3C資訊

先前一度傳出蘋果電動車開發案「泰坦計畫」(Project Titan)胎死腹中，蘋果將放棄硬體，轉向研發自駕車技術。不過新消息顯示，蘋果似乎還沒死心，向英國超跑車商McLaren提親。 巴倫(Barronˋs)、英國金融時報21日報導，內情人士透露，蘋果考慮收購McLaren、或進行策略投資，雙方好幾個月前開始洽談。據了解，蘋果對McLaren的工程技術和專利極感興趣，估計若真要併購McLaren，價格可能為10~15億英鎊。不過相關人士強調，最近蘋果電動車發展方向改變，不確定是否繼續協商。 消息傳出後，McLaren發布聲明，表示未與蘋果討論投資提案，不過沒有說明蘋果是否曾接洽過該公司。 McLaren出面否認，仍然止不住市場議論。Creative Strategies分析師Ben Bajarin以特斯拉和英國超跑Lotus結盟為例，說明可行性。他指出，2004年特斯拉與Lotus合作，發布電動跑車「Tesla Roadster」，定價十萬美元。儘管Roadster賣不到3,000輛，卻替之後的特斯拉暢銷車款「Model S」打下基礎。Bajarin稱，特斯拉從高檔跑車出發，蘋果或許也會如此。 富國銀行(Wells Fargo)的Maynard Um則認為，蘋果看上的不是硬體，而是McLaren的感測器技術。他在報告稱，McLaren超跑聞名於世，但是蘋果青睞的應是旗下的McLaren Applied Technologies部門。McLaren跑車利用偵測器蒐集胎壓、煞車溫度、衝擊力道等資料，透過預測分析，提升汽車維修和表現；此一技術可運用於許多領域，如能源業、健保業等。 紐約時報9月初報導，知情人士透露，蘋果發展電動車計畫，因潛在競爭者眾且技術難度高而大打退堂鼓，策略面臨修正，部分泰坦研發案已提前結案，並連帶資遣數十名工作人員。 蘋果七月請回老將Bob Mansfield主導泰坦計畫，重心從硬體製造移往自駕車應用科技，裁員是策略轉向的一部份。谷歌在更早之前就開始研發自駕車，且已上路測試好幾年，重心同樣放在谷歌最擅長的軟體研發與應用。 本文由嘉實資訊 MoneyDJ 授權使用 記者 陳苓 報導 本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵...

本文源碼：GitHub·點這裏 || GitEE·點這裏 一、資源和加鎖 1、場景描述 多線程併發訪問同一個資源問題，假如線程A獲取變量之後修改變量值，線程C在此時也獲取變量值並且修改，兩個線程同時併發處理一個變量，就會導致併發問題。 這種并行處理數據庫的情況在實際的業務開發中很常見，兩個線程先後修改數據庫的值，導致數據有問題，該問題復現的概率不大，處理的時候需要對整個模塊體系有概念，才能容易定位問題。 2、演示案例 public class LockThread01 { public static void main(String[] args) { CountAdd countAdd = new CountAdd() ; AddThread01 addThread01 = new AddThread01(countAdd) ; addThread01.start(); AddThread02 varThread02 = new AddThread02(countAdd) ; varThread02.start(); } } class AddThread01 extends Thread { private CountAdd countAdd ; public AddThread01 (CountAdd countAdd){ this.countAdd = countAdd ; } @Override public void run() { countAdd.countAdd(30); } } class AddThread02 extends Thread { private CountAdd countAdd ; public AddThread02 (CountAdd countAdd){ this.countAdd = countAdd ; } @Override public void run() { countAdd.cou...

本文源碼：GitHub·點這裏 || GitEE·點這裏 一、資源和加鎖 1、場景描述 多線程併發訪問同一個資源問題，假如線程A獲取變量之後修改變量值，線程C在此時也獲取變量值並且修改，兩個線程同時併發處理一個變量，就會導致併發問題。 這種并行處理數據庫的情況在實際的業務開發中很常見，兩個線程先後修改數據庫的值，導致數據有問題，該問題復現的概率不大，處理的時候需要對整個模塊體系有概念，才能容易定位問題。 2、演示案例 public class LockThread01 { public static void main(String[] args) { CountAdd countAdd = new CountAdd() ; AddThread01 addThread01 = new AddThread01(countAdd) ; addThread01.start(); AddThread02 varThread02 = new AddThread02(countAdd) ; varThread02.start(); } } class AddThread01 extends Thread { private CountAdd countAdd ; public AddThread01 (CountAdd countAdd){ this.countAdd = countAdd ; } @Override public void run() { countAdd.countAdd(30); } } class AddThread02 extends Thread { private CountAdd countAdd ; public AddThread02 (CountAdd countAdd){ this.countAdd = countAdd ; } @Override public void run() { countAdd.cou...

