前言 　　如果你是或者你想成為一名合格的前端開發工作者，你必須知道JavaScript程式碼在執行過程，知道執行上下文、作用域、變數提升等相關概念，並且熟練應用到自己的程式碼中。本文參考了你不知道的JavaScript,和JavaScript高階程式設計，以及部分部落格。 正文 　1.JavaScript程式

## JavaScript 設計模式(一) 本文需要讀者至少擁有基礎的 `ES6` 知識，包括 `Proxy`, `Reflect` 以及 `Generator` 函式等。 至於這次為什麼分了兩篇文章，有損傳統以及標題的正確性，是這樣的。 其實放在一篇文章裡也可以，但是希望讀者能夠更加輕鬆點，文章太長也會

內容：modifier的定義、modifier對函式引數的操作、modifier執行的順序 --- ## modifier的定義 官方文件：modifier可以改變函式的行為。可以被繼承和重寫。 其實modifier被用於最多的是行為檢查，這樣可以使得減少檢查程式碼的複用以及讓程式碼看起來更簡介易懂。

前言 =============== 我本想把上篇中沒講完的剩餘層全部在本篇中講完，但沒想到越寫越多。**日誌層**的程式碼不多，其思想和解決問題的手段也不算難以理解，但其背後涉及的原理和思想還是非常值得回味的，因此我打算用一整篇完整的blog來講解日誌層，並對其作出一點擴充套件。 本篇內容應該也會幫你對**

問題描述 Azure Redis作為微軟雲提供的一種PaaS服務，由於PaaS的特性，服務端的安裝和維護、修補、升級等操作均由平臺放負責。雖然終端使用者只需要關注當前服務的使用，但是後臺的升級和補丁行為，總會對使用Redis服務產生影響。如：Azure Redis的“故障轉移 Failover”就是專為此類行

[toc] # TCHAR 字元 --- C++支援兩種字符集：即常見的ANSI編碼和寬字元的Unicode編碼，實際對應的字元型別分別是char和wchar_t，在不同平臺環境下，我們可能需要不同的字元型別。 TCHAR就是UE4通過對char和wchar_t的封裝，將其中的操作進行

三色標記法是一種垃圾回收法，它可以讓JVM不發生或僅短時間發生STW(Stop The World)，從而達到清除JVM記憶體垃圾的目的。JVM中的**CMS、G1垃圾回收器**所使用垃圾回收演算法即為三色標記法。 ## 三色標記演算法思想 三色標記法將物件的顏色分為了黑、灰、白，三種顏色。 **白

# 對兩張圖片進行矩陣運算會怎麼樣？ 在學習《線性代數》的矩陣運算時，突然想到圖片也可以算是一種矩陣，那麼對圖片進行矩陣的運算會出現什麼樣的效果呢？為了滿足好奇，便用C#寫了個對圖片進行矩陣運算的程式。 ### 矩陣加： ```c# Bitmap C = new Bitmap(imgA.Width,im

## 目錄 - [目錄](#目錄) - [前言](#前言) - [條件變數](#條件變數) - [一些需要注意的地方](#一些需要注意的地方) - [總結](#總結) ## 前言 本文主要介紹了多執行緒中的條件變數，條件變數在多執行緒同步中用的也比較多。我第一次接觸到條件變數的時候是在完成一個多執行

# 什麼是事件迴圈機制 相信大家看過很多類似下面這樣的程式碼： ```javascript function printNumber(){ console.log('printNumber'); } s

> 本書部分摘自《深入理解 Java 虛擬機器第三版》 ## 概述 前面講過前端編譯是將 Java 原始碼編譯成 Class 位元組碼，那麼後端編譯就對應把 Class 檔案轉換成與本地機器相關的二進位制機器碼的過程。然後 JVM 把每一條要執行的位元組碼交給直譯器，翻譯成對應的機器碼，由直譯器執

《Proxy系列專題》：代理模式（靜態、JDK、CGLib）使用 　　現象：在如今網際網路時代，專案的複雜度不斷的提升，有些場景下需要一定的設計優化來支撐業務的擴充套件，如為了不改動原始類，但需要對其做相應事件擴充套件，例如：日誌，事物，功能增強等。 　　思想：想辦法用一個B類代表另一個A類的功能，不改變其A

# 小白的經典CNN復現（三）：AlexNet 鏘鏘——本系列的第三彈AlexNet終於是來啦(≧∀≦)，到了這裡，我們的CNN的結構就基本上和現在我們經常使用或者接觸的一些基本結構差不多了，並且從這一個經典模型開始，後面的模型的深度越來越高，使用的資料集也越來越大，訓練難度也越來越高，模型的正確率也變得比

高可用Harbor搭建  思路及介紹 Harbor官方有推出主從架構和雙主架構來實現Harbor的高可用及資料備份。   一、主從架構：  說白了，就是往一臺Harbor倉庫中push映象，然後再通過這臺Harbor分散下發至所有的從Harbor，類似下圖： 這個方法保證了資

以前的神經網路幾乎都是部署在雲端（伺服器上），裝置端採集到資料通過網路傳送給伺服器做inference（推理），結果再通過網路返回給裝置端。如今越來越多的神經網路部署在嵌入式裝置端上，即inference在裝置端上做。嵌入式裝置的特點是算力不強、memory小。可以通過對神經網路做量化來降load和省memo