技术文章

https://www.hollischuang.com/archives/4465 开发十年，就只剩下这套架构体系了！！ 最近全民开始了在家办公模式，目前看来这种模式还要持续很长的一段时间，至少要到3月份才能有可能回到公司办公了。 其实，在哪办公对于程序员来说其实差别并不是很大，无非就是在哪敲代码而已。 时间很快，从在家办公开始，一直想说点什么，但是一直都没落笔，现在已经两周多了，是时候写点什么了，这两周给我最大的感受有两点。 一、会议比以前多了 在家办公之后，每天都是各种电话会议、视频会议、语音会议等等。 在公司办公的时候，只有有一些大事，如需求评审、设计评审之类的才需要开会，还有就是项目晨会或者团队周会之类的。 但是在家办公之后，每天会被拉着参加各种会议，以下是我某一天的会议日程：  从早上9点，到晚上8点，一直都有会议，甚至有时候还有很多会议时间是重合的。 这时候就体现出在家办公的好处了，我就可以同时参加多个会议。钉钉视频会议开一个，手机电话会议开一个。不需要我的时候我就把我的麦禁掉。 比如有些会议，我只是负责把相关人员拉在一起，大家讨论下，最终得到一个结果，我发个邮件出来就好了。这种我就不需要发言，只需要听着就行了。 还有的一些会议，如技术方案评审之类的，可能会议中只有一小部分是和我相关的，那么我只需要再讨论这部分的时候开麦发言就好了。 如果是在公司开会

目前，人工智能（AI）非常热门，许多人都想一窥究竟。如果你对人工智能有所了解，但对机器学习（Machine Learning）的理解有很多的困惑，那么看完本文后你将会对此有进一步深入理解。在这里，不会详细介绍机器学习算法的基本原理，而是通过将比较有意思的视频（YouTube）和文字相结合，逐渐增加对机器学习基础的理解。 当看到本文时，请坐下来放松一下。因为下面的这些视频需要花费一点时间，但看完视频后，你肯定会被吸引继续阅读下去。此外，当阅读完本文后，你应该会对现在最热门的技术——机器学习有了全面的知识基础，并对此产生学习热情，最终能学到什么程度完全取决于个人的努力，本文只是一块敲门砖。 为什么机器学习现在如此热门 人工智能总是很酷，从科幻电影到现实中的阿法狗、聊天机器人等，一直吸引人们的关注。长久以来，人们认为人工智能一直围绕着程序员对某些事情应该如何表现的功能性猜测。然而，程序员并不总是像我们经常看到的那样对人工智能编程同样有着天赋。正如我们经常看到的那样，比如谷歌“史诗游戏失败”中在人工智能、物理、有时甚至是经验丰富的人类玩家中都存在有过失。 无论如何，人工智能有一种新的天赋——通过该项技术，我们可以教电脑玩游戏、理解语言、甚至识别人或物。这个只显露冰山一角的新技术来源一个旧的概念——机器学习，直到最近几年，它才获得了理论之外的处理能力，这源于数据量的爆炸

第一种：转 https://blog.csdn.net/chenfei2341/article/details/83652586 在Spring boot 中使用 @RequestBody 会报错，提示错误 Content type 'application/x-www-form-urlencoded;charset=UTF-8' not supported ，代码如下： @RequestMapping(value = "/act/service/model/{modelId}/save", method = RequestMethod.POST) public void saveModel(@PathVariable String modelId, @RequestBody MultiValueMap<String, String> values) { // 具体代码 } 这个在传统 spring MVC 中是有效的，但是在 Spring boot 中会报错。 传统是 Spring MVC 有效，是因为有 <mvc:annotation-driven> 注解，查资料，<mvc:annotation-driven> 注解配置了如下的内容 spring 3.1 版本： <!-- 注解请求映射 --> <bean class ="org.springframework.web

