vec區塊鏈
1. 零基礎學Python需要從哪裡開始
即使是非計算機專業或者沒有基礎的小白，也能分分鍾入門。Python的設計哲學是「優雅」、「明確」、「簡單」，也因此決定了它是最文藝的編程語言。所以，也極力推薦妹子來學Python。語法清楚，干凈，易讀、易維護，代碼量少，簡短可讀性強，團隊協作開發時讀別人的代碼速度會非常快，更高效。通俗來說：「寫起來快、看起來明白!」
IT行業是一個需要不斷自我挑戰的行業，這就讓很多人都想要進行嘗試、挑戰。IT行業的工作屬於腦力勞動，需要不斷攻克難關，且在工作的過程需要不斷更新自己的技能知識，跟上時代的腳步。在該行業，從業者能夠不斷突破自己，一步步得到自我提升。
先要學習python的注釋、標識符、數據類型、函數和面向對象編程，學完這些之後可以向更高階的學習：裝飾器，生成器，迭代器。對新手來說最重要的就是打好基礎，這部分要多花點功夫去把基礎打牢。
其次最好可以找到相關的教育機構，專業的老師帶領會入門快接受快。選好適合自己的培訓機構不同的培訓機構在Python培訓內容上也各有不同
首先先從網課或者資料了解一下自己想從事的方向，先了解後選擇方向。
2. 如何閱讀 effective c++
轉載 記得前段時間又一次拿起《Effective C++》的時候，有種豁然開朗的感覺，所以翻出了我第一遍讀時做的筆記。只做參考以及查閱之用。如有需要請參閱《Effective C++》書本。 by shenzi/2010.5.17
一.讓自己習慣C++
條款01：視C++為一個語言聯邦
為了更好的理解C++，我們將C++分解為四個主要次語言：
C。說到底C++仍是以C為基礎。區塊，語句，預處理器，內置數據類型，數組，指針統統來自C。
Object-Oreinted C++。這一部分是面向對象設計之古典守則在C++上的最直接實施。類，封裝，繼承，多態，virtual函數等等...
Template C++。這是C++泛型編程部分。
STL。STL是個template程序庫。容器（containers），迭代器（iterators），演算法（algorithms）以及函數對象（function objects）...
請記住：
這四個次語言，當你從某個次語言切換到另一個，導致高效編程守則要求你改變策略。C++高效編程守則視狀況而變化，取決於你使用C++的哪一部分。
條款02：盡量以const，enum，inline替換#define
這個條款或許可以改為「寧可 以編譯器替換預處理器」。即盡量少用預處理。
編譯過程：.c文件－－預處理－－>.i文件－－編譯-－>.o文件－-鏈接－－>bin文件
預處理過程掃描源代碼，對其進行初步的轉換，產生新的源代碼提供給編譯器。檢查包含預處理指令的語句和宏定義，並對源代碼進行相應的轉換。預處理過程還會刪除程序中的注釋和多餘的空白字元。可見預處理過程先於編譯器對源代碼進行處理。侍虛預處理指令是以#號開頭的代碼行。
例：#define ASPECT_RATIO 1.653
記號名稱ASPECT_RATIO也許從未被編譯器看見，也許在編譯器開老扒燃始處理源代碼之前它就被預處理器移走了。即編譯源代碼時ASPECT_RATIO已被1.653取代。ASPECT_RATIO可能並未進入記號表（symbol table）。
替換：const double AspectRatio = 1.653；
好處應該有：多了類型檢查，因為#define 只是單純的替換，而這種替換在目標碼中可能出現多份1.653；改用常量絕不會出現相同情況。
常量替換#define兩點注意：
定義常量指針：
const char *authorName = 「Shenzi」；
cosnt std::string authorName("Shenzi");
類專屬常量：
static const int NumTurns = 5；//static 靜態常量 所有的對象只有一份拷貝。
萬一你編譯器不允許「static整數型class常量」完成「in calss初值設定」（即在類的聲明中設定靜態整形的初值），我們可以通過枚舉類型予以補償：
enum { NumTurns = 5 }；
*取一個const的地址是合法的，但取一個enum的地址就不合法，而取一個#define的地址通常也不合法。如果你不想讓別人獲取一個pointer或reference指向你的某個整此旁數常量，enum可以幫助你實現這個約束。
例：#define CALL_WITH_MAX(a,b) f((a) > (b)) ? (a) : (b))
