上下文

I. Word meaning Meaning 的定义有很多种，其中有： the idea that is represented by a word,phrase,etc. the idea that a person wants to express by using words, signs, etc. 1.Discrete representation 那么在计算机中是如何获取一个word的meaning的呢？常见的解决办法是使用像 WordNet 之类的数据集，它包含了同义词(synonym)组和上位词(hypernyms)组。这种表示方法属于 Discrete representation 上位词（hypernym） ，指概念上外延更广的主题词。 例如：”花”是”鲜花”的上位词，”植物”是”花”的上位词，”音乐”是”mp3”的上位词。上位词是相对某主题词的，也有它自己的等同词、上位词、下位词、同类词。 但是类似于WordNet的数据集存在如下缺点： 尽管存储的词条较为丰富，但是 词与词之间缺少细微的差别 。例如 proficient 只是 good 的同义词，但是二者却存在一些差别。 缺少新的词汇，例如Dama(大妈)这种非常fashion的词汇很难及时地更新。 对词的定义较为主观，因为都需要人工提前设定。因此也需要大量的人力去维护这个数据集。 很难计算词之间的相似性。

关键字 是对编译器具有特殊意义的预定义保留标识符。 下面是列出的所有的关键字在 C# 程序的任何部分都是保留标识符 ： abst ract as ba se bool break byte case catch char che cked class const continue decimal default delegate do double else enum eve nt explicit extern False finally static float for foreach goto if implicit in in （泛型修饰符） int interface inter nal i s lock long namespace new null object operator out out （泛型修饰符） ove rride params private protected public readonly ref return sbyte sea led short sizeof stackalloc st atic string struct switch this throw True try typeof uint ulong unchecked unsafe ushort using vir tual void vola tile while 修饰符（

/*--> */ /*--> */ 1 自动语音识别简介 语音识别技术，也可以称为自动语音识别（ Automatic Speech Recognition ， ASR ），其任务是把人所发出的语音中词汇内容转换为计算机可读入的文本。语音识别技术是一种综合性的技术，它涉及到多个学科领域，如发声机理和听觉机理、信号处理、概率论和信息论、模式识别以及人工智能等等。 目前，主流的大词汇量语音识别系统中通常采用基于统计模型的识别技术，典型的基于统计模型的语音识别系统通常有如下几个基本组成模块 ： 信号处理及特征提取模块。该模块的主要任务是从输入的语音信号中提取特征，用于声学模型的建模以及解码过程。但在提取特征之前也需要负责对语音信号进行降噪等处理，以提高系统的鲁棒性。 统计声学模型。通常的语音识别系统大都使用隐马尔科夫模型对词，音节、音素等基本的声学单元进行建模，生成声学模型。 语言模型。语言模型对系统所需识别的语言在单词层面上进行建模。语言模型包括正则语言，上下文无关文法的各种语言模型，但是语言的语法通常很复杂，语法文件中的语法规则会很多，并且需要繁重的人工劳动来完成语法规则的编写，所以但目前大多数语音识别系统普遍采用统计语言模型，其中大都是基于统计的 N 元语法（ N-gram ）模型及其变体。 发音词典。发音词典包含系统所能处理的单词的集合，并标明了其发音

Spring容器高层视图 Spring 启动时读取应用程序提供的Bean配置信息，并在Spring容器中生成一份相应的Bean配置注册表，然后根据这张注册表实例化Bean，装配好Bean之间的依赖关系，为上层应用提供准备就绪的运行环境。 IOC容器介绍 pring 通过一个配置文件描述 Bean 及 Bean 之间的依赖关系，利用 Java 语言的反射功能实例化 Bean 并建立 Bean 之间的依赖关系。 Spring 的 IoC 容器在完成这些底层工作的基础上，还提供了 Bean 实例缓存、生命周期管理、 Bean 实例代理、事件发布、资源装载等高级服务。 BeanFactory 是 Spring 框架的基础设施，面向 Spring 本身； ApplicationContext 面向使用 Spring 框架的开发者，几乎所有的应用场合我们都直接使用 ApplicationContext 而非底层的 BeanFactory。 BeanFactory BeanFactory体系架构： BeanDefinitionRegistry： Spring 配置文件中每一个节点元素在 Spring 容器里都通过一个 BeanDefinition 对象表示，它描述了 Bean 的配置信息。而 BeanDefinitionRegistry 接口提供了向容器手工注册 BeanDefinition

上下文栈 执行上下文——js中通过js引擎管理全局上下文和函数上下文的过程 全局上下文 ——scrip中所有js代码执行过程 函数上下文 ——调用函数时形成函数上下文（函数的执行过程） 上下文栈——执行整个代码的过程(执行整上下文的过程) 例如： 1 执行全局上下文 2 执行f1函数上下文 3 执行f2函数上下文 4 执行f3函数上下文 5 打印a —> f3函数上下文执行完成 —> f2函数上下文执行完成 —> f1函数上下文执行完成 6 全局上下文执行结束 来源： CSDN 作者： LYHappy& 链接： https://blog.csdn.net/weixin_46316234/article/details/104315167