https://juejin.im/post/5e453da151882549431fe2ab 作者： HelloGitHub-追梦人物 文中所涉及的示例代码，已同步更新到 HelloGitHub-Team 仓库 博客提供 RSS 订阅应该是标配，这样读者就可以通过一些聚合阅读工具订阅你的博客，时时查看是否有文章更新，而不必每次都跳转到博客上来查看。现在我们就来为博客添加 RSS 订阅功能。 在此之前我们使用了 Django 内置的一些方法实现了一个简单的搜索功能。但这个搜索功能实在过于简单，没有多大的实用性。对于一个搜索引擎来说，至少应该能够根据用户的搜索关键词对搜索结果进行排序以及高亮关键字。现在我们就来使用 django-haystack 实现这些特性。 Django Haystack 简介 django-haystack 是一个专门提供搜索功能的 django 第三方应用，它支持 Solr、Elasticsearch、Whoosh、Xapian 等多种搜索引擎，上一版本的教程中我们使用 Whoosh 加 jieba 中文分词的方案，原因是为了简单，无需安装外部服务。但现在有了 docker，安装一个外部服务就是轻而易举的事情，所以这次我们采用更为强大的 elasticsearch 作为我们博客的搜索引擎，同时使用 elasticsearch 的中文分词插件 ik

来自： 程序员小枫 在 9 月 10 日召开的华为开发者大会上，宣布了鸿蒙2.0 系统正式面世，同时开启了 Beta 版本的测试和开源网站。 对于开发者来说两个最关键的点值得关注： 一个是 Beta 版的开发工具，一个是开源网站。 开源网站 在开发者大会上宣布将 HarmonyOS源代码捐赠给中国开放原子开源基金会，并在大会上公布了鸿蒙系统的开源路线。 OpenHarmony 官方源码地址： https: //openharmony.gitee.com/openharmony 开发工具 鸿蒙使用基于 Intellij IDEA 深度定制研发的 DevEco Studio 作为其开发工具。 DevEco Studio 下载地址： https: / /developer.harmonyos.com/cn /develop/deveco -studio 那么，在应用开发过程中，HarmonyOS（鸿蒙）和 Android（安卓）开发环境有什么不同呐？ HarmonyOS 项目和 Android 项目对比 资源目录的变更 ①资源目录名称有更改 安卓 res 目录，这里用 resources 目录，它包括 base 和 rawfile 两部分，其中 base 是核心的资源目录，常用的都放在这里面，便于查找和使用。rawfile 会原封不动打包到生成的应用里面。 安卓是 res/values

点击上方 疾风先生 可以订阅哦 在互联网企业中，经常离不开的术语就是分布式架构和微服务相关的词汇，如果让你来设计一个分布式系统，你会以什么样的维度去构思我们的分布式系统呢？首先，我们需要明白为什么需要分布式系统，它的实现目标是什么；其次当我们对分布式目标清晰之后，那么我们实现可以从目标的维度思考可采取的技术手段有哪些；接着我们对技术栈知识有了一个基本认知之后，这个时候又要要求我们思考架构设计的不仅是全局宏观的技术栈视野，还要具备全局的业务服务视野来思考并落地我们的分布式架构的设计。因此对于分布式架构的学习是一个漫长的过程，先要清楚目标，然后弄明白实现目标的技术方案，最后结合我们的技术栈与业务体系从宏观以及微观上去思考并落地我们的分布式架构设计。 分布式设计目标 业务架构的演进 在上图简单以时间线为准，粗略描述了我们系统架构随着业务的需求考量以及业务的发展，系统承担的并发量也将逐步提升，这就要求我们的系统架构需要开始思考如何利用现有的资源来解决。我们目前急需处理并发请求的服务.而思考的方向可以从我们已有的计算机知识体系中找到答案。比如： 对于并发问题，我们知道处理共享资源可以通过加锁的方式来保证我们的线程安全，那么在有限的资源下又要如何提升我们的并发量，于是我们很容易想到hashmap是如何处理线程安全的，对此我们就会考虑到一个设计思想，那就是分而治之的策略

4月2日，Fedora 30 Beta发布，这意味着距离Fedora 30正式版的发布又近了一步。 Fedora 30 Beta亮点 新的桌面环境选项 Fedora 30 Beta新增了两个桌面环境选项： DeepinDE和Pantheon Desktop。 现在，用户在GNOME，KDE Plasma，Xfce之外，还可以选择DeepinDE和Pantheon Desktop体验fedora啦。 DNF性能改进 除了xz或gzip之外，Fedora 30 Beta的所有dnf存储库元数据都使用zchunk格式进行压缩。 zchunk是一种新的压缩格式，旨在实现高效的增量。当使用zchunk压缩Fedora的元数据时，dnf将仅下载元数据的任何早期副本与当前版本之间的差异。 GNOME 3.32 Fedora 30 Workstation Beta搭载了GNOME 3.32，3.32是GNOME的最新版本。GNOME 3.32具有更新的视觉样式，包括用户界面，图标和桌面本身。 其他更新 Fedora 30 Beta还包括许多流行软件包的更新版本，如Golang，Bash shell，GNU C Library，Python和Perl。有关完整列表，请参阅Fedora Wiki上的更改集。此外，许多Python 2软件包已被删除，以便为2020-01-01的Python