宏看起來像函數，但不會招致函數調用帶來的額外開銷，而是一種簡單的替換。
替換：
template<typename T>
inline void callWithMax(cosnt T &a, cosnt T &b)
{
f(a > b ? a : b);
}
callWithMax是個真正的函數，它遵循作用於和訪問規則。
請記住：
對於單純常量，最好以const對象或enums替換#defines；
對於形似函數的宏，最好改用inline函數替換#defines。
條款03：盡可能使用const
const允許你告訴編譯器和其他程序員某值應保持不變，只要「某值」確實是不該被改變的，那就該確實說出來。
關鍵字const多才多藝：
例：
char greeting[] = "Hello";
char *p = greeting; //指針p及所指的字元串都可改變；
const char *p = greeting; //指針p本身可以改變，如p = &Anyother；p所指的字元串不可改變；
char * cosnt p = greeting; //指針p不可改變，所指對象可改變；
const char * const p = greeting; //指針p及所致對象都不可改變；
說明：
如果關鍵字const出現在星號左邊，表示被指物事常量。const char *p和char const *p兩種寫法意義一樣，都說明所致對象為常量；
如果關鍵字const出現在星號右邊，表示指針自身是常量。
STL例子：
const std::vector<int>::interator iter = vec.begin();//作用像T *const, ++iter 錯誤：iter是const
std::vector<int>::const_iterator cIter = vec.begin();//作用像const T*，*cIter = 10 錯誤：*cIter是const
以下幾點注意：
令函數返回一個常量值，往往可以降低因客戶錯誤而造成的意外，而不至於放棄安全性和高效性。
例：const Rational operator* （const Rational &lhs, cosnt Rational &rhs）;
const成員函數使class介面比較容易被理解，它們使「操作const對象」稱為可能；
說明：聲明為const的成員函數，不可改變non-static成員變數，在成員變數聲明之前添加mutable可讓其在const成員函數中可被改變。
const_cast<char &>(static_cast<const TextBlock &>(*this))[position];
//static_cast 將TextBlock &轉為const TextBlock &；
//const_cast將返回值去掉const約束；
請記住：
將某些東西聲明為const可幫助編譯器偵測出錯誤用法。const可被施加於任何作用域內的對象、函數參數、函數返回類型、成員函數本體；
編譯器強制實施bitwise constness，但你編寫程序時應該使用「概念上的車輛」（conceptual constness）；
當cosnt和non-const成員函數有著實質等價的實現時，令non-const版本調用const版本可避免代碼重復。
條款04：確定對象被使用前已先被初始化
永遠在使用對象之前先將它初始化。對於無任何成員的內置類型，你必須手工完成此事。至於內置類型以外的任何其它東西，初始化責任落在構造函數身上，確保每一個構造函數都將對象的每一個成員初始化。
賦值和初始化：
C++規定，對象的成員變數的初始化動作發生在進入構造函數本體之前。所以應將成員變數的初始化置於構造函數的初始化列表中。
ABEntry::ABEntry(const std::string& name, const std::string& address,
const std::list<PhoneNumber>& phones)
{
theName = name; //這些都是賦值，而非初始化
theAddress = address; //這些成員變數在進入函數體之前已調用默認構造函數，接著又調用賦值函數，
thePhones = phones; //即要經過兩次的函數調用。
numTimesConsulted = 0;
}
