Eason-hk-barcelona

深入响应式系统 宇宙免责声明：本文不是知识梳理，旨在抛砖引玉！！！ 前置Proxy 想象你是一个高级小区的业主，你的公寓门口配备了诸多门卫，以监控和干预所有进出公寓的行为 Intro一个 Proxy 对象（门卫）包装另一个对象并拦截诸如读取/写入属性和其他操作，可以选择自行处理它们，或者透明地允许该对象处理它们。 1let proxy = new Proxy(target, handler) target —— 是要包装的对象（公寓），可以是任何东西，包括函数。 handler —— 带有捕捉器（即拦截操作的方法）的对象。比如 get 捕捉器用于读取 target 的属性，set 捕捉器用于写入 target 的属性，等等。 工作机理 proxy到底用来拦截什么？ 对于对象的大多数操作，JavaScript 规范中有一个所谓的“内部方法”，它描述了最底层的工作方式。例如 [[Get]]，用于读取属性的内部方法，[[Set]]，用于写入属性的内部方法。 对每一个内部方法，都有一个对应的Proxy handler去拦截这些方法的调用：proxy规范 一个简单的举例 1 ...

繁花一开始是奔着精彩商战，各方博弈去看的，没想到带给我的却是一层又一层的惊喜和震撼。不管是剧情内容，拍摄手法，镜头语言，角色刻画，演员张力，bgm选曲，我认为繁花都做的极佳，也让我对八九十年代的上海有了更深入的了解。 八九十年代，迎着改革开放的春风，股票，外贸是时代的风口，人们穿行在上海滩的滚滚红尘中，都希望从中分一杯羹，扶摇而上。散户，舰队，麒麟会，再到后面南国投，每一次的新玩法，都象征着市场的迭代升级，也一次次刺激着经济发展。和外资合作，敢拼，敢做，敢摸着石头过河，上的了像至真园般的饭店谈笑风生，下的了深圳一个小县城的工厂里放下身段。饭店吃饭，吃的是合作；一只龙虾，就是一次机会；饭店里的食客，不是在应酬，就是在求人。一切的一切，像极了盖茨比中西方”咆哮的二十年代“。 30年前如此，30年后又有什么变化呢？十几二十年前的房地产，当下的互联网，电商，自媒体，AI...一个又一个时代风口接踵而至。或许你机智聪慧，有创业头脑，又有贵人身旁，成功如宝总；或许你顽强不屈，为争一口气，拼搏如汪小姐；或许你运筹帷幄，有勇有谋，闯荡如李李；或许你后来独立自强，有主张、搞得定、摆得平，输得起如玲子 ...

爱在黎明破晓前（Before Sunrise）偶然一次逛b站看到的剪辑，翻看评论发现叫爱在三部曲，这是第一部，诞生于1995年，导演是理查德·林克莱特，据说是根据自己在费城的经历拍出的艺术。 影片基本就围绕男女主Jesse and Seline进行，讲述了二人彼此一见钟情，并crazy般的在维也纳度过了afternoon，midnight，sunrise的美丽故事。对于我来说，不得不佩服 Jesse 的勇敢，敢邀请 Seline 打破原计划而和他一起hang out，或许很多人会认为这是因为男主的帅气外表，但我更愿意相信是其幽默健谈、勇敢不羁的人格魅力打动了Seline。 这部影片的拍摄成本非常低，不仅是相较于2024年来说，对比1995年的其它电影亦是如此，但这种简单，纯粹的拍摄手法却更能聚焦观众的注意在二人天马行空的对话中，从小时候的经历到彼此的人格（little boy versus old woman）；从对待手相奶奶的不同态度到彼此的ex-boy/girl friend；从在bus上的的quick talk到唱片店无处安放的情愫；从街边的促膝长谈到饭店幼稚的ring-ri ...

像树一样生长序作为一个文学水平巅峰停留在初高中的人来说能想要放下手中的ddl来写一些文字可谓极其稀有了，即便如此，我的确是有些东西和感悟要写，算是记录，算是回忆...... 一些思考大学，确实是有些魅力的，它令人着迷的点不仅是你摄入的知识（虽然你科的学生大多数时间都在干这个），还在你接触的人，看到的事。因为贵专业的缘故，其实我并没有接触到什么人，每天做的事也远不如进入大学前幻想的精彩，不过好在，我还是有了些思考。 学业首先自然是讲讲学业，不知道其它学校或者华科其它专业的本科生教学水平怎么样，但是口口（华科计院）的教学实在不敢恭维，学的东西有用吗，肯定是有用的，但是内容确实也没有紧跟时代，再加上奇怪的时间安排，一门课学下来最后毕业了脑子里剩下的东西并不多。 大多数人只是为了保研出国或者奖学金卷一个高分（羡慕会考试的，我想卷高分都不会），毕业了工作是不是计算机方向都不一定，就算是，大多数技能都是自学，即便你保研了，最终目的只要是就业，无非就是多读3-5年书，拿个研究生博士生的学历，让你在大学的 “温床” 多停留3-5年罢了。那如果留校执教呢，做科研确实是辛苦且伟大的工作，并且学术界不 ...

经典算法插入 直接插入 1234567891011void insertion_sort(int arr[], int len){ for(int i=1; i<len; i++){ int key = arr[i]; //存入当前元素 int j = i-1; while(j>=0 && key<arr[j]){ //后面比前面小 arr[j+1] = arr[j]; j--; } arr[j+1]=key; //否则直接插在后面 }} 折半插入 12345678910111213void BInsertSort(SqList &L){ for(i=2; i<=L.length; ++i){ L.r[0] = L.r[i]; //L.r[i]暂存到L.r[0] low = 1; high = i-1; while(low < high){ m = (high+low) / 2; if(L.r[0].key & ...

==二元分类==输出：标签1/0 img在计算机中保存–>三个矩阵（假设64*64，那么就有3 * 64 * 64个像素，变成特征向量，总维度，也就是矩阵的行为n=3 * 64 * 64，如果有m组训练集，那么矩阵最终为m列，n行) ==logistics回归== y^ 表示 y 等于1的一种可能性或者是机会 w 表示逻辑回归的参数，这也是一个 n 维向量（因为 w 实际上是特征权重，维度与特征向量相同），参数里面还有 b，这是一个实数（表示偏差） 选择使用sigmoid函数原因：如果单纯线性，无法把y^值控制在0-1之间，故取sigmoid(z) 使得z很大，sigmoid(z)趋近1， z 变成一个绝对值很大的负数，sigmoid(z)趋近0 ==损失函数==$L(\hat{y},y) = -y\log(\hat{y})-(1-y)\log(1-\hat{y})$ 单次 成本（代价）函数：$J(w,b) = ...

==Deep learning==神经网络RELU 修正线性单元 独立神经元叠在一起 –> 神经网络 –> 只需要input x –> output y（中间部分自己完成） supervised learning 监督学习 ==NN->neural net== predict房价，ad投放 –> standard NN; image –> CNN（卷积神经网络） sequence data==(eg. audio, language)== –> RNN （循环神经网络） 无人驾驶 –> custom, hybrid(复杂) 结构化数据——对数据有很清晰的定义 非结构化数据——相对难解释给计算机 要么神经网络规模大，要么数据量多 data 早期 computation 当下 algorithms 创新算法为了加快计算速度，服务于规模更大的网络