(h_t,c_t)) h_t2,c_t2 = self.lstm2(h_t,(h_t2,c_t2)) output = self.linear(h_t2) outputs +=[output] #下面将所有的输出在第一维上相拼接，并剪除维度为2的数据？？目的是什么？ outputs = torch.stack(outputs,1).squeeze(2) return outputs ```

多分类语义分割模型的损失函数应该如何选择？

小白一枚，想请教下： 我的多分类语义分割模型，label为单通道图片，其像素值已经统一根据类别进行编号（类别5的像素值为5，类别2的像素值为2）。。我的类别数是6（含背景），模型的输出端的激活函数为softmax，损失函数定义为sparse_categorical_crossentropy，模型训练的时候，却会报维度不兼容的错误： Incompatible shape: [262144] vs [4, 256,256] (而4 * 256 *256 刚好就是262144）...这个到底要用什么损失函数才对呢？？ 因为从理论上来说，对于label没有进行one-hot处理的多分类，不是应该使用sparse_categorical_crossentropy做损失函数，而不能使用categorical_crossentropy或binary_crossentropy么？？ 一直不太理解这块，求高手指点~~

对充血模型的疑问

小弟我在坛子上看到关于贫血模型和充血模型的讨论后一直再想这对于我这种代码小工意味着啥？ <br />是否可以更快更迅速更敏捷的完成代码完成开发。 <br />一直做的项目都是SSH 然后分层 action,service,dao,entity;有时候我觉得dao层没什么必要啊，既然 <br />hibernate是面向对象为何还要 dao.save(entity)&nbsp;&nbsp; dao.update(entity) 这样操作？ <br />感觉如果去掉dao层 直接entity.update()，entity.delete();&nbsp; 这样是否会更形象? <br />然后小弟开始尝试，首先搭了个struts2+spring3+Hibernate3.6的ssh工程用的是全注解搭法这样开发就不用写配置文件了还是相当的爽啊 <br /> <br />首先我觉得应该有一个公共的类充当所有entity的父类 <br /><pre name="code" class="java"> import java.beans.PropertyDescriptor; import java.io.Serializable; import java.lang.reflect.InvocationTargetException; import java.lang.reflect.Method; import java.util.HashMap; import javax.annotation.Resource; import org.hibernate.SessionFactory; import org.springframework.beans.BeanUtils; import org.springframework.orm.hibernate3.HibernateTemplate; import org.springframework.stereotype.Repository; @Repository("MagicH") public class MagicH extends HibernateTemplate { @Resource(name = "sessionFactory") public void setSuperSessionFactory(SessionFactory sessionFactory) { super.setSessionFactory(sessionFactory); } private Serializable id; // 标示 private Class clazz; // 实体 private Object entity; // 数据库实体 private PropertyDescriptor targetPds[]; //初始化后属性 private HashMap setMethodMap = new HashMap(); //set方法映射 private HashMap getMethodMap = new HashMap(); //get方法映射 /** * 模型初始化 * * @param clazz * @param id */ public boolean init(Class clazz, Serializable id) { this.id = id; this.clazz = clazz; PropertyDescriptor targetPds[] = BeanUtils.getPropertyDescriptors(clazz); for (PropertyDescriptor pdObj : targetPds) { setMethodMap.put(pdObj.getName().toLowerCase(), pdObj.getWriteMethod()); getMethodMap.put(pdObj.getName().toLowerCase(), pdObj.getReadMethod()); } this.entity = get(clazz, id); return this.entity==null?false:true; } /** * 获取对象实体 * * @return */ public Object getObj() { if (entity == null) { this.entity = get(clazz, id); } return entity; } /** * 删除对象实体 */ public void delObj() { if (entity != null) delete(entity); else delete(get(clazz, id)); } /** * 设置数据库实体属性 * @param propertyName * @param propertyValue */ public void setProperty(String propertyName, Object propertyValue) { Method writeMethod = (Method) setMethodMap.get(propertyName.toLowerCase()); try { writeMethod.invoke(entity, new Object[] {propertyValue}); } catch (IllegalArgumentException e) { // TODO Auto-generated catch block e.printStackTrace(); } catch (IllegalAccessException e) { // TODO Auto-generated catch block e.printStackTrace(); } catch (InvocationTargetException e) { // TODO Auto-generated catch block e.printStackTrace(); } } /** * 获取属性的值 * @param propertyName * @return */ public Object getPropertyValue(String propertyName) { Method readMethod = (Method)getMethodMap.get(propertyName.toLowerCase()); Object returnValue = null; try { returnValue = readMethod.invoke(entity,null); } catch (IllegalArgumentException e) { // TODO Auto-generated catch block e.printStackTrace(); } catch (IllegalAccessException