*** 信息安全警员是通找2113其IP地。

网警5261抓 *** 黑客的关键技4102术是计取证技术性，又称之为数据取1653证子取证。它是一门电子信息科学与法律学的交叉科学，是对计算机犯罪的直接证据开展获得、储存、剖析和提供的一个全过程。而 *** 黑客与网警交锋的技术性当然就叫电子计算机反取证技术性，即删掉或是掩藏直接证据进而使网警的取证工作中失效。

剖析数据常见的方式有：

1．用搜索器检索全部的逻辑文件Slack储存空间、自由空间、未分派的室内空间中全部特殊的数据。举个例子说：在早上10点的情况下发生了入侵恶性事件，那麼在应用搜索器时肯定是更先搜索记录時间为10点上下的文档 。

2．因为 *** 黑客在入侵的时候会删掉数据，因此 大家也要用数据恢复工具对沒有遮盖的文档开展修复 。

3．系统对中全部数据加密的文档开展破译 。

4．用MD5对初始直接证据上的数据开展引言，随后把初始直接证据和引言信息储存。

上边的便是网警在取证时所需开展技术性解决的地区，随后依据剖析的結果(如IP地址这些)来捉人。

是的

下边网警根据哪几个方面开展 的

网警是利用什么技术性抓 *** 黑客的，以之后入侵的情况下需注意地区。

现阶段网警抓 *** 黑客的关键技术性是电子计算机取证技术性，又称之为数据取证或电子器件取证。它是一门电子信息科学与法律学的交叉科学，是对计算机犯罪的直接证据开展获得、储存、剖析和提供的一个全过程。而 *** 黑客与网警交锋的技术性当然就叫电子计算机反取证技术性，即删掉或是掩藏直接证据进而使网警的取证工作中失效。

文中主要解读如何去开展反取证。俗话说的好“知彼知己，百战不殆”，因而了解一下网警是怎么取证的，采用什么技术性及专用工具，随后有目的性的去开展反取证，这种全是十分必需的,仅有那样大家才可以在与网警中间的交锋中占据大些的优点。

从上边我们知道，网警的关键技术性是取证，下边大家就来了解一下什么叫取证技术性。一般看刑警电视剧比较多的人都了解，发生什么事案件更先是封禁和维护当场，不许所有人毁坏当场，随后便是给当场做技术检查鉴定，应用各种各样方式尽可能复原那时候犯罪现场的状况并找寻凶犯留下的信息(例如指纹识别、作案工具这些)。

而网警侦破的之一步也是封禁当场，让调研工作人员赶到电子计算机案发现场或入侵当场，找寻并扣押有关的计算机系统。这一步在电子计算机取证上也叫物理学直接证据获得，一般网警在这里一步做的关键事儿是：维护存储器、数据文档、互换区、隐藏文件、空余储存空间、复印机缓存文件、互联网数据区、客户过程储存区、局部变量、系统日志、缓冲区域、系统文件中的数据不被毁坏和改动。也有便是获得运行内存和电脑硬盘中的数据，次序为本运行内存后电脑硬盘，由于运行内存为易损毁数据而电脑硬盘为相对性平稳数据。对运行内存数据的获得关键用运行内存查验指令和运行内存数据分析工具(如运行内存数据剖析在线编辑器)来完成，而电脑硬盘数据的获得也是根据专业的专用工具(如“美亚网警”智能硬盘克隆机)对电脑硬盘开展逐磁道的载入，将电脑硬盘数据详细地复制出去；第二步是便是对维护和获取的数据开展剖析，它的范畴包含现有的一切正常文档、早已删掉但沒有被新文档遮盖的文档、隐藏文件、遭受密码设置的文档及文件加密这些。

剖析数据常见的方式有：

1．用搜索器检索全部的逻辑文件Slack储存空间、自由空间、未分派的室内空间中全部特殊的数据。举个例子说：在早上10点的情况下发生了入侵恶性事件，那麼在应用搜索器时肯定是更先搜索记录時间为10点上下的文档

2．因为 *** 黑客在入侵的时候会删掉数据，因此 大家也要用数据恢复工具对沒有遮盖的文档开展修复

3．系统对中全部数据加密的文档开展破译

4．用MD5对初始直接证据上的数据开展引言，随后把初始直接证据和引言信息储存。

上边的便是网警在取证时所需开展技术性解决的地区，随后依据剖析的結果(如IP地址这些)来捉人。

下边详细介绍一些网警在取证时常见到的软件工具，对于此事方位很感兴趣的盆友能够到在网上去免费下载

文件浏览器：专业用于查询数据文档的阅读工具，只能够查询但沒有编写和修复作用，能够避免 数据的毁坏，Quick View Plus是在其中的意味着。

照片查验专用工具：ThumbsPlus是一个能够对图片开展全方位查验的专用工具。

反删除工具：Easy Undelete是一款Windows下强劲的数据修复和反删除软件。

文字搜索器：dtSearch是一个非常好的用以文字检索的专用工具。

控制器印象程序流程：便是复制和创建控制器的印象，能够考虑取证剖析的硬盘印象手机软件，包含：SafeBack SnapBack Ghost这些。

Forensic Toolkit：是一系列根据指令专用工具，能够协助推论Windows NT系统文件中的浏览个人行为。

EnCase：关键作用有数据访问 、检索、硬盘访问 、数据浏览、创建实例、创建数据、 储存实例等。

CRCMD5：能够认证一个或是好几个文档內容的CRC专用工具。

DiskScrub：一个能够消除磁盘驱动器中全部数据的专用工具。

DiskSig：用以认证印象备份数据的准确性。

FileList：一个硬盘文件目录专用工具，用于创建客户在系统软件上的个人行为时刻表。

GetSlack：一个周边环境数据搜集专用工具，用以捕捉未分派的数据。

GetTime：一个周边环境数据搜集专用工具，用以捕捉分散化的文档。

Net Threat Analyzer：互联网取证分析系统，用以鉴别企业账户乱用。

NTI-DOC：一个文档程序流程，用以纪录文档的时间、時间及其特性。

PTable：用以剖析及证实磁盘驱动器系统分区的专用工具。

Seized：用以对直接证据电子计算机锁上及维护的程序流程

ShowFL：用以剖析文档輸出明细的程序流程。

TextSearch Plus：用于精准定位文字或是绘图软件中的字符串数组的专用工具。

根据上边的学习培训，坚信大伙儿对网警的取证工作中都是有一定的掌握了吧。取证的最后的目地便是要从大量的数据中获取出 *** 黑客入侵后留下的直接证据；做为 *** 黑客的反取证来讲，便是要费尽心思一切办法阻拦网警开展取证。现阶段较为合理的反取证技术性有：数据擦掉、数据掩藏。

数据擦掉便是消除全部很有可能的直接证据，那样取证就没法开展了，它是最有效的反取证方式 。数据掩藏便是将临时还不可以被删掉的文档装扮成其他类型或是将掩藏在图形文件中，还能够掩藏在硬盘上的Slack、交换空间这些，目地是让他人始终也找不着有效信息，这种都被称作数据掩藏。

1．数据擦掉：许多 盆友入侵在入侵以后把系统日志文件删除了认为就万事如意，实际上这还不够。假如用手工 *** 删掉那基本上是相当于沒有删掉，由于系统软件删除文件夹以后它在电脑硬盘上的数据并沒有遮盖，要是用一些数据恢复软件就可以把原先的数据复原。用专用工具删掉还比较好，最少它会对电脑硬盘开展不断的存取数据，可是一般最少要开展7次之上的不断遮盖才可以把数据彻底删掉，要不然还会继续留有一些残片文档。这儿强烈推荐一款Windows下出色的删除工具：WYWZ，听说是选用美国防部的规范。

自己提议擦掉规范为7次之上，那样就难以留有印痕了。日志文件是取证中一个最重要的工作中，但这仅仅取证的一部分，因此 删掉日志文件還是还不够的。从上边我们知道网警要在什么地方取证，因此 利用专用工具也要进一步擦掉，例如运行内存、缓冲区域、电脑硬盘中的数据，也有CPU中Cache中的数据这些。

2．数据掩藏：常见的数据掩藏技术性有数据数据加密、变更文件后缀名、隐写术这些。学过密码算法的盆友都了解密码算法上面有两根标准：一是假如破解密码所耗的成本超出了登陆密码自身的使用价值那麼就舍弃；二是假如破解密码所耗的時间超出了登陆密码的有效期限也舍弃。因此 我们在对数据数据加密的情况下更好是合乎上边的两根标准，啫哩能够利用多种多样加密技术对数据数据加密，并且登陆密码尽可能更长一些，让网警在短期内内没法破译乃至没办法破译出去。

隐写术说的通俗化一点便是把一些直接证据隐写在一切正常文档下，进而躲避网警的数据剖析。例如我想把文档“ *** 黑客与网警的交锋.doc”掩藏在“我的照片.bmp”中。

随后利用DOS中的Copy指令将2个文档生成并转化成haha.bmp。

开启看一下并较为二张照片的尺寸。

与图2较为是否发觉haha.bmp大了一点点呢，大出去的便是大家“ *** 黑客与网警的交锋.doc”的尺寸，那样就具有了一个掩藏的实际效果。一般隐写术是和数据数据加密融合起來用的，更先用对数据开展数据加密，随后再用隐写术将数据加密后的数据掩藏，那样就大大增加了取证的难度系数。 较为著名的隐写术专用工具有：

1.StealthDisk：可以掩藏电子计算机中全部的文档和文件夹名称，另外删掉全部线上Internet的浏览纪录。

2.Cloak：一个很好的隐写术手机软件，能读文档开展数据加密并将其掩藏在位图文件。

3.Invisible Secrets：一个数据隐藏工具，能将数据掩藏在JPEG PNG BMP HTML和WAV中。

实战演练

根据上边的学习培训，诸位应当对网警的取证和 *** 黑客的反取证都是有了一个大概的掌握吧。前文早已说过文中的关键在 *** 黑客的反取证，因此 下边就根据一个详细的仿真模拟进攻全过程来表明在防御中所需留意的难题，以躲避网警的取证。

入侵的全过程大概为：卡点→入侵→清足印。

卡点：这个时候关键留意的难题是IP地址是否有曝露，如果出現了“出师未捷身先死”的状况可就不好了。这儿更先要改正许多 拔号及ADSL网上的盆友在防御试验中一个不好的习惯，我们知道这种网上客户选用的是动态性IP，在网上时拨打ISP(互联网服务供应商)的服务器后，全自动得到一个动态性IP地址，许多 盆友认为这一IP地址是随意分到你的，因此 在入侵的情况下并沒有掩藏IP，实际上沒有那么简易。这种IP地址并不是随意的，只是该ISP申请办理的互联网ID与服务器的ID的合理合法区段中的某一详细地址。这种客户随意2次联接时的IP地址很可能不一样，但在每一次联接的時间内的IP地址是不会改变的。因此 网警要查证动态性IP的状况，要是根据营运商的认证管理系统，寻找与之捆缚的帐户，就可以明确上网者。因此 动态性IP也和静态IP一样，是能够随便寻找上网者的。这是由于法律法规，为了更好地保护计算机信息的安全性，营运商 Interent服务项目组织 ，其IP地址等信息务必在公安部门公共性信息互联网勘测单位办理备案。

在入侵时最重要便是掩藏好自身的IP地址，一般的方式 是利用起点、跳板(肉食鸡)来开展入侵，最终把留到肉食鸡上的系统日志删掉，随后离去。针对沒有肉食鸡的盆友能够利用服务器 *** 来隐藏自己的IP地址，提议更好是利用海外的服务器 *** 。上边二种全是较为常见的方式 ，能够考虑一般的规定，而假如另一方不惜一切成本要验你的话，那就是毫无疑问能够查出的。这是由于大家网上的全部信息实际上在无线路由器上都是有纪录，因此 查寻无线路由器的信息就可以迅速明确出入侵者的IP地址，真实的大神不但会采用上边二种方式 ，另外他在入侵 *** 服务器以前，也会把他所需入侵的集群服务器的一些无线路由器灭掉，在删掉肉食鸡的系统日志另外还会继续把无线路由器上的全部信息删掉。即使另一方把全部 *** 视频监控了也没有办法，即便 利用IDS也难以查出你的IP地址，因此 无线路由器的入侵在这儿饰演了很重要的惧色，操纵了另一方的无线路由器就相当于操纵了另一方的互联网，剩余的仅有不为所动。针对有标准的盆友能够把三者融合起來，以确保自身的较大 安全性。