一、文本挖掘        文本挖掘則是對文本進行處理，從中挖掘出來文本中有用的信息和關鍵的規則，在文本挖掘領域應用最往廣泛的是對文本進行分類和聚類，其挖掘的方法分為無監督學習和監督學習。文本挖掘還可以劃分為7大類：關鍵詞提取、文本摘要、文本主題模型、文本聚類、文本分類、觀點提取、情感分析。     關鍵詞提取 ：對長文本的內容進行分析，輸出能夠反映文本關鍵信息的關鍵詞。    文本摘要 ：許多文本挖掘應用程序需要總結文本文檔，以便對大型文檔或某一主題的文檔集合做出簡要概述。    文本聚類 ：主要是對未標註的文本進行標註，常見的有 K均值聚類和層次聚類。    文本分類 ：文本分類使用監督學習的方法，以對未知數據的分類進行預測的機器學習方法。    文本主題模型 LDA ：LDA（Latent Dirichlet Allocation）是一種文檔主題生成模型，也稱為一個三層貝恭弘=叶 恭弘斯概率模型，包含詞、主題和文檔三層結構，該模型可以用於獲取語料的主題提取和對不同類別的文檔進行分類。    觀點抽取 ：對文本（主要針對評論）進行分析，抽取出核心觀點，並判斷極性(正負面)，主要用於電商、美食、酒店、汽車等評論進行分析。    情感分析 ：對文本進行情感傾向判斷，將文本情感分為正向、負向、中性。用於口碑分析、話題監控、輿情分析。    因為自己的論文寫的是關於情感分析方面的內容，因此打算接下來主要寫情感分析系列的內容，今天主要寫關於情感分析的介紹以及發展史。 二、情感分析 1. 含義      情感分析主要是通過分析人們對於服務、產品、事件、話題來挖掘出說話人/作者觀點、情感、情緒等的研究。情感分析按照研究內容的不同，可以分為：意見挖掘 / 意見提取 / 主觀性分析 / 情感傾向分析、情感情緒分析、情感打分等。情感傾向問題，即是指挖掘出一段語料中說話人/作者對於某一話題/事件所持有的態度，如褒義、貶義、中性、兩者兼有。情感情緒，則是將情感傾向進行更進一步的細化，依據"大連理工大學的情...

一、文本挖掘        文本挖掘則是對文本進行處理，從中挖掘出來文本中有用的信息和關鍵的規則，在文本挖掘領域應用最往廣泛的是對文本進行分類和聚類，其挖掘的方法分為無監督學習和監督學習。文本挖掘還可以劃分為7大類：關鍵詞提取、文本摘要、文本主題模型、文本聚類、文本分類、觀點提取、情感分析。     關鍵詞提取 ：對長文本的內容進行分析，輸出能夠反映文本關鍵信息的關鍵詞。    文本摘要 ：許多文本挖掘應用程序需要總結文本文檔，以便對大型文檔或某一主題的文檔集合做出簡要概述。    文本聚類 ：主要是對未標註的文本進行標註，常見的有 K均值聚類和層次聚類。    文本分類 ：文本分類使用監督學習的方法，以對未知數據的分類進行預測的機器學習方法。    文本主題模型 LDA ：LDA（Latent Dirichlet Allocation）是一種文檔主題生成模型，也稱為一個三層貝恭弘=叶 恭弘斯概率模型，包含詞、主題和文檔三層結構，該模型可以用於獲取語料的主題提取和對不同類別的文檔進行分類。    觀點抽取 ：對文本（主要針對評論）進行分析，抽取出核心觀點，並判斷極性(正負面)，主要用於電商、美食、酒店、汽車等評論進行分析。    情感分析 ：對文本進行情感傾向判斷，將文本情感分為正向、負向、中性。用於口碑分析、話題監控、輿情分析。    因為自己的論文寫的是關於情感分析方面的內容，因此打算接下來主要寫情感分析系列的內容，今天主要寫關於情感分析的介紹以及發展史。 二、情感分析 1. 含義      情感分析主要是通過分析人們對於服務、產品、事件、話題來挖掘出說話人/作者觀點、情感、情緒等的研究。情感分析按照研究內容的不同，可以分為：意見挖掘 / 意見提取 / 主觀性分析 / 情感傾向分析、情感情緒分析、情感打分等。情感傾向問題，即是指挖掘出一段語料中說話人/作者對於某一話題/事件所持有的態度，如褒義、貶義、中性、兩者兼有。情感情緒，則是將情感傾向進行更進一步的細化，依據"大連理工大學的情...

平台是一套完整的服務。也是一套內部自洽的系統。核心在於 分離 ，業務與通用服務隔離，業務與通用功能隔離。 目標： 對需求方： 快速響應。可以敏捷地進行需求迭代。 對第三方業務方： 以產品的方式提供服務。所見即所得。所有功能對業務方透明。 對測試方： 簡易明了的測試方式。利於自動化測試，灰度測試。 對運維方： 持續集成，自動化編排，自動化部署。 數據方： 提供多維度，詳盡的服務數據。可以給數據方提供簡便的數據分析。 內部開發： 敏捷開發。迅速集成。 實現： 如何實現需求的快速響應？ 明確的方向，清晰的邊界。確認通用語言，核心領域。敏捷開發，快速迭代。AB 測試。 如何為第三方提供產品式的服務？ 所見即所得。詳盡的文檔。第三方調試平台，第三方管理平台。 mock 服務，自動化測試，swagger 文檔。 Devops，CI，DI 等持續集成，服務監控。 業務數據與分析數據異構存儲。提供易於分析的數據服務。 組內服務負責制度，人類最佳的合作人數是 2-3 人。所以兩人維護一個項目，一人主導，一人輔助，兩人交叉合作是一個很好的團隊合作模式。如圖形成一個網狀模式(紅色線代表主導，黑色線輔助)。這樣每一個項目都將有兩個熟悉的人。 原則 單一職責。 業務關注業務，功能關注功能。 確認邊界，確認核心領域。 所見即所得。 實施 如何推進業務開發快速響應？ 抽離變化與不變。形成基礎服務 如下面一套用戶體系，將服務抽離，將變與不變隔離。 用戶 api： 主要提供用戶相關的接口，變化大，更偏向於業務； 用戶中心： 主要管理用戶核心領域，變動不大，需穩定高可用的服務； 鑒權授權中心： 變動不大，主要管理用戶憑證核心領域； 抽離通用功能。 那些非業務的通用功能應隔離於業務之外： 組件化 ， 工具化 ， 服務化 。 如 來源監控 ， 接口限流 ， 日誌分析 ， 應用監控 ， 服務依賴 ， 配置管理 ， 系統部署 等（業務人員不必關心這些功能相關的事情，只需要關注於具體的業務領域）。關注點分離。 如上面所涉及的，從 Spring C...

