Sequence

内置函数map, reduce, filter 的使用方法类似，均为：第一个输入参数是函数，第二参数时sequence。 map 对sequence的item 依次执行 函数。此处的函数可以是函数，自定义函数，匿名函数lambda。 基本使用方法： map(function, sequence) 使用中需要注意的是，在python2.7中，执行上述代码便可以直接显示结果，但在python3下，返回的结果需要重置类型，比如list，才能打印输出。 1 """ 依次执行 """ 2 # map(str, range(5)) python 2.7下，这样就能直接显示结果，但在python 3下，这样显示不出结果也不能调用。 3 # 需要：list一下 4 ls = map(str, range(5 )) 5 rs = list(ls) 6 print (rs) 7 # 匿名函数 8 rs1 = list(map( lambda x: x+1, range(5 ))) 9 print (rs1) 10 # 自定义函数 11 def func(x): 12 return x**2 13 rs2 = list(map(func, range(8 ))) 14 print (rs2) 15 16 # 对于多参数，可以使用多参数的函数 17 def func1(x,y): 18 return x+

作者 ：荣仔！最靓的仔！ 专栏地址 ： http://suo.im/5Rh1z1 注意：本文涉及到的知识点太多，建议初学者耐心看完！ 本文目录 1 Python简介 1.1 Python的特点 Python是Guido Van Rossum在1989年开发的一种脚本解释语言，是ABC语言的一种继承。由于作者是Monty Python喜剧团的一名爱好者，故将其命名为Python（蟒蛇） Python 作为当下一种热门语言，具有以下 特点 ： 语法清晰，代码友好，易读。 应用广泛，具有大量的第三方库（尤其是机器学习、人工智能相关库）支持。 Python可移植性强，易于操作各种存储数据的文本文件和数据库。 Python是一种面向对象语言，支持开源思想。 根据Tiobe编程语言最新排行榜（部分），其中Python排名第三，并且随着大数据、数据分析、深度学习、人工智能的迅速发展，Python收到的关注程度越来越高。 1.2 安装及第三方库导入过程 利用Python编程之前，首先需要安装Python软件：包括搭建Python环境、学会安装Python第三方库等。 搭建好Python环境之后是这个样子的（同时可以打印输出进行进一步的测试）。 当编写大段代码或自定义函数时，在command命令行中编写是不太现实的，因此可以进一步选择合适的编译器进行编译，我在这里用的是JetBrains

来自：掘金，作者：Ruheng 链接：https://juejin.im/post/6844903490595061767 一、TCP/IP模型 TCP/IP协议模型（Transmission Control Protocol/Internet Protocol），包含了一系列构成互联网基础的网络协议，是Internet的核心协议。 基于TCP/IP的参考模型将协议分成四个层次，它们分别是链路层、网络层、传输层和应用层。下图表示TCP/IP模型与OSI模型各层的对照关系。 TCP/IP协议族按照层次由上到下，层层包装。最上面的是应用层，这里面有http，ftp 等等我们熟悉的协议。而第二层则是传输层，著名的TCP和UDP协议就在这个层次。第三层是网络层，IP协议就在这里，它负责对数据加上IP地址和其他的数据以确定传输的目标。第四层是数据链路层，这个层次为待传送的数据加入一个以太网协议头，并进行CRC编码，为最后的数据传输做准备。 上图清楚地表示了TCP/IP协议中每个层的作用，而TCP/IP协议通信的过程其实就对应着数据入栈与出栈的过程。入栈的过程，数据发送方每层不断地封装首部与尾部，添加一些传输的信息，确保能传输到目的地。出栈的过程，数据接收方每层不断地拆除首部与尾部，得到最终传输的数据。 上图以HTTP协议为例，具体说明。 二、数据链路层 物理层负责0