e) { // TODO Auto-generated catch block e.printStackTrace(); } catch (InvocationTargetException e) { // TODO Auto-generated catch block e.printStackTrace(); } return returnValue; } /** * 更新对象 */ public void updateObj() { update(entity); } /** * 保存对象 * @param obj * @return */ public Serializable addObj(Object obj) { Serializable id = save(obj); init(obj.getClass(),id); return id; } } </pre> <br /> <br />建立一张用户表测试,对应实体如下 <br /><pre name="code" class="java"> import javax.persistence.Column; import javax.persistence.Entity; import javax.persistence.GeneratedValue; import javax.persistence.Id; import javax.persistence.Table; import org.hibernate.annotations.GenericGenerator; import org.springframework.stereotype.Repository; import com.usoft.core.dao.impl.MagicH; /** * MagicUser entity. @author MyEclipse Persistence Tools */ @Repository("MagicUser") @Entity @Table(name = "MAGIC_USER") public class MagicUser extends MagicH implements java.io.Serializable { // Fields private String userId; private String userNam; private String userSex; private String userPhone; // Constructors /** default constructor */ public MagicUser() { } /** full constructor */ public MagicUser(String userNam, String userSex, String userPhone) { this.userNam = userNam; this.userSex = userSex; this.userPhone = userPhone; } // Property accessors @GenericGenerator(name = "generator", strategy = "uuid.hex") @Id @GeneratedValue(generator = "generator") @Column(name = "USER_ID", unique = true, nullable = false, length = 32) public String getUserId() { return this.userId; } public void setUserId(String userId) { this.userId = userId; } @Column(name = "USER_NAM", length = 500) public String getUserNam() { return this.userNam; } public void setUserNam(String userNam) { this.userNam = userNam; } @Column(name = "USER_SEX", length = 1) public String getUserSex() { return this.userSex; } public void setUserSex(String userSex) { this.userSex = userSex; } @Column(name = "USER_PHONE", length = 11) public String getUserPhone() { return this.userPhone; } public void setUserPhone(String userPhone) { this.userPhone = userPhone; } } </pre> <br /> <br />这是本人测试用的service <br /><pre name="code" class="java"> import javax.annotation.Resource; import org.springframework.stereotype.Service; import org.springframework.transaction.annotation.Propagation; import org.springframework.transaction.annotation.Transactional; import com.usoft.magich.bs.ImagicServiceTest; import com.usoft.magich.vo.MagicUser; @Service("MagicService") @Transactional(readOnly = false, propagation = Propagation.REQUIRED) public class MagicServiceTestImpl implements ImagicServiceTest { @Resource private MagicUser magicUser; public void testMagicH() { //保存 magicUser.setUserNam("用户123"); magicUser.setUserPhone("12345"); magicUser.setUserSex("1"); magicUser.addObj(magicUser); //更新 magicUser.setProperty("UserNam", "1234567"); magicUser.updateObj(); System.out.print(magicUser.getPropertyValue("UserNam")); boolean b1 = magicUser.init(magicUser.getClass(), "aaa"); //id 不存在初始化失败 System.out.println(b1); boolean b2 = magicUser.init(magicUser.getClass(),"402881862da6ec3b012da6fb4f640004"); //id存在为 true System.out.println(b2); magicUser.delObj(); //删除 对象 } } </pre> <br /> <br />只是中午吃饭时脑子那么想了一下，然后回来就尝试写了个单表的增删改查，我个人举得无论是单表还是多表最后数据库查出来的无非是个二叉表，而其中的一条记录应该对应一个java类 多条记录则是该java类的List集合，然后所有的数据库操作不再是dao.doSomething 而是entity.doSomething <br />我这样做了后写的代码就只有actiong,service,entity层了，不知道这样是否可行，谁能解释一下我的疑问。 <br /> <br /><br/><strong>问题补充</strong><br/>看了大家的回复深受启发，感觉自己这个想法似乎不可取就不再钻牛角尖了。 <br />可能一直处于开发人员的角色，所以关系的核心问题无非就是 写最少的代码做最多的事