入侵：这一全过程关键留意的难题是：不必被IDS或相近的手机软件发觉有些人入侵，对于利用哪些技术性哪些入侵并不是今日的关键，也不详尽讨论了。

清足印：更先把全部 日志文件删除，注意一定要用工具对原来日志文件进行反复覆盖，然后利用内存删除工具把内存数据删除，还有CPU的Cache中的数据及缓冲区也要做相同处理。接下来就是硬盘上的数据了，一般的删除工具会把扇区上的文件的都删除，特别需要注意的地方就是扇区之间的磁盘空间，这个地方一般存在很多碎片文件。还有如果控制了对方的路由器的话，上面的任何数据也要删除。以上所说的删除文件是指利用专门的删除工具对文件进行多次覆写操作；对于不能够删除的数据，首先把文件的后缀改掉，然后用数据加密软件对数据进行多次加密，且每次所用到的加密算法应该是不一样的；再利用隐写术对文件隐藏。

　　以上就是一个入侵过程中需要重点注意的问题，虽然上面是一个反取证的过程，但是我想对于研究取证也是很有好处的，只有知道攻才知道怎么去防。在 *** 上，网警和黑客是对立较量的，但是从技术角度来讲他们又是统一的。这篇文章也不是教黑客怎么去对付网警，只是一个技术的交流过程。我想技术本身并没有对错正邪之分，一切都在于人心的作用

　　网警追踪流程：

　　网监　→　服务器IP　→　发帖人IP　→　发帖人ISP　→　档案

　　抓到你的几率：100%

　　是通过查找其IP地址找到的，会在返回的数据包里面加入跟踪信息，找到这台计算机的精确位置

　　主要是靠IP地址

　　用的是腾讯的免费企业邮箱

　　如果没有重大损失的话（有的话直接报警，不一定是网警），那么只能默默改密码没然后想想还有那些账号是用同一个密码的，还有哪些账号是用这个邮箱注册的，都改一遍。

　　然后：不要用弱密码，不要用个人其他邮箱密码，不要用公司邮箱去注册无关公司业务的网站。

　　在企业邮箱的服务器端是可以查看到登陆的IP的，配合IP以及监控录像等信息确定当时的使用人是谁。

　　签名处xss代码，说不定还有机会黑了他～

　　xss beef+msf更配～

　　网警分析数据常用手段

　　（1）用搜索工具搜索所有的逻辑文件Slack磁盘空间、自由空间、未分配的空间中所有特定的数据。打个比方说：在上午10点的时候发生了犯罪事件，那么在使用搜索工具时肯定是首先搜索记录时间为10点左右的文件。

　　（2）由于黑客在犯罪时会删除数据，所以我们还要用数据恢复工具对没有覆盖的文件进行恢复。

　　（3）对系统中所有加密的文件进行解密。

　　（4）用MD5对原始证据上的数据进行摘要，然后把原始证据和摘要信息保存。

　　上面就是

　　网警

　　在取证时所要进行技术处理的地方，然后根据分析的结果（如IP地址等等）来抓人。

　　网警在取证时常用到的专业软件

　　文件浏览器：专门用来查看数据文件的阅读工具，只可以查看但没有编辑和恢复功能，可以防止数据的破坏，Quick View Plus是其中的代表。

　　图片检查工具：ThumbsPlus是一个可以对图片进行全面检查的工具。

　　反删除工具：Easy Undelete是一款Windows下强大的数据恢复和反删除软件。

　　文本搜索工具：dtSearch是一个很好的用于文本搜索的工具。

　　驱动器映像程序：就是拷贝和建立驱动器的映像，可以满足取证分析的磁盘映像软件，包括：SafeBack SnapBack Ghost等等。

　　Forensic Toolkit：是一系列基于命令行的工具，可以帮助推断Windows NT文件系统中的访问行为。

　　EnCase：主要功能有数据浏览、搜索、磁盘浏览、数据预览、建立案例、建立数据、 保存案例等。

　　CRCMD5：可以验证一个或者多个文件内容的CRC工具。

　　DiskScrub：一个可以清除硬盘驱动器中所有数据的工具。

　　DiskSig：用于验证映像备份的精确性。

　　FileList：一个磁盘目录工具，用来建立用户在系统上的行为时间表。

　　GetSlack：一个周围环境数据收集工具，用于捕获未分配的数据。

　　GetTime：一个周围环境数据收集工具，用于捕获分散的文件。

　　Net Threat Analyzer： *** 取证分析软件，用于识别公司账号滥用。

　　NTI-DOC：一个文件程序，用于记录文件的日期、时间以及属性。

　　PTable：用于分析及证明硬盘驱动器分区的工具。

　　Seized：用于对证据计算机上锁及保护的程序。

　　ShowFL：用于分析文件输出清单的程序。

　　TextSearch Plus：用来定位文本或者图形软件中的字符串的工具。

　　通过上面的内容，相信大家对网警的取证工作有了一定的了解，取证的最终的目的就是要从海量的数据中提取出黑客犯罪后留下来的证据。

　　(来源:计算机与 *** 安全）

　　SCAI：大数据智能分析领域“授渔者”

　　2018年11月26日，由全球数据分析领域领导者SAS公司主办的非盈利性赛事“2018中国高校SAS数据分析大赛”于北京举行颁奖仪式。中科聚信首（SCAI）获邀出席本次会议，中科聚信首席风险官李莉于大会发表致辞并获邀接受多家知名媒体专访。数据分析领域专家、知名金融企业领导、高校参赛学子600余人出席了本届大赛颁奖典礼。

　　“高校大数据分析人才的现在就是中国大数据领域的未来，中科聚信愿做大数据智能分析领域「授渔者」，让未来因青年智慧而改变！”

　　中科聚信首席风险官李莉女士在大会致辞中表示，SAS分析大赛是行业内标志性赛事之一，1300多支队伍，超过4000名学生参与其中，所有热爱大数据分析的学子们都将是我国大数据行业发展的希望！

　　李莉女士根据其多年资深的行业经验与同学们分享，鼓励同学们在真正步入职场后，要首先了解行业、了解业务，通过数据分析真正实现数据的价值才是首要目的。

　　中科聚信征信产品中心副总裁张淑静女士也获邀出席本次大会并担任颁奖嘉宾,为亚军获奖学生团队颁发奖杯，鼓励其不断钻研，进一步探索深耕数据分析领域，以兴趣为起点，化专长为专业，推动我国的数据分析领域蓬勃发展。

　　数据传承 · 人才培养义不容辞

　　在本次大会上，李莉女士获邀接受多家媒体专访。“中科聚信是一家具备“数据传承精神”的金融科技领军企业，人才是传承的根本，SCAI对于大数据分析人才的培养义不容辞。”李莉表示。

　　SCAI希望建立更完善的数据分析生态圈，帮助在校学子更快将知识应用于实操工作中，中科聚信在鼓励学子学以致用、坚定信念的道路上，愿倾力扶持，希望通过对赛事的支持与引领，促进中国高校高度认识到数据分析对于未来数据时代的重要性，激励我国更多高校学生了解并深入学习数据分析知识，不断超越自我，肩负起SCAI的社会责任与使命！

　　典礼过后，SCAI也获邀出席由SAS主办的名企人才交流会，参与本次流会的企业包括了金融、科技、银行等领域的众多知名企业。中科聚信的精彩发言与独具特色的企业魅力吸引了众多优秀的数据人才前来咨询和投递简历，在众多企业中备受参赛学生青睐。

　　禁止盗用，侵权必究

　　为多租户进行数据库设计

　　我们需要分割表或者应用程序的原因有很多，例如安全性、资源控制，或者易用性等。不管是出于什么原因，我们都需要经常将表分成多个组（为了不混淆，避免使用“数据库”这个词）。

　　这个话题将此和多租户（multitenancy）的话题联系一起，尽管数据库租用在目前还不是很被接受。

　　该如何做？

　　如果你想在一台服务器中运行多个物理数据库，那么有四个主要的方案可供选择：

　　方案1：在一个PostgreSQL实例的一个互数据库中的不同schema中创建表(参考“使用多个模式”）；

　　方案2：在一个PostgreSQL实例中创建多个数据库(参考“单独给用户分配数据库”）；

　　方案3：在同一台物理机或者虚拟机中创建多个PostgreSQL实例（参考“在一个系统运行多个服务”）；

　　方案4：在同一台物理机上创建多个虚拟机，然后这些虚拟机分别创建PostgreSQL实例。

　　那种方式更好？答案源于需求，如：

　　如果我们的目标是将物理资源分离，那么方案3和方案4是更好的。单独的数据服务可以很容易地分配不同的磁盘，内存也可以单独分配，当我们需要关闭或者启动服务时不会影响其他人。

　　如果我们的目标是安全性，那么方案2就足够了。

　　如果我们的目标仅是为了管理需要将表进行分组，那么方案1或者方案2就很好。

　　出于安全的原因，方案2允许完全隔离。这防止了某个用户在有权限访问多组表时尝试关联他们的情况。因此如果以后有可能有关联分析的情况，则可以考虑选用方案1，尽管这种计算分析应该考虑放在独立的数据仓库中而不是生产数据库中。

　　方案3对于很多PostgreSQL的发行版都有一个难点。数据库的默认安装通常使用一个固定位置用于存放数据库，这使得配置以实现这个方案有点麻烦。Ubuntu/Debian在这方面处理得比较好，因此该方案在这些系统下比较有吸引力。

　　使用多个模式（schema）

　　我们可以把一组表划分到它们自己的“命名空间”，也就是PostgreSQL的“模式（schema）”中。

　　该如何做？

　　schema的创建非常简单，命令如下：

　　CREATE SCHEMA finance;

　　CREATE SCHEMA sales;

　　然后，我们可以直接使用带schema的“完整名称”创建对象，如下：

　　REATE TABLE finance.month_end_snapshot (...)

　　数据库对象创建的默认schema被称为当前schema。我们可以通过以下查询到哪一个是当前schema；

　　postgres=# select current_schema;

　　返回的输出如下：

　　current_schema

　　--------------------

　　public

　　(1 row)

　　当我们访问数据库对象时，我们使用用户可设置的参数search_path来标记我们要搜索的schema。前schema是更先搜索的，没有单独的参数来设置它。

　　因此，如果我们想让某个用户访问某组表，我们可以修改它的search_path参数，可以为每个用户设置这个参数，因为这个参数可以在用户连接上时进行设置。对应的SQL为：

　　ALTER ROLE fiona SET search_path='finance';

　　ALTER ROLE sally SET search_path='sales';

　　注意，public schema没有包含在search_path中，因此不会被搜索。fiona用户创建的所有表默认都在finance schema中，而sally创建的所有表默认都在sales schema中。

　　可以访问finance 和sales 的用户也可以看到并通过search_path使用数据库中的其他schema，但我们可以授予或者取消相关权限，使他们既不能在其他schema中创建对象，也不能读取其他schema中的数据：

　　REVOKE ALL ON SCHEMA finance FROM public;

　　GRANT ALL ON SCHEMA finance TO fiona;

　　REVOKE ALL ON SCHEMA sales FROM public;

　　GRANT ALL ON SCHEMA sales TO sally;

　　还有一种做法是仅允许一个用户在指定模式中创建对象，但是拥有其他模式的usage权限。我们可以做如下设置：

　　REVOKE ALL ON SCHEMA finance FROM public;

　　GRANT USAGE ON SCHEMA finance TO fiona;

　　GRANT CREATE ON SCHEMA finance TO fiona;

　　REVOKE ALL ON SCHEMA sales FROM public;

　　GRANT USAGE ON SCHEMA sales TO sally;

　　GRANT CREATE ON SCHEMA sales TO sally;

　　注意，你需要指定这个schema的使用权限，同时需要为这个schema中的对象指定适当权限。因此，你需要为对象赋予指定权限，例如：

　　CRANT SELECT ON month_end_snapshot TO public;

　　也可以设置用户的默认权限，这样在对象被创建的时候他们即可自动获得该权限：

　　ALTER DEFAULT PRIVILEGES FOR USER fiona IN SCHEMA finance

　　GRANT SELECT ON TABLES TO PUBLIC;

　　如何实现的？

　　PostgreSQL的search_path概念类似于PATH环境变量。

　　PostgreSQL的当前schema的概念类似于当前工作目录的概念。只是没有类似的“cd” 命令用于切换目录。当前工作路径的改变有serach_path控制。

　　还有一些其他的差异，eg:PostgreSQL的schema 的结构不像文件目录一样是层级结构。

　　很多人都会创建于用户名同名的schema ，这使得器工作方式和其他关系型数据库（eg.Oracle）的工作方式一样。

　　注意，finance和 sales 模式位于同一个PostgreSQL 数据库中，并且运行在同一个数据库服务中。它们使用相同的缓冲池，同时还有许多其他全局参数对这两个紧密联系在一起的schema 同时生效。