平台是一套完整的服務。也是一套內部自洽的系統。核心在於 分離 ，業務與通用服務隔離，業務與通用功能隔離。 目標： 對需求方： 快速響應。可以敏捷地進行需求迭代。 對第三方業務方： 以產品的方式提供服務。所見即所得。所有功能對業務方透明。 對測試方： 簡易明了的測試方式。利於自動化測試，灰度測試。 對運維方： 持續集成，自動化編排，自動化部署。 數據方： 提供多維度，詳盡的服務數據。可以給數據方提供簡便的數據分析。 內部開發： 敏捷開發。迅速集成。 實現： 如何實現需求的快速響應？ 明確的方向，清晰的邊界。確認通用語言，核心領域。敏捷開發，快速迭代。AB 測試。 如何為第三方提供產品式的服務？ 所見即所得。詳盡的文檔。第三方調試平台，第三方管理平台。 mock 服務，自動化測試，swagger 文檔。 Devops，CI，DI 等持續集成，服務監控。 業務數據與分析數據異構存儲。提供易於分析的數據服務。 組內服務負責制度，人類最佳的合作人數是 2-3 人。所以兩人維護一個項目，一人主導，一人輔助，兩人交叉合作是一個很好的團隊合作模式。如圖形成一個網狀模式(紅色線代表主導，黑色線輔助)。這樣每一個項目都將有兩個熟悉的人。 原則 單一職責。 業務關注業務，功能關注功能。 確認邊界，確認核心領域。 所見即所得。 實施 如何推進業務開發快速響應？ 抽離變化與不變。形成基礎服務 如下面一套用戶體系，將服務抽離，將變與不變隔離。 用戶 api： 主要提供用戶相關的接口，變化大，更偏向於業務； 用戶中心： 主要管理用戶核心領域，變動不大，需穩定高可用的服務； 鑒權授權中心： 變動不大，主要管理用戶憑證核心領域； 抽離通用功能。 那些非業務的通用功能應隔離於業務之外： 組件化 ， 工具化 ， 服務化 。 如 來源監控 ， 接口限流 ， 日誌分析 ， 應用監控 ， 服務依賴 ， 配置管理 ， 系統部署 等（業務人員不必關心這些功能相關的事情，只需要關注於具體的業務領域）。關注點分離。 如上面所涉及的，從 Spring C...

台灣現行的買電動車免徵貨物稅優惠原將於2017年一月底到期，但為推動民眾繼續採購電動車，政府通過修正草案，將貨物稅免徵優惠延長五年，希望能來5,000輛以上的採購。 現行的電動車免徵貨物稅優惠適用於於純電動車。只要民眾購買純電力電動小客車且完成登記，該車輛在新台幣140萬元以下部分的貨物稅可享有免徵優惠，超過的部分則依照比例課稅。 財政部推估，電動車貨物稅免徵推估可在2017~2022年的五年之間帶動5,939輛電動汽車、15萬輛電動機車的銷售量，將帶來24億元新台幣的稅損；但因銷售預期將增加，營業稅等稅收預計會增加43億元新台幣，一來一往下可創造新台幣19.55億元的稅收，並帶動943.99億元的相關產值。 不過，立委對於財政部的推算並不樂觀。有立委表示，經濟部先前針對自用客車、中型巴士與大型巴士所推出的電動車免貨物稅措施，達成率不到2成。而目前台灣只有765輛電動汽車，5年免徵貨物稅優惠的目標，相當於需增加5,174輛才能達成。 經濟部次長沈榮津回應，許多國家都對電動車有優惠扶植措施，台灣也順應此一潮流。成效不如預期的主因是車用電池的供應狀況仍不夠穩定，希望能透過稅務優惠帶動電動車需求成長，拉動電池產業。 本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理 【其他文章推薦】 ※ 網頁設計公司 推薦不同的風格，搶佔消費者視覺第一線 ※廣告預算用在刀口上， 台北網頁設計 公司幫您達到更多曝光效益 ※自行創業缺乏曝光? 網頁設計 幫您第一時間規劃公司的形象門面 ※ 南投搬家公司費用 需注意的眉眉角角，別等搬了再說! ※教你寫出一流的 銷售文案 ? Orignal From: 鼓勵民眾採用電動車，台延長免稅優惠五年