关于Colab上Keras模型转TPU模型的问题

使用TPU加速训练，将Keras模型转TPU模型时报错，如图 关键代码如下 引用库： ``` %tensorflow_version 1.x import json import os import numpy as np import tensorflow as tf from tensorflow.python.keras.applications import resnet from tensorflow.python.keras import callbacks from tensorflow.python.keras.preprocessing.image import ImageDataGenerator import matplotlib.pyplot as plt ``` 转换TPU模型代码如下 ``` # This address identifies the TPU we'll use when configuring TensorFlow. TPU_WORKER = 'grpc://' + os.environ['COLAB_TPU_ADDR'] tf.logging.set_verbosity(tf.logging.INFO) self.model = tf.contrib.tpu.keras_to_tpu_model(self.model, strategy=tf.contrib.tpu.TPUDistributionStrategy(tf.contrib.cluster_resolver.TPUClusterResolver(TPU_WORKER))) self.model = resnet50.ResNet50(weights=None, input_shape=dataset.input_shape, classes=num_classes) ```

python的模型运行提示警告的疑问

 运行个模型，跑出这么多警告，有的说是numpy版本太高，说是要降低到1.13.0。。我试过降低版本，貌似又会报错。。具体该如何解决呢? 如果实在要降低版本，到什么版本就可以了? 另外，两种警告，为什么一种是红色背景，一种是白色的。。 我最关心的是，如何消除这些警告。。 试过import warnings，用filterwarnings来处理，解决不了问题。。顶多只是第二次运行时没有相应警告。。。如果第一次都不想出现这种警告，该怎么办呢？

关于labelme标注的json文件转png图片的疑问

训练Unet模型时，用labelme对原始图片进行标注后，会自动生成json文件。。然后利用json_to_dataset.py文件就可以将json文件转成一系列的文件，如info.yaml, img.png,label.png等。。 由于该label.png文件仍旧是三通道的格式，我读取为灰度图时，发现如果是同一个类别的像素值，在不同的label图片中，并不是固定的。也就是说，类别1的像素值在图片1中的像素值可能是38，而在图片2中的像素值可能就是85。。这样是否会影响模型的训练呢？？ ---因为我发现我训练该模型的时候，模型的精度较低，而且提升不明显。。初步怀疑是这个原因。。截图如下：  我是以为对于这样的标注，理论上而言，同一类别的像素值应该是统一的。。 求高手指点迷津

模型的过拟合的话，是否就是直接抛弃呢？

有几点关于模型过拟合的疑问，想请教下各位： 1. 训练了多个模型，均发现有过拟合情况。如果要改成不过拟合，其拟合度又降低较多。这个时候，是否还是选择过拟合情况最轻的模型？ 2. 模型存在过拟合情况，那测试集所得的拟合度或准确度，是否可信呢？

