C里的new和delete简而言之就是： new和delete都是动态分配内存的方法，new在堆上（如果不了解堆的话就不用管，只要记得是在内存上）开辟一块内存，然后整理一下就可以使用了。用完了一定要记住要delete，因为程序不会帮你自动delete不用的内存的。 举个例子，你开了一家餐馆，现在来了一批客人，你需要铺一张桌子来招待他们，你可以new一个，客人吃完了走了，如果你不收拾这个桌子，其他客人就不能用了，这时候你需要派你的服务员去把桌子清理（delete）一下。可能你听说过有些语言带有垃圾回收，那么垃圾回收是什么呢？大概就是一群比较勤奋的服务员，不用你指派，他们自己看见脏了的桌子就去收拾...

主要是兼容，c肯定得让struct默认public，毕竟c的就是public。但是对于类封装来说又需要默认private比较好。 解决这个问题方案可以有很多种，举几个例子。 方案1，提供privatestruct，再允许内部声明public，但是这样可能需要添加一个新的类型限定符，因为元编程可能需要使用它，类似constvolatile这种限定符，这种为了小特性大大增加语言复杂度的设计难以接受。 方案2，提供成员字段和函数的限定符，例如跟java那样，但是这跟c又不一致了，因为c不加等于public，那c也只需要private关键字了，有点反直觉，同样也需要给成员添加新的限定符。 方案3，就是...

当人们在学习过程中，或多或少会有些疑问，就比如：通过JS散度算出的值在0-1之间，significancelevel怎么算呢？如何知道两个分布的相似或不相似程度？像p值那样小于0.05算是两个分布相似吗？ 以下是相关问题的回答： 在信息理论中，JS散度表示两个概率分布之间的差异程度。JS散度的大小要根据具体的应用场景而定，通常可以通过对比其值与一些基准值来判断。 在0到1之间，JS散度的值越接近于0则意味着两个概率分布越相似，而值越接近于1则意味着两个概率分布越不相似。一般来说，JS散度值在0.1以下可以认为两个分布相似性较高，而在0.5以上则可以认为两个分布差异较大。但是需要注意的是，这个阈...

服务器能提供的服务有很多，比如HTTP、FTP、Telnet等服务。为什么可以同时提供那么多服务呢？有一个很重要的原因是采用不同的端口分别提供不同的服务，比如：TCP/IP协议规定web默认80端口，FTP默认21端口等。通过不同端口，计算机可以与外界进行互不干扰的通信。 80端口 服务：HTTP（HyperTextTransportProtocol）超文本传输协议 说明：用于网页浏览，服务器侦听网页客户端请求的端口。可以通过HTTP地址（即常说的“网址”）加“:80”来访问网站，因为浏览网页服务默认的端口都是80，所以只需要输入网址即可，不用输入“:80”了。 443端口 服务：Https ...

Qt是一个跨平台的GUI应用程序开发框架，支持C、Python、Java等多种编程语言，可以用于开发桌面程序、嵌入式系统、移动设备等应用。QtforPython是在Python编程语言上的一层全新的API，使开发人员能够使用Python编写功能丰富、高质量的图形desktop应用程序和以Python为中心的应用程序。 选择使用QtforPython还是QtC，需要根据具体需求和个人偏好来决定。 如果你已经熟悉了C，并且需要在Windows、Linux或MacOS中编写桌面应用程序，并且希望快速开发性能优秀的GUI应用程序，则可以考虑使用QtC。 如果你更熟悉Python语言，或者需要在Pyth...

首先UI的话，有两种形式，一种是QWidget绘制UI，另一种是QML描述性语言来写，针对于这两块的话，我个人的一个经验是多使用布局，弹簧，让他可以自适应界面的布局，细节的控件的话，可以采用重绘或者组合控件的形式。这点比较强依赖UI的设计，其实对于我们来说，我们最好也会掌握UI的基本设计思路，这块会反哺我们的Qt开发，希望对大家有一些借鉴的经验。 然后业务这块的话，开发经验是多用Qt自带的库，因为QT自带的库，因为是一个大团队一起开发的，至少大部分的情况下，都可以符合咱们业务的基础需求，而且如果在打包部署上，也相对方面，然后，我们需要去尽量的解耦合，因为业务和UI的分离，可以帮助咱们更好的专...