特斯拉發佈第四季報告，第四季出貨數據因自動駕駛硬體關係，比前一季低9.4%。 特斯拉在2016 年第三季賣出24,500 臺，但到了第四季減少到22,200 臺車子。除了季銷售下跌，整年的銷售數據比先前預期低，先前預測出貨80,000~90,000 臺，實際上是76,230 臺。 在第四季賣出的22,200 臺車子中，有12,700 臺是Model S，而9,500 臺是Model X。 生產數字方面，第四季特斯拉生產24,882 臺，比起去年同一季增加64%。 特斯拉表示，由於要引進自動駕駛設備，雖然生產時程能在第四季前完成，但就會壓縮到銷售和把車子送到客戶手上的時間，像是在比較遠的市場如亞洲和歐洲，需要較長的運輸時間，導致銷售數據不佳。即便客戶已經下訂，但由於運輸延遲車子沒送到手上，導致2,750 臺車子不被計入Q4 的銷售量。 而在第四季末時有6,450 臺車子在運送途中，將被算入2017 年Q1 的數據。 （內容由授權。） 本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理 【其他文章推薦】 ※自行創業缺乏曝光? 網頁設計 幫您第一時間規劃公司的形象門面 ※ 網頁設計 一頭霧水該從何著手呢? 台北網頁設計 公司幫您輕鬆架站! ※想知道最厲害的 網頁設計公司 "嚨底家"! ※別再煩惱 如何寫文案 ,掌握八大原則! ※產品缺大量曝光嗎?你需要的是一流 包裝設計 ! Orignal From: 特斯拉 Q4 出貨量下降

電動車新創公司「法拉第未來」（Faraday Future）履行年前承諾，在美國拉斯維加斯舉辦的CES 2017展會上正式推出旗下首款電動車──FF91，即日起接受預約。 樂視控股創辦人暨董事長賈躍亭個人投資法拉第未來超過3億美金，使法拉第未來的電動車被各界暱稱為「樂視電動車」。他於去年12月11日在北京公開，片中直接挑戰特斯拉（Tesla）、法拉利（Ferrari）以及賓利（Bentley）等超跑與電動車龍頭。賈躍亭也同時表示，法拉第未來將在CES 2017正式推出旗下新車。 美西時間1月4日，法拉第未來正式發表首輛量產型電動車FF91。FF91號稱馬力達1,050匹，0~60英里加速僅需2.39秒，比競爭目標Tesla Model S P100D 極速模式下的加速時間2.5秒還短。電池充飽電後，FF91的行駛距離可達378英里（約608公里），足以從矽谷開到洛杉磯。這些規格都凌駕於特斯拉的車款之上。 法拉第未來的工程部門副總裁Peter Savagian在CES 2017的發表會上表示，FF91還將搭配個人化操作介面，也有自動尋找停車位的功能。FF91即日起開放預約，訂金5,000美元，預計在2018年開始交車。不過，法拉第未來並未公布FF91的定價。 本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理 【其他文章推薦】 ※廣告預算用在刀口上， 台北網頁設計 公司幫您達到更多曝光效益 ※別再煩惱 如何寫文案 ,掌握八大原則! ※教你寫出一流的 銷售文案 ? ※超省錢 租車 方案 ※ FB行銷 專家,教你從零開始的技巧 Orignal From: 樂視電動車「FF91」亮相，預計2018開始交車

  特斯拉宣布，與日本Panasonic合資50億美元，在美國內華達州打造的超大型鋰電池工廠Gigafactory，周三已正式啟用量產。 Gigafactory是特斯拉實現首輛大眾化電動車Model 3量產的重要拼圖。Model 3原計畫在2017年中旬量產，特斯拉去年就已收到37萬筆訂單。 除此之外，特斯拉還有Powerwall與Powerpack等家用太陽能儲電系統，Gigafactory初期將滿足這些產品需求，到了第二季才開始生產Model 3所用鋰電池。特斯拉說Gigafactory產能之大，幾乎是全球其它電池廠的總合。 Gigafactory是特斯拉分階段打造，每個階段完成後即可立即投入生產，並開始下一階段的施工，這讓特斯拉可邊生產邊進行產能優化，藉以達成降低成本的目的。Gigafactory預計在2018年產能才會全開。特斯拉周三於美股收盤時大漲4.61%，收在226.99美元。 （本文內容由授權轉載。） 本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理 【其他文章推薦】 ※別再煩惱 如何寫文案 ,掌握八大原則! ※ 網頁設計 一頭霧水該從何著手呢? 台北網頁設計 公司幫您輕鬆架站! ※超省錢 租車 方案 ※教你寫出一流的 銷售文案 ? ※ 網頁設計 最專業,超強功能平台可客製化 Orignal From: 特斯拉鋰電廠 Gigafactory 正式投產