在cesium中有一个船模型,船模型的甲板上有一个飞机模型,已知这两个模型的三维坐标(x,y,z)和矩阵,当船模型做出旋转操作时,保证飞机模型依旧在船的甲板上相同位置,如何计算飞机模型的矩阵

有一个需求,在cesium中有一个船模型,船模型的甲板上有一个飞机模型,已知这两个模型的三维坐标(x,y,z)和矩阵,当船模型做出旋转操作时,保证飞机模型依旧在船的甲板上相同位置,如何计算飞机模型的矩阵

有一个需求,在cesium中有一个船模型,船模型的甲板上有一个飞机模型,已知这两个模型的三维坐标(x,y,z)和矩阵,当船模型做出旋转操作时,保证飞机模型依旧在船的甲板上相同位置,如何计算飞机模型的矩阵

有一个需求,在cesium中有一个船模型,船模型的甲板上有一个飞机模型,已知这两个模型的三维坐标(x,y,z)和矩阵,当船模型做出旋转操作时,保证飞机模型依旧在船的甲板上相同位置,如何计算飞机模型的矩阵

关于机器学习模型调参的正确步骤是怎样的？

机器学习的模型，要涉及到不少参数的调参。。那其正确的步骤应该是怎样的呢？ 第一种做法是，对一个个或一组组参数去调，其他参数使用默认值。。调出一个或一组参数后，记录下来。下一次继续调另外一个或一组参数。。直至所有要调的参数全部调节完毕。然后将所获得的最优参数一股脑传入模型中，正式训练。 第二种做法是，先对一个或一组参数进行调参，得出最优值后，传入模型中，再调第二个或第二组参数。与前面一种的区别就是，前面那种调出最优参数后，并没有马上传入模型训练，而只是记录下来，到最后一股脑传入。而这种则是一步步地固定最优参数组合，直到最后。。 当然，还有的做法是一股脑对所有参数调参，这种做法相对较少，只能针对简单的模型。对复杂的模型而言，调参耗时过大。。 因此，想请教下各位，正确的做法，应该是怎样的呢？？

在MATLAB环境下，如何获取三维模型obj格式各个角度下的二维渲染图？

在MATLAB环境下，如何获取三维模型obj格式各个角度下的二维渲染图？

机器学习模型及其算法的框架疑问

刚开始学机器学习，对其中的模型及其适用的算法，都有些没搞明白。。也努力去看了些文章，还是越高越迷糊。。求高手指点一二。。 我自己弄了下大致框架，就是想知道到底哪些模型，适用哪些算法？（这个神经网络，按正常分类，应该属于深度学习范畴的，到底属于生成法还是判别法，还是都不算？） 现在什么梯度下降法，极大似然估计，最小二乘法，核函数等，简直把我搞晕了。。 

求一个ARIMA的交易模型设计与实现

用python基于ARIMA的交易模型设计与实现 1，概述（简单如下工作） 2，模型设计（讲算法原理以及训练、预测、交易流程） 3，模型实现（讲模块设计，函数设计，核心代码分析） 4，实验与结果分析（硬件软件环境、数据集、实验结果及其分析，分析也就是模型的评价） 5，总结（还可以做什么改进）

关于增量模型和快速原型模型

这两个的区别具体在哪里？我看这两个都会发布出可运行的软件...另外增量模型的增量怎么理解？是增加功能吗？ 我现在完成的软件是，先实现每个界面间的跳转，形成一个可运行的版本，然后逐步添加功能，这算是增量还是快速原型呢？ 谢谢！

终于明白阿里百度这样的大公司，为什么面试经常拿ThreadLocal考验求职者了

点击上面↑「爱开发」关注我们每晚10点，捕获技术思考和创业资源洞察什么是ThreadLocalThreadLocal是一个本地线程副本变量工具类，各个线程都拥有一份线程私有的数

