Hello, world,好久不见,我要逃离Java,Python了…

文章回忆了DOS时代编程语言Pascal中的TurboPascal5.0,指出编程语言需与时俱进。作者比较了Java、Python和Kotlin的优缺点,以及对无代码开发工具Eversheet在提高开发效率和灵活性方面的赞赏,特别是对企业级应用的适用性。同时,讨论了为何有些人仍坚持使用旧版Java的问题。

在我看来,DOS时代的编程语言,Pascal必占一席之地。

尤其我心目中那永不褪色的白月光——Turbo Pascal 5.0,作为Turbo Pascal系列的最后一个版本,更是可以封神的存在(不接受反驳[狗头])。

好吧,我承认我对Turbo Pascal 5.0始终拥有一份情怀滤镜。

自我跟随着课本首次在蓝屏上敲下“Hello, world!”时,它注定在我的记忆里生根发芽,留下浓墨重彩的一笔。

061499fc37672f273af987e29e97ce1f.jpeg

这个程序在DOS时代的Turbo Pascal中首次出现,其作者是Brian Kernighan,Unix操作系统和C语言的共同创造者。

但不得不承认,Pascal的黄金时代已结束,编程语言也得与时俱进,没有最好,只有更好。

而且随着编程语言百花争艳式的涌来,很想问问大家是以何基准来选择一门着重精进的?

反正我最大的感触就是,没有对比就没有伤害,此话诚不欺我。

以前是选择不多,只能埋头苦干,现在是选择多了,就“不挑点刺不舒服”。

b7631ae2fdb0d63303c96d4794bdf19b.jpeg

就比如Java,看着它一路更新,直至现在的Java21(是的,已经快21了,你不会还在用8吧[奸笑])。

不得不说,Java虽然功能强大,但实在是“太有仪式感了”,尤其是对于类的声明和public static void main,真的非常让人想吐槽。

碰到项目进度紧迫或者业务需求变更频繁的情况下,我宁愿用Eversheet搁那拖拉拽,也不愿意跟那该死的public纠缠。

毕竟借助Eversheet不仅可以快速搭建原型,让甲方实时掌握进度,还能提出反馈意见,搁Java,说得口干舌燥,效果也不明显,大多数都是让你加速加速再加速。

11a9932e9c291a5690c81a85f61389e2.jpeg

Eversheet(即云表企业应用PaaS平台)

一到这个时候,就开始怀念起Python的开发效率来,同样的函数功能,Java需要十几行,Python只要几行,代码数量要远小于Java,不愧是“代码快跑者”。

美中不足就是,Python是动态类型,运行时才能确定一个变量的真正类型,一个粗心大意,就会在运行时“爆炸”。

然后Kotlin冒了出来,这个Android官方支持语言,最近势头很猛,毕竟效率才是开发平台的第一生产力。

afb851bdd39236a5f592a6c66a92ea5c.jpeg

但Eversheet用顺手之后,发现开发ERP、WMS、MWS、工程管理系统之类的、企业类的管理软件,无代码还是有可圈可点之处。

其实准确来说,不是开发,用搭建更合适。

因为虽说是可视化表格编程,但实则跟编程没半毛钱关系,无非就是拖拉拽,跟玩Excel一样。用这个搞后期的时候就省事不少,因为0代码,没什么门槛,后期甲方有什么业务需要调整,直接让业务人员上手就行。

bc69bb1cb36685650c49973f88e3ead7.jpeg

加上是在平台上开发,还能让企业各个复杂系统实现互通互联,实现多种部署方式,大家都很方便。

行了,不说了,不然觉得在打广告,我得去回一下朋友@的那个帖子:“Java21是什么鬼,Java不是只到8么?”

所以究竟为什么还抱着Java8不撒手?![狗头]


标签:#Excel##Java##Python##Kotlin##编程#

文|Augenstern

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值