人工神经网络的每一层由大量的节点（神经元）组成，层与层之间有大量的连接，但是层内部的神经元一般相互独立。深度学习的目的就是利用已知的数据学习一套模型，使系统在遇见未知的数据时也能够做出预测。这个过程中神经元具备以下两个特性：1，激活函数，这个函数一般是非线性的函数，也就是每个神经元通过这个函数将原有的来自其他神经元的输入做一个非线性的变化，输出给下一层神经元，激活函数实现的非线性能力是前向传播..

预测建模的方法中一个比较重要的就是决策树模型，但是决策树模型有可能出现过度拟合的情况，所以大部分情况下，请注意是否需要剪枝操作

预测建模中的回归模型是对连续性目标变量的进行趋势预测

数据挖掘关于预测建模的分析方法，主要根据已知的数据构建出数据模型，来对未知的数据的所属分类进行预测

数据挖掘中算法分为三种：关联分析、聚类分析和预测模型，本篇主要是为了介绍关联分析相关的知识

逃逸分析作为其他优化手段提供依据的分析技术，其基本行为就是分析对象动态作用域：当一个对象在方法中被定义后，它可能被外部方法所引用，例如作为调用参数传递到其他方法中，称为方法逃逸。甚至还有可能被外部线程访问到，比如赋值给类变量或可以在其他线程中访问的实例变量，称为线程逃逸。如果能证明一个对象不会逃逸到方法或线程之外，也就是别的方法或者线程无法通过任何途径访问到这个对象，则可能为这个变量进行一些高

KVM/QEMU虚拟机的任何内存变动都会关联到底层的宿主机的变化，宿主机会确认该虚拟机变化在整个内存分页表中是否有效，可用，不允许其访问不属于他的内存页，此内存运行访问机制有两种：1）第一种是影子分页表技术。虚拟机所使用的的内存分页表与实际的内存分页表是独立的，不是同一张分页表，当虚拟机修改自己的内存分页表时，宿主机会检测到有修改动作发生，然后进行确认，之后才会修改真正的分区表，使由虚拟机发起

垃圾回收的依据，如何判断一个对象已经毫无用处）可达性分析算法：通过一系列成为GC Roots的对象作为起始点，从这些节点开始向下搜索，搜索所走过的路径成为引用链，当一个对象到GC Root没有任何引用链相连的时候，则证明这个对象时不可用的。所以就会被收集。2）可作为GC Roots的对象包括以下几种：1，虚拟机栈中引用的对象2，方法区中类静态属性引用的对象3，方法区中常量引用的

浮点值窄化转换为整数类型T（int或long类型之一）,遵循的转换规则：1）如果浮点值为NaN（Not a Number的缩写，NaN 表示为指数为 emax + 1 = 128，指数域全为 1，且尾数域不等于零的浮点数。IEEE 标准没有要求具体的尾数域，所以 NaN 实际上不是一个，而是一族），那么转换结果就是int或者long类型的0。2）如果浮点值不是无穷大的话，浮点值使用向零舍入