ABEntry::ABEntry(const std::string& name, const std::string& address,
const std::list<PhoneNumber>& phones)
: theName(name), //這些才是初始化
theAddress(address), //這些成員變數只用相應的值進行拷貝構造函數，所以通常效率更高。
thePhones(phones),
numTimesConsulted(0)
{ }
所以，對於非內置類型變數的初始化應在初始化列表中完成，以提高效率。而對於內置類型對象，如numTimesConsulted（int），其初始化和賦值的成本相同，但為了一致性最好也通過成員初始化表來初始化。如果成員變數時const或reference，它們就一定需要初值，不能被賦值。
C++有著十分固定的「成員初始化次序」。基類總是在派生類之前被初始化，而類的成員變數總是以其說明次序被初始化。所以：當在成員初始化列表中列各成員時，最好總是以其聲明次序為次序。
請記住：
為內置對象進行手工初始化，因為C++不保證初始化它們；
構造函數最好使用成員初始化列表，而不要在構造函數本體內使用賦值操作。初始化列表列出的成員變數，其排列次序應該和它們在類中的聲明次序相同；
為免除「跨編譯單元之初始化次序」問題，請以local static對象替換non-local static對象。
二.構造/析構/賦值運算
幾乎你寫的每個類都會有一或多個構造函數、一個析構函數、一個拷貝賦值操作符。如果這些函數犯錯，會導致深遠且令人不愉快的後果，遍及整個類。所以確保它們行為正確時生死攸關的大事。
條款05：了解C++默默編寫並調用哪些函數
如果你自己美聲明，編譯器就會為類聲明（編譯器版本的）一個拷貝構造函數，一個拷貝賦值操作符和一個析構函數。此外如果你沒有聲明任何構造函數，編譯器也會成為你聲明一個默認構造函數。所有這些函數都是public且inline。
惟有當這些函數被需要（被調用），它們才會被編譯器創建出來。即有需求，編譯器才會創建它們。
默認構造函數和析構函數主要是給編譯器一個地方用來放置「藏身幕後」的代碼，像是調用基類和非靜態成員變數的構造函數和析構函數(要不然它們該在哪裡被調用呢？？)。
注意：編譯器產生的析構函數是個non-virtual，除非這個類的基類自身聲明有virtual析構函數。
至於拷貝構造函數和拷貝賦值操作符，編譯器創建的版本只是單純地將來源對象的每一個非靜態成員變數拷貝到目標對象。
如一個類聲明了一個構造函數（無論有沒參數），編譯器就不再為它創建默認構造函數。
編譯器生成的拷貝賦值操作符：對於成員變數中有指針，引用，常量類型，我們都應考慮建立自己「合適」的拷貝賦值操作符。因為指向同塊內存的指針是個潛在危險，引用不可改變，常量不可改變。
請記住：
編譯器可以暗自為類創建默認構造函數、拷貝構造函數、拷貝賦值操作符，以及析構函數。
條款06：若不想使用編譯器自動生成的函數，就該明確拒絕
通常如果你不希望類支持某一特定技能，只要不說明對應函數就是了。但這個策略對拷貝構造函數和拷貝賦值操作符卻不起作用。因為編譯器會「自作多情」的聲明它們，並在需要的時候調用它們。
由於編譯器產生的函數都是public類型，因此可以將拷貝構造函數或拷貝賦值操作符聲明為private。通過這個小「伎倆」可以阻止人們在外部調用它，但是類中的成員函數和友元函數還是可以調用private函數。解決方法可能是在一個專門為了阻止拷貝動作而設計的基類。（Boost提供的那個類名為nonable）。
請記住：
為駁回編譯器自動（暗自）提供的機能，可將相應的成員函數聲明為private並且不予實現。使用像nonable這樣的基類也是一種做法。
條款07：為多態基類聲明virtual析構函數
當基類的指針指向派生類的對象的時候，當我們使用完，對其調用delete的時候，其結果將是未有定義——基類成分通常會被銷毀，而派生類的充分可能還留在堆里。這可是形成資源泄漏、敗壞之數據結構、在調試器上消費許多時間。
消除以上問題的做法很簡單：給基類一個virtual析構函數。此後刪除派生類對象就會如你想要的那般。
任何類只要帶有virtual函數都幾乎確定應該也有一個virtual析構函數。
如果一個類不含virtual函數，通常表示它並不意圖被用做一個基類，當類不企圖被當做基類的時候，令其析構函數為virtual往往是個餿主意。因為實現virtual函數，需要額外的開銷（指向虛函數表的指針vptr）。
STL容器都不帶virtual析構函數，所以最好別派生它們。