程序员必须掌握的核心算法有哪些？

由于我之前一直强调数据结构以及算法学习的重要性，所以就有一些读者经常问我，数据结构与算法应该要学习到哪个程度呢？，说实话，这个问题我不知道要怎么回答你，主要取决于你想学习到哪些程度，不过针对这个问题，我稍微总结一下我学过的算法知识点，以及我觉得值得学习的算法。这些算法与数据结构的学习大多数是零散的，并没有一本把他们全部覆盖的书籍。下面是我觉得值得学习的一些算法以及数据结构，当然，我也会整理一些看过

Linux(服务器编程):15---两种高效的事件处理模式（reactor模式、proactor模式）

前言 同步I/O模型通常用于实现Reactor模式 异步I/O模型则用于实现Proactor模式 最后我们会使用同步I/O方式模拟出Proactor模式 一、Reactor模式 Reactor模式特点 它要求主线程（I/O处理单元）只负责监听文件描述符上是否有事件发生，有的话就立即将时间通知工作线程（逻辑单元）。除此之外，主线程不做任何其他实质性的工作 读写数据，接受新的连接，以及处...

阿里面试官问我：如何设计秒杀系统？我的回答让他比起大拇指

你知道的越多，你不知道的越多 点赞再看，养成习惯 GitHub上已经开源 https://github.com/JavaFamily 有一线大厂面试点脑图和个人联系方式，欢迎Star和指教 前言 Redis在互联网技术存储方面使用如此广泛，几乎所有的后端技术面试官都要在Redis的使用和原理方面对小伙伴们进行360°的刁难。 作为一个在互联网公司面一次拿一次Offer的面霸，打败了...

五年程序员记流水账式的自白。

不知觉已中码龄已突破五年，一路走来从起初铁憨憨到现在的十九线程序员，一路成长，虽然不能成为高工，但是也能挡下一面，从15年很火的android开始入坑，走过java、.Net、QT，目前仍处于android和.net交替开发中。 毕业到现在一共就职过两家公司，目前是第二家，公司算是半个创业公司，所以基本上都会身兼多职。比如不光要写代码，还要写软著、软著评测、线上线下客户对接需求收集...

C语言魔塔游戏

很早就很想写这个，今天终于写完了。 游戏截图： 编译环境: VS2017 游戏需要一些图片，如果有想要的或者对游戏有什么看法的可以加我的QQ 2985486630 讨论，如果暂时没有回应，可以在博客下方留言，到时候我会看到。 下面我来介绍一下游戏的主要功能和实现方式 首先是玩家的定义，使用结构体，这个名字是可以自己改变的 struct gamerole { char n

一文详尽系列之模型评估指标

点击上方“Datawhale”，选择“星标”公众号第一时间获取价值内容在机器学习领域通常会根据实际的业务场景拟定相应的不同的业务指标，针对不同机器学习问题如回归、分类、排...

究竟你适不适合买Mac？

我清晰的记得，刚买的macbook pro回到家，开机后第一件事情，就是上了淘宝网，花了500元钱，找了一个上门维修电脑的师傅，上门给我装了一个windows系统。。。。。。 表砍我。。。 当时买mac的初衷，只是想要个固态硬盘的笔记本，用来运行一些复杂的扑克软件。而看了当时所有的SSD笔记本后，最终决定，还是买个好（xiong）看（da）的。 已经有好几个朋友问我mba怎么样了，所以今天尽量客观

程序员一般通过什么途径接私活？

二哥，你好，我想知道一般程序猿都如何接私活，我也想接，能告诉我一些方法吗？ 上面是一个读者“烦不烦”问我的一个问题。其实不止是“烦不烦”，还有很多读者问过我类似这样的问题。 我接的私活不算多，挣到的钱也没有多少，加起来不到 20W。说实话，这个数目说出来我是有点心虚的，毕竟太少了，大家轻喷。但我想，恰好配得上“一般程序员”这个称号啊。毕竟苍蝇再小也是肉，我也算是有经验的人了。 唾弃接私活、做外...