KNN算法是基于实例的学习算法，不需要预先训练模型，而是通过对已有数据进行分类，对新数据进行分类。KNN算法的分类过程是通过计算新样本与所有训练集样本的距离，并找到最近的K个数据点，所属类别最多的那个类别即为新样本的分类结果。 KNN（K最近邻）算法是一种基于实例的监督学习算法，用于分类和回归问题。它的主要特点是可以根据训练数据中样本的邻近性来进行分类或回归预测。 KNN算法是一种基于距离度量的分类算法。它的主要思想是：在分类时，通过计算未知样本与训练集中已知样本的距离，找到K个距离最近的邻居，然后使用这K个邻居的标签（或其他属性）来决定未知样本的类别。KNN算法的优点包括简单易懂、容易实现...

K最近邻（K-NearestNeighbors，简称KNN）算法是一种用于分类和回归的基本机器学习算法。其原理是基于样本之间的距离度量，通过找出离待预测样本最近的K个训练样本，利用这K个样本的标签信息进行分类或回归预测。 主要思想就是物以类聚人以群分的思想，关键就是KNN中K近邻中K的确定，和距离的定义。KNN(K-NearestNeighbors)算法是一种基本的分类和回归算法，用于预测新数据点属于哪个类别或根据其他数据进行回归预测。 KNN算法的实现步骤如下： 准备数据集：收集包含已知标签的训练样本集，每个样本包含多个特征值。 选择K值：确定K值，它表示用于进行预测的最近邻样本的数量。...

Java动态代理是一种运行时动态生成代理类的机制，用于替代手动编写代理类的繁琐工作。通过动态代理，我们可以在运行时生成一个代理类，使得客户端代码与真实对象之间多了一个中间层，这个中间层就是代理对象。代理对象可以拦截客户端请求并进行一些额外处理，比如添加日志、权限校验等操作，然后再将请求转发给真实对象处理。 Java动态代理主要涉及两个类：InvocationHandler和Proxy。InvocationHandler是一个接口，它定义了代理对象需要实现的方法，用于在代理对象上调用方法时执行额外的逻辑。Proxy是一个类，它提供了一个静态方法newProxyInstance()，用于生成代理...

随着互联网的快速发展，我们作为终端用户，从互联网获取的内容越来愈丰富，有高清视频，应用服务，直播等多媒体内容。那么，作为用户，当然希望高带宽，快响应，低延迟的体验。而作为内容提供方，需要一种更加高效的分发内容机制来应对快速增长的需求，提供高性能，高可用的服务，同时又可以降低成本，网络负载。 那么CDN(ContentDeliveryNetwork，内容分发网络)就应运而生。 CDN的核心是一个服务器网络，目的是尽可能快速、便宜、可靠和安全地交付内容。为了提高速度和连接性，CDN会将服务器放置在不同网络之间的交换点。CDN架构因它为客户提供的内容/服务而异。在功能属性上，CDN可以从四个维度来...

了解PyTorch的Python编程语言基础是一个好的起点。如果没有这方面的经验，需要先学习Python语言。学习Python的好处是，能够更迅速地理解PyTorch中的代码。 一些PyTorch的基础概念，例如张量（Tensors）和自动微分（Autograd），是必须理解的。你可以在PyTorch官方文档中找到关于这些基础概念的教程和详细信息。其中，PyTorch的官方文档是学习PyTorch的最佳参考资源之一。 除了PyTorch的官方文档，还有很多来自开发者社区和博客的资源可以学习。例如，Kaggle和AIChallenger提供了竞赛和任务，可以让你更好地熟悉和使用PyTorch中...

了解PyTorch的Python编程语言基础是一个好的起点。如果没有这方面的经验，需要先学习Python语言。学习Python的好处是，能够更迅速地理解PyTorch中的代码。 一些PyTorch的基础概念，例如张量（Tensors）和自动微分（Autograd），是必须理解的。你可以在PyTorch官方文档中找到关于这些基础概念的教程和详细信息。其中，PyTorch的官方文档是学习PyTorch的最佳参考资源之一。 除了PyTorch的官方文档，还有很多来自开发者社区和博客的资源可以学习。例如，Kaggle和AIChallenger提供了竞赛和任务，可以让你更好地熟悉和使用PyTorch中...

线性代数在机器学习中比较低阶的应用是矩阵运算，比如softmax分类器y^=σ(WTx+b)\hat{\mathbf{y}}=\sigma(W^T\mathbf{x}+\mathbf{b})，在这里矩阵形式使得书写、计算更方便，也能帮助理解模型(将矩阵看作是一种变换)；高阶一点的应用在无监督学习中，可以参考奇异值分解(SVD)等矩阵分解方法在特征降维、嵌入方面的应用，在这些应用场景中，主要利用的是矩阵的特征值等性质；还有矩阵的正定性，在凸函数的证明等很多方面也可以用到。另外，线性代数也是数值分析等优化课程的必要先修课。私以为机器学习是一门数学与计算机的交叉学科，因此线性代数在里面发挥的作用很大...