　　###参考文献：PostgreSQL 9 Administration Cookbook（第2版）中文版###

　　38.快速删除工作表中的空行

　　如果用户想删除Excel工作表中的空行，一般的 *** 是需要将空行都找出来，然后逐行删除，但这样做操作量非常大，很不方便。下面提供一种快速删除工作表中的空行的 *** :首先打开要删除空行的工作表，在打开的工作表中单击“插入→列”命令，从而插入一新的列X，在X列中顺序填入整数，然后根据其他任何一列将表中的行排序，使所有空行都集中到表的底部。删去所有空行中X列的数据，以X列重新排序，然后删去X列。

　　39.绘制斜线表头

　　一般情况下在Excel中 *** 表头，都把表格的之一行作为表头，然后输入文字。不过，这样的表头比较简单，更谈不上斜线表头了。能不能在Excel中可以实现斜线表头，下面就是具体的 *** : 由于作为斜线表头的单元格都要比其他单元格大，所以首先将表格中之一个单元大小调整好。然后单击选中单元格，单击“格式→单元格”命令，弹出“单元格格式”窗口，选择“对齐”标签，将垂直对齐的方式选择为“靠上”，将“文本控制”下面的“自动换行”复选框选中()，再选择“边框”标签，按下“外边框”按钮，使表头外框有线，接着再按下面的“斜线”按钮，为此单元格添加一格对角线()，设置好后，单击“确定”按钮，这时Excel的之一个单元格中将多出一个对角线。现在双击之一单元格，进入编辑状态，并输入文字，如“项目”、“月份”，接着将光标放在“项”字前面，连续按空格键，使这4个字向后移动(因为我们在单元格属性中已经将文本控制设置为“自动换行”，所以当“月份”两字超过单元格时，将自动换到下一行)。现在单击表格中任何一处，退出之一单元格看看，一个漂亮的斜线表头就完成了。

　　40.绘制斜线单元格

　　利用Excel“边框”选项卡的两个斜线按钮，可以在单元格中画左、右斜线。如果想在单元格中画多条斜线，就必须利用“绘图”工具， *** 是:打开Excel的“绘图”工具，单击“直线”按钮，待光标变成小十字后拖动光标，即可画出需要的多条斜线。只要画法正确，斜线可随单元格自动伸长或缩短。至于斜线单元格的其他表格线，仍然按上面介绍的 *** 添加。当然，斜线单元格的数据输入要麻烦一些，通常的做法是让数据在单元格内换行(按“Alt+回车键”)，再添加空格即可将数据放到合适位置。

　　配备新一代人工智能芯片麒麟710，带来更低功耗的澎湃动力。AI在芯里，麒麟710懂你并为你做的更多。AI智慧四摄，畅快 *** 。前置镜头搭载不容小觑的AI技术，能够智能识别8类场景，自动优化人像背景，让你的每一次 *** 都是大片。告别手动优化，全新AI智能识别常见摄影22类500余种场景，自动调校成像参数，让你轻而易举获得精致的照片。

　　6.3英寸超大屏幕，撷光彩于玻璃机身流动，幻化出无穷魅力。2400万像素主镜头，清晰抓取美一瞬间，200万副摄像头配合调整景深，强强联手，带来富有层次的画面，让每一次拍摄都堪称专业。AI智慧美颜，让美更精细。强大的AI运算能力和增强的独立ISP和DSP，在拍照、通信、游戏等场景下带来更好体验。华为音乐，为生活的每一刻伴奏，Histen音效让真实自然的声音还原于耳畔。

　　由于华为nova 3新机的上市，导致华为nova 2S价格持续走低，甚至出现价崩。据新浪科技报道，华为nova 2S在知名电商平台易得网（yeedee.com.cn）最新一期竞拍成交价仅为99元，感兴趣的朋友可以使用浏览器访问易得网yeedee.com.cn了解详情。

　　易得网（yeedee.com.cn）是一种全新 *** 模式，以 *** 的竞拍为核心，将娱乐互动予以 *** 中，让参与者通过对商品进行竞拍，从而获得廉价购买商品的权利。易得网以“0风险购物”为宗旨，打造寄娱乐与购物一体化的新型购物网站。

　　近日，2018年高交会在深圳会展中心圆满落幕，向观众呈现了一场科技与应用结合的视觉飨宴。在展会期间，力维展出的物联网新产品AIoT智能单元凭借领先的技术，从数千家参选企业产品中脱颖而出，荣获第二十届高交会优秀产品奖。

　　ZNV AIoT智能单元包含边缘智能单元、汇聚智能单元、业务智能单元等系列产品，创新性应用软件定义硬件技术，灵活应对电信及物联网终端多样化场景，匹配多变的业务应用。产品通过AI技术赋能终端，多传感器集成，多数据融合，区域联动，实现了区域智治；引入边缘计算理念，实时响应，充分满足低时延业务需求；接入设备即插即用，快速开通，便捷维护，大大降低施工和维护成本；传输加密，为信息安全提供多级保障。产品智能、灵活、易用，可广泛应用于基站动环融合管理、数据中心融合管理、智慧园区、智慧社区、基础设施监控等场景。

　　作为电信行业动环监控与智能融合管理领域的领导者，力维在电信行业深耕23年，主要为客户提供软硬件一体的端到端智能化产品解决方案。基于对行业的深刻理解，公司打造的物联网与动环监控智能管理解决方案综合了智能硬件、边缘计算、人工智能、大数据计算等技术，实现了电信行业及IDC中心基础设施综合管理的智能化、物联化升级，提供智能融合管理、智能告警、智能能耗管理等智能运维服务。

　　知行合一，力勤维新。力维将持续聚焦客户的核心需求，不断升级公司在电信领域的产品和解决方案，帮助客户持续降低运维成本，提高运营效益，履行“让世界更安全，让生活更美好”的企业使命。

　　目录：

　　前言

　　RNN知识结构

　　简单循环神经 ***

　　RNN的基本结构

　　RNN的运算过程和参数更新

　　RNN的前向运算

　　RNN的参数更新

　　一． 前言

　　前馈神经 *** 不考虑数据之间的关联性， *** 的输出只和当前时刻 *** 的输入相关。然而在解决很多实际问题的时候我们发现，现实问题中存在着很多序列型的数据，例如文本、语音以及视频等。这些序列型的数据往往都是具有时序上的关联性的，既某一时刻 *** 的输出除了与当前时刻的输入相关之外，还与之前某一时刻或某几个时刻的输出相关。而前馈神经 *** 并不能处理好这种关联性，因为它没有记忆能力，所以前面时刻的输出不能传递到后面的时刻。

　　此外，我们在做语音识别或机器翻译的时候，输入和输出的数据都是不定长的，而前馈神经 *** 的输入和输出的数据格式都是固定的，无法改变。因此，需要有一种能力更强的模型来解决这些问题。

　　在过去的几年里，循环神经 *** 的实力已经得到了很好的证明，在许多序列问题中，例如文本处理、语音识别以及机器翻译等，循环神经 *** 都取得了显著的成绩。循环神经 *** 也正被越来越多的应用到其它领域。

　　二．RNN知识结构

　　在本章中，我们将会从最简单的循环神经 *** 开始介绍，通过实例掌握循环神经 *** 是如何解决序列化数据的，以及循环神经 *** 前向计算和参数优化的过程及 *** 。在此基础上我们会介绍几种循环神经 *** 的常用结构，既双向循环神经 *** 、深度循环神经 *** 以及递归神经 *** 。我们会使用TensorFlow实现循环神经 *** ，掌握使用TensorFlow搭建简单循环神经 *** 的 *** 。

　　此外，我们还会学习一类结构更为复杂的循环神经 *** ——门控循环神经 *** ，包括长短期记忆 *** （LSTM）和门控制循环单元（GRU），这也是目前最常使用的两种循环神经 *** 结构。最后我们还会介绍一种注意力模型：Attention-basedmodel，这是近两年来的研究热点。在下一章的项目实战中，我们会使用到Attention-basedmodel以及前面提到的LSTM等模型解决一些实际的问题。

　　本章内容结构如下：

　　图1 本章内容结构

　　三． 简单循环神经 ***

　　简单循环 *** （simple recurrent networks，简称SRN）又称为Elman network，是由Jeff Elman在1990年提出来的。Elman在Jordan network（1986）的基础上进行了创新，并且简化了它的结构，最终提出了Elman network。Jordan network和Elman network的 *** 结构如下图所示。

　　图2 Jordan network（左）和Elman network（右）

　　从图2中可以很直观的看出，两种 *** 结构最主要的区别在于记忆单元中保存的内容不同。Jordan network的记忆单元中保存的是整个 *** 最终的输出，而Elmannetwork的记忆单元只保存中间的循环层，所以如果是基于Elman network的深层循环神经 *** ，那么每一个循环的中间层都会有一个相应的记忆单元。有兴趣深究的读者可以查阅Elman和Jordan的论文：

　　Jordan network和Elman network都可以扩展应用到深度学习中来，但由于Elman network的结构更易于扩展（Elman network的每一个循环层都是相互独立的，因此 *** 结构的设计可以更加灵活。另外，当Jordan network的输出层与循环层的维度不一致时还需要额外的调整，而Elmannetwork则不存在该问题。），因此当前主流的循环神经 *** 都是基于Elman network的，例如我们后面会介绍的LSTM等。所以，通常我们所说的循环神经 *** （RNN），默认指的就是Elman network结构的循环神经 *** 。本书中所提到的循环神经 *** ，如果没有特别注明，均指Elman network结构的循环神经 *** 。

　　四． RNN的基本结构

　　循环神经 *** 的基本结构如下图所示（注意：为了清晰，图中没有画出所有的连接线。）：

　　图3 循环神经 *** 的基本结构

　　关于循环神经 *** 的结构有很多种不同的图形化描述，但是其所表达的含义都与图1一致。将循环神经 *** 的结构与一般的全连接神经 *** 比较，我们会发现循环神经 *** 只是多了一个记忆单元，而这个记忆单元就是循环神经 *** 的关键所在。

　　从图3我们可以看到，循环神经 *** 的记忆单元会保存时刻时循环层（既图3中的隐藏层）的状态，并在t+1时刻，将记忆单元的内容和t+1时刻的输入一起给到循环层。为了更直观的表示清楚，我们将循环神经 *** 按时间展开，如图4所示。

　　图4 循环神经 *** 及其按时间展开后的效果图

　　图片来源于Nature

　　图4所示，左边部分是一个简化的循环神经 *** 示意图，右边部分是将整个 *** 按时间展开后的效果。在左边部分中，x是神经 *** 的输入，U是输入层到隐藏层之间的权重矩阵，W是记忆单元到隐藏层之间的权重矩阵，V是隐藏层到输出层之间的权重矩阵，s是隐藏层的输出，同时也是要保存到记忆单元中，并与下一时刻的x一起作为输入，o是神经 *** 的输出。

　　从右边的展开部分可以更清楚的看到，RNN每个时刻隐藏层的输出都会传递给下一时刻，因此每个时刻的 *** 都会保留一定的来自之前时刻的历史信息，并结合当前时刻的 *** 状态一并再传给下一时刻。

　　理论上来说，RNN是可以记忆任意长度序列的信息的，即RNN的记忆单元中可以保存此前很长时刻 *** 的状态，但是在实际的使用中我们发现，RNN的记忆能力总是很有限，它通常只能记住最近几个时刻的 *** 状态，在本章的第4节里，我们会具体讨论这个问题。

　　五． RNN的运算过程和参数更新

　　1. RNN的前向运算

　　在一个全连接的循环神经 *** 中，假设隐藏层只有一层。在时刻神经 *** 接收到一个输入，则隐藏层的输出为：

　　上式中，函数f(·)是隐藏层的激活函数，在TensorFlow中默认是tanh函数。参数U和W在前面介绍过，分别是输入层到隐藏层之间的权重矩阵和记忆单元到隐藏层之间的权重矩阵，参数b1是偏置项。在神经 *** 刚开始训练的时候，记忆单元中没有上一个时刻的 *** 状态，这时候就是一个初始值。

　　在得到隐藏层的输出后，神经 *** 的输出为：

　　上式中，函数g(·)是输出层的激活函数，当我们在做分类问题的时候，函数g(·)通常选为Softmax函数。参数V是隐藏层到输出层的参数矩阵，参数b2是偏置项。

　　我们先看看TensorFlow源码中关于RNN隐藏层部分的计算。这部分代码在TensorFlow源码中的位置是：

　　在rnn_cell_impl.py文件中定义了一个抽象类RNNCell，其它实现RNN的类都会继承这个类，例如BasicRNNCell、BasicLSTMCell以及GRUCell等。我们以BasicRNNCell类为例，所有继承了RNNCell的类都需要实现一个call *** ，BasicRNNCell类中的call *** 的实现如下：