請記住：
帶有多態性質的基類應該聲明一個virtual析構函數。如果一個類帶有任何virtual函數，它就應該擁有一個virtual析構函數。
一個類的設計目的不是作為基類使用，或不是為了具備多態性，就不該聲明virtual析構函數。
3. iphone7換一塊電池一般多少錢
我們可以通過以下方面判斷手機是不是需要更換電池：
一、耗電快
在日常生活中，有時候我們的手機會無緣無故的自動掉電，有時候不到一分鍾斗裂搜就會減少百分之一的電量，我們的電池甚至不能夠使用一上午，令很多朋友總是擔心手機會突然沒電，導致這種情況的原因一般是電池的續航能力下降，電池顯示電量為虛電;或者是電源管理IC出現故障。
二、自動關機
排除了手機的正常應用耗電的可能性以後，如果手機電量在10% 以上，那麼就要考慮手機的軟體兼容性問題和系統問題了。
三、手機發燙
手機發燙的原因其實是由很多方面引起的，玩游戲源帶、看視頻等長時間輸出的電流情況;或者夏天相對溫度比較高的情況下，會造成手機溫度過高;第三種原因就是充電器電流不匹配造成的，如果使用非原裝充電器可能會因為電流過大或者電壓過高產生過熱，甚至有時候會燒毀手機。
蘋果售後工作人員提醒廣大用戶，如果手機產生過熱，過燙的情況下，請用戶盡量關閉手機，待手機冷卻下來以後再使用手空歷機。盡量不要邊充電邊玩手機，以免發生危險。
如無法解決你的問題，建議您攜帶您的手機到蘋果客戶服務中心進行維修。
4. cappa 2011 b spline
空間環境異質性是兄槐信現場森林遺傳試驗的公知特徵，即使在似乎均勻的條件和密集的場所管理下建立的小實驗（<1ha）中。在這樣的試驗中，通常假設任何簡單類型的基於隨機化理論的實驗場設計作為完全隨機設計（CRD），應該考慮任何小的位點變異性。然而，大多數已公布的結果表明，在這些類型的試驗中存在通常存在於誤差項中的空間變化的大分量。在這里我們應用 二維平滑表面在單樹混合模型 中，使用 線性，二次和三次B樣條基數與行和列的不同和相等數目的結的張量積 ，以說明環境空間變異性兩個相對較小（即576平方米和5,705平方米）森林遺傳試驗，具有大型多樹連續地塊構造。一般來說， 考慮具有二維表面的位點變異性的模型顯示偏離信息標準的值比經典RCD低 。當相對少量的信息可用時， 線性B樣條基可以產生對環境變異性的合理描述 。 擬合平滑表面的混合模型導致誤差方差（ƒƒ2e）的後驗均值的減少，加性遺傳方差（χ2a）和遺傳力（h2HT）的後驗均值的增加，增加了16.05％ 46.03％（對於親本）或11.86％和44.68％（對於後代）的育種值的精確性 。
空間環境異質性是現場森林遺傳試驗的公知特徵（例如，DUTKOWSKI等人，2006; ZAS，2006; CAPPA和CANTET，2007; YE和JAYAWICKRAMA，2008; FINLEY等人，2009）。即使在似乎均勻的條件和強烈的場地管理下建立的小實驗（<1ha）也是如此（WOODS等，1995; SAENZ-ROMERO等，2001; JOYCE等，2002）。在這樣的試驗中，通常假定位點變異性的量（幅度和方向）明明最小，在實驗單元（即，地塊，樹木或植物）中僅存在小的隨機微位點變化。雖然完全隨機設計（CRD）通常被認為足以揭示研究的變異來源之間的重要差異（LOO-DINKINS 1992），但在大多數情況下，存在於「誤差項」中的變異量可能相當高EL-KASSABY和PARK，1993; REHFELDT，1995; KRAKOWSKI等，2005; ST.COLIR，2006）。雖然CRD的主要優點是更容易建立，但其分析的簡單性，這種簡單的實驗設計不太可能解釋大多數環境變化。為了減少環境變率的影響，統計學家，作物和樹種育種者設計或採用了更有效的實驗布局。隨機完全塊（RCB）或不完全塊設計，試圖先驗地將站點的異質性分為均勻塊。然而，設置這樣的假設通常是不現實的或弱的，因為在同一塊內進行的兩個最遠距離測量應當在理論上共享相同的方差，而兩個塊的邊界上的相鄰樹的兩個近距離測量被假定為隨不同的幅度變化。這種差異的大小隨著實驗的大小的增加而增加。解決這個問題的一個策略是通過考慮實驗的期望功率並將大小限制到最小來最小化實驗的大小。不幸的是，在大多數情況下，即使在最有效的實驗布局下，空間異質性在建立階段是未知的，並且僅在評估階段顯露。因此，有必要在評價模型內對這種變異性進行後驗建模。
