关系逻辑

客户端自动化特点 客户端的自动化，通常做过的人都不是很愿意深入讨论。因为除了功能和逻辑之外，不得不面对各种界面变化，各种和环境交互，各种兼容问题以及想不到灰色地带，就算这样，也找不到太多有效的bug。然而即便如此，客户端的自动化必须去做，尤其是GUI的。它的自动化特点是： 复杂 成本高 不容易发现问题 技术要求高 架构很难通用 下面，从一些基本的东西开始一点点的讨论客户端GUI测试的一些问题和处理办法，以及自动化架构设计的一些思路。事实上就像上面说的，GUI的测试并不是为了发现bug，而是回归的一种方式，作为保证而已——它过了不能说明质量多么好，但是不过，质量肯定不达标。即使在微软内部，客户端的GUI一样不是个受欢迎的家伙，通常用来做BVT的测试（或一些重要性回归，冒烟等）。 客户端自动化简述 这里并不花过多的笔墨介绍什么是客户端，或者如何分类的种种——这些东西教材和网上的东西一坨一坨很多很多，这里可能“漫谈”的，是实际工作中，客户端和GUI自动化中可能遇到的一些底层技术，基本上原理，架构设计方法以及一些项目存在困惑，这些方面的一些处理的方法。 最早的自动化 我个人认为所谓的计算机行业的自动化，是一直跟着这个行业的发展在走，比如下面的这些： 老式计算机——CPU计算： 最早自动解决手工分配穿孔的卡片问题 内存分配任务调度：操作系统的核心就是内存和任务的自动管理 系统配置Loader

原文：http://www.cnblogs.com/chris-oil/p/5367106.html 初涉移动端设计和开发的同学们，基本都会在尺寸问题上纠结好一阵子才能摸到头绪。我也花了很长时间才弄明白，感觉有必要写一篇足够通俗易懂的教程来帮助大家。从原理说起，理清关于尺寸的所有细节。由于是写给初学者的，所以不要嫌我啰嗦。 现象 首先说现象，大家都知道移动端设备屏幕尺寸非常多，碎片化严重。尤其是Android，你会听到很多种分辨率：480x800, 480x854, 540x960, 720x1280, 1080x1920，而且还有传说中的2K屏。近年来iPhone的碎片化也加剧了：640x960, 640x1136, 750x1334, 1242x2208。 不要被这些尺寸吓倒。实际上大部分的app和移动端网页，在各种尺寸的屏幕上都能正常显示。说明尺寸的问题一定有解决方法，而且有规律可循。 像素密度 要知道，屏幕是由很多像素点组成的。之前提到那么多种分辨率，都是手机屏幕的实际像素尺寸。比如480x800的屏幕，就是由800行、480列的像素点组成的。每个点发出不同颜色的光，构成我们所看到的画面。而手机屏幕的物理尺寸，和像素尺寸是不成比例的。最典型的例子，iPhone 3gs的屏幕像素是320x480，iPhone 4s的屏幕像素是640x960。刚好两倍，然而两款手机都是3

前言 AQS即AbstractQueuedSynchronizer，是JUC包中的一个核心抽象类，JUC包中的绝大多数功能都是直接或间接通过它来实现的。本文是AQS系列的第一篇，后面会持续更新多篇，争取将JUC包中AQS相关的常用功能讲清楚，一方面巩固自己的知识体系，一方面亦可与各位园友互相学习。寒冷的冬天，要用技术来温暖自己。 一、AQS与ReentrantLock的关系 先奉上一张自制的丑陋类图 从下往上看，ReentrantLock类内部有两个静态内部类FairSync和NonfairSync，分别代表了公平锁和非公平锁（注意ReentrantLock实现的锁是可重入排它锁）。这两个静态内部类又共同继承了ReentrantLock的一个内部静态抽象类Sync，此抽象类继承AQS。 类的关系搞清楚了，我们下面一起看一下源码。 二、源码解读 ReentrantLock的默认构造方法创建的是非公平锁，也可以通过传入true来指定生成公平锁。 下面我们以公平锁的加锁过程为例，进行解读源码 。在解读源码之前需要先明确一下AQS中的state属性，它是int类型， state=0表示当前lock没有被占用，state=1表示被占用 ，如果是重入状态，则重入了几次state就是几。 1 public class JucLockDemo1 { 2 public static void

