發燒車訊

C 表達式中的彙編指令 asm 為 gcc 中的關鍵字，asm 表達式為在 C代碼中嵌套彙編指令，該表達式只是單純的替換出彙編代碼，並不對彙編代碼的含義進行解析。 asm 表達式有兩種形式，第二種 asm-qualifiers 包含了 goto 語句。 第一種形式為常見的用法，AssemblerTemplate 和 OutputOperands 必須存在, 其中 Clobbers 存在需要 InputOperands 也出現。 asm asm-qualifiers ( AssemblerTemplate : OutputOperands [ : InputOperands [ : Clobbers ] ]) asm asm-qualifiers ( AssemblerTemplate : : InputOperands : Clobbers : GotoLabels) Qualifiers 的類型 volatile, 避免編譯器的優化 inline, 內斂限定符，最小的體積 goto, 包含跳轉指令 參數 AssemblerTemplate - 彙編指令模板是包含彙編器指令的文字字符串，編輯器替換引用輸入，編譯器不會解析該指令的含義。 OutputOperands - 由 AssemblerTemplate 中的指令修改的C變量的逗號分隔列表，允許使用空列表。 InputOperands - 由 AssemblerTemplate 中的指令讀取的C變量的逗號分隔列表，允許使用空列表。 Clobbers - 用逗號分隔的寄存器列表或由 AssemblerTemplate 修改的值，不能出現在 OutputOperands 和 InputOperands 中被提及，允許使用空列表。 GotoLabels - 當使用asm的goto形式時，此部分包含 AssemblerTemplate ...

前言 前端時間和我寫了一個簡易用戶管理後台,功能其實很簡單，涉及到的技術棧有：vue+elementUI，java+spring MVC以及node+egg，數據庫用的mysql，簡單方便。 一開始是我是只負責前端，但是前端開發的的速度太快，老是沒事，加上他小子並沒有接觸過實戰的項目，又怕他出亂子，所以考慮我也寫一個後端， 開始考慮的是用python+django，但是還是在半途放棄了，因為總感覺Django不過靈活，使用起來非常彆扭，也可能是用scrapy寫爬蟲寫多了，難以理解django的框架設計，總是會把他想象成一個scrapy架構，也導致代碼寫的很亂，下面上一張scrapy架構圖。 所以最後考慮的用node，Express和Koa框架學習過node應該都知道，我以前也用過express（寫過一個小demo），但是給我的感覺這到像是一個只能有5年以上node開發經驗才能玩的轉的，因為express是非常的精簡的，安裝它后，會發現它幾乎不會為你提供任何編碼規範，也沒有約束你的框架應該怎麼設計，以至於新手下載完成后完全不知道自己應該幹嘛，甚至不知道直接的文件應該寫在哪，沒有框架本身的約定，標準的MVC模型有着千奇百怪的寫法，所以我覺得沒有一定的架構思想和經驗是很難駕馭的。 koa我並沒有直接的使用過，只是聽說是express的原班人馬打造的，中間件是基於洋蔥圈模型實現的。下面上一張圖洋蔥圈模型圖。 而是後來直接就接觸的egg，egg標語是"為企業級框架和應用而生"， 廢話說的有點多了，重點是通一套前端代碼，開發了兩套後端代碼，功能是完全一致的，後端都實現了相應的jwt驗證功能，-->，密鑰都是我們約定好的固定值，但是最後發現一樣的密鑰，相同的數據，使用的jwt包不同產生的結果也不同，這也就導致兩端之間無法相互切換，每次切換必須從登陸重新開始，這不太符合邏輯，而且重要的是後面的安排有需要這樣的功能，無法做到無縫切換就直接導致實現不了下面的功能。 提綱內容 jwt實現原理 jwt未能解決的疑惑 base64和base64url jwt實現原理 其實作為一個前端開發人員，jwt實現原理我是沒必要懂得的，但是如果你不限於此，這算是個必不可少的內容了吧。 先上一張圖。 ...