空間模型允許通過包括兩個主要部分來建模場地異質性;即「局部趨勢」或小規模和「全球趨勢」或大規模變化（GRONDONA等，1996）。已經開發了若干前後方法並應用於森林遺傳試驗以更准確地說明位點異質性。小規模空間異質性的影響通常通過將隨機空間相關結構包括在模型中來解釋。這樣的殘差矩陣被表示為行和列的一階自回歸殘差的Kro-necker積（GILMOUR等人，1997）。此外，在森林遺傳和其他試驗中，小尺度空間變異性已用最近鄰技術建模（MAGNUSSEN，1990; ANEKONDA和LIBBY，1996; JOYCE等，2002; KROON等，2008 ）或克里金（HAMANN等人，2002; ZAS，2006）。解釋了大規模連續空間變化的一些方法已經通過後阻塞來建模（ERICSSON，1997; LOPEZ等，2002; GEZAN等，2006; KROON等，2008） （THOMSON和EL-KASSABY，1988; FEDERER，羨輪1998; SAENZ-ROMERO等，2001）或協變數或平滑樣條函數（GILMOUR等人，1997; VERBY- LA等人，1999）。 GILMOUR at al。 （1997），在農業三年，和COSTA eSILVA等。 （2001）和DUTKOWSKI et al。 （2002）在林木場實驗中，推薦通過固定或隨機分類變數擬合可分離的二維自回歸殘差和一維的大規模變化（全局）來建模小規模變化（COSTA e SILVA et al。 2001），或包括空間坐標的固定效應作為多項式或三次平滑樣條（DUTKOWSKI等人，2002）。然而，全球趨勢加自回歸殘差的擬合沒有成功或產生很少或沒有改善，因此DUTKOWSKI等人（2006）建議保留空間模型中的設計項。此外，全局趨勢的大部分通常存在於二維中，並且在一維中存在非隨機函數，例如多項式（FEDER-ER，1998）或三次平滑樣條（VERBYLA等，1999）解釋空間協方差。此外，極其罕見的是，僅在行或列的方向上發現大規模連續空間變異性，並且必須考慮行和列之間的某種相互作用以考慮這種變化性（FEDERER， 1998）。為此，FEDERER（1998）提出了在行和列的多項式之間擬合相互作用。然而，當在極端擬合觀察時，多項式做的不好;即極端觀測在估計的參數中具有大的影響，並且對於更高次的多項式尤其如此。
花樣作為多項式的替代方法，也被用於處理環境異質性（CAPPA和CANTET，2007）。樣條是來自較低次多項式的段的分段多項式函數（GREEN和SILVERMAN，1994）。段連接的位置稱為節點。樣條能夠以復雜的變化模式捕獲數據中存在的大部分蜿蜒，而不會受到數值不穩定性的影響。特定類型的樣條是「基本樣條」（B樣條），其是局部基函數，由通常為線性，二次或立方的度為d的多項式段組成，在連接點處具有d-1個連續導數，或結。 EILERS和MARX（1996）提出了在一個維度上具有等間距結的懲罰樣條（P樣條），引入影響B樣條參數的第一或第二差異的懲罰。罰分控制擬合函數時的平滑度。 EILERS和MARX（2003）擴展了它們的方法，使用B樣條的張量積來估計二維表面。應用於一個或兩個維度（EILERS和MARX，1996; 2003），B樣條函數的參數被視為固定效應;然而，樣條與混合模型密切相關（RUPPERT et al。，2003; WAND，2003）。在最近的一項研究中，CAPPA和CANTET（2007）提出使用基於混合模型框架的三次B樣條的張量積，將B樣條函數參數作為隨機變數進行處理（即，使用協方差結構隨機結效應）在二維網格中。他們表明，該方法可以解釋大規模連續空間變化的個別試驗的森林遺傳評價，使用貝葉斯技術通過吉布斯抽樣，以推斷模型的所有色散參數。 CAPPA等人（未出版）擴展了CAPPA和CANTET（2007）的方法，證明其在適應西方鐵杉（Tsuga heterophylla（Raf。）Sarg。）的幾個大型森林遺傳學試驗的空間異質性的復雜模式中的應用，樹圖設計。他們建模了不同的空間變異模式，包括：a）小規模變化，b）小規模變化以及一維（即橫跨行或列）的大規模變化，以及c）小規模變化，兩個維度（即，橫跨行和列）的大規模變化。新的二維表面與「重復組」和不完全塊「先驗」設計相比，將十個位點的後驗均值減少了3.4至48.2％。這導致h2的後驗平均值從25.0增加到76.7％，並且對於親本和後代育種值估計的精確度增加高達3.2％。