卷积神经网络（ConvolutionalNeuralNetwork,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。 卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（poolinglayer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网络，卷积神经网络需要考量的参数更少，使之成为一种颇具吸引力的深度学习结构。 神经网络由具有权重和偏...

卷积神经网络是一种深度学习模型或类似于人工神经网络的多层感知器，常用来分析视觉图像。卷积神经网络的创始人是着名的计算机科学家YannLeCun，目前在Facebook工作，他是第一个通过卷积神经网络在MNIST数据集上解决手写数字问题的人。 卷积神经网络最早出现在图像处理和图像识别领域，它能够捕捉每个样本中数据点之间的空间关系，也就能识别出图像中的是猫还是狗在驾驶推土机。卷积网络（convolutionalnet），也称为convnet（这个多出来的n很难发音），不像传统的前馈网络那样对每个元素（图像中的每个像素）分配权重，而是定义了一组在图像上移动的过滤器（filter，也称为卷积核、滤波...

UDP协议为应用层提供不可靠、无连接和基于数据报的服务。所以，使用UDP协议的应用程序通常要自己处理数据确认、超时重传等逻辑。而TCP协议则完全相反，为应用层提供可靠的、面向连接的和基于流的服务。当发送端应用程序连续执行多次写操作时，TCP模块先将这些数据放入TCP发送缓冲区中。当TCP模块真正发送数据时，发送缓冲区中等待发送的数据就可能被封装成一个或者多个TCP报文段发出。因此，TCP模块发送出的TCP报文段的个数和应用程序执行的写操作次数之间没有固定的数量关系。 显然的tcp发帧数据，你需要自己处理好分帧问题，这块写起来既不方便，也很麻烦，所以用tcp收发帧数据，往往需要在上层再包装一层...

HTTP协议是一种建立在TCP协议之上的应用层协议，其主要特点是以请求-响应模式为交互基础，以文本行作为编码方式的协议。通过特殊字符进行“协议头”分包，通过长度协议头内容作为协议正文分包。不算一种设计的非常高效的协议，但是可以方便人工阅读调试。 对于tcp这种流，建基于这个上面的协议，一般都要完成：分包（Content-type)，标记处理功能(http命令如GET，PUT的URL），请求应答对应（http使用的是阻塞等待回应方式） 而其他的一些如rpc协议，也是请求响应模型，他们会使用一些长度字段解决分包问题，用命令字字段解决标记处理功能问题，用序列号字段解决请求应答包对应问题，还有的会添加...

问题的关键在于TCP是有缓冲区，作为对比，UDP面向报文段是没有缓冲区的。  TCP发送报文时，是将应用层数据写入TCP缓冲区中，然后由TCP协议来控制发送这里面的数据，而发送的状态是按字节流的方式发送的，跟应用层写下来的报文长度没有任何关系，所以说是流。 作为对比的UDP，它没有缓冲区，应用层写的报文数据会直接加包头交给网络层，由网络层负责分片，所以是面向报文段的。 而基于TCPSocket编程，比如客户端使用HTTP请求服务器的主页，服务器生成了自己的主页，一共300Kbyte数据，包括Header+Payload，为了更清晰说明问题，假设TCP最多一次只能发送1Kbyte的数据...

Python由荷兰数学和计算机科学研究学会的GuidovanRossum于1990年代初设计，作为一门叫做ABC语言的替代品。[1]Python提供了高效的高级数据结构，还能简单有效地面向对象编程。Python语法和动态类型，以及解释型语言的本质，使它成为多数平台上写脚本和快速开发应用的编程语言，[2]随着版本的不断更新和语言新功能的添加，逐渐被用于独立的、大型项目的开发。 Python语言没有C语言的基础也可以进行学习，而且Python语言的学习和C语言没有什么直接的联系，在学习上Python语言也比较的简单一些，饭馆C语言的学习难度就比较得大一些。所以没有C语言的基础也可以学习Pytho...

SpringBoot，就是一个javaweb的开发框架，和SpringMVC类似，对比其他javaweb框架的好处，官方说是简化开发，约定大于配置，能迅速的开发web应用，几行代码开发一个http接口。 springBoot以约定大于配置的核心思想，默认帮我们进行了很多设置，多数SpringBoot应用只需要很少的Spring配置。同时它集成了大量常用的第三方库配置（例如Redis、MongoDB、Jpa、RabbitMQ、Quartz等等），SpringBoot应用中这些第三方库几乎可以零配置的开箱即用。 SpringBoot是一个用于简化Spring应用程序开发的框架。它是基于Sprin...