　　从上面的TensorFlow源码里可以看到，TensorFlow隐藏层的计算结果即是该层的输出，同时也作为当前时刻的状态，作为下一时刻的输入。第2、3行的注释说明了“call” *** 的功能：，其实就是实现了我们前面给出的公式6.1。第5行代码中的“self._kernel”是权重矩阵，第6行代码中的“self._bias”是偏置项。

　　这里有一个地方需要注意一下，这段代码在实现时，没有分别计算W*input和U*state，然后再相加，而是先用“concat” *** ，将前一时刻的状态“state”和当前的输入“inputs”进行拼接，然后用拼接后的矩阵和拼接后的权重矩阵相乘。可能有些读者刚开始看到的时候不太能理解，其实效果是一样的，我们看下面这个例子：

　　我们有四个矩阵：a、b、c和d：

　　假设我们想要计算,则有：

　　如果我们把矩阵a和b、c和d先分别拼接到一起，得到e和f两个矩阵：

　　再来计算，会得到同样的结果：

　　下面我们用一段代码实现循环神经 *** 中完整的前向计算过程。

　　上面代码里所使用的RNN结构如下：

　　图5 代码中使用的RNN *** 结构

　　在上面的示例代码中，我们用了一个如图5所示的简单循环神经 *** 。该 *** 结构输入层有两个单元，隐藏层有两个神经元，输出层一个神经元，所有的激活函数均为tanh函数。在第四行代码中我们定义了输入数据，总共三个time-step，每个time-step处理一个输入。我们将程序运行过程中各个参数以及输入和输出的值以表格的形式展示如下（读者可以使用下表的数据验算一遍RNN的前向运算，以加深印象）：

　　2. RNN的参数更新

　　循环神经 *** 中参数的更新主要有两种 *** ：随时间反向传播（backpropagation through time，BPTT）和实时循环学习（real-time recurrent learning，RTRL）。这两种算法都是基于梯度下降，不同的是BPTT算法是通过反向传播的方式来更新梯度，而RTRL算法则是使用前向传播的方式来更新梯度。目前，在RNN的训练中，BPTT是最常用的参数更新的算法。

　　BPTT算法和我们在前馈神经 *** 上使用的BP算法本质上没有任何区别，只是RNN中的参数存在时间上的共享，因此RNN中的参数在求梯度的时候，存在沿着时间的反向传播。所以RNN中参数的梯度，是按时间展开后各级参数梯度的总和。

　　本此介绍了简单RNN *** 的构造原理，下一篇我们将会以实战的形式介绍如何用TensorFlow实现RNN。

　　独家中文版 CMU 秋季深度学习课程免费开学！

　　CMU 2018 秋季《深度学习导论》为官方开源最新版本，由卡耐基梅隆大学教授 Bhiksha Raj 授权 AI 研习社翻译。学员将在本课程中学习深度神经 *** 的基础知识，以及它们在众多 AI 任务中的应用。课程结束后，期望学生能对深度学习有足够的了解，并且能够在众多的实际任务中应用深度学习。

　　扫码即可免费学习

　　让市场闻风丧胆的“资本寒冬”据传将再现江湖，您做好携资本“过冬”的准备了吗？数年前朝阳一片的创业热潮，当前发展也不复从前，行业整体似乎陷入迷茫。此时不妨将眼光放长远，不单关注下一款“爆款商品”，更应该关注的是整个行业的发展思路和机会。物联网的技术研发及实际应用日益火热，是值得您关注的下一个“谜题”解答。

　　微软正在加大对物联网的投资，并且宣布将在未来4年投资项 50 亿美元和更多的资源用于物联网研究和创新，凭借跨越云、操作系统和设备的物联网平台，最终达成微软的“智能优势”。通过与微软合作，可帮助您找到更多的发展商机，创造更多客户价值并提高盈利能力，实现期望的业务成果。

　　如果您有意深入了解物联网业务转型、物联网安全创新、智能边缘、物联网认知服务、混合云，以及利用物联网解决方案加速器构建可扩展的可重复解决方案等最新主题；并希望通过深入学习获得可付诸行动的先进见解，深化合作伙伴关系，并挖掘智能边缘与智能云解决方案的变革潜力。那么，“IoT in Action”活动，将给您带来惊喜。

　　沈向洋博士微软全球执行副总裁，微软人工智能及微软研究事业部负责人

　　将与您分享微软是如何赋能合作伙伴跨越物联网价值链实现与人工智能、智能云和智能边缘技术的合作

　　Shirley Strachan微软物联网亚太区销售总经理

　　突出介绍微软在物联网方面高达50亿美元的投资对您的物联网商业计划带来的重大意义与新的物联网发展机会。

　　11月22日-24日，作为2018年“世界城市日”主题活动之一的第四届上海国际城市与建筑博览会在沪举行。前两天还在四平路地道里“休息”的机器人，被人们连夜拆下来，送上国家会展中心的展台。作伴的，是一台在海里“游过”的机器人。两台机器加起来，研发费用高达七位数。

　　走进这近8万平方米的空间，仿佛打开了一座“未来城市”的大门：首批“无人驾驶清扫车”试点开跑，静脉识别购物进入便利店……每一项看似“高大上”的技术，都与日常生活息息相关。

　　手掌识别、无人驾驶成台前焦点

　　漫步场馆，更大的感受就是技术迭代如此迅猛。比如智能识别系统除了“刷脸”“刷指纹”，又出现了“刷手”。

　　上海掌腾信息科技有限公司销售总监林畅达将手掌放置在门闸的识别区，门闸就能自动打开。整个流程花费时间不过两秒，这两秒的“含金量”超乎想象。这套核心技术叫做“掌静脉识别技术”，利用近红外线照射手掌，辨认静脉位置并读取数据进行识别对比。相比人脸识别、指纹识别，“刷手”采用活体认证，从而避免伪造。人的静脉血管终身不变，有唯一性，更安全。目前，静安区一些便利店已经试点使用“掌静脉识别”购物，还可用于写字楼、智慧城市和轨道交通当中。

　　无人驾驶始终是人们关注的焦点，应用场景正不断拓宽。记者在现场看到了上海首批“无人驾驶清扫车”，车身又圆又胖，“头顶”安装的5个激光雷达、4个摄像头和12个超声波雷达格外吸睛。“无人驾驶清扫车可以24小时全天候、精准工作。”展位上的隧道股份城市运营技术负责人王晓宇介绍，安装了先进的视觉识别感知系统后，清扫车对四周障碍可以360度无死角感应，探测距离达150米。规避行人、行车，“精准定位”街面垃圾、精确扫除，样样在行。清扫效果、效率较传统人工操作清扫车提升2-3倍以上。

　　目前，无人清扫车已经完成在市区封闭式道路“开跑”，将在不久后出现在人们的视野中。

　　上海首批无人驾驶清扫车

　　上天入水机器人精细化保障交通

　　始终占据展会“C位”的高精尖产品，吸引着观众眼球。对置身城建行业的专家而言，一些甘当幕后功臣的技术，可以发挥更大作用。

　　上海城市建设在全国起步较早，包括隧道、桥梁在内，不少市政设施开始进入维护期。如果采用人工手段进行保养、检修，难以体现效率。因此，市政运营行业开始试水智能化技术。

　　从四平路地道“借调”的机器人，外观酷似一台红色玩具车，长度不到1米。它是轨道式隧道巡检机器人，此前被安装在四平路地道的顶部，通过轨道来回滑动，滑行速度从0-20公里/小时。虽然在人们眼中的存在感不强，一旦隧道内出现裂纹、交通事故，机器人内部安装多种传感器开始发挥作用。通过全天候实时巡检发现隧道内部问题，拍下高清图片，及时上传到运维后台，并通过声光语音进行提示。目前，在杭州文一路隧道已经采用。

　　轨道式隧道巡检机器人

　　如果你在上海感受到高峰时期发生各类应急事故，“处置反应”的速度更快了，这可能是一颗“智慧大脑”的功劳。记者在看到了这样一个“城市交通基础设施智慧运营养护管理平台”。它通过北斗导航系统集成了1404辆工程车辆、163个应急基地地理位置和工程设备信息。小到高速上的汽车抛锚事故，大到“申字形”高架主干道路的运维计划，都在这一平台上统一汇总、分析和处理。

　　在高架上发生的交通事故，以往常常是管控中心在接报后，“就近”联络养护作业车辆，指派其前往现场处理。如果交给“智慧大脑”，就能精确定位所有应急保障车辆、资源、人员位置，实时监控车辆地理信息和作业信息，以及车辆周边路网交通流量情况，用人工智能分析更好地调配资源。

　　目前，“智慧大脑”每天分析、处理5000公里养护车辆养护、运营数据，每天提供超过200项的应急保障服务。

　　水下的机器“蛙人”

　　地面设施有保障，水下设施也不甘落后。传统的水下设施保养，离不开“蛙人”，也就是承担水下设施建设维修的潜水员。但潜到水下几十米，巨大的水压不仅对人体造成伤害，也使检修质量和效率降低。目前，东海大桥正在试点桥梁水下结构检查检测机器人。这台机器人只有70斤重，身形不大，功效不小。它的身上装有声呐设备、水下摄像机，可以潜入水下检测钢结构锈蚀、冲刷情况。在东海大桥可下潜几十米，更大工作深度可达300米。此外，它也能承担起水下搜救和打捞功能。

　　作者：戚颖璞

　　有消息称，保时捷公司计划在未来八年，通过精简运营将营业利润提高60亿欧元。目前，该公司正加大投入研发制造电动汽车。

　　大众集团计划将保时捷打造成一家更加灵活的公司，在面临汽车行业前所未有的自动驾驶和电动化趋势时能迎头而上。保时捷旨在通过提高运营效率、削减成本和扩大数字产品等新业务的贡献比例，每年增加7.5亿欧元的息税前利润。

　　保时捷预计，运营效率的提升将使公司利润在2025年以后每年提高约20亿欧元。作为大众集团旗下更赚钱的品牌，保时捷去年营收235亿欧元，营业利润41亿欧元，营业利润率超17%。相比之下，大部分销量可观的汽车制造商的销售回报率仅为个位数。

　　保时捷正与其姊妹品牌奥迪合作开发电动汽车技术，并考虑利用双方共同开发的基础设施，提供Macan紧凑型SUV等车型的电动版本。保时捷表示，新平台的首批汽车计划于2021年年底推出。该公司还预计，到2025年，纯电动或混合动力汽车将占其全部交付量的一半。

　　关注卡家晚报，一天重要资讯全知道！

　　国内看点

　　无纸化进程加快 纸质交接单将无法办理

　　接上港生产事业部及陆服公司通知，上港集团计划12月起将陆续对上海港部分码头实施设备交接单无纸化，届时纸质设备交接单将无法在相关码头及堆场办理业务。

　　无纸化的推行使得运输公司进行车辆调配更加简单方便，从申请放箱到堆场提箱，全程在一个小时之内完成，以前使用纸质设备交接单，至少需要半天时间。

　　以进口为例，目前“货物抵港到企业申请提箱”时间为4.5天，可以压缩半天到1天，另外放箱公司或车队与集卡司机之间可以7×24小时传递电子单证，同时对船公司及放箱 *** 企业而言，每年直接降低单证印制成本和寄送费用4亿元人民币以上。

　　福田瑞沃ES第1万台交车暨国六产品上市

　　2018年11月25日，“福田瑞沃ES推介会暨国六产品上市发布”在广州举办，福田汽车时代事业部的多位领导、广州多个行业协会的会长、众多物流商户参加了这次活动。

　　活动现场，福田时代先后与广州畅易顺供应链有限公司签约108台，广东信源物流设备有限公司签约50台，中集车辆（山东）有限公司等5家公司各签约30台，现场共订购车辆319台。至此，瑞沃ES5中卡自上市以来销量达到1万台！

　　2018年9月30日，福田祥菱M系列等产品公告首次发布，福田时代成为国内首家获得国六公告的商用车企业。11月10日在湖北随州行业内率先发布了国六专用车系列产品，11月15日在深圳再次率先发布了首批国6b高端微卡福田祥菱。

　　德邦上线首款无人驾驶叉车 仓内成本可降30%

　　11月23日下午，智久机器人科技有限公司宣布旗下产品无人叉车将首次商用落地德邦快递浦东分拨中心。

　　据介绍，即将上线的无人驾驶叉车综合效率比传统无人叉车提升了1倍。库位管理系统可以记录仓库所有货架库位状态、货物出入库时间、单号、托盘号等，无需找货，提高分拨效率，无人叉车的应用可以使仓内成本下降30%，毛利润增加7%。