不管在大型試驗中實施的改進，B樣條基的張量乘積對解釋空間變異性的性能是未知的，具有有限的信息（即，更少數量的數據點，在行和列中，兩個 - 可以估計尺寸表面）。使用兩個不同的實驗數據集的本研究的目的是研究使用B樣條的張量積來表示相對較小（例如，576m 2和5,705m 2）的空間變化的表面擬合的效用，最先進的基因試驗，具有先驗簡單的CRD和大的多樹連續圖配置。此外，我們擴展CAPPA和CANTET（2007）單樹混合模型，使用立方B樣條的張量乘積到單個樹混合模型，其中線性，二次和三次B樣條的張量乘積具有不同的節數行和列來模擬空間異質性。將包括擬合表面的混合模型的所有色散參數的所得到的估計最終與具有包括圖到圖的環境效應的單樹模型的經典CRD分析的相應估計進行比較。
對兩個數據集評估了幾個單樹添加模型。所有模型，包括總平均值的固定效應，具有協方差矩陣A 2 a的正態分布隨機添加遺傳效應（a，育種值），A是所有樹中的附加關系矩陣（HENDERSON，1984）遺傳方差（σ2a）和具有平均零和方差σ2e的正態分布隨機誤差（e）。經典的個體樹模型還包括一個正態分布的隨機效應項（p），均值為零，方差為σ2p。在其他模型中，為了解釋空間變異性，根據CAPPA和CANTET（2007），我們使用線性，二次和三次B的張量積將古典模型擴展為具有二維表面的單樹混合模型-splines。令Y是分別包含西部落葉松和蘇格蘭松樹試驗的HT的樹個體觀察值的行（R = 110）×列（C = 60或75）的順序矩陣。為了將Y轉換為向量，我們使用'vec'運算符（HARVILLE，1997;第339頁），其中n（或R x C）x 1向量y是從Y：y = vec 。然後，在矩陣符號中，每個單樹混合模型，具有平滑的表面以考慮空間變異性，可以被描述為
y = + Bb + Zaa + e [1]
其中B具有尺寸nx（nxr =行的節數x nxc =列的節數），並且等於B =（Br ?1'nxc）＃（1'nxr ?Bc），Bi（i = r或c）是包含以線性，二次或三次B樣條基表示每行和每列所需的d + 1個非零B樣條基的n×nxi階矩陣。因此，為了在Bi（i = r或c）中表示作為B樣條基函數的一行（或列），需要2個線性B樣條基，或3個二次B樣條基，或4個立方B-樣條基，樣條基。使用DE BOOR（1993）的遞歸演算法進行Bi（i = r或c）系數的計算。符號？和＃分別表示矩陣的Kronecker和Hadamard乘積（HARVILLE，1997）。階數（n×r×n×c）×1的參數向量b包含B樣條的張量乘積的參數（即隨機結效應，RKE）。隨機向量b的分布使得b〜N（0，U≥2b）。標量α2 b是行和列的RKE的方差，階數U（nxr x nxc）x（nxr x nxc）是B樣條節的兩個維數的協方差結構。在本研究中，我們選擇由GREEN和SILVERMAN（1994;第13頁）最初提出的三對角矩陣，然後由DURBAN等人使用。 （2001）以適應生育趨勢。在CAPPA和CANTET（2007）中可以找到使用具有相等行數和列數的立方體B樣條的張量積的二維表面（Bb）的更詳細的解釋。
具有適用於西部落葉松和蘇格蘭松數據集的平滑表面（模型1）的單樹混合模型的序列在行和列的節數以及基函數的擬合程度上不同。使用由M.WAND（參見RUPPERT，2002）建議的標准大約選擇最小結節數，該標准選擇每t次觀察和t = min（r / 4（或c / 4），35）設置結。因此，對於西部落葉松和蘇格蘭松數據集，分別指定用於行的高達3節和4節以及用於列的高達2節和4節。線性（L），二次（Q）和三次（C）多項式段，即度數d = 1,2和3的基函數是供體。如在P-樣條方法中，選擇在行和列上相等間隔的結。
殘差的空間分析為了識別兩個數據集中的空間模式，我們使用具有固定總平均值和隨機的模型，檢查了繪圖平均值的殘差的空間分布（即，來自給定家族圖的所有樹的平均值）家庭效應。應該注意的是，在這種情況下，由於兩個試驗中的家族的半同胞結構（不包括大批果園批次），所得到的殘差仍然包含3/4的加性遺傳方差。 HT殘差的空間分布如圖1a所示，其中顏色強度代表圖中殘差的大小：點越暗，殘差越大（注意，圖中的殘差不是隨機分布的，在兩個實驗領域）。此外，存在明顯的證據表明在行或列上存在一些不同的殘差圖案，其指示在行和列位置之間的相互作用的存在以及對二維平滑的需要。