一、概述 操作系统对系统的软件资源（不论是应用软件和系统软件）的管理都以文件方式进行，承担这部分功能的操作系统称为文件系统。 1、文件 计算机系统对系统中软件资源：无论是程序或数据、系统软件或应用软件都以文件方式来管理。文件是存贮在某种介质上的（如磁盘、磁带等）并具有文件名的一组有序信息的集合。 文件名是由字符和数字组成的，例如MS-DOS中文件名由三部分组成，格式如下：[<盘符>] <文件名> [.扩展名]。格式 [ ] 中是可以省略，盘符为存放文件的磁盘驱动器号，如用A:和C:分别 表示软盘和硬盘驱动器；文件名由1∽8个字符组成。扩展名为由“.”开始的1-3个字符组成，如.EXE表示可执行的浮动代码文件，.TXT表示ASCⅡ码文本文件，.LIB表示库文件，.BAT表示批处理文件等。 UNIX 文件系统将文件分成普通文件、目录文件、设备文件（特殊文件）和符号连接文件(Symbolic link)等几类，UNIX把所有I/O设备作为特殊文件，对I/O设备操作模仿为对普通文件的存取，这样将文件与设备的I/O尽可能统一起来。 数据项是描述一个对象的某些属性的字符集，它是数据的基本单位，一个数据项有一个值。记录是一组相关数据项的集合，用于描述一个对象某方面的属性。 文件是具有文件名的一组相关记录的集合。数据库是相关数据的集合。 2、文件系统

1. 我们不禁要问，什么是"服务集群"？什么是"企业级开发"？ 既然说了EJB 是为了"服务集群"和"企业级开发"，那么，总得说说什么是所谓的"服务 集群"和"企业级开发"吧！ 这个问题其实挺关键的，因为J2EE 中并没有说明白，也没有具体的指标或者事例告诉 广大程序员什么时候用EJB 什么时候不用。于是大家都产生一些联想，认为EJB"分布式运 算"指得是"负载均衡"提高系统的运行效率。然而，估计很多人都搞错了，这个"服务群集" 和"分布式运算"并没有根本解决运行负载的问题，尤其是针对数据库的应用系统。 为什么？ 我们先把EJB 打回原形给大家来慢慢分析。 2. 把EJB 掰开了揉碎了 我们把EJB 的概念好好的分析一下，看看能发现些什么蛛丝马迹。 3.1 EJB 概念的剖析 我们先看一下，EJB 的官方解释： 商务软件的核心部分是它的业务逻辑。业务逻辑抽象了整个商务过程的流程，并使用计 算机语言将他们实现。 …… J2EE 对于这个问题的处理方法是将业务逻辑从客户端软件中抽取出来，封装在一个组 件中。这个组件运行在一个独立的服务器上，客户端软件通过网络调用组件提供的服务以实 现业务逻辑，而客户端软件的功能单纯到只负责发送调用请求和显示处理结果。在J2EE 中， 这个运行在一个独立的服务器上，并封装了业务逻辑的组件就是EJB（Enterprise Java Bean）组件。

版权声明：本文由韩伟原创文章，转载请注明出处: 文章原文链接： https://www.qcloud.com/community/article/252 来源：腾云阁 https://www.qcloud.com/community 接上篇 如何提高程序员的生产率 (1) 三. 开发过程 沟通 软件通常都需要经过很多人和很多次的沟通才能生产出来，但是沟通本身又往往会影响软件的开发速度。这是一段很矛盾的关系。好的沟通方法能降低开发中因为信息不透明导致的开发资源浪费，而又尽量减少沟通所占用的精力。 1. 需求沟通 在任何一个软件产品中，如何应对需求的变更，都是至关重要的。需求一直是软件工作得以成功或者失败的最重要因素。软件开发中很多技术和方法都是围绕着需求来设计的。 需求的沟通是需求工作的第一个环节。首先沟通的对象必须是经过挑选的，以免添加不必要的需求混乱。最佳的需求沟通是和用户或者用户代表。但是他们往往他们缺乏必要的计算机知识。而程序员却很少有丰富的需求领域的知识。这个鸿沟需要双方共同去弥补，最重要的做法是，不要光靠口说。 程序员应该认真研究需求领域的知识，仔细查看涉及的单据、原型产品、现有工作流程等，而且必须用笔记录下来，之后再去整理问题，逐条咨询用户。在仔细了解情况之前，不宜开始设计整体程序结构。 当你有一定了解之后，程序员就可以动手开发一个快速的原型，如果没有足够资源