對於程序員來說，最莫大的榮耀莫過於自己的軟件被大多數人使用了吧。 歷史文章請戳 本篇文章作為操作系統的入門文章，可能入門都算不上吧，畢竟操作系統太龐大和複雜了。本篇文章主要帶你了解一下我們常用的操作系統環境。 操作系統環境 程序中包含着 運行環境 這一內容，可以說 運行環境 = 操作系統 + 硬件 ，操作系統又可以被稱為軟件，它是由一系列的指令組成的。我們不介紹操作系統，我們主要來介紹一下硬件的識別。 我們肯定都玩兒過遊戲，你玩兒遊戲前需要干什麼？是不是需要先看一下自己的筆記本或者電腦是不是能肝的起遊戲？下面是一個遊戲的配置（懷念一下 wow） 圖中的主要配置如下 操作系統版本：說的就是應用程序運行在何種系統環境，現在市面上主要有三種操作系統環境，Windows 、Linux 和 Unix ，一般我們玩兒的大型遊戲幾乎都是在 Windows 上運行，可以說 Windows 是遊戲的天堂。Windows 操作系統也會有區分，分為32位操作系統和64位操作系統，互不兼容。 處理器：處理器指的就是 CPU，你的電腦的計算能力，通俗來講就是每秒鐘能處理的指令數，如果你的電腦覺得卡帶不起來的話，很可能就是 CPU 的計算能力不足導致的。想要加深理解，請閱讀博主的另一篇文章： 顯卡：顯卡承擔圖形的輸出任務，因此又被稱為圖形處理器（Graphic Processing Unit，GPU），顯卡也非常重要，比如我之前玩兒的 劍靈 開五檔（其實就是圖像變得更清晰）會卡，其實就是顯卡显示不出來的原因。 內存：內存即主存，就是你的應用程序在運行時能夠動態分析指令的這部分存儲空間，它的大小也能決定你電腦的運行速度，想要加深理解，請閱讀博主的另一篇文章 存儲空間：存儲空間指的就是應用程序安裝所佔用的磁盤空間，由圖中可知，此遊戲的最低存儲空間必須要大於 5GB，其實我們都會遺留很大一部分用來安裝遊戲。 從程序的運行環境這一角度來考量的話，CPU 的種類是特別重要的參數，為了使程序能夠正常運行，必須滿足 CPU 所需的最低配置。 CPU 只能解釋其自身固有的語言。不同的 CPU 能解釋的機器語言的種類也是不同的。機器語言的程序稱為 本地代碼(native code) ，程序員用 C 等高級語言編寫的程...

對於程序員來說，最莫大的榮耀莫過於自己的軟件被大多數人使用了吧。 歷史文章請戳 本篇文章作為操作系統的入門文章，可能入門都算不上吧，畢竟操作系統太龐大和複雜了。本篇文章主要帶你了解一下我們常用的操作系統環境。 操作系統環境 程序中包含着 運行環境 這一內容，可以說 運行環境 = 操作系統 + 硬件 ，操作系統又可以被稱為軟件，它是由一系列的指令組成的。我們不介紹操作系統，我們主要來介紹一下硬件的識別。 我們肯定都玩兒過遊戲，你玩兒遊戲前需要干什麼？是不是需要先看一下自己的筆記本或者電腦是不是能肝的起遊戲？下面是一個遊戲的配置（懷念一下 wow） 圖中的主要配置如下 操作系統版本：說的就是應用程序運行在何種系統環境，現在市面上主要有三種操作系統環境，Windows 、Linux 和 Unix ，一般我們玩兒的大型遊戲幾乎都是在 Windows 上運行，可以說 Windows 是遊戲的天堂。Windows 操作系統也會有區分，分為32位操作系統和64位操作系統，互不兼容。 處理器：處理器指的就是 CPU，你的電腦的計算能力，通俗來講就是每秒鐘能處理的指令數，如果你的電腦覺得卡帶不起來的話，很可能就是 CPU 的計算能力不足導致的。想要加深理解，請閱讀博主的另一篇文章： 顯卡：顯卡承擔圖形的輸出任務，因此又被稱為圖形處理器（Graphic Processing Unit，GPU），顯卡也非常重要，比如我之前玩兒的 劍靈 開五檔（其實就是圖像變得更清晰）會卡，其實就是顯卡显示不出來的原因。 內存：內存即主存，就是你的應用程序在運行時能夠動態分析指令的這部分存儲空間，它的大小也能決定你電腦的運行速度，想要加深理解，請閱讀博主的另一篇文章 存儲空間：存儲空間指的就是應用程序安裝所佔用的磁盤空間，由圖中可知，此遊戲的最低存儲空間必須要大於 5GB，其實我們都會遺留很大一部分用來安裝遊戲。 從程序的運行環境這一角度來考量的話，CPU 的種類是特別重要的參數，為了使程序能夠正常運行，必須滿足 CPU 所需的最低配置。 CPU 只能解釋其自身固有的語言。不同的 CPU 能解釋的機器語言的種類也是不同的。機器語言的程序稱為 本地代碼(native code) ，程序員用 C 等高級語言編寫的程...