　　德邦快递集团副总裁姚晓舟在发布会上表示，“德邦快递精准定位大件快递（3-60公斤），重视对科技的投入，借助人工智能，提升物流效率，扩大核心竞争力。德邦快递将与智久共同开拓无人电叉的市场，解决快递物流行业痛点。”

　　国外视野

　　比亚迪搁置在加拿大开设电动卡车生产厂计划

　　据国外媒体报道，比亚迪的一位高管表示，比亚迪已搁置开设其首家加拿大电动卡车生产厂的计划，但他也表示，可能在商业理由充足时重启该项目。

　　比亚迪原计划今年开设这家位于安大略省、员工人数约为40人的工厂。

　　比亚迪加拿大副总裁Ted Dowling日前表示，只是现在不会启动而已，我们也不是一定在等什么才会启动，当商业理由充足时，我们就会去做。

　　Dowling并未给出搁置该计划的具体原因，但他表示，该公司在赢得加拿大巴士订单方面的进展大于卡车订单。

　　作者：伯乐在线专栏作者 - 良少

　　链接：

　　导论

　　曾经被问过好多次怎样实现秒杀系统的问题。昨天又在CSDN架构师微信群被问到了。因此这里把我设想的实现秒杀系统的价格设计分享出来。供大家参考。

　　秒杀系统的架构设计

　　秒杀系统，是典型的短时大量突发访问类问题。对这类问题，有三种优化性能的思路：

　　写入内存而不是写入硬盘、异步处理而不是同步处理、分布式处理

　　用上这三招，不论秒杀时负载多大，都能轻松应对。更好的是，Redis能够满足上述三点。因此，用Redis就能轻松实现秒杀系统。 用我这个方案，无论是电商平台特价秒杀，12306火车票秒杀，都不是事:)

　　下面介绍一下为什么上述三种性能优化思路能够解决秒杀系统的性能问题：

　　写入内存而不是写入硬盘 传统硬盘的读写性能是相当差的。SSD硬盘比传统硬盘快100倍。而内存又比SSD硬盘快10倍以上。因此，写入内存而不是写入硬盘，就能使系统的能力提升上千倍。也就是说，原来你的秒杀系统可能需要1000台服务器支撑，现在1台服务器就可以扛住了。 你可能会有这样的疑问：写入内存而不是持久化，那么如果此时计算机宕机了，那么写入的数据不就全部丢失了吗？如果你就这么倒霉碰到服务器宕机，那你就没秒到了，有什么大不了？ 最后，后面真正处理秒杀订单时，我们会把信息持久化到硬盘中。因此不会丢失关键数据。 Redis是一个缓存系统，数据写入内存后就返回给客户端了，能够支持这个特性。

　　异步处理而不是同步处理 像秒杀这样短时大并发的系统，在性能负载上有一个明显的波峰和长期的波谷。为了应对相当短时间的大并发而准备大量服务器来应对，在经济上是相当不合算的。 因此，对付秒杀类需求，就应该化同步为异步。用户请求写入内存后立刻返回。后台启动多个线程从内存池中异步读取数据，进行处理。如用户请求可能是1秒钟内进入的，系统实际处理完成可能花30分钟。那么一台服务器在异步情况下其处理能力大于同步情况下1800多倍！ 异步处理，通常用MQ(消息队列)来实现。Redis可以看作是一个高性能的MQ。因为它的数据读写都发生在内存中。

　　分布式处理 好吧。也许你的客户很多，秒杀系统即使用了上面两招，还是捉襟见肘。没关系，我们还有大招：分布式处理。如果一台服务器撑不住秒杀系统，那么就多用几台服务器。10台不行，就上100台。分布式处理，就是把海量用户的请求分散到多个服务器上。一般使用hash实现均匀分布。 这类系统在大数据云计算时代的今天已经有很多了。无非是用Paxos算法和Hash Ring实现的。 Redis Cluster正是这样一个分布式的产品。

　　使用Redis实现描述系统

　　

　　Redis和Redis Cluster（分布式版本），是一个分布式缓存系统。其支持多种数据结构，也支持MQ。Redis在性能上做了大量优化。因此使用Redis或者Redis Cluster就可以轻松实现一个强大的秒杀系统。 基本上，你用Redis的这些命令就可以了。 RPUSH key value 插入秒杀请求

　　当插入的秒杀请求数达到上限时，停止所有后续插入。 后台启动多个工作线程，使用 LPOP key 读取秒杀成功者的用户id，进行后续处理。 或者使用LRANGE key start end命令读取秒杀成功者的用户id，进行后续处理。 每完成一条秒杀记录的处理，就执行INCR key_num。一旦所有库存处理完毕，就结束该商品的本次秒杀，关闭工作线程，也不再接收秒杀请求。

　　要是还撑不住，该怎么办

　　也许你会说，我们的客户很多。即使部署了Redis Cluster，仍然撑不住。那该怎么办呢？ 记得某个伟人曾经说过：办法总比困难多！

　　下面，我们具体分析下，还有哪些情况会压垮我们架构在Redis（Cluster）上的秒杀系统。

　　脚本攻击

　　如现在有很多抢火车票的软件。它们会自动发起http请求。一个客户端一秒会发起很多次请求。如果有很多用户使用了这样的软件，就可能会直接把我们的交换机给压垮了。

　　这个问题其实属于 *** 问题的范畴，和我们的秒杀系统不在一个层面上。因此不应该由我们来解决。很多交换机都有防止一个源IP发起过多请求的功能。开源软件也有不少能实现这点。如linux上的TC可以控制。流行的Web服务器Nginx（它也可以看做是一个七层软交换机）也可以通过配置做到这一点。一个IP，一秒钟我就允许你访问我2次，其他软件包直接给你丢了，你还能压垮我吗？

　　交换机撑不住了

　　可能你们的客户并发访问量实在太大了，交换机都撑不住了。 这也有办法。我们可以用多个交换机为我们的秒杀系统服务。 原理就是DNS可以对一个域名返回多个IP，并且对不同的源IP，同一个域名返回不同的IP。如网通用户访问，就返回一个网通机房的IP；电信用户访问，就返回一个电信机房的IP。也就是用CDN了！ 我们可以部署多台交换机为不同的用户服务。 用户通过这些交换机访问后面数据中心的Redis Cluster进行秒杀作业。

　　总结

　　有了Redis Cluster的帮助，做个支持海量用户的秒杀系统其实So Easy！ 这里介绍的方案虽然是针对秒杀系统的，但其背后的原理对其他高并发系统一样有效。 最后，我们再重温一下高性能系统的优化原则： 写入内存而不是写入硬盘、异步处理而不是同步处理、分布式处理。

　　专栏作者简介

　　良少：资深挨踢人士，目前专注于虚拟化和云计算。对各类敏捷软件开发技术也颇有心得。

　　【今日微信账号推荐】

　　更多推荐请看

　　《

　　值得关注的技术和设计公众号

　　》

　　SEC设置ICO筹资上限 谷歌 *** C搜索量达新高

　　1.SEC专员认为未来比特币ETF绝对会推出 2.BitPay首席执行官：Fidelity和Bakkt将成为推动比特币上涨的重要因素 3. *** C上涨至4000USDT 4.SEC规定允许通过ICO筹集最多5000万美元 5.巴拉圭支持建立世界上更大的比特币采矿农场 6.ETH跌破110USDT 7.俄亥俄州将成为美国之一个接受比特币纳税的州 8.谷歌的 *** C搜索量目前处于八个月高位

　　巴拉圭支持建立世界上更大的比特币采矿农场

　　据ccn消息，区块链技术基金会最近与巴拉圭 *** 就建立一个规模相当大的机构——全球更大的比特币开采场和加密交易所完成了谈判。巴拉圭 *** 将积极支持下议院基金会(Commons Foundation)的‘金鹅计划’，并通过修宪提供税收优惠，巴拉圭副总统Hugo Velazquez Moreno在发给CCN的新闻稿中表示。如果这是真的，而且巴拉圭议会实际上通过了对该国宪法的修订，提供税收减免，甚至承认加密货币的存在和法律地位，这将是加密货币在全球层面上的一个重大突破。

　　高盛前合伙人：加密货币将在“明年反转”

　　据cointelegraph消息，在近日英国《金融时报》发表的一篇采访中，高盛前合伙人、银河数码创始人Mike Novogratz表示，银河数码“今年充满了挑战”，他希望该公司能成为加密领域的高盛。他补充称，在熊市建立业务很糟糕。诺佛格拉茨预计，金融机构将在明年之一季度从投资加密货币基金过渡到投资加密货币本身。加密货币将“明年反转”，因为届时价格将再次开始波动。

　　美国SEC委员：比特币和其他加密货币与黄金有相似之处

　　据ambcrypto消息，美国SEC委员Hester Peirce认为，比特币ETF是否能推出，关键是要满足其对标的交易所对于交易产品的所有要求。她还认为，尽管加密货币确实在某些程度上与其他资产非常不同，但与黄金等资产还是有一些相似之处。

　　刘小东：比特币大跌原因与矿机生产厂商有关

　　针对近日比特币价格的大幅下跌，知名财经博主区块链比特币刘小东发微博称，“这个跌法，绝不是所谓高抛低吸能解释，也不能用砸现货赚期货的差价解释。”他表示，价格大跌导致矿场倒闭，这样矿机生产厂商就可以“让算力减少，难度下降，以后自己挖起来利润高”。

　　John McAfee：市场即将反转 人们的恐惧很快就会结束

　　杀毒软件McAfee创始人John McAfee发推文称：“我要滚回去工作了，虽然休假很愉快，恐怕市场已经消除了所有不会反攻的人，这通常表明市场即将反转。我得回去工作了，你们也都会这样，你的恐惧和厌恶很快就会结束。”

　　中国区块链技术与应用工作委员会在京成立

　　据共享财经报道，中国国际经济技术合作促进会区块链技术与应用工作委员会日前在京成立。作为中国领先的新能源产业区块链技术应用平台，新能区块链有限公司(下称“新能区块链”)正式成为工作委员会理事单位。新能区块链首席信息官律洋表示，顺应时代发展趋势，新能区块链的发展目标是以产业、科技、金融为驱动力，在实现安全高效的多节数据交换与业务协同基础上，将区块链技术与实体经济结合，开拓“新能源+区块链”新的发展道路，以分布式光伏等新能源产业的上链应用为核心，打造“全球智慧能源数字服务平台”，促进全球新能源产业可持续发展。

　　根據第128/2015 號行政長官公告，國務院於2015 年12 月20 日頒佈第665 號國務院令，公佈新的《中華人民共和國澳門特別行政區行政區域圖》，澳門特區由當日起正式管理85 平方公里的海域。

　　為了有效維護海上治安，海關近年積極增強警務裝備，借助科技力量強化海上執法及搜救的能力，切實履行海關的職責，24 小時全天候守護澳門海域。

　　設立海上行動指揮中心

　　為履行海關的職責，做好海域的監管工作，澳門海關重新劃分海上執勤區域及調整執勤部署，設立海上行動指揮中心負責總協調，而海域範圍內則劃分6 個海上執勤區及設有3 個海上運作基地，組成“半小時行動反應圈”，按照各區域的執法需要，派駐不同類型的巡邏船艇進行巡邏和值勤工作，快速應對海域內發生的罪案及事故。

　　海關海上行動指揮中心

　　海上行動指揮中心24小時無間斷運作，接收各行動單位提供的沿岸及周邊海域訊息，直接指揮各巡邏船艇執行任務。行動指揮中心匯集了多項高新科技，透過多源接入、訊息共享、無間斷通訊、智能預警及佈控等技術手段，配合由巡邏船、巡邏車和無人機組成的海陸空立體巡邏隊伍，24 小時全天候守護澳門海域及沿岸的治安。

　　海關船艇隨時候命出動

　　為有效應對海上事故，海關海上行動指揮中心與海事及水務局船舶交通管理中心除共享雷達訊號及航道港口視頻訊號，兩中心亦可就海上事故即時進行視像會議，研究對策以便迅速採取聯合行動。在通訊方面，海關設有內部無線電通訊系統和海事頻道通訊系統外，同時亦接入了衛星通訊系統，為巡邏船艇與指揮中心的數據及話音通訊提供應急保障；透過備有GPS 衛星定位技術的流動巡邏監控系統，指揮中心可實時管控巡邏船、巡邏車和沿岸巡邏關員的部署，調度最近距離的巡邏力量應對突發事件。

　　科技輔助執法部署

　　為巡邏船、車配置先進電子裝備

　　為提升前線人員執法和搜救的能力，澳門海關在巡邏船和巡邏車上，配備了多項先進電子裝備，協助關員執行各項任務。

　　巡邏船艇方面，海關分階段為巡邏船艇加裝衛星系統，以及高性能的夜視系統，輔助船隻在漆黑、大霧或大雨的情況下安全航行。同時，船艇上已配置用於查探船隻狹窄或隱蔽空間內在情況的纖維導管內視鏡，以及讓前線人員可即時核實嫌疑人身份資料的移動智能終端等，提升執法效率。

