近一个月总结(鸡汤多于技术)

本文强调了编程过程中思考的重要性,提倡良好的编码习惯,并探讨了如何通过深克隆和原子性操作来解决缓存数据同步的问题。

鸡汤

  1. 思考每一行代码的含义,多想为什么;
  2. 后台什么都可以操作,可以获取列表的长度也可以获取任何你需要的信息,关键在于你是否知道你想要什么,获取什么之后可以继续你的操作;
  3. 知其然,知其所以然。
  4. 在不知不觉中就会养成习惯,所以要时刻保持好习惯,不可以写烂代码(命名和缩进还有注释)。(命名真的很重要,值得想很久!)

技术

  1. 由于缓存,对每一个变量操作时,缓存中数据也改变,无法判断,克隆一份数据(深克隆,浅克隆)进行操作!
  2. Collections.emptyList()等是不可变的,必须申请一个new ArrayList(), 在新数组上操作后,最后采取原子性操作赋值(64位 double 和 long 的赋值和引用也是原子性的,即所有引用和基本类型的赋值和引用都是原子性的。)。
  3. 细节:@ Autowired 按Dao层,api层,service层顺序(师兄,你真的不是处女座么?)防止调用混乱
  4. 缓存! (local层已经同步+redis+本地内存缓存)
根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论 1
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