总起 语法和C++很像！对于我这种前OIer选手比较友好。 结合了很多Python的优点，相对方便（比神™C++好使多了） 对大小写要求很严格，需要注意 ¶输出调试 1console.log(a,b,c,d); 按F12进入开发人员工具，进入Console即可查看 数据 ¶类型 类型 含义 举例 值 Number 数字 2, 0.123, 1e7 \ string 字符串

architecture **Monolithic Architecture（单体架构）和Microservices Architecture（微服务架构）**是两种常见的软件架构模式。下面从多个维度进行对比： ¶1. 定义 ¶单体架构（Monolithic Architecture） 特点：所有功能模块都集成在一个整体应用中，作为一个单独的部署单元运行。 例子：传统的 Spring MVC W

题头 在PyTorch学习的第一阶段，我基本上掌握了加载，训练，使用，保存模型的基本方法，下面对使用到的函数和方法进行一个阶段性的总结。这篇文章全程在typora里面完成，没有任何代码提示，算是默写，但也没有经过测试。 初始化 初始化一般是导入模型，引入最基本的库，设置运行设备等等。 ¶引入最基本的库 1234# 这些都是有关pytorch的大头import torchimport torch.n

转移训练就是在已经训练好的模型上通过少量新数据再对模型进行调参，从而训练出一个新模型，使之可以运用于特定任务，有点类似于初级版的fine-tune。由于也是调参，所以转移训练和全新训练的过程大差不差，大致为以下： 预处理数据 (transform) 建立数据集 (dataloader) 准备，调整模型 (model) 开练 得到结果 预测 顺便介绍一个我觉得很好用的PyTorch学习资源 引

概念 多层感知机是一种最简单的深度网络，分为输入层，隐藏层和输出层，其中隐藏层的每一层都有很多节点，每个节点代表一个变换（计算方法），包括常用的两个参数，即weight（权重）和bias（偏置量） 隐藏层 ¶基本原理 由于输入层输入的数据（如图片的像素，声音的频率等）和输出层（如分类概率，判断等）之间难以找出直接的联系，因此引入隐藏层来讲输入特征进行特征提取，形成一个隐藏层，然后再将隐藏层的结果输

铺垫 ¶设计原则 针对接口编程，而不是针对实现编程 优先使用对象组合（黑箱），而不是类继承（白箱） ¶需要重新设计的原因 通过显示地指定一个类来创建对象 对特殊操作的依赖 对硬件和软件平台的依赖 对对象表示或实现的依赖 算法依赖 紧耦合 - 屎山（ 通过生成子类来拓充功能 不能方便地对类进行修改 ¶怎样重新选择设计模式 考虑设计模式是怎么样解决设计问题的 浏览模式的意图部分 - 1.4

0. 一些表述问题 通过一个类来访问另一个类的成员，通常指的是在类的外部通过派生类直接访问基类的数据成员 1. 绪论 下面是生存周期 static - 静态，单文件内 external - 静态，全局默认，可以跨文件访问 register - 不知道是个啥 auto - 局部变量的默认生存周期，到点就亖 switch就算没有break也可以正常退出 2. 数据流啊？ typedef -

这里的图标适用于所有使用VSCode图标样式的编辑器，包括Google Colab。最近在学习ML，懂得提示图标的含义可以很方便地了解一个Object的用法。 以下图标以Python为例来解释，将持续更新 局部变量 成员变量 属性 模块 方法 函数

参考了项目kubernetes-the-hard-way 前置 ¶需要 4台虚拟机，其中一台jumpbox，一台是master node，两台worker node，配置如下 jumpbox - 1H1G master node - 4H4G worker node - 4H4G 其中，实际的CPU为Intel(R) Xeon(R) E5-2666 v3 @ 2.90 GHz，内存为DDR3

container structure ¶1. 分层不是固定死的，但有典型结构 Docker 镜像的层其实是由 Dockerfile 的每一条指令生成的，所以每个镜像的层数和内容都不完全一样，但通常会有一些“典型层”： ¶常见镜像分层结构举例 假设你的 Dockerfile 是这样写的： 123456FROM ubuntu:20.04 # 基础层RUN apt-get updat