貝葉斯推理和模型比較通過Gibbs采樣的貝葉斯方法用於估計古典單樹模型和所有具有平滑表面的模型[1]中的參數，遵循CAPPA和CANTET（2007）。對於所有參數選擇共軛先驗密度。為了反映固定效應的不確定性的先前狀態，同時保持後驗分布適當，我們選擇？ 〜Np（0，K），其中K是具有大元素的對角矩陣（kii> 108）。對於θ2p，θ2 b，θ2a和θ2 e的先驗分布，我們使用具有赫泊爾（hipervariances）2p，β2b，α2a和α2e的縮放反相卡方和自由度ρp， b，θa和θe。因此，關節和條件後驗密度對於α，p，b和a是高斯的，對於α2 p，β2 b，α2α和α2 e是縮放的卡方。
在每次迭代結束時，對於經典的個體樹模型，將HT的個體樹狹義遺傳率計算為h 2 HT，一個/？ a +？ p +？ e，其中〜2〜2〜2〜一個， ？ p，？ e是在給定迭代下采樣的加法，圖和誤差〜2〜2〜2方差的值。對於具有平滑表面（模型1）的每個單樹混合模型，h2HT被計算為h2HT =一個/？ a +？ e。 〜2〜2〜2繪制了一條10,10,000個樣品的單個吉布斯鏈，並且前10,000次迭代作為老化被丟棄。另外100萬個樣本用於計算邊緣後分布的總結。通過高斯核方法（SILVER-MAN，1986;第2章）估計所有參數的邊際後密度。使用「Bayesian OutputAnálisis」（BOA版本1.0.1; SMITH，2003）對於從1到50的所有滯後計算自相關。平均值，模式，中值，標准偏差和95％高後密度區間（95％HPD）然後用自由軟體R（http： //www.r- project.org/ ）下的個體邊際後代的所有參數用BOA計算。
計算偏差信息准則（DIC; SPIEGEL-HALTER等，2002）以比較每個模型的擬合。 DIC標准被定義為其中D - （ΔM）是偏差的後驗平均值，pD是「有效參數數量」。因此，DIC將模型擬合度（D - （ΔM））與模型復雜度（pD）的測量結合起來。較小的DIC值表示更好的擬合和較低的模型復雜度。
在CAPPA和CANTET（2006）中給出了在多特徵個體樹模型中計算DIC的數值細節。通過殘差的空間模式和得到的估計表面之間的視覺比較提供了附加模型比較。最後，使用以下表達式計算育種值預測的准確度：其中PEV表示使用「最佳線性無偏預測因子」（BLUP）的預測育種值的「預測誤差方差」（HEN-DERSON，1984）的父母和子女。還計算使用SAS的PROC CORR的Spearman秩相關，以比較在具有繪圖至繪圖環境效應的經典單樹模型與具有二維表面的最佳單樹模型之間預測育種值的排名是否不同。
未考慮森林遺傳試驗的空間變異性導致估計遺傳參數和預測育種值的偏差（Magnussen 1993，1994），因此選擇的精確性降低，從而降低遺傳增益 。在當前的研究中， 我們展示了如何使用B樣條基的張量積，通過混合模型在Eilers和Marx的P樣條的精神中擬合二維表面（1996，2003 ） 。通過貝葉斯方法也獲得了二維中的P-樣條，如Lang和Brezger（2004）所示。這些作者將差異矩陣3視為一階或二階隨機遊走。我們的方法不同於他們在差異3的奇異矩陣通過在兩個維度中的RKE的適當方差 - 協方差矩陣的替換。在這樣做時， 我們將B樣條基的張量積擴展為單樹混合模型，以解釋大規模連續空間變異性。因此，模型包含沿著列和行的方向平滑的表面 。 Gilmour at al。 （1997）通過擬合多項式或三次平滑樣條來模擬農業試驗的一個維度的大規模變化 。然而，在樹木種植在正方形或矩形的森林遺傳試驗中，全球趨勢的很大一部分通常存在於兩個方面。此外，非常罕見的是，僅在行或列的方向上發現大規模連續的空間變異性，並且必須考慮行和列之間的某種相互作用以解釋這種變異性（Federer 1998 ）。雖然存在幾種平滑的統計方法來捕獲一維的變化的非近似性，但是二維中的方法不太豐富。為了這個目的，Federer（1998）提出了 行和列的多項式之間的擬合相互作用 。然而，當在極值擬合觀察值時，多項式的工作做得很差。此外，數據的小變化在參數的估計值中產生顯著的效果，並且對於更高級的多項式尤其如此。另外，應該選擇多項式的范圍，這反過來引入模型選擇的問題。相反，我們提出使用P樣條估計平滑表面。該方法是靈活的，因為 B樣條函數對數據是局部敏感的，並且在數字上有很好的條件 。方差σ2 b用於平滑行和列的效果。在Eilers和Marx（2003）和Lang和Brezger（2004）的方法中，使用了行和列的不同方差。 Lang和Brezger（2004）進一步使用了分散參數的局部自適應估計。在未來的研究中，我們可以考慮平滑具有不同色散參數的行和列，盡管我們不清楚這種方法對於擬合的質量（即DIC的值）可能比我們更有利。 