　　海關船艇裝備更新換代

　　巡邏船裝上衛星系統

　　海關巡邏車設有移動應急視頻監控系統，該系統可以實時將現場情況傳輸到監控中心，方便部署行動，提升沿岸監察及執法工作的效能。同時，關員透過使用手提式紅外熱像儀，可在黑暗環境下探測影像，從而追蹤匿藏的非法入境者，縮短搜查時間，強化海關打擊偷渡活動的能力；設備亦有助確定在漆黑海面的目標位置，增強海上搜救能力。

　　關員使用手提式紅外熱像儀監察沿岸及海面情況

　　利用無人機進行立體監察

　　為提升在海上和沿岸一線打擊非法入境者的力度，澳門海關自2017 年初開始構建無人機小隊，對海上和沿岸區域進行立體監察，尤其在空曠的填海工地、離島偏遠及地勢險要的沿岸地方等，應用無人機發揮空中實時監察的優勢，方便關員快速搜查及追蹤目標。

　　無人機發揮空中監察優勢

　　無人機小隊在各區編排恆常的巡查路線，配合海關巡邏船和巡邏車監察偷渡活動，提高執法效率。海關正持續優化裝備，購置抗風能力更強、續航時間更長的警用無人機，完善無人機小隊配置。

　　海關利用無人機於險要地區執行巡邏任務

　　海關無人機小隊參與聯合演習

　　部署海域智能監控系統

　　海關正規劃設置海域智能監控系統，將在澳門半島及離島沿岸設立全天候監控點，部署高性能的全景紅外夜視攝像機、日夜高清攝像機、AIS 船舶自動識別系統等設備，透過光纖網絡專線將影像實時傳送到海上行動指揮中心，對海域進行全天候、全方位、全時段的立體管控。

　　海域智能監控系統對海域內目標進行可視化偵測、識別和追蹤，提供實時監控影像，尤其採用紅外夜視攝像機，可以在黑暗和複雜天氣條件下，不受霧霾和煙塵等障礙影響進行監控。當可疑目標進入警戒區域時，系統依據預警條件對目標進行實時預警及定位，自動觸發攝像機的雲台鎖定指向監控目標，獲取目標的實時影像，並會緊隨目標移動進行實時追蹤，實現海上目標的智能預警、智能識別、視頻採集取證及記錄回放，從而有效打擊各類海上犯罪行為。

　　时隔两年

　　他做到了

　　近日

　　吉利研发的无人驾驶汽车

　　亮相

　　甬派独家视频

　　车上装有精度雷达和摄像头

　　可自动变速转向

　　吉利研发的无人驾驶汽车，从外观上看，和普通汽车没有差别，只在汽车顶部安装了类似接收器一样的装置。不过，这辆看似普通的无人驾驶车内部到处都是“秘密武器”。

　　试乘人员上车后，车子启动，在吉利研发中心内部道路上以20码的速度行驶，遇到转弯或者障碍可自行调转方向。“只看见方向盘左右扭动，太神奇了，很期待。”不少试乘嘉宾发出这样的感慨。

　　那么

　　无人驾驶技术是如何实现的呢？

　　“国际通用的技术是给汽车装上感知、决策和执行的眼睛和大脑。”吉利研发中心一位工作人员介绍说。

　　“车子顶部装有64线激光雷达，两个差分GPS，车身前后有12个超声波雷达、4个毫米精度雷达，除了雷达，车上还装有5个摄影头，这些就相当于汽车的眼睛，通过感知器材收集探测车辆短距、中长距和地图定位信息。”讲解员告诉记者。

　　在短距离感知上

　　误差只有5厘米左右

　　精度越大安全性能越高

　　车子后备箱内装有GPS解算器和工控机，相当于车子“大脑”。“感知层获取的这些数据传送到‘大脑’，通过运算对汽车发出指令，是直行还是转弯。”

　　造价一两百万

　　率先在宁波杭州湾新区试点

　　“这辆无人驾驶车不便宜，造价一两百万。”该讲解员告诉记者，传统车商都在探索无人驾驶技术，但是降低成本和实现量产仍有很长的路要走。

　　据了解，目前国际上把无人驾驶技术分为五个等级，5级可以处理复杂路况，实现智能化无人驾驶。预计到2019年达到3级。

　　下步吉利将依托研发中心集成融合精密传感、高精地图、自动化导航等技术，率先在宁波杭州湾新区试点无人驾驶。

　　-THE END-

　　2018年11月19日对于乐普优加利以致整个中国心电界都是一个值得庆贺的日子，因为在这一天，美国FDA通过了来自中国乐普的心电图人工智能自动分析诊断系统“AI-ECG Platform”。这则消息瞬间在国内各大媒体得到报道，引起各界人士密切关注。大家很快记起不久前的11月2日，优加利发布的

　　《百万级长程数据库的诞生（一）：从心电检查到远程心电监测》

　　里提及，AI-ECG是百万长程数据积累不能缺少的。

　　FDA认证为何这么权威？

　　FDA是国际医疗审核权威机构，通过FDA认证的药品和医疗器具对人体是确保安全而有效的。在美国等近百个国家，只有通过了FDA认可的材料、器械和技术才能进行商业化临床应用，国内CFDA的认证也会参考部分FDA的结果。

　　由于FDA认证监管非常严格，在全球范围内具有公认的权威性，每年申请FDA认证的通过率并不高。市面上大部分声称自己有AI技术的公司并不敢申请FDA认证，因为目前他们只是拥有技术，但是准确度和敏感度仅停留在实验室阶段，无法适用于临床，禁不起市场考量。目前，国内除了乐普AI-ECG尚未有其他心电AI通过FDA认证，国际上也仅有不超过四家公司的心电AI通过。

　　已经通过FDA认证的乐普AI-ECG经过数年研究，技术在国际上得到认可，准确度经临床测试高达95%以上，充分满足临床实际心电辅助诊断系统的需求。

　　AI-ECG Platform介绍图

　　通过FDA认证的乐普AI-ECG

　　1.十年数据库，后台专业医生团队对数据精准标注。

　　AI助力，核心壁垒在于数据库。优加利公司成立于2003年，2008年创建了专业为医院用户提供电生理数据服务的数据云平台，首批接入山东、北京、上海等地大型医院。经过不断发展，现已进入全国2300余家医院，至今已采集4900万+份心电数据，超过百万份长程心电数据。这些精准标注数据是乐普AI-ECG的数据源。

　　2.医疗背景+人工智能混合型核心技术团队。

　　乐普优加利人工智能技术负责人刘畅负责过设计开发华盛顿特区的紧急医疗救护中心系统，为MedStar公司的直升飞机和救护车辆提供实时任务调度和急救管理服务。

　　刘畅作为不可多得的人工智能和医学的混合型人才，带领技术团队确立了动态心电图心博分类识别算法，还建立了7层的卷积神经 *** +两个全连接层构成的心博分类识别CNN模型结构。

　　3.自主训练的专利算法模型。

　　医疗AI的算法模型必须要自己训练，大量高质量标记数据是AI是否能够成功的重要因素。优加利使用的模型是根据公开的人工智能算法原理，使用3000万以上的数据训练出来的，再用100万独立的测试数据进行测试，准确率可以到达98.3%。训练框架是Google的TensorFlow开源AI工具，训练GPU则是使用了当时最顶级的Nvidia ，AI-ECG训练的计算机里有Nvidia P100 4块，使用过程中也需要不断在GPU上运算加速。

　　4.坚持深度学习是不断提高的基础

　　优加利的所有心电数据会上传到AI-ECG数据云平台，大量临床心电数据可以让AI-ECG继续不断深度学习，优化自身系统。

　　AI-ECG技术助力基层心电建设

　　我国是心血管疾病大国，根据《中国心血管病报告2017（概要）》，国内患心血管病人数约2.9亿，占居民各类疾病死亡构成比例超过40%以上，位居首位，且患病率及死亡率仍处于上升阶段。根据中国远程心电诊断学组提供的数据，我国每年约有2.5亿人次心电图检查，3500万人次做动态心电图检查。而我国现有医生约860万人，真正精通心电图的医生不到3%，只有约3.6万人，供需严重不平衡。

　　医疗资源分布不均，基层医院医师专业度不足等现状都让人工智能辅助诊断、远程医疗等概念应运而生。

　　优加利远程心电项目可实现电生理数据和医疗资源共享，形成上级医院—基层医院高危数据快速反应系统，从事件发生的“源头”筛查发现心血管事件高危人群，基层医院经由上级医院临床指导，制定临床决策方案，实施正确的干预治疗，通过开放绿色通道，给予基层医院临床医疗支持。改变传统的“等待”患者发病就诊的医疗模式，创新异常事件先兆筛查—分级诊疗—康复期随访管理的医疗服务流程，大幅度提基层医院的心血管疾病医疗水平，促进我国心血管临床医疗的发展进步。

　　“基层检测，上级诊断”可以真正实现“分级诊疗，双向转诊”模式的落地。

　　心电界“人机大战”

　　AI智能机器医是在人类智慧的基础上研发出来的，不仅有利于打破时间、空间、专业的三维困局，还能大力推动心电图医疗的发展，有效提升医生诊断效率和准确性，缓解供不应求的诊断需求。人类医生应该与AI友好相处，力争做到人机合一，互相取长补短，协同战胜疾病。

　　优加利力争在有效利用人工智能、大数据与医疗系统深度融合、推动医改的大趋势下，继续以先进科技突破传统心血管疾病诊治的医疗短板，推动健康中国。

　　为了达到人机协同的目标，2018年10月13日，在第29届长城国际心脏病学会议（GW-ICC）期间，乐普优加利AI参加了首届“人机大战”挑战赛，并在火热的氛围中夺下“KING OF ECG”称号，成为会议的一大亮点。人机大战是人类医生与机器医互相了解互相学习的好时机，为此优加利AI也会不断参与进来，第二届人机大战即将于2018海峡会期间在厦门举办，敬请期待届时AI-ECG的表现吧。

　　远 程 心 电 优 加 利

　　上一次我们一起看技术文档

　　并选出3名互动幸运粉丝

　　本体开发课堂第二节

　　我们谈谈

　　SmartX 智能合约如何上手操作？

　　基于 Python

　　从头部、main 函数、逻辑三个方面

　　一起 Run 智能合约

　　参考资料

　　官方网站

　　

　　技术文档

　　

　　视频网站链接

　　

　　结合视频内容在下方踊跃提问

　　我们将选取前三名送出精美好礼

　　DappSo

　　周末跟公司的小哥哥 *** 姐们组团去看无名之辈。其中有一个场景是，在给高明办“葬礼”时，除了请来了专业的吹打团队，还看到了川剧变脸。

　　然后我就跟我们运营小哥说，

　　你看这个变脸，像不像你对 EOS 这两个多月来的态度。

　　犹记得So 君当年写之一篇 EOS 主网上的菠菜DApp 时，运营小哥在旁边疯狂的跟我说，

　　EOS 牛批！EOS 有望打败以太坊！

　　然后……然后我们就眼睁睁的看着 EOS 链变成了赌博链。

　　

　　从8月10日开始到10月30日， EOS 生态有123个 DApp 上线，总计流水超过2.2亿 EOS ，约82亿 RMB 。这其中有一半是菠菜类 DApp 。

　　前十名的菠菜游戏总计产生1.9亿 EOS 流水，而剩下的51个菠菜类 Dapp ，总计流水仅有170万 EOS ，头部效应明显。

　　以上，贴数据贴图证明 So 君没胡说。

　　

　　其实吧，即便是拉斯维加斯，赌场也都有247家。EOS 从这个标准来看其实也不算多。

　　可问题是拉斯维加赌场里，玩法游戏少则10种，多了有十几种。可是 EOS 上面呢，三种不能再多。

　　币圈就这么大，同一拨人不停的玩不同平台上的同样的骰子游戏/轮盘游戏，赔不一样金额的钱。

　　Emmmm 我觉得还是去现实里玩老虎机更有趣。

　　

　　很多项目白皮书的规划里，势必有一句【我们计划先出骰子游戏，后续还会推出XXX、XXX、XXX】

　　这句话，从 So 君的角度来看，其实还暗含了一句：

　　我们只是计划，没打算实施。

　　大部分的菠菜 DApps 白皮书，

　　一，没有技术团队、保证游戏公平算法的详细介绍；

　　二，项目打着为了保证合约安全，防止黑客盗取的旗号不敢开源；

　　一次又一次的现实经历只会告诉我们那些曾经冲进前十，号称自己后面要出这个，要出那个的菠菜 DApps ，基本一周以后都没啦。

　　