敲響每年電子產業鐘聲的美國消費性電子展（CES）已在賭城熱鬧開鑼。由於電動車風潮日興，CES 2017隨處可見電動車技術的身影；美國車商福特（Ford）更是在展會中發下豪語，目標五年內於全球上市旗下七款電動車。 目前擁有13款電動車的福特於CES 2017展會上宣布，目標在五年內要讓七款電動車產品上市，包括將在美國推出的F-150皮卡、搭配了V8引擎的Mustang跑車的油電混和款。在歐洲，福特目標於2019年推出插電式油電混和廂型車Transit Custom。而在亞洲、北美、歐洲等全球範圍的市場，福特則目標於2020年前正式推出全電動小型休旅車，續航力至少可達483公里。 福特將優勢產品視為電動車事業發展的關鍵，因此從最受歡迎的商用車、貨卡車、休旅車、性能跑車等車款開始進行電動化，並提升性能表現與駕駛經驗。 布局新充電技術 福特已在歐洲與數家車商簽訂合作協議，共同建立超快速充電網絡，初步規劃在歐洲設置400個充電站。到了2020年，則目標拓展到上千個充電站點。 在美國與歐洲，福特今年將開始測試電動車的無線充電技術，只要駕駛將車輛停到特定停車位，就能透過無線充電功能進行充電。這能避免車主忘記充電，也能幫助短距離通勤者利用零碎的停車時間為車子充電，延長行駛距離。 此外，福特也宣布響應美國新總統川普的政策，取消在墨西哥投資16億美元興建新工廠的計畫，轉而投資7億美元擴大美國密西根州的工廠規模，同時提高電動車與自動駕駛車輛的產能。 （照片來源：） 本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理 【其他文章推薦】 ※教你寫出一流的 銷售文案 ? ※廣告預算用在刀口上， 台北網頁設計 公司幫您達到更多曝光效益 ※回頭車 貨運 收費標準 ※別再煩惱 如何寫文案 ,掌握八大原則! ※超省錢 租車 方案 ※產品缺大量曝光嗎?你需要的是一流 包裝設計 ! Orignal From: 福特CES 2017推七款電動車上市時間表

福特汽車（Ford Motor） 執行長Mark Fields 1月5日投下震撼彈，宣布取消墨西哥設廠計畫，回到美國投資，增加700 個工作機會，市場第一個反應是川普效應，直指福特汽車收起選舉期間與川普的砲火，向權力低頭。但事實上，福特汽車回美國並非為了川普，而是著眼於未來汽車所需要的科技發展，以及自動化考量。 華盛頓郵報（Washington Post） 報導，福特汽車在美國密西哥州Flat Rock 的工廠未來將以生產自動駕駛汽車與電動車為主，需要具有電腦能力以及高中以上學歷的勞工。新的雇用機會，被視為是進入中產階級的門票，已經與過去截然不同。 經濟學家表示，汽車製造以及其他製造業會逐漸增加自動化，需要的人力更少，且都是較高技術性勞工。雖然福特執行長與川普互相讚揚彼此，聲稱是為了保護美國人的工作，但分析師認為，福特回美計畫是基於長遠的目標，而不是奉獻給美國政府與勞工。 福特計劃在2020 年前在電動車領域投資45 億美元，認為未來10 年消費者對電動車的接受度會大幅改變，現在福特在密西根州Dearborn 工廠的工程師就擔負創造模型的工作，他們工作的地點距離Flat Rock 的組裝廠只有20 英里 ，若把組裝廠移到墨西哥的話，會增加研發與製造工作的溝通難度。 汽車研究中心分析師表示，「至少對第一代產品來說，將新科技留在工程師身邊是很重要的事，讓工程師可以掌握與監控系統運作。」福特在密西根的擴廠計畫符合大趨勢走向，而勞工要確保工作機會，必須不斷的學習，分析師說，「現在已經不像以前，擁有一個技術就可以做40 年。」 華盛頓智庫Brookings Institution 研究員也表示，在美國比在墨西哥更容易找到技術勞工。墨西哥提供的勞力是低成本、堪用的勞力，但不適合創新含量高或做新產品開發。福特會保留汽油引擎的Focus 在墨西哥工廠製造。福特執行長也說，他們取消在墨西哥16 億美元的建廠計畫，最主要的原因是小型車的需求愈來愈低。 看來川普喜歡往自己臉上貼金，但生意人算盤打得更精，表面上的花言巧語只是一場政治秀罷了。 （合作媒體：。圖：福特汽車位於密西根的總部 Glass House。） 本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com....

現在隨着各種數據庫框架的盛行，在提高效率的同時也讓我們忽略了很多底層的連接過程，這篇文章是對 SQL 連接過程梳理，並涉及到了現在常用的 SQL 標準。 其實標準就是在不同的時間，制定的一些寫法或規範。 從 SQL 標準說起 在編寫 SQL 語句前，需要先了解在不同版本的規範，因為隨着版本的變化，在具體編寫 SQL 時會有所不同。對於 SQL 來說，SQL92 和 SQL99 是最常見的兩個 SQL 標準，92 和 99 對應其提出的年份。除此之外，還存在 SQL86、SQL89、SQL2003、SQL2008、SQL2011，SQL2016等等。 但對我們來說，SQL92 和 SQL99 是最常用的兩個標準，主要學習這兩個就可以了。 為了演示方便，現在數據庫中加入如下三張表： 每個學生屬於一個班級，通過班級的人數來對應班級的類型。 -- ---------------------------- DROP TABLE IF EXISTS `Student`; CREATE TABLE `Student` ( `id` int(11) NOT NULL AUTO_INCREMENT, `name` varchar(20) NOT NULL DEFAULT '', `birth` varchar(20) NOT NULL DEFAULT '', `sex` varchar(10) NOT NULL DEFAULT '', `class_id` int(11) NOT NULL COMMENT '班級ID', PRIMARY KEY (`id`) ) ENGINE=InnoDB AUTO_INCREMENT=9 DEFAULT CHARSET=utf8; -- ---------------------------- -- Records of Student -- ---------------------------- INSERT INTO `Student` VALUES ('1', '胡一', '1994.1.1', '男', '1...