压测学习总结（1）——高并发性能指标：QPS、TPS、RT、吞吐量详解

一、QPS，每秒查询 QPS：Queries Per Second意思是“每秒查询率”，是一台服务器每秒能够相应的查询次数，是对一个特定的查询服务器在规定时间内所处理流量多少的衡量标准。互联网中，作为域名系统服务器的机器的性能经常用每秒查询率来衡量。 二、TPS，每秒事务 TPS：是TransactionsPerSecond的缩写，也就是事务数/秒。它是软件测试结果的测量单位。一个事务是指一...

Python爬虫爬取淘宝，京东商品信息

小编是一个理科生，不善长说一些废话。简单介绍下原理然后直接上代码。 使用的工具（Python+pycharm2019.3+selenium+xpath+chromedriver）其中要使用pycharm也可以私聊我selenium是一个框架可以通过pip下载 pip install selenium -i https://pypi.tuna.tsinghua.edu.cn/simple/ 

阿里程序员写了一个新手都写不出的低级bug，被骂惨了。

这种新手都不会范的错，居然被一个工作好几年的小伙子写出来，差点被当场开除了。

Java工作4年来应聘要16K最后没要,细节如下。。。

前奏： 今天2B哥和大家分享一位前几天面试的一位应聘者，工作4年26岁，统招本科。 以下就是他的简历和面试情况。 基本情况： 专业技能： 1、&nbsp;熟悉Sping了解SpringMVC、SpringBoot、Mybatis等框架、了解SpringCloud微服务 2、&nbsp;熟悉常用项目管理工具：SVN、GIT、MAVEN、Jenkins 3、&nbsp;熟悉Nginx、tomca

2020年，冯唐49岁：我给20、30岁IT职场年轻人的建议

点击“技术领导力”关注∆  每天早上8:30推送 作者| Mr.K   编辑| Emma 来源| 技术领导力(ID：jishulingdaoli) 前天的推文《冯唐：职场人35岁以后，方法论比经验重要》，收到了不少读者的反馈，觉得挺受启发。其实，冯唐写了不少关于职场方面的文章，都挺不错的。可惜大家只记住了“春风十里不如你”、“如何避免成为油腻腻的中年人”等不那么正经的文章。 本文整理了冯

程序员该看的几部电影

##1、骇客帝国(1999) 概念：在线/离线，递归，循环，矩阵等 剧情简介： 不久的将来，网络黑客尼奥对这个看似正常的现实世界产生了怀疑。 他结识了黑客崔妮蒂，并见到了黑客组织的首领墨菲斯。 墨菲斯告诉他，现实世界其实是由一个名叫“母体”的计算机人工智能系统控制，人们就像他们饲养的动物，没有自由和思想，而尼奥就是能够拯救人类的救世主。 可是，救赎之路从来都不会一帆风顺，到底哪里才是真实的世界？

Python绘图，圣诞树，花，爱心 | Turtle篇

每周每日，分享Python实战代码，入门资料，进阶资料，基础语法，爬虫，数据分析，web网站，机器学习，深度学习等等。 公众号回复【进群】沟通交流吧，QQ扫码进群学习吧 微信群 QQ群 1.画圣诞树 import turtle screen = turtle.Screen() screen.setup(800,600) circle = turtle.Turtle()...

作为一个程序员，CPU的这些硬核知识你必须会！

CPU对每个程序员来说，是个既熟悉又陌生的东西？ 如果你只知道CPU是中央处理器的话，那可能对你并没有什么用，那么作为程序员的我们，必须要搞懂的就是CPU这家伙是如何运行的，尤其要搞懂它里面的寄存器是怎么一回事，因为这将让你从底层明白程序的运行机制。 随我一起，来好好认识下CPU这货吧 把CPU掰开来看 对于CPU来说，我们首先就要搞明白它是怎么回事，也就是它的内部构造，当然，CPU那么牛的一个东

还记得那个提速8倍的IDEA插件吗？VS Code版本也发布啦！！

去年，阿里云发布了本地 IDE 插件 Cloud Toolkit，仅 IntelliJ IDEA 一个平台，就有 15 万以上的开发者进行了下载，体验了一键部署带来的开发便利。时隔一年的今天，阿里云正式发布了 Visual Studio Code 版本，全面覆盖前端开发者，帮助前端实现一键打包部署，让开发提速 8 倍。 VSCode 版本的插件，目前能做到什么？ 安装插件之后，开发者可以立即体验...