　　So 君以前每周更新 EOS 上的流水日活时，都觉得啧啧，这个数字令人害怕。

　　日活或者范围再大一点，用户们观看的各大数据排行榜单，他们的意义在于，能够帮助用户时时了解 DApps 的数据动态，决定何时进场何时出场。

　　所以，理所当然的催生出了「刷榜行业」。

　　然后，So 君就截到了一些有意思的画面：

　　▲

　　11月23日下午两点半左右，So 君随手截到的 FastWin 交易数据

　　▲

　　11月23日下午两点半左右，So 君随手截到 BetDice 交易数据

　　▲

　　11月23日下午两点半左右，So 君随手截到 EndLess 交易数据

　　虽然有句话叫做「看破不说破」，但是因为刷榜的存在，劣币驱逐出良币这种事情，不仅仅是在流量当道的电视剧圈，演艺圈呦。

　　DappSo

　　采访

　　针对 EOS 上菠菜游戏大喷发局面，So 君随手采访了行业里，不同层次的大佬/韭菜。看看他们对EosBet， EOSDice 等菠菜游戏的看法。

　　

　　EOSBet 我可以单纯的把它理解为，它是 EOS Dapp 之一个「游戏即挖矿」的导火索。

　　也是因为 EOSBet ， EOS Dapp 市场在短期两个月出现了大量的游戏即挖矿。所以， EOSBet 我认为是一个不错的社会实验。

　　EOSDice ，说到它。我给它取个名：「一波三折」。

　　三折为：两次被盗，一次做个仿 Jacks 的模式，不遭市场追捧。最后好像还出了点小Bug。不过项目方非常坚强，打不死的小强。也是挺有耐力的一个 Dapp。

　　——来自 BeeDApp 大佬，老群主

　　

　　EOSBet 是1.0版本吧， EOSDice 的产品设计是2.0版本吧，以 EOSJacks 为代表的 BC 3.0已经出现。

　　当然，不管是 EOSBet 还是 EOSDice 、 EOSJacks 这些项目共同的特点都是前期进入者的优势明显，他们的分红来自后进者的本金。

　　通证经济上的设计无法达成正循环，他们本质都是资金盘。不过随着技术的发展、设计理念的提高，对 Dapp 的未来我还是非常看好的。

　　——来自 SeeDApp 大佬，黑鳳李

　　

　　EOSBet 开源了，虽然被攻击，但是一直坚持不懈的做下去。 EOSDice 虽然没怎么接触，但是他们的菠菜币还可以哈哈哈哈……

　　——来自 DappFun 美少女战士，麦麦

　　

　　EOSBet 和 EOSDice 都被黑客盗过币，个人感觉这两款游戏节奏蛮像的，怕不是两家庄家都是同一个人吧 emmm。

　　——来自链圈的一棵韭菜，基佬

　　DappSo

　　总结

　　一款 DApp，人们最为关心的还是什么样的 DApp 才能称得上是一款好 DApp 又该如何才能吸引更多的新用户？

　　单纯说游戏的话，一款好的游戏必须具备娱乐性。更高层面来说，是要备有自己的「游戏哲学」。其次才是他的金融属性，去中心化属性。

　　目前来说，确实市场上还欠缺一个现象级产品来到大众眼前，很多业内大佬认为 Dapp 的发展不够成熟是公链不够成熟。

　　这种说法其实太过于片面。在技术不够成熟的时候，我们也应该用现有的条件创造出更好的产品。

　　人类的发展一直在克服环境的因素才获得进化，当年小霸王时代大家不也是玩的很开心么？

　　可是，鳞次栉比的菠菜游戏，似乎已经跟游戏二字渐行渐远了。

　　另：

　　EOS DApp 项目方镰刀无情，唯有韭友抱团取暖，各位想吐槽 Dapp 的朋友，欢迎添加我们的老群主加入吐槽群，据说出现神评论送 EOS 哟~

　　大众点评，你想吐槽的下一款 Dapp 是什么？

　　原文作者：

　　DappSo

　　

　　Dapp Store：

　　

　　DappSo

　　发现新奇的Dapp应用以及背后的人物和故事

　　How to Write a Node.js CLI using OpenCV with Neural Network Models for Image Classification

　　作者 |Jeff Galbraith

　　翻译 | 苏珊娜本森、康奈尔斯摩

　　校对 | 酱番梨 整理 | 菠萝妹

　　

　　如何使用 OpenCV 编写基于 Node.js 命令行界面和神经 *** 模型的图像分类

　　使用SDD Coco Model 对图像进行分类（没错，这是我的皮卡。）

　　在这篇文章中我们将学习三件事情（这些是我在Github创建项目时不得不忍受的挣扎。）

　　如何使用git-lfs（Git大文件系统）上传大文件到GitHub项目中。

　　如何创建一个Node CLI（命令行接口）。

　　如何使用深度神经 *** 进行图像分类。

　　我对每件事情都创建了一个章节，因此你可以阅读所有或者直接阅读你感兴趣的部分。

　　背景故事

　　在我们开始之前，了解一下这些是如何发生的。在我工作的地方，我们使用内置摄像头来做分析（比如检测油或者气体泄露）。当发生警报时，从MOEG流中获取当时的照片。我的团队另一个项目是使用Python程序对这些照片进行分类。我很好奇是否可以用Node做同样的事情。在这之前我从未使用过神经 *** ，因此这对我来说是具有挑战性的。我开始用tensflow.js，但是我需要tfjs-node包将我们现有的模型转换成一个“web-friendly”模型。

　　然后我在Medium发现一篇由Vincent Mühler写的很棒的文章叫做“Node.js meets OpenCV’s Deep Neural Networks—Fun with Tensorflow and Caffe”。这篇文章通过node包： opencv4nodejs向我介绍了OpenCV。从这件事情我开始工作并且取得了较好的结果。

　　在我将所有的包以及readme文件放在一起之后，我开始在Github上开始我的项目，但是模型文件太大了！然后我开始学习git-lfs（Git大文件系统）。几天的挣扎后（那个时候在有限的宽带下--我在露营），我搞明白了。然后npm（标志）问题来了，我试图发布npm，但是在包装后，上传注册表失败因为“javascript heap out of memory”，再次是因为所有的包再放一起太大了！

　　我仍然没有获得npm注册表。我需要探索不同的方式。如果你已经解决了大文件包的问题，请随时告诉我你是怎么做到的。

　　Github 和 超大文件

　　首先，Github是有容量限制的。从他们的官方文档来看，“我们所能存储的文件大小必须小于100MB”。因此，如果模型大于这个大小，则一定不能运行。

　　输入 git-lfs。这个参数让你在 git 或者 Github 来追踪超大文件。尽管一开始免费的，超过一定限制 Github 也会开始收费。同时，Gitkeaken 也支持 git-lfs —— 赞！

　　GitKraken 对 LFS 的支持

　　你注意到文件最后的 LFS 了吗？赞。

　　好的，所以它并不总是尽如人意。首先你把超大文件放到你的目录下，你必须初始化 git-lfs 并告诉它你的项目需要追踪什么类型的文件。点击阅读详情。

　　创建一个有 CLI 的结点

　　我确定你听说过 CLI —— 命令行界面。它让用户通过计算机程序来与电脑交互。通过创建一个 CLI 结点，你的结点库就会向原生的电脑程序那样来运行。

　　比如说，运行一个叫“classify”的结点库，你通常需要如下操作（在 classify 的文件夹中）：

　　node index.js [arguments]

　　你可以把库全局安装到结点系统，它会把库增加到路径。如下命令来安装（在 classify 文件夹中）：

　　npm install -g . classify

　　该语句在当前文件夹中使用“classify”来安装了这个库。

　　现在你可以从命令行来执行下述语句：

　　classify --image

　　--filter --confidence 50

　　CLI 输出

　　所有的 CLI 都有输出因此用户可以理解如何如何来使用它。在下面这个案例中，“classify”是这样的：

　　当然，库可以帮助你能来了解它的功能。我这里使用command-line-usage和command-line-args来了解每个库的功能。

　　但是，在我们做这个之前，我们先来看看电脑是如何不在命令行里面定义一个Node，却能够通过结点来运行一个JavaScript文件的？

　　这都归功于Linux系统中所有脚本的之一行。这行代码帮助脚本编译器来使用she-bang解译：

　　该代码告诉系统使用“node”作为该脚本的编译器，因此当你需要使用一个 CLI，它应该永远位于你的 JavaScript 文件中的顶部。

　　命令行使用

　　命令行的使用非常简单，它定义了用户看到的样式。

　　命令行如下：

　　const commandLineUsage=require('command-line-usage')

　　const sections=[

　　{

　　header:'classify',

　　content:'Classifies an image using machine learning from passed in image path.'

　　},

　　{

　　header:'Options',

　　optionList:[

　　{

　　name:'image',

　　typeLabel:'',

　　description:'[required] The image path.'

　　},

　　{

　　name:'confidence',

　　typeLabel:'',

　　description:'[optional; default 50] The minimum confidence level to use for classification (ex: 50 for 50%).'

　　},

　　{

　　name:'filter',

　　typeLabel:'',

　　description:'[optional] A filter file used to filter out classification not wanted.'

　　},

　　{

　　name:'quick',

　　description:'[optional; default slow] Use quick classification, but may be more inaccurate.'

　　},

　　{

　　name:'version',

　　description:'Application version.'

　　},

　　{

　　name:'help',

　　description:'Print this usage guide.'

　　}

　　]

　　}

　　]

　　const usage=commandLineUsage(sections)

　　然后，要输出结果，代码如下所示：console.log(usage)

　　命令行-ARGS

　　再一次地，相当容易使用。只需确保您处理并验证所有内容：

　　const fs=require('fs')

　　const path=require('path')

　　const commandLineArgs=require('command-line-args')

　　const isEmptyObject=(obj)=> {

　　return *** ON.stringify(obj)=== *** ON.stringify({})

　　}

　　const optionDefinitions=[

　　{ name:'image', alias:'i',type: String },

　　{ name:'confidence', alias:'c',type: Number },

　　{ name:'filter', alias:'f',type: String },

　　{ name:'quick', alias:'q'},

　　{ name:'version', alias:'v'},

　　{ name:'help', alias:'h'}

　　]letoptionstry {

　　options=commandLineArgs(optionDefinitions)

　　}catch(e) {

　　console.error()

　　console.error('classify:',e.name,e.optionName)

　　console.log(usage)

　　process.exit(1)

　　}

　　// checkforhelpif (isEmptyObject(options) ||'help'inoptions) {

　　console.log(usage)

　　process.exit(1)

　　}

　　// checkforversionif ('version'inoptions) {

　　letpkg=require('')

　　console.log(pkg.version)

　　process.exit(1)

　　}letimagePath

　　// checkforpathif ('image'inoptions) {

　　imagePath=options.image

　　}if(!imagePath) {

　　console.error('"--image imagePath" is required.')

　　process.exit(1)

　　}if(!fs.existsSync(imagePath)) {

　　console.log(`exiting:could notfindimage: $`)

　　process.exit(2)

　　}letconfidence=50// defaultif ('confidence'inoptions) {

　　confidence=options.confidence

　　}

　　// validate confidenceif (confidence

　　console.error(`Negative numbers are not validfor'confidence'.`)

　　process.exit(1)

　　}if(confidence >100) {

　　console.error(`A value greater than100isnot validfor'confidence'.`)

　　process.exit(1)

　　}

　　confidence=confidence /100.0letfilterItems=[]if('filter'inoptions) {

　　const filterFile=options.filter// verifyfileexist

　　if(!fs.existsSync(filterFile)) {

　　console.log(`exiting:could notfindfilterfile: $`)

　　process.exit(2)

　　}

　　filterItems=fs.readFileSync(filterFile).toString().split('

　　')

　　}

　　//getquick option,ifavailable - defaulttoslowlet quick=falseif ('quick'inoptions) {

　　quick=true

　　}

　　//getdatafilebasedonmodelandquick optionslet dataFileif (model==='coco') {

　　if(quick) {

　　dataFile='coco300'}

　　else{

　　dataFile='coco512'}

　　}elseif(model==='inception') {

　　dataFile='inception224'}if(!dataFile) {

　　console.error(`'$'isnot valid model.`)

　　process.exit(1)

