C++中的一种模块交互机制：之前使用的是消息交互，采用消息队列的方式，按照任务进行分配，同一个任务应该使用一个线程。在C++中一些小的组件之间的交互的话，其实只需要使用函数调用就可以了，具体方法：①通过全局变量（静态变量获取到对应对象的地址），②调用预先定义好的一些接口（类似于发了一个消息给那个组件，然后那个组件处理，现在就是省掉了发消息的流程，组件直接处理了）（这个相当于是发送）那么如何...

关闭自带的方式，yml文件中设置，设置variables：GIT_STRATEGY: none方法是在gitlab-runner的ci配置config.toml中，加入pre_build_script项，给个最基本的例子，其他内容可以自定义，这里有一个前提，就是如果用ssh，需要对应的docker镜像支持ssh，生成了ssh的privatekey和publickey；在gitlab-runner的

关于专家系统的几个子系统解读：不同于神经网络，专家型系统可以认为就是一种具有特殊架构的程序，分为①知识库（存储逻辑推理的规则，类似如果1，并且如果2，则=>3这种格式（条件+结论），当然里面的1,2,3都是具体的条件。）②推理系统：从外部获取到判断信息，并根据信息到知识库中去匹配当前“已知”的“条件”，同时检索当前条件可以推得的结论。③数据库：存储一些动态的数据（例如每一次外部输入的...

GPT-2模型主要用于根据上下文，预测下一个最有可能的词汇。基于开源的Transformers库，用GPT-2模型以无监督学习的方式训练文本：①下载开源库：transformers②根据要求安装tensorflow2.0、Pytorch1.0+等依赖的训练工具；③如果需要使用GPU训练，还需要安装CUDA10.0、CUDNN7.x等组件；④训练：transformers提供了方便的训练...

①可以类比一下之前自己做的一个例子：在最初将单词编码的时候，我们使用的直接是one-hot向量的方式来进行编码的，非常简单粗暴的一种方式（根据单词在语料库中的索引，作为对应单词的词向量的对应值，这个其实是非常不好的一种方式，因为没有充分体现各个词在语义上的联系），所以会需要使用词向量的方式来“描述”不同的单词。②这里的embedding的概念，本意是一种嵌入，也可以理解成是一种映射，说白了就是..

关于隐藏层的意义的一些总结：①当描述一个事物作为分类的依据的时候，我们可能仅仅描述的是一个“抽象”过后的特征，例如在和一个人相处后，经常会说你对他的印象怎么样，十分满分的话，打几分？这里的分数其实并不属于那个人的属性，而是对那个人的属性（身高、体重、身材、语言表达、待人接物、生活习惯等综合“感受"后给出的一个综合评价）。即将复杂概念进行了抽象化后再输出，这样更利于人的表达，否则光评价一个人可能..

gitlab配置merge_requests专属pipeline（门禁）参考https://docs.gitlab.com/ee/ci/merge_request_pipelines/方式有很多，gitlab ci配置还是比较通用的，一般最最简单的场景，直接设置only标签的值为merge_requests即可，这样就只有在merge requests的时候才会进行提交。设置merge时，必须保证

设置umi启动端口：修改package.json文件中的start命令，加上PORT=xxx前缀，类似环境变量设置。

快速排序算法：分治法思想，进行核心函数的递归调用。方法：① 核心函数中关键的是3个变量，左边界，右边界和key，当左边界 < 右边界的时候，进行大小判断（根据需求升序或者降序）② 左右边界指针分别指向了需要调换顺序的元素，然后两者互换，实现排序。③ 最后在新的左右边界的地方，重新调用类似的排序核心函数。代码：TODO...

关于隐藏层的意义的一些总结：①当描述一个事物作为分类的依据的时候，我们可能仅仅描述的是一个“抽象”过后的特征，例如在和一个人相处后，经常会说你对他的印象怎么样，十分满分的话，打几分？这里的分数其实并不属于那个人的属性，而是对那个人的属性（身高、体重、身材、语言表达、待人接物、生活习惯等综合“感受"后给出的一个综合评价）。即将复杂概念进行了抽象化后再输出，这样更利于人的表达，否则光评价一个人可能..