1、前言 　　　　我们经常涉及到数字与字符串之间的转换，例如将32位无符号整数的ip地址转换为点分十进制的ip地址字符串，或者反过来。从给定的字符串中提取相关内容，例如给定一个地址：http://www.bokeyuan.cn:2345，我们要从地址中提出协议，主机地址和端口号。之前对字符串和数字之间的关系不是很熟悉，工作中经常涉及到这个，如是好好总结一下。C语言提供了一些列的格式化输入输出函数，最基本的是面向控制台标准输出和输入的printf和scanf，其实还有面向字符串的sprint和sscanf，面向文件的流的fprintf和fscanf。今天着重总结一下sprintf和sscanf系列函数，这两个函数类似于scanf和printf ，不同点是从字符串*buffer用于输入输出。 2、sprintf函数 　　sprintf函数原型为 int sprintf(char *str, const char *format, ...) 。作用是格式化字符串，具体功能如下所示： （1）将数字变量转换为字符串。 （2）得到整型变量的16进制和8进制字符串。 （3）连接多个字符串。 举例如下所示： 1 char str[ 256] = { 0 }; 2 int data = 1024 ; 3 // 将data转换为字符串 4 sprintf(str, " %d " ,data); 5 /

本篇介绍典型的基于SStable的存储。适用于与SSD一起使用。更多存储相关见： https://segmentfault.com/a/11... 。涉及到leveldb,rocksdb。基本上分布式都要单独做，重点是单机架构，数据写入，合并，ACID等功能和性能相关的。 先对性能有个直观认识： mysql写入千条/s，读万应该没问题。redis 写入 万条/s 7M/s(k+v 700bytes，双核)读是写入的1.4倍 mem 3gb 2核。这两个网上搜的，不保证正确，就看个大概吧。 SSD上 rocksdb随机和顺序的性能差不多，写要比读性能稍好。随机读写1.7万条/s 14M/s （32核）。batch_write/read下SSD单线程会好8倍。普通write只快1.2倍。 没有再一个机器上的对比。rocksdb在用SSD和batch-write/read下的读写性能还是可以的。 第一章 levelDb 架构图 读取过程 数据的读取是按照 MemTable、Immutable MemTable 以及不同层级的 SSTable 的顺序进行的，前两者都是在内存中，后面不同层级的 SSTable 都是以 *.ldb 文件的形式持久存储在磁盘上 写入过程 1.调用 MakeRoomForWrite 方法为即将进行的写入提供足够的空间； 在这个过程中，由于 memtable

本篇文章主要介绍邱锡鹏老师在2020年发表的一篇预训练模型的综述： 「Pre-trained Models for Natural Language Processing: A survey」 [1] 。 该综述系统地介绍了nlp中的预训练模型。主要的贡献包括： 1.深入盘点了目前主流的预训练模型 ，如word2vec，ELMo，BERT等。 2. 提出了一种预训练模型的分类体系 ，通过四种分类维度来划分目前已有的预训练模型。包括： 表征的类型，即：是否上下文感知 编码器结构，如：LSTM、CNN、Transformer 预训练任务类型，如：语言模型LM，带掩码的语言模型MLM，排列语言模型PLM，对比学习等 针对特定场景的拓展和延伸。如：知识增强预训练，多语言预训练，多模态预训练和模型压缩等 3. 如何将PTMs学到的知识迁移到下游的任务中。 4. 收集了目前关于PTMs的学习资料。 5. 指明PTMs未来的研究方向 ，如：局限、挑战、建议。 由于篇幅原因，本文主要针对前面两点进行梳理，即 「目前主流的预训练模型」 和 「预训练模型的分类体系」 。 我们建立了 自然语言处理、机器学习等 讨论组，欢迎大家加入讨论。人数达到上限，添加下方好友手动邀请，注意一定要 备注 ，不然无法通过。 1. 背景 「nlp、cv领域的传统方法极度依赖于手动特征工程」 。例如nlp中的log

https://amazonaws-china.com/blogs/machine-learning/amazon-comprehend-now-supports-multi-label-custom-classification/ Amazon Comprehend is a fully managed natural language processing (NLP) service that enables text analytics to extract insights from the content of documents. Amazon Comprehend supports custom classification and enables you to build custom classifiers that are specific to your requirements, without the need for any ML expertise. Previously, custom classification supported multi-class classification, which is used to assign a single label to your documents from a list of mutually