人工智能   人工智能（Artificial Intelligence，简称AI）一词最初是在1956年Dartmouth学会上提出的，从那以后，研究者们发展了众多理论和原理，人工智能的概念也随之扩展。由于人工智能的研究是高度技术性和专业的，各分支领域都是深入且各不相通的，因而涉及范围极广 。 人工智能的核心问题包括建构能够跟人类似甚至超越人类的推理、知识、学习、交流、感知、使用工具和操控机械的能力等，当前人工智能已经有了初步成果，甚至在一些影像识别、语言分析、棋类游戏等等单方面的能力达到了超越人类的水平 。   人工智能的分支领域非常多，主要有演绎推理、知识表示、规划、学习、自然语言处理……等十多个分支领域，而以机器学习为代表的“学习”领域，是目前研究最广泛的分支之一。 机器学习    机器学习（Machine Learning）是人工智能的一个分支，它是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。机器学习在近30多年已发展为一门多领域交叉性的学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。    机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法，该算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。 深度学习   深度学习（Deep Learning）是机器学习的分支，是一种以人工神经网络为架构

看本篇之前可以相应阅读以下Trigger相关文章： 1. https://developer.salesforce.com/page/Trigger_Frameworks_and_Apex_Trigger_Best_Practices 2. http://chrisaldridge.com/triggers/lightweight-apex-trigger-framework/ 3. http://www.sfdc99.com/2015/01/19/the-one-trigger-per-object-design-pattern/ 以前以为salesforce中Trigger应用特别简单，所以没有列出来单独讲解，和群里大神问问题以后，发现还是很有必要将Trigger单独写出来一篇，让新手更好的了解Trigger。 一.Trigger介绍 Trigger在salesforce记录更改以前或者以后自动执行，可以执行以下几种情 况：insert，update，delete，merge,upsert,undelete，一个trigger可以同时处理200条records, 所以后面所讲的new和old变量的返回类型为List类型。 有两种类型的trigger： Before trigger通常用于在他们被保存在数据库以前更新或者校验数据; After

几点声明： 1、本文的内容全部来源于七月在线发布的BAT机器学习面试1000题系列； 2、文章中带斜体的文字代表是本人自己增加的内容，如有错误还请批评指正； 3、原文中有部分链接已经失效，故而本人重新加上了新的链接，如有不当，还请指正。（也已用斜体标出） 4、部分答案由于完全是摘抄自其它的博客，所以本人就只贴出答案链接，这样既可以节省版面，也可以使排版更加美观。点击对应的问题即可跳转。 最后，此博文的排版已经经过本人整理，公式已用latex语法表示，方便读者阅读。同时链接形式也做了优化，可直接跳转至相应页面，希望能够帮助读者提高阅读体验，文中如果因为本人的整理出现纰漏，还请指出，大家共同进步！ 1.请简要介绍下SVM。 SVM，全称是support vector machine，中文名叫支持向量机。SVM是一个面向数据的分类算法，它的目标是为确定一个分类超平面，从而将不同的数据分隔开。 扩展： 支持向量机学习方法包括构建由简至繁的模型：线性可分支持向量机、线性支持向量机及非线性支持向量机。当训练数据线性可分时，通过硬间隔最大化，学习一个线性的分类器，即线性可分支持向量机，又称为硬间隔支持向量机；当训练数据近似线性可分时，通过软间隔最大化，也学习一个线性的分类器，即线性支持向量机，又称为软间隔支持向量机；当训练数据线性不可分时，通过使用核技巧及软间隔最大化，学习非线性支持向量机。

转自Eva_J https://www.cnblogs.com/Eva-J/articles/7281240.html 阅读目录 一 错误和异常 二 异常处理 2.1 什么是异常处理？ 2.2 为何要进行异常处理？ 2.3 如何进行异常处理？ 三 什么时候用异常处理 回到顶部 异常和错误 part1:程序中难免出现错误，而错误分成两种 1.语法错误（这种错误，根本过不了python解释器的语法检测，必须在程序执行前就改正） #语法错误示范一 if #语法错误示范二 def test: pass #语法错误示范三 print(haha 语法错误 2.逻辑错误（逻辑错误） #用户输入不完整(比如输入为空)或者输入非法(输入不是数字) num=input(">>: ") int(num) #无法完成计算 res1=1/0 res2=1+'str' 逻辑错误 part2:什么是异常 异常就是程序运行时发生错误的信号，在python中,错误触发的异常如下 part3：python中的异常种类 在python中不同的异常可以用不同的类型（python中统一了类与类型，类型即类）去标识，不同的类对象标识不同的异常，一个异常标识一种错误 l=['egon','aa'] l[3] 触发IndexError dic={'name':'egon'} dic['age'] 触发KeyError s=