b. 优化网络：主从节点部署在同一地域，避免跨地域；：①重启后从节点会触发 “全量同步”：从节点宕机期间，主节点的复制 ID 未变但偏移量已远超从节点，主节点不认识从节点的偏移量，会 fork 子进程生成 RDB 快照，发送给从节点，从节点加载 RDB 后，主节点再发送 RDB 生成期间的命令，最终同步一致；从节点重启后加载 RDB 期间，会拒绝客户端查询（避免返回旧数据），同步完成后才对外提供服

如果 ThreadLocal 对象在外部被回收了（因为是弱引用，GC 时 Key 会变成 null），但只要线程还活着（比如线程池中的线程），Value 就会一直存在，且无法被访问到（因为 Key 没了）。因为在现代高并发应用中，锁竞争是非常普遍的，偏向锁的撤销（Revoke）操作需要等待全局安全点（Safe Point），成本很高，反而可能拖慢性能。此外，1.8 改用了。：当自旋超过一定次数（或

其中 W1 和 H1 表示输入的长宽， F表示卷积核的长和宽， S表示步长， P表示边界填充。输出的y均在0到1之间，且所以输出值之和为1， 常用于分类问题。LSTM：在RNN基础上进行改进，加了C控制参数，控制当前模型复杂度。1.传统网络输入要把数据拉成一维，而卷积可以用三维数据输入（张量）反向传播：计算梯度，之后根据梯度选择合适的优化器来对参数进行更新。长：H2 = （H1 - FH + 2

1.准备数据2.加载数据3.加载模型4.设置损失函数5.设置优化器6.开始训练7.开始测试最后验证结果展示。

其中 W1 和 H1 表示输入的长宽， F表示卷积核的长和宽， S表示步长， P表示边界填充。输出的y均在0到1之间，且所以输出值之和为1， 常用于分类问题。LSTM：在RNN基础上进行改进，加了C控制参数，控制当前模型复杂度。1.传统网络输入要把数据拉成一维，而卷积可以用三维数据输入（张量）反向传播：计算梯度，之后根据梯度选择合适的优化器来对参数进行更新。长：H2 = （H1 - FH + 2

考察点：DDD (领域驱动设计) 理解参考回答定位：基于 DDD 分层架构，倾向于贫血模型与充血模型结合解释：①实体类（Entity）主要承载数据（偏贫血）；②核心业务逻辑未堆砌在 Service 中，通过领域服务（Domain Service，如 RaffleStrategy）配合设计模式（责任链、规则树）组织；③部分核心逻辑（如解析规则字符串）封装在实体（StrategyEntity）中（偏充

你可以把的服务员 (Controller/App层)端来一个盘子，盘子里放着顾客的点单条（用户ID、菜品ID）。这个盘子就是 RaffleFactorEntity(输入)。好处：服务员不需要左手拿用户ID，右手拿策略ID，直接端个盘子就行。大厨 (Domain层)接过盘子，开始根据单子炒菜（执行抽奖逻辑、规则过滤）。大厨炒好菜后，不会直接把菜扔给服务员，而是装在一个精美的餐盒里，餐盒上还贴着标签（

1.准备数据2.加载数据3.加载模型4.设置损失函数5.设置优化器6.开始训练7.开始测试最后验证结果展示。

其中 W1 和 H1 表示输入的长宽， F表示卷积核的长和宽， S表示步长， P表示边界填充。输出的y均在0到1之间，且所以输出值之和为1， 常用于分类问题。LSTM：在RNN基础上进行改进，加了C控制参数，控制当前模型复杂度。1.传统网络输入要把数据拉成一维，而卷积可以用三维数据输入（张量）反向传播：计算梯度，之后根据梯度选择合适的优化器来对参数进行更新。长：H2 = （H1 - FH + 2