3.3 Context和Strategy的关系 在策略模式中，通常是上下文使用具体的策略实现对象，反过来，策略实现对象也可以从上下文获取所需要的数据，因此可以将上下文当参数传递给策略实现对象，这种情况下上下文和策略实现对象是紧密耦合的。 在这种情况下，上下文封装着具体策略对象进行算法运算所需要的数据，具体策略对象通过回调上下文的方法来获取这些数据。 甚至在某些情况下，策略实现对象还可以回调上下文的方法来实现一定的功能，这种使用场景下，上下文变相充当了多个策略算法实现的公共接口，在上下文定义的方法可以当做是所有或者是部分策略算法使用的公共功能。 但是请注意，由于所有的策略实现对象都实现同一个策略接口，传入同一个上下文，可能会造成传入的上下文数据的浪费，因为有的算法会使用这些数据，而有的算法不会使用，但是上下文和策略对象之间交互的开销是存在的了。 还是通过例子来说明。 1：工资支付的实现思路 考虑这样一个功能：工资支付方式的问题，很多企业的工资支付方式是很灵活的，可支付方式是比较多的，比如：人民币现金支付、美元现金支付、银行转账到工资帐户、银行转账到工资卡；一些创业型的企业为了留住骨干员工，还可能有：工资转股权等等方式。总之一句话，工资支付方式很多。 随着公司的发展，会不断有新的工资支付方式出现，这就要求能方便的扩展；另外工资支付方式不是固定的，是由公司和员工协商确定的

一.概述 word2vec用于处理文本字符串，类似的功能如sklearn的CountVectorizer,TfidfVectorizer,HashingVectorizer CountVectorizer用每个词出现的次数做为向量的值，如特征空间内宫n个词，特征向量i中如果第j个word出现了n次则 S = [s00,……snn] sij=n TfidfVectorizer用每个word的对tf-idf值表示第ij向量值 HashingVectorizer是使用word的hash值 以上方法虽然计算速度快，但是不能表示出词的意义如'man','woman'对于以上三个模型来说是完全不同的两个word，正确的向量空间子结构 Vking - Vqueen = Vman - Vwoman Vpairs - Vfrance = Vgernab - Vberlin 二.NNLM 对于向量空间V，存在n个words 随机初始化稠密向量(layers*10W)V0，每个词用one-hot表示乘以V0得到一个NNLM的输入， 在投影层将相邻的三个向量拼接起来，每个向量没3*layers*1,激活函数为tanh 输出层使用softmax 输出层的最终目的为计算每三个相邻的word的下一个word的概率最高。 1.CBOW(连续词袋） 无隐层 使用双向上下文窗口 上下文词序无关 投影层简化为求和

在js里，每个函数都有一个执行的上下文，我们可以通过this来访问。 如： 全局函数 function test(){ var local = this; } 我们发现local等于window（dom根对象），也就是说全局函数实际上是window的一个属性。 同理全局变量也是如此。 比如 var name = ‘phil’; 我们可以通过window[‘name’]或者window.name 来访问。 而当函数是某一个对象的属性的时候，该函数的上下文就是该对象。 var student = {}; student.age = 20; student.getAge = function(){ return this.age; } 当有函数嵌套的时候，事情就变得稍微复杂点了。 var seq = [1,2,3,4]; for(var i in seq){ var name = ‘phil’ + i; window.setTimeout(function(){ $('p’).apend(name); },i*1000) } 有人可能认为输出是phil1phil2phil3phil4，实际上结果是phil4phil4phil4phil4 因为函数window.setTimeout(实际上我们常常会省略掉window)的上下文实际上是window，而函数体中的name实际上就是window

Spring MVC源码——Root WebApplicationContext 　　打算开始读一些框架的源码,先拿 Spring MVC 练练手,欢迎 点击这里 访问我的源码注释, SpringMVC 官方文档 一开始就给出了这样的两段示例: WebApplicationInitializer示例: public class MyWebApplicationInitializer implements WebApplicationInitializer { @Override public void onStartup(ServletContext servletCxt) { // Load Spring web application configuration AnnotationConfigWebApplicationContext ac = new AnnotationConfigWebApplicationContext(); ac.register(AppConfig.class); ac.refresh(); // Create and register the DispatcherServlet DispatcherServlet servlet = new DispatcherServlet(ac); ServletRegistration.Dynamic

1 使用tf.Variable函数创建变量 tf.Variable( initial_value=None ,trainable=True, collections=None ,validate_shape=True, caching_device=None ,name=None, variable_def=None ,dtype=None, expected_shape=None ,import_scope=None) 函数功能： 　　 创建一个新的变量，变量的值是initial_value，创建的变量会被添加到[GraphKeys.GLOBAL_VARIABLES]默认的计算图列表中，如果trainable被设置为True,这个变量还会被添加到GraphKeys.TRAINABLE_VARIABLES计算图的集合中。 参数： initial_value： 默认值是None，张量或者是一个python对象可以转成张量，这个initial_value是初始化变量的值。它必须有一个特殊的shape，除非validate_shape设置为False。 trainable： 默认的是True，变量还会被添加到GraphKeys.TRAINABLE_VARIABLES计算图集合中。 collections： 变量会被添加到这个集合中，默认的集合是[GraphKeys.GLOBAL