現在隨着各種數據庫框架的盛行，在提高效率的同時也讓我們忽略了很多底層的連接過程，這篇文章是對 SQL 連接過程梳理，並涉及到了現在常用的 SQL 標準。 其實標準就是在不同的時間，制定的一些寫法或規範。 從 SQL 標準說起 在編寫 SQL 語句前，需要先了解在不同版本的規範，因為隨着版本的變化，在具體編寫 SQL 時會有所不同。對於 SQL 來說，SQL92 和 SQL99 是最常見的兩個 SQL 標準，92 和 99 對應其提出的年份。除此之外，還存在 SQL86、SQL89、SQL2003、SQL2008、SQL2011，SQL2016等等。 但對我們來說，SQL92 和 SQL99 是最常用的兩個標準，主要學習這兩個就可以了。 為了演示方便，現在數據庫中加入如下三張表： 每個學生屬於一個班級，通過班級的人數來對應班級的類型。 -- ---------------------------- DROP TABLE IF EXISTS `Student`; CREATE TABLE `Student` ( `id` int(11) NOT NULL AUTO_INCREMENT, `name` varchar(20) NOT NULL DEFAULT '', `birth` varchar(20) NOT NULL DEFAULT '', `sex` varchar(10) NOT NULL DEFAULT '', `class_id` int(11) NOT NULL COMMENT '班級ID', PRIMARY KEY (`id`) ) ENGINE=InnoDB AUTO_INCREMENT=9 DEFAULT CHARSET=utf8; -- ---------------------------- -- Records of Student -- ---------------------------- INSERT INTO `Student` VALUES ('1', '胡一', '1994.1.1', '男', '1...

k8s用命名空間 namespace 把資源進行隔離，默認情況下，相同的命名空間里的服務可以相互通訊，反之進行隔離。 1.1 Service Kubernetes中一個應用服務會有一個或多個實例（Pod,Pod可以通過rs進行多複本的建立）,每個實例（Pod）的IP地址由網絡插件動態隨機分配（Pod重啟后IP地址會改變）。為屏蔽這些後端實例的動態變化和對多實例的負載均衡，引入了Service這個資源對象，如下所示: apiVersion: v1 kind: Service metadata: name: nginx-svc labels: app: nginx spec: type: ClusterIP ports: - port: 80 targetPort: 80 selector: #service通過selector和pod建立關聯 app: nginx 根據創建Service的type類型不同，可分成4種模式： ClusterIP ： 默認方式。根據是否生成ClusterIP又可分為普通Service和Headless Service兩類： 普通Service：通過為Kubernetes的Service分配一個集群內部可訪問的 固定虛擬IP （Cluster IP），實現集群內的訪問。為最常見的方式。 Headless Service：該服務不會分配Cluster IP，也不通過kube-proxy做反向代理和負載均衡。而是通過DNS提供穩定的絡ID來訪問，DNS會將headless service的後端直接解析為podIP列表。主要供StatefulSet使用。 NodePort ：除了使用Cluster IP之外，還通過將service的port映射到集群內每個節點的相同一個端口，實現通過nodeIP:nodePort從 集群外訪問服 務。 LoadBalancer ：和nodePort類似，不過除了使用一個Cluster IP和nodePort之外，還會向所使用的公有雲申請一個負載均衡器(負載均衡器後端映射到各節點的nodePort)，實現從集群外通過LB訪問服務。 ExternalN...

k8s用命名空間 namespace 把資源進行隔離，默認情況下，相同的命名空間里的服務可以相互通訊，反之進行隔離。 1.1 Service Kubernetes中一個應用服務會有一個或多個實例（Pod,Pod可以通過rs進行多複本的建立）,每個實例（Pod）的IP地址由網絡插件動態隨機分配（Pod重啟后IP地址會改變）。為屏蔽這些後端實例的動態變化和對多實例的負載均衡，引入了Service這個資源對象，如下所示: apiVersion: v1 kind: Service metadata: name: nginx-svc labels: app: nginx spec: type: ClusterIP ports: - port: 80 targetPort: 80 selector: #service通過selector和pod建立關聯 app: nginx 根據創建Service的type類型不同，可分成4種模式： ClusterIP ： 默認方式。根據是否生成ClusterIP又可分為普通Service和Headless Service兩類： 普通Service：通過為Kubernetes的Service分配一個集群內部可訪問的 固定虛擬IP （Cluster IP），實現集群內的訪問。為最常見的方式。 Headless Service：該服務不會分配Cluster IP，也不通過kube-proxy做反向代理和負載均衡。而是通過DNS提供穩定的絡ID來訪問，DNS會將headless service的後端直接解析為podIP列表。主要供StatefulSet使用。 NodePort ：除了使用Cluster IP之外，還通過將service的port映射到集群內每個節點的相同一個端口，實現通過nodeIP:nodePort從 集群外訪問服 務。 LoadBalancer ：和nodePort類似，不過除了使用一個Cluster IP和nodePort之外，還會向所使用的公有雲申請一個負載均衡器(負載均衡器後端映射到各節點的nodePort)，實現從集群外通過LB訪問服務。 ExternalN...