破14亿，Python分析我国存在哪些人口危机！

2020年1月17日，国家统计局发布了2019年国民经济报告，报告中指出我国人口突破14亿。 猪哥的朋友圈被14亿人口刷屏，但是很多人并没有看到我国复杂的人口问题：老龄化、男女比例失衡、生育率下降、人口红利下降等。 今天我们就来分析一下我们国家的人口数据吧！ 一、背景 1.人口突破14亿 2020年1月17日，国家统计局发布了 2019年国民经济报告 ，报告中指出：年末中国大陆总人口（包括31个

2019年除夕夜的有感而发

天气：小雨（加小雪） 温度：3摄氏度 空气：严重污染（399） 风向：北风 风力：微风 现在是除夕夜晚上十点钟，再有两个小时就要新的一年了； 首先要说的是我没患病，至少现在是没有患病；但是心情确像患了病一样沉重； 现在这个时刻应该大部分家庭都在看春晚吧，或许一家人团团圆圆的坐在一起，或许因为某些特殊原因而不能团圆；但不管是身在何处，身处什么境地，我都想对每一个人说一句：新年快乐！ 不知道csdn这...

听说想当黑客的都玩过这个Monyer游戏（1~14攻略）

第零关 进入传送门开始第0关（游戏链接） 请点击链接进入第1关： 连接在左边→ ←连接在右边 看不到啊。。。。（只能看到一堆大佬做完的留名，也能看到菜鸡的我，在后面~~） 直接fn+f12吧 &lt;span&gt;连接在左边→&lt;/span&gt; &lt;a href="first.php"&gt;&lt;/a&gt; &lt;span&gt;←连接在右边&lt;/span&gt; o...

在家远程办公效率低？那你一定要收好这个「在家办公」神器！

相信大家都已经收到国务院延长春节假期的消息，接下来，在家远程办公可能将会持续一段时间。 但是问题来了。远程办公不是人在电脑前就当坐班了，相反，对于沟通效率，文件协作，以及信息安全都有着极高的要求。有着非常多的挑战，比如： 1在异地互相不见面的会议上，如何提高沟通效率？ 2文件之间的来往反馈如何做到及时性？如何保证信息安全？ 3如何规划安排每天工作，以及如何进行成果验收？ ......

作为一个程序员，内存和磁盘的这些事情，你不得不知道啊！！！

截止目前，我已经分享了如下几篇文章： 一个程序在计算机中是如何运行的？超级干货！！！ 作为一个程序员，CPU的这些硬核知识你必须会！ 作为一个程序员，内存的这些硬核知识你必须懂！ 这些知识可以说是我们之前都不太重视的基础知识，可能大家在上大学的时候都学习过了，但是嘞，当时由于老师讲解的没那么有趣，又加上这些知识本身就比较枯燥，所以嘞，大家当初几乎等于没学。 再说啦，学习这些，也看不出来有什么用啊！

2020年的1月，我辞掉了我的第一份工作

其实，这篇文章，我应该早点写的，毕竟现在已经2月份了。不过一些其它原因，或者是我的惰性、还有一些迷茫的念头，让自己迟迟没有试着写一点东西，记录下，或者说是总结下自己前3年的工作上的经历、学习的过程。 我自己知道的，在写自己的博客方面，我的文笔很一般，非技术类的文章不想去写；另外我又是一个还比较热衷于技术的人，而平常复杂一点的东西，如果想写文章写的清楚点，是需要足够...