关于奇异值分解具体的可以看看这篇博文 SVD 　　奇异值分解(Singular Value Decomposition)是一种重要的矩阵分解方法，可以看做对称方阵在任意矩阵上的推广。 假设A是一个m×n阶实矩阵，则存在一个分解使得： 　　　　 通常将奇异值由大而小排列。这样，Σ便能由A唯一确定了。 与特征值、特征向量的概念相对应： 　　Σ对角线上的元素称为矩阵A的奇异值； 　　U的第i列称为A的关于σi的左奇异向量； 　　V的第i列称为A的关于σi的右奇异向量。 线性代数 定义：方阵的行列式 　　1 阶方阵的行列式为该元素本身 　　n 阶方阵的行列式等于它的任一行 或列 的各元素与其对应的代数余子式乘积之和。 　　1×1的方阵，其行列式等于该元素本身。 　　　　 　　2×2的方阵，其行列式用主对角线元素乘积减去次对角线元素的乘积。 　　　　　　　　 　　 3×3的方阵： 　　　　 　　根据“主对角线元素乘积减去次对角线元素的乘积”的原则，得： 　　在一个n阶行列式A中,把(i,j)元素aij所在的第i行和第j列划去后，留下的n-1阶方阵的行列式叫做元素a ij 的余子式，记作M ij 。 　　代数余子式：A ij =(-1) i+j M ij 　　 伴随矩阵 对于n×n方阵的任意元素a ij 都有各自的代数余子式A ij =(-1) i+j M ij ，构造n×n的方阵A * ：

从2020年1月14日，持续1个月时间，学完了MIT线性代数。MIT线性代数没有死扣计算技巧，主要focus在原理的理解，和工程应用相结合。 通篇学习下来，矩阵的学习其实就是学习矩阵的特征和应用 矩阵的特征：特征向量、特征值，转置、逆 矩阵的计算：秩的计算，Ax = 0 & Ax = b的通解，矩阵的基变换(正交基、标准基) 应用：投影，稳态 本文同步分享在 博客“天叔”（JianShu）。 如有侵权，请联系 support@oschina.cn 删除。 本文参与“ OSC源创计划 ”，欢迎正在阅读的你也加入，一起分享。 来源： oschina 链接： https://my.oschina.net/u/4874296/blog/4867006

点击上方“ 计算机视觉cv ”即可“进入公众号” 重磅干货第一时间送达 预训练网络   想要将深度学习应用于小型图像数据集，一种常用且非常高效的方法是使用预训练网络。预训练网络（pretrained network）是一个保存好的网络，之前已在大型数据集（通常是大规模图像分类任务）上训练好。如果这个原始数据集足够大且足够通用，那么预训练网络学到的特征的空间层次结构可以有效地作为视觉世界的通用模型，因此这些特征可用于各种不同的计算机视觉问题，即使这些新问题涉及的类别和原始任务完全不同。举个例子，你在 ImageNet 上训练了一个网络（其类别主要是动物和日常用品），然后将这个训练好的网络应用于某个不相干的任务，比如在图像中识别家具。这种学到的特征在不同问题之间的可移植性，是深度学习与许多早期浅层学习方法相比的重要优势，它使得深度学习对小数据问题非常有效。   本例中，假设有一个在 ImageNet 数据集（140 万张标记图像，1000 个不同的类别）上训练好的大型卷积神经网络。ImageNet 中包含许多动物类别，其中包括不同种类的猫和狗，因此可以认为它在猫狗分类问题上也能有良好的表现。   我们将使用 VGG16 架构，它由 Karen Simonyan 和 Andrew Zisserman 在 2014 年开发。对于ImageNet，它是一种简单而又广泛使用的卷积神经网络架构