國產龍芯的軟件生態之中.NET不會缺席，畢竟 C# 與 .NetCore/Mono 也是全球幾大主流的編程語言和運行平台之一，最近一段時間聽到太多的鼓吹政務領域不支持.NET， 大家都明白這是某些人為了自己的利益打壓使用.NET技術的公司，我今天寫這篇文章就是想通過龍芯團隊的行動告訴更多人一起來推動.NET技術在中國的發展。希望龍芯廠商、支持龍芯的國產操作系統廠商能高度重視這個問題，主動加入 .Net Core 社區，加入.NET基金會，积極貢獻代碼，儘快做好適配工作。 龍芯團隊一直在做net core的mips64移植工作，2020年6月18日完成了里程碑性的工作，在.NET Core 3.1分支上完成了MIPS64 的移植工作，目前已經在github上開源，開源地址：https://github.com/gsvm/coreclr 。具體說明可以參見 https://github.com/dotnet/runtime/issues/38069。 龍芯團隊正在做移植后的測試工作，已經完成了 9500 多項測試，ASP.NET Core示例程序 FlightFinder 已經可以在MIPS64 上正常運行，具體可以參看 https://github.com/dotnet/runtime/issues/4234。 龍芯團隊還在github上面為龍芯.NET 建立了一個倉庫 https://github.com/gsvm/loongson-dotnet，用於關於龍芯的.NET信息，工作和下載，開源協議採用和.NET Core一樣的MIT協議。 根據這個倉庫的信息，龍芯團隊將在不久的將來發布.NET Core 3.1版本，然後升級到https://github.com/dotnet/runtime ，也就是.NET 5了。目前這項工作正在緊鑼密鼓的進行，非常歡迎大家的積极參与貢獻，包括issue或者PR，如果您有任何問題或需要任何支持，請隨時提交問題或通過电子郵件:aoqi@loongson.cn 與龍芯團隊聯繫。 在文章的最後，我向你分享一個龍芯團隊成員 xiangzhai 在這個 https://github.com/xiangzhai/mono/issues/2 提到了指令集相關的編程的一些相關知識： OpenJDK、CorelCLR、mo...

國產龍芯的軟件生態之中.NET不會缺席，畢竟 C# 與 .NetCore/Mono 也是全球幾大主流的編程語言和運行平台之一，最近一段時間聽到太多的鼓吹政務領域不支持.NET， 大家都明白這是某些人為了自己的利益打壓使用.NET技術的公司，我今天寫這篇文章就是想通過龍芯團隊的行動告訴更多人一起來推動.NET技術在中國的發展。希望龍芯廠商、支持龍芯的國產操作系統廠商能高度重視這個問題，主動加入 .Net Core 社區，加入.NET基金會，积極貢獻代碼，儘快做好適配工作。 龍芯團隊一直在做net core的mips64移植工作，2020年6月18日完成了里程碑性的工作，在.NET Core 3.1分支上完成了MIPS64 的移植工作，目前已經在github上開源，開源地址：https://github.com/gsvm/coreclr 。具體說明可以參見 https://github.com/dotnet/runtime/issues/38069。 龍芯團隊正在做移植后的測試工作，已經完成了 9500 多項測試，ASP.NET Core示例程序 FlightFinder 已經可以在MIPS64 上正常運行，具體可以參看 https://github.com/dotnet/runtime/issues/4234。 龍芯團隊還在github上面為龍芯.NET 建立了一個倉庫 https://github.com/gsvm/loongson-dotnet，用於關於龍芯的.NET信息，工作和下載，開源協議採用和.NET Core一樣的MIT協議。 根據這個倉庫的信息，龍芯團隊將在不久的將來發布.NET Core 3.1版本，然後升級到https://github.com/dotnet/runtime ，也就是.NET 5了。目前這項工作正在緊鑼密鼓的進行，非常歡迎大家的積极參与貢獻，包括issue或者PR，如果您有任何問題或需要任何支持，請隨時提交問題或通過电子郵件:aoqi@loongson.cn 與龍芯團隊聯繫。 在文章的最後，我向你分享一個龍芯團隊成員 xiangzhai 在這個 https://github.com/xiangzhai/mono/issues/2 提到了指令集相關的編程的一些相關知識： OpenJDK、CorelCLR、mo...

如何提升自己？ 看完後浪，感慨良多... 在程序員圈子，聽得最多的便是"35歲中年危機"。 危機 其實不僅僅存在"35歲危機"，還有"畢業危機"，"被裁員危機"，不僅僅在程序員圈子，幾乎所有圈子都是這樣，就像剛畢業的大學生說的：畢業等於失業。現在的社會飛速發展，我們常常感嘆大多數父母一代的人，智能手機玩着都比較費勁，其實也算是一種危機。其實不管任何職業，任何年齡的人，都應該保持"學習"的狀態，只有自身有了底氣，才能挺直了腰板，度過一個又一個危機。恩，做的不開心，我就換個工作...厲害的人，都是別人來請他去上班的。 作為一個Javaer，當然也需要不斷的保持學習，特別是對於剛畢業的人，可能在找第一份工作的時候，你大廠與你擦肩而過，但是只要你對未來有一個完整的規劃，3年後，你一樣能達到你的目標。 說了這麼多，只是為了強調學習的重要性。但是如何學習？學習什麼？這才是真正的問題。 如何學習？ 很多人喜歡看視頻學習，記得剛學 Java 的時候，很多同學都會去看馬士兵，傳智博客等等。。。的確，視頻適合帶你入門，但是卻不適合進階。 如果你是一個什麼都不知道的小白， 不知道什麼是IDE，是什麼叫配置環境變量，那麼的確可以看看視頻學習，因為它能帶你很快的上手，避免走很多坑。 但是如果你是一個有一點項目經驗的人，那麼個人是不推薦通過視頻來學習新的知識的。第一個便是因為資源太少。除了培訓機構和各種專門為了做教育行業的人，很少有其他人會專門通過視頻介紹技術，即使有，視頻質量也難以得到保障。第二個便是效率問題，看視頻你不敢跳過，害怕錯過知識點，你也更加容易走神，因為進度掌握在別人手裡。 所以最好的學習方式便是看資料，比如看書，看官方文檔等。 如何看書？ 書讀百遍，其義自見。能真正把一本書看很多遍的人，一定能體會到這句話的精髓所在。 擁有不同知識的人，看一本書的收貨一定是不一樣的。這裏可以簡單舉一個例子：一個剛學完 Java 基礎知識的人，看《Effective Java》的時候，可能只會死記硬背。一個擁有三年開發經驗的人，看《Effectice Java》的時候，會覺得恍然大悟。而一個擁有豐富的開發經驗的人，看《Effective Jav...

