tx2全局事务在tx1全局事务的二阶段前开启并执行，执行m-100后m=800（由于tx1一阶段会提交本地事务，因此tx2全局事务会读取m修改后的值），在提交本地事务前需要先获取全局锁，但是由于全局锁在tx1手里，因此就会不断重试获取全局锁。通过SELECT FOR UPDATE语句的代理查询tx1事务提交后的数据，该语句会获取全局锁，如果未获取到全局锁，说明事务未提交，就释放本地锁并阻塞等待，阻

/ 创建路由实例// 路由模式:历史模式，特点是路由后面不带#号// 在这个数组中进⾏路由规则的详细配置routes: [// 根路径(根路径重定向到/login路径)path: '/',},// 登录页},// 系统主⻚path: '/',// 路由嵌套(二级路由)// ⽤户管理,meta: {title: '用户管理',},// 系统管理meta: {title: '系统管理',},// 平台

Vt+1的含义近似为1/(1-b)天的平均温度，可以这样理解，每天只取(1-b)比例的当天温度，一共取了1/(1-b)天才能把当天温度的比例凑到1。比如b=0.9，则每天只取0.1的温度，因此需要取10天当天温度的比例才能凑到1，此时1/(1-b)的值也是10。分别取b=0.9（红线：近10天一平均）、b=0.98（绿线：近50天一平均），得到上述图像，可以发现参数b的值越大，曲线越平滑，同时曲线

在计算机视觉领域，卷积运算撑起了半边天，因此在学习计算机视觉前，首先来了解一下卷积运算是如何运算的。假设正在进行边缘检测，垂直边缘检测会把图片中接近垂直的边缘提取出来，即人的侧边、栏杆等。而水平边缘检测会把图片中接近水平的边缘提取出来，即横杆、自行车轮的上侧等。现在以垂直边缘检测为例，解释一下卷积运算是如何进行的？卷积运算用*符号表示，一张图片表示的矩阵*一个过滤器（或被称为核，在图像处理领域又被

decoder网络和编号4的语言模型几乎一模一样，机器翻译模型其实和语言模型非常相似，不同在于语言模型总是以零向量开始，而encoder网络会计算出一系列向量来表示输入的句子。假设输入猫咪图片，经过预训练的AlexNet网络（上图编号2）作为编码器，让其学习图片的编码，去掉最后的softmax单元（编号3），AlexNet网络会输出一个4096维的特征向量。接着把这个向量输入到RNN中（编号4），

如上图，损失函数的最小值是红点，椭圆是损失函数的图像，梯度下降法就像蓝线和紫线（学习率高，因此计算容易超出范围）一样，摆动着朝最小值移动。结合开始的图可以发现，对于y轴方向，正负值抵消，梯度的估计值接近0，因此减小了摆动，而x轴方向微分始终朝向最小值方向，因此优化更加平缓的向最小值方向移动，因此减少了计算，加快了收敛速度。不加偏差修正的原因是b=0.9表示平均了10次的梯度，我们不需要准确估计网络

这种神经元依赖上下文神经元的现象也被成为协同适应），在训练网络的过程中，由于去除了某些神经元，那么网络就失去了该神经元的部分表征，因此在训练后，网络能学习更加独立丰富的特征（这种效果类似L2范数正则项，每个神经元不会被赋予更大的权重，从而产生了收缩权重平方范数的效果），使模型更加鲁棒。2.网络中每层的keep_prob都可以不同，对于输入层通常不设置keep_prob，对于节点较多的层keep_p

k和k’表示不同的通道，i和j表示某个通道下的激活值的坐标，a表示该下标下的激活值，即该公式将(i,j,k)和(i,j,k’)下标的激活值相乘，然后累加求和，得到矩阵G的(k,k’)下标的元素，从而得到nc*nc维度的矩阵G（因为有nc个通道，因此k和k’分别都可取nc个值，因此矩阵的维度是nc*nc）。将绘画的风格迁移到真实建筑图片中，得到具有绘画风格的建筑图片。第二层检测到更复杂的形状和模式，

找到全连接层和前一层，用5*5的过滤器来实现卷积层的转化，数量是400个（编号1所示），输入图像大小为5*5*16，用5*5的过滤器对它进行卷积操作，过滤器实际上是5*5*16，因为在卷积过程中，过滤器会遍历这16个通道，所以这两处的通道数量必须保持一致，输出结果为1*1。再添加另外一个卷积层（编号2所示），这里用的是1*1卷积，假设也有400个1*1的过滤器，在这400个过滤器的作用下，下一层的

对于一个神经网络我们知道，归一化输入特征是加速网络训练的技巧之一，因为归一化后，损失函数的图像就会由狭长变得更圆，那么这是否启发我们，在深度更深模型中，对各层的输出进行归一化，有益于下一层的学习？毕竟上一层的输出是下一层的输入。这就是由于每一层的参数更新后，对于同一输入，输出的分布就会发生改变（这称之为），这带来的影响是下一层需要不断适应上一层输出的分布，从而导致下一层与上一层之间的联系紧密（有点