　　}

　　你会注意到的 --version 命令，让我们接下来要做的就是——在package.json中读取并输出版本。这样，我们只需要将它保存在一个地方。

　　剩下的处理是检查是否使用了一个选项，如果是，则验证它，等等。

　　一旦我们收集了分类处理所需的所有数据，我们就可以开始分类了。

　　使用OpenCV来做图像分类

　　现在我们已经收集并验证了从用户与CLI交互中收集的参数，真正的乐趣就可以开始了。高级处理并不像您想象的那么困难。

　　// OpenCV

　　constcv=require('opencv4nodejs')

　　// initialize model from prototxt and modelFile

　　letnet

　　if(dataFile==='coco300'|| dataFile==='coco512') {

　　net=cv.readNetFromCaffe(prototxt, modelFile)

　　}

　　// read the image

　　constimg=cv.imread(imagePath)

　　// starting time of classification

　　letstart=newDate()

　　// get predictions

　　constpredictions=predict(img).filter((item)=>{

　　// filter out what we don't want

　　if(item.confidence

　　returnfalse

　　}

　　// user wants to filter items

　　if(filterItems.length >) {

　　if(filterItems.indexOf(classes[item.classIndex])

　　returnfalse

　　}

　　}

　　returntrue

　　})

　　// end of classification

　　letend=newDate()

　　finalize(start, end)

　　// write updated image with new name

　　updateImage(imagePath, img, predictions)

　　结果不是很坏啦。你需要知道，这是我们使用了一些实际用户的数据来信任或过滤文件的。

　　但是，这其中大部分的工作量是预测功能，用来返回预测值。并且，这也需要许多数据抓取功能来支持这个预测功能。

　　让我们看看这个预测是如何实现的：

　　constpredict=(img)=>{

　　// white is the better padding color

　　constwhite=newcv.Vec(255,255,255)

　　// resize to model size

　　consttheImage=img.resizeToMax(modelData.size, modelData.size).padToSquare(white)

　　// network accepts blobs as input

　　constinputBlob=cv.blobFromImage(theImage)

　　net.setInput(inputBlob)

　　// forward pass input through entire network, will return

　　// classification result as (coco: 1x1xNxM Mat) (inception: 1xN Mat)

　　letoutputBlob=net.forward()

　　if(dataFile==='coco300'|| dataFile==='coco512') {

　　// extract NxM Mat from 1x1xNxM Mat

　　outputBlob=outputBlob.flattenFloat(outputBlob.sizes[2], outputBlob.sizes[3])

　　// pass original image

　　returnextractResultsCoco(outputBlob, img)

　　}

　　}

　　首先，这些模型都是训练好的。一个是300x300，另一个是512x512。300x300的这个模型会快一些，它需要的数据也较少。512x512的模型相对慢一点，但是它总体的预测精度更高，因此它需要更多数据。

　　上面的代码还有一个功能是对输入图片进行重采样，使它的尺寸能够满足模型训练图片的要求。如果原始图片不是矩形，我们需要把它填充至矩形。填充时通常使用白色，因为白色相对比黑色对原图的影响要小。

　　然后，图片会被转换成一个“blob”，并传入“net.setInput”。务必记得，我们之前有过这个代码：

　　// initialize model from prototxtandmodelFile

　　letnet

　　if(dataFile==='coco300'|| dataFile==='coco512') {

　　net=cv.readNetFromCaffe(prototxt, modelFile)

　　}

　　我们再展示一下，防止你忘了（当然，这是一个全局的定义，因此也会被传入模型）。

　　所以，现在你主导上述功能中的最后一个步骤是获取结果：

　　constextractResultsCoco=(outputBlob, img)=> {

　　returnArray(outputBlob.rows).fill()

　　.map((res, i)=> {

　　// get class index

　　constclassIndex=outputBlob.at(i,1);

　　constconfidence=outputBlob.at(i,2);

　　// output blobs are in a percentage

　　constbottomLeft=newcv.Point(

　　outputBlob.at(i,3) * img.cols,

　　outputBlob.at(i,6) * img.rows

　　);

　　consttopRight=newcv.Point(

　　outputBlob.at(i,5) * img.cols,

　　outputBlob.at(i,4) * img.rows

　　);

　　// create a rect

　　constrect=newcv.Rect(

　　bottomLeft.x,

　　topRight.y,

　　topRight.x - bottomLeft.x,

　　bottomLeft.y - topRight.y

　　);

　　return({

　　classIndex,

　　confidence,

　　rect

　　})

　　})

　　}

　　这就是你能够读取到的“index”（这将与分类结果对应），分类的“置信”水平，识别对象的“锚系”方位。这些就是我们的“预测”，随后我们来过滤结果。

　　还记得你在上面也看到过下面这个代码吗：

　　//writeupdated image withnewname

　　updateImage(imagePath, img, predictions)

　　该代码将过滤后的结果作为新的图像写入文件，这样用户就可以看到预测结果以及它的“置信”水平。下面展示了多种 *** 来重现结果：

　　constgetRandomColor=()=>newcv.Vec(Math.random() *255,Math.random() *255,Math.random() *255);

　　constmakeDrawClassDetections=(predictions)=>(drawImg, getColor, thickness=2)=> {

　　predictions

　　.forEach((p)=>{

　　letcolor=getColor()

　　letconfidence=p.confidence

　　letrect=p.rect

　　letclassName=classes[p.classIndex]

　　drawRect(className, confidence, drawImg, rect, color, { thickness })

　　})

　　returndrawImg

　　}

　　constupdateImage=(imagePath, img, predictions)=>{

　　// get the filename and replace last occurrence of '.' with '_classified.'

　　constfilename=imagePath.replace(/^.*[\\/]/,'').replace(/.([^.]*)$/,`_classified_$_$.`+'$1')

　　// get function to draw rect around predicted object

　　constdrawClassDetections=makeDrawClassDetections(predictions);

　　// draw a rect around predicted object

　　drawClassDetections(img, getRandomColor);

　　// write updated image to current directory

　　cv.imwrite(''+ filename, img)

　　}

　　// draw a rect and label in specified area

　　constdrawRect=(className, confidence, image, rect, color, opts={ thickness: 2 })=>{

　　letlevel=Math.round(confidence *100.0)

　　image.drawRectangle(

　　rect,

　　color,

　　opts.thickness,

　　cv.LINE_8

　　)

　　// draw the label (className and confidence level)

　　letlabel=className +': '+ level

　　image.putText(label,newcv.Point2(rect.x, rect.y +20), cv.FONT_ITALIC,.65, color,2)

　　我不会详细来解释这段代码，因为他们还是比较常见的JavaScript代码（而且文中注释也写得很好）。

　　缺点

　　你应该使用一些过滤器，通常是基于置信水平的过滤器。我通常会使用50作为阈值来过滤，但是有时候也会降低到30。你想知道为什么？因为这是我们有时会碰到的情况：

　　没有置信过滤的分类结果

　　如果图像中的物体过于“繁重”，你会得到许多分类结果。这其中的大部分是假的。大部分的置信水平低于10。你可以试试调整过滤置信水平的阈值，来看看哪个值的效果更好。请记得，这是和本文的之一个图片一样的那张图哦（哈哈，我是不是让你回看文章的开头了？）

　　案例

　　没有分类的火车

　　分类的火车

　　未分类的皇室

　　分类的皇室

　　Harry，露齿呀！这样你就是一个100%的置信的人了。哈哈，不开玩笑了，这还是很有趣的！我依然还在学习中。并且还有很多可以学的。我希望我写的内容可以帮助到你的学习，希望你也这么觉得。

　　你可以在GitHub里找到完整的项目。

　　01

　　5.8万家居品牌

　　如何求变？

　　据统计，家居行业有5.8万个品牌和企业，年销售超过5亿，如此庞大的市场，有着巨大的红利商机，却在经营突破上遇到难题。

　　活动成本高、同行竞品多、获客难，转化难、门店促销乏力、老客户资源变现难…, 这些经营痛点日益加剧。

　　企业该如何做？

　　整个泛家居行业都在寻找答案！

　　02

　　太子、全友等名企齐聚成都

　　为品牌转型寻思路

　　11月22日，由加店科技、企业微信、互讯家居信息化研究开发院（以下简称“互讯”）联合主办的“2019泛家居·经营之道”行业沙龙在成都举行。

　　2019泛家居经营之道

　　太子、全友、明珠家居、柏顿家居、益家家居、康居木业、意兰帝衣柜、好日子装饰等多家家居名企悉数到场，为品牌转型寻思路。

　　企业合影留恋

　　企业合影留恋

　　企业合影留恋

　　03

　　与用户真正建立“连接”

　　才能真正获得“流量”

　　会上，各大企业最关心的是如何解决流量（客流）问题。

　　对此，加店科技CEO、互讯院长成磊表示：“企业需要懂得利用多种手段与用户建立连接，才可真正获得流量。”

　　企业负责人提问

　　加店搭建了一个基于线下业务场景的社交化数字门店方案：

　　从 “连接、互动、逛店、离店、活动、服务、管理、分销” ，全业务场景点的数字化，完成获客、转化到交易的全流程闭环服务，助力企业实现用户、品牌、门店、服务的互联互通。

　　同时，加店还搭建了不同的场景，解决连接问题：如用户随时预约上门量尺、用户预约到门店体验等场景，用来建立与用户之间的“强连接”。

　　04

　　与数据实现 “互通”

　　才能真正解决门店零售的 “痛点”

　　如今人人都在谈大数据，企业也纷纷向大数据靠拢，却不知道如何将数据连接起来。

　　成磊在演讲中提到：“这一切，都可以通过社交数字化门店解决方案得以实现。”

　　企业家认真做笔记

　　通过加店的社交数字化门店解决方案，品牌可以将原先分散的经销商、门店、店员的流量和用户数据汇聚起来，形成自有的流量和数据池。

　　这些数据，对企业在做经营决策时有重大的参考意义。

　　企业家认真做笔记

　　05

　　企业微信将更加开放、

　　更加行业化、更好赋能泛家居行业

　　企业微信行业总监彭洋则结合泛家居行业为大家分享微信未来在B端领域将进行的重要布局。

　　他讲到：“ 未来，企业微信的生态开放平台，将更加契合行业需求，在“品牌、门店、店员、顾客”之间建立沟通和服务的闭环。

　　另外，企业微信的店员管理、门店管理、顾客管理、财务管理、企业文化、OA管理等也将更加人性化和智能化。

　　06

　　懂行业

　　才能赋好能

　　懂行业，才能赋好能！

　　加店的数字化社交门店的整体解决方案赢得了头部企业的一致认可。

　　活动结束后，超过一半的参会品牌报名启动实施方案计划。

　　近期，泛家居经营之道”行业沙龙还将在上海、北京等地举办，敬请期待。

　　导语：大家好，很高兴你们可以在百忙之中点我的这篇文章，希望小编今天的文章能够给您带来惊喜和快乐、开心，如果文章您觉得还满意，请您关注小编多多转发文章分享一下吧！小编祝愿各位看官今天有个好心情哦，在此谢谢大家了。

　　作用可谓是十分重要。而华硕的全新机型灵耀U 2代就可以说是一款与科技接轨，和时尚齐肩，具有超强性能、职场精英必备的匠心之作。

　　触控科技 新鲜领跑

　　华硕灵耀U 2代用科技感赢得商务精英的青睐。独特的虚拟数字触控板（选配）更具未来感，填补小尺寸机型没有独立数字键的短板，为14寸机型加持“全键盘”使用体验。选配IR红外人脸识别，更高效更便捷的解锁方式告别漫长等待。

　　时尚外观 匠心工艺

　　新颖的小翘跟转轴设计，电脑开启时向上抬起3°，更强散热，更大音场。惊艳的全面屏显示效果，搭配全新窄边框显示屏，让华硕灵耀U 2代实现高达92%的屏占比！重量轻约1.19kg，整机大小堪比普通A4纸，轻松装入手提包，外出“减负”无压力。　　强劲性能 高效体验

　　还要配备强劲的性能体验，华硕灵耀U 2代搭载Intel Core i7-8265U（可选配i7-8565U），流畅运行，无惧多任务。NVIDIA GeForce MX150独立显卡，更低功耗更强性能。

　　0.试图重构大神写的代码

　　1.前端，号称自己是全栈工程师

　　2.客户预算1000元，做出来的百度

　　3.产品即将上线，产品经理提了个新需求

　　4.仔细观察自己3年前写的代码

　　5.公司来了个会弹琴的“程序员鼓励师”

　　6.大牛程序员演示自己造的“方形轮子”

　　7.正在指导没有项目经验的萌新

　　8.程序员胖揍产品时，老板的表情

　　9.产品连续提无理需求，被程序员一语道破

　　10.演示根据甲方要求做出来的产品

　　11.正要演示产品，被告知要重新开发

　　12.相信女装可以提高编程效率的结果

　　13.拥有10年工作经验的程序员大佬

　　14.产品背后的程序员VS正在使用产品的用户