最近一個月項目好忙，終於擠出時間把這篇 BP 算法基本思想寫完了，公式的推導放到下一篇講吧。 一、神經網絡的代價函數 神經網絡可以看做是複雜邏輯回歸的組合，因此與其類似，我們訓練神經網絡也要定義代價函數，之後再使用梯度下降法來最小化代價函數，以此來訓練最優的權重矩陣。 1.1 從邏輯回歸出發 我們從經典的邏輯回歸代價函數引出，先來複習下： \[J(\theta) = \frac{1}{m}\sum\limits_{i = 1}^{m}{[-{y^{(i)}}\log ({h_\theta}({x^{(i)}}))-( 1-{y^{(i)}})\log ( 1 - h_\theta({x^{(i)}}))]} + \frac{\lambda}{2m} \sum\limits_{j=1}^{n}{\theta_j^2} \] 邏輯回歸代價函數計算每個樣本的輸入與輸出的誤差，然後累加起來除以樣本數，再加上正則化項，這個我之前的博客已經寫過了： 從 0 開始機器學習 - 邏輯回歸原理與實戰！ 從 0 開始機器學習 - 正則化技術原理與編程！ 這裏補充一點對單變量邏輯回歸代價函數的理解，雖然這一行代價公式很長： \[cost(i) = -{y^{(i)}}\log ({h_\theta}({x^{(i)}}))-( 1-{y^{(i)}})\log ( 1 - h_\theta({x^{(i)}})) \] 但是其實可以把它簡單的理解為輸出與輸入的方差，雖然形式上差別很大，但是可以幫助我們理解上面這個公式到底在計算什麼，就是計算輸出與輸入的方差，這樣理解就可以： \[cost(i) = h_{\theta}(x^{(i)} - y^{(i)})^2 \] 1.2 一步步寫出神經網絡代價函數 前面講的簡單邏輯回歸的只有一個輸出變量，但是在神經網絡中輸出層可以有多個神經元，所以可以有很多種的輸出，比如 K 分類問題，神經元的輸出是一個 K 維的向量： 因此我們需要對每個維度計算預測輸出與真實標籤值的誤差，即對 K 個維度的誤差做一次求和： \[\sum\limits_{i = 1}^{k}{[-{y_k^{(i)}}\log ({h_\theta}({x^{(i)}}))_k-( 1-{...

最近一個月項目好忙，終於擠出時間把這篇 BP 算法基本思想寫完了，公式的推導放到下一篇講吧。 一、神經網絡的代價函數 神經網絡可以看做是複雜邏輯回歸的組合，因此與其類似，我們訓練神經網絡也要定義代價函數，之後再使用梯度下降法來最小化代價函數，以此來訓練最優的權重矩陣。 1.1 從邏輯回歸出發 我們從經典的邏輯回歸代價函數引出，先來複習下： \[J(\theta) = \frac{1}{m}\sum\limits_{i = 1}^{m}{[-{y^{(i)}}\log ({h_\theta}({x^{(i)}}))-( 1-{y^{(i)}})\log ( 1 - h_\theta({x^{(i)}}))]} + \frac{\lambda}{2m} \sum\limits_{j=1}^{n}{\theta_j^2} \] 邏輯回歸代價函數計算每個樣本的輸入與輸出的誤差，然後累加起來除以樣本數，再加上正則化項，這個我之前的博客已經寫過了： 從 0 開始機器學習 - 邏輯回歸原理與實戰！ 從 0 開始機器學習 - 正則化技術原理與編程！ 這裏補充一點對單變量邏輯回歸代價函數的理解，雖然這一行代價公式很長： \[cost(i) = -{y^{(i)}}\log ({h_\theta}({x^{(i)}}))-( 1-{y^{(i)}})\log ( 1 - h_\theta({x^{(i)}})) \] 但是其實可以把它簡單的理解為輸出與輸入的方差，雖然形式上差別很大，但是可以幫助我們理解上面這個公式到底在計算什麼，就是計算輸出與輸入的方差，這樣理解就可以： \[cost(i) = h_{\theta}(x^{(i)} - y^{(i)})^2 \] 1.2 一步步寫出神經網絡代價函數 前面講的簡單邏輯回歸的只有一個輸出變量，但是在神經網絡中輸出層可以有多個神經元，所以可以有很多種的輸出，比如 K 分類問題，神經元的輸出是一個 K 維的向量： 因此我們需要對每個維度計算預測輸出與真實標籤值的誤差，即對 K 個維度的誤差做一次求和： \[\sum\limits_{i = 1}^{k}{[-{y_k^{(i)}}\log ({h_\theta}({x^{(i)}}))_k-( 1-{...