别低估自己的直觉，也别高估自己的智商

所有群全部吵翻天，朋友圈全部沦陷，公众号疯狂转发。这两周没怎么发原创，只发新闻，可能有人注意到了。我不是懒，是文章写了却没发，因为大家的关注力始终在这次的疫情上面，发了也没人看。当然，我...

这个世界上人真的分三六九等，你信吗？

偶然间，在知乎上看到一个问题 一时间，勾起了我深深的回忆。 以前在厂里打过两次工，做过家教，干过辅导班，做过中介。零下几度的晚上，贴过广告，满脸、满手地长冻疮。 再回首那段岁月，虽然苦，但让我学会了坚持和忍耐。让我明白了，在这个世界上，无论环境多么的恶劣，只要心存希望，星星之火，亦可燎原。 下文是原回答，希望能对你能有所启发。 如果我说，这个世界上人真的分三六九等，...

节后首个工作日，企业们集体开晨会让钉钉挂了

By 超神经场景描述：昨天 2 月 3 日，是大部分城市号召远程工作的第一天，全国有接近 2 亿人在家开始远程办公，钉钉上也有超过 1000 万家企业活跃起来。关键词：十一出行 人脸...

Java基础知识点梳理

Java基础知识点梳理 摘要： 虽然已经在实际工作中经常与java打交道，但是一直没系统地对java这门语言进行梳理和总结，掌握的知识也比较零散。恰好利用这段时间重新认识下java，并对一些常见的语法和知识点做个总结与回顾，一方面为了加深印象，方便后面查阅，一方面为了学好java打下基础。 Java简介 java语言于1995年正式推出，最开始被命名为Oak语言，由James Gosling（詹姆

2020年全新Java学习路线图，含配套视频，学完即为中级Java程序员！！

新的一年来临，突如其来的疫情打破了平静的生活！ 在家的你是否很无聊，如果无聊就来学习吧！ 世上只有一种投资只赚不赔，那就是学习！！！ 传智播客于2020年升级了Java学习线路图，硬核升级，免费放送！ 学完你就是中级程序员，能更快一步找到工作！ 一、Java基础 JavaSE基础是Java中级程序员的起点，是帮助你从小白到懂得编程的必经之路。 在Java基础板块中有6个子模块的学

B 站上有哪些很好的学习资源?

哇说起B站，在小九眼里就是宝藏般的存在，放年假宅在家时一天刷6、7个小时不在话下，更别提今年的跨年晚会，我简直是跪着看完的！！ 最早大家聚在在B站是为了追番，再后来我在上面刷欧美新歌和漂亮小姐姐的舞蹈视频，最近两年我和周围的朋友们已经把B站当作学习教室了，而且学习成本还免费，真是个励志的好平台ヽ(.◕ฺˇд ˇ◕ฺ;)ﾉ 下面我们就来盘点一下B站上优质的学习资源： 综合类 Oeasy： 综合

如何优雅地打印一个Java对象？

你好呀，我是沉默王二，一个和黄家驹一样身高，和刘德华一样颜值的程序员。虽然已经写了十多年的 Java 代码，但仍然觉得自己是个菜鸟（请允许我惭愧一下）。 在一个月黑风高的夜晚，我思前想后，觉得再也不能这么蹉跎下去了。于是痛下决心，准备通过输出的方式倒逼输入，以此来修炼自己的内功，从而进阶成为一名真正意义上的大神。与此同时，希望这些文章能够帮助到更多的读者，让大家在学习的路上不再寂寞、空虚和冷。 ...

相关热词 c# 为空 判断 委托 c#记事本颜色 c# 系统默认声音 js中调用c#方法参数 c#引入dll文件报错 c#根据名称实例化 c#从邮件服务器获取邮件 c# 保存文件夹 c#代码打包引用 c# 压缩效率