上一篇我們實現了使用梯度下降法的自適應線性神經元，這個方法會使用所有的訓練樣本來對權重向量進行更新，也可以稱之為批量梯度下降（batch gradient descent）。假設現在我們數據集中擁有大量的樣本，比如百萬條樣本，那麼如果我們現在使用批量梯度下降來訓練模型，每更新一次權重向量，我們都要使用百萬條樣本，訓練時間很長，效率很低，我們能不能找到一種方法，既能使用梯度下降法，但是又不要每次更新權重都要使用到所有的樣本，於是隨機梯度下降法（stochastic gradient descent）便被提出來了。 隨機梯度下降法可以只用一個訓練樣本來對權重向量進行更新： \[ \eta(y^i-\phi(z^i))x^i \] 這種方法比批量梯度下降法收斂的更快，因為它可以更加頻繁的更新權重向量，並且使用當個樣本來更新權重，相比於使用全部的樣本來更新更具有隨機性，有助於算法避免陷入到局部最小值，使用這個方法的要注意在選取樣本進行更新時一定要隨機選取，每次迭代前都要打亂所有的樣本順序，保證訓練的隨機性，並且在訓練時的學習率也不是固定不變的，可以隨着迭代次數的增加，學習率逐漸減小，這種方法可以有助於算法收斂。 現在我們有了使用全部樣本的批量梯度下降法，也有了使用單個樣本的隨機梯度下降法，那麼一種折中的方法，稱為最小批學習（mini-batch learning），它每次使用一部分訓練樣本來更新權重向量。 接下來我們實現使用隨機梯度下降法的Adaline from numpy.random import seed class AdalineSGD(object): """ADAptive LInear NEuron classifier. Parameters ---------- eta:float Learning rate(between 0.0 and 1.0 n_iter:int Passes over the training dataset. Attributes ---------- w_: 1d-array weights after fitting. er...

上一篇我們實現了使用梯度下降法的自適應線性神經元，這個方法會使用所有的訓練樣本來對權重向量進行更新，也可以稱之為批量梯度下降（batch gradient descent）。假設現在我們數據集中擁有大量的樣本，比如百萬條樣本，那麼如果我們現在使用批量梯度下降來訓練模型，每更新一次權重向量，我們都要使用百萬條樣本，訓練時間很長，效率很低，我們能不能找到一種方法，既能使用梯度下降法，但是又不要每次更新權重都要使用到所有的樣本，於是隨機梯度下降法（stochastic gradient descent）便被提出來了。 隨機梯度下降法可以只用一個訓練樣本來對權重向量進行更新： \[ \eta(y^i-\phi(z^i))x^i \] 這種方法比批量梯度下降法收斂的更快，因為它可以更加頻繁的更新權重向量，並且使用當個樣本來更新權重，相比於使用全部的樣本來更新更具有隨機性，有助於算法避免陷入到局部最小值，使用這個方法的要注意在選取樣本進行更新時一定要隨機選取，每次迭代前都要打亂所有的樣本順序，保證訓練的隨機性，並且在訓練時的學習率也不是固定不變的，可以隨着迭代次數的增加，學習率逐漸減小，這種方法可以有助於算法收斂。 現在我們有了使用全部樣本的批量梯度下降法，也有了使用單個樣本的隨機梯度下降法，那麼一種折中的方法，稱為最小批學習（mini-batch learning），它每次使用一部分訓練樣本來更新權重向量。 接下來我們實現使用隨機梯度下降法的Adaline from numpy.random import seed class AdalineSGD(object): """ADAptive LInear NEuron classifier. Parameters ---------- eta:float Learning rate(between 0.0 and 1.0 n_iter:int Passes over the training dataset. Attributes ---------- w_: 1d-array weights after fitting. er...

說到，我們可以在 BeanPostProcessor 中對 bean 的初始化前化做手腳，當時也說了，我完全可以生成一個代理類丟回去。 代理類肯定要為用戶做一些事情，不可能像學設計模式的時候創建個代理類，然後簡單的在前面打印一句話，後面打印一句話，這叫啥事啊，難怪當時聽不懂。最好是這個方法的前後過程可以自戶自己定義。 小明說，這還不好辦，cglib 已經有現成的了，jdk 也可以實現動態代理，看 mybatis 其實也是這麼乾的，不然你想它一個接口怎麼就能找到 xml 的實現呢，可以參照下 mybatis 的代碼。 所以首先學習下 cglib 和 jdk 的動態代理，我們來模擬下 mybatis 是如何通過接口來實現方法調用的 cglib 目標接口： public interface UserOperator { User queryUserByName(String name); } 代理處理類： import net.sf.cglib.proxy.MethodInterceptor; import net.sf.cglib.proxy.MethodProxy; public class ProxyHandle implements MethodInterceptor{ // 實現 MethodInterceptor 的代理攔截接口 public Object intercept(Object obj, Method method, Object[] args, MethodProxy proxy) throws Throwable { System.out.println("獲取到 sqlId:"+method); System.out.println("獲取到執行參數列表："+args[0]); System.out.println("解析 spel 表達式，並獲取到完整的 sql 語句"); System.out.println("執行 sql "); System.out.println("結果集處理，並返回...