https://www.cnblogs.com/tenosdoit/p/3721074.html

还是不同层次的问题……一个网络包从应用程序A发到另一台电脑上的应用程序B，需要经历： 从A的业务代码到A的软件框架 从A的软件框架到计算机的操作系统内核 从A所在计算机的内核到网卡 从网卡经过网线发到交换机等设备，层层转发，到达B所在计算机的网卡 从B所在计算机的网卡到B所在计算机的内核 从B所在计算机的内核到B的程序的用户空间 从B的软件框架到B的业务代码 这个层级关系就像是过程调用一样，前

branch and bound： 分支定界 branch and cut：分支切割 例如一个问题： branch and cut： 在每个node上寻找切割不等式，最后的得到的最优解很可能大于上界，该node就被切割掉了。 如何选址cut不等式就是一门学问了。。有实数切割UserCut，也有整数切割LazyCut

优化问题本质上分为凸和非凸两大类。 凸问题有着巨大的优势： 成熟有效的求解算法求得全局最优解。(内点法、椭圆法、梯度下降法等) 计算复杂度基本上是多项式的，基本是P的。 非凸问题则求解比较困难，实际上大部分的解法都是将非凸问题转化为凸问题。 P，NP，NP-hard， NPC则是计算复杂度的表示。 P代表多项式内可求解的问题 NP代表多项式内可验证的问题 NP-hard表示所

一般可导指可偏导，可微指可全微分，也就是各个方向都可偏导，存在一个与其相切的平面。 处处偏导又不一定可微，参考圆锥体。

京华哥强推: es6 ===>java react===>springboot antd===>UI框架 Joe哥整理 第三方技术（1）React全家桶：React、Redux、Sagas、immutableJS（2）框架：DVA、ANTD PRO（3）组件库：ANTD（4）打包：webpack4（5）服务端渲染：puppeteer 软件安装（1）NodeJ

局部变量只在函数内定义的变量，如果不加local关键词，其实还是一个全局变量(函数外能够访问) 全局变量在当前shell内定义的变量，其他shell不能访问 环境变量用export定义，在当前shell的子shell中可以传递，传子不传父。

多线程（同步阻塞）； IO多路复用（select，poll，epoll）（同步非阻塞，严格地来讲，是把阻塞点改变了位置）； 直接暴露出异步的IO接口，如kernel-aio和IOCP（异步非阻塞）。 NIO就是IO多路复用，同步非阻塞，selector用来监听channel(OS内核空间)，另有ByteBuffer可读可写，处理程序数据空间。 字节流操作，无输入输出缓存，所以一般包一个bu

Java Java中的基本类型char的字节数是固定的，2个字节，默认编码是UTF-16 Java中的字符串的字节数则是不固定的，对于英文字符，占1个字节，而对于中文字符的话，就会因为编码方式而改变： 如GBK编码，中文字符2个字节 如UTF-8编码，中文字符3个字节 查看方式：str1.getBytes(“utf-8”).length Python Python没有基本类型，就是指字符串，

模型可以分为高偏差/低方差和低偏差/高方差两种。前者一般指简单的模型，如生成式模型(NB)，后者一般指复杂模型，如判别式模型之类的。 在学习曲线上来看： 高偏差/低方差：训练样本很少的情况下就可以达到渐进线(低方差)，但是偏差较高，持续增加样本也没用。所以小样本的情况，建议用该类模型。 低偏差/高方差：训练样本很少时，容易过拟合，无法达到渐进线。当训练样本变多时，训练曲线和测试曲线达到渐进线，此时