Eilers和Marx的P樣條方法（1996，2003）包括使用具有等間距結的立方體B樣條。在這種方法中，關鍵參數是懲罰或平滑因子？ （見方程2和5），並且樣條中的結的數量對於擬合是不重要的，只要有「足夠」多的（Eilers和Marx 1996; Cantet等人2005）。在P樣條的混合模型方法中，？是等式2中的比率α2e=α2b（Cantet等人2005）。從表1可以看出，與其他方差分量相比，α2b（α的分母）的大小對結的數量敏感。已知的是，非常少的結的擬合產生偏差，其隨著結的數量的增加而迅速減小（Ruppert 2002）。一旦達到最小數目，增加結的數目給出令人滿意的擬合（Ruppert 2002）。 Cantet et al。 （2005）發現，對於具有20,40,60,80或120個等間距結的模型，改進的Akaike信息標準的值幾乎相等。然而，方差分量的受限最大似然估計對於120節的某些模型沒有收斂。對於達到120節的收斂的情況，對於沒有記錄數據的間隔的擬合存在一些不一致。可以得出結論，除了極端量之外，結的數量不是關鍵的，並且通常有幾個結數產生類似的擬合並產生方差分量的類似估計。在當前的研究中，將節數從18減少到8產生了更平滑的表面（圖3）。雖然模型用12？ 12節顯示的DIC最小，DIC之間的差異在12個模型之間？ 12和18？ 18節很小。這也適用於從兩個模型獲得的h2DBH的估計：第三個小數位的差異。在P樣條的混合模型方法中，RKE的協方差結構代替了方程中差異的任何奇異矩陣。在本研究中，Durban等人提出的三對角矩陣（2001）被選擇來建模RKE之間的列和行的協方差。該公式比Cantet等人使用的密集相關結構更簡單。 （2005）和Hyndman et al。 （2005），其中在所有RKE中存在完全依賴性。後者的協方差結構具有比Durban等人使用的更大的DIC。 （2001），如題為分析模型一節所述。然而，對於α2a（3.668,3.753和3.754），對於σ2e（10.994,10.76和10.275）和對於h2DBH（0.250,0.258和0.267），從具有協方差的模型結構使用Cantet等。 （2005），Hyndman et al。 （2005），和Durban et al。 （2001）。另一方面，來自這三種模型的β2b的估計值是非常不同的：11.931,1.611和22.317。這與Cantet等人獲得的結果一致。 （2005）。在分析育種數據時，有一些使用B樣條函數的一些例子。因此，動物育種者使用樣條來模擬功能育種值（White等人1999; Bohmanova等人2005）或管理單位和時間的影響（Cantet等人2005）。在森林遺傳育種中，Cornillon et al。 （2003）使用固定效應模型使用B-樣條模型桉樹克隆的時間功能育種值。 Magnussen和Yanchuk（1994）將樣條函數擬合為觀測數據，以便估計來自道格拉斯杉木的非記錄時間的個體高度。然後將得到的數據用於預測非記錄年齡的育種值和遺傳分布參數。平滑表面的擬合對子球體試驗在E. globulus subsp。球狀體與B樣條的張量乘積而不是先驗塊設計一致地增加了Δ2A和h2DBH的後驗均值（表1）。結果與Zas（2006）的結果一致，Zas（2006）使用克里金法計算空間變異性，並且與Dutkowski等人的不同。 （2002,2006）。在後一種情況下，在調整AR（1）之後獲得Δ2A的不一致估計。 AR（1）協方差結構到模型的殘差。在我們的數據中，空間模型產生的估計的精度的增加，可以注意到在低得多的標准偏差和95％高後驗概率密度間隔的較窄的值，當與估計從具有塊的模型（表1）。此外，用空間模型計算的來自親本和後代的育種值的准確度高於從具有塊效應的模型估計的對應值（表2），這是由於估計的加性方差的增加和估計誤差的降低方差（表1）。當與隨機完全區塊設計進行比較時，Costa e Silva等報道了空間模型的精度提高。 （2001）的樹高和Zas（2006）的樹徑。 Costa e Silva et al。 （2001）分析了12項試驗，發現父母和後代的預測加性效應的精確度提高了71％。此外，Zas（2006）報告了校正空間相關變異後，BLUP的家庭效應的准確性顯著增加，從0.40-0.63增加到0.72-0.79。 Dutkowski等人發現精度的增益較小。 （2002,2006） ，但仍然在空間模型的方向與模型的塊。准確度增益的很大一部分是由於以下事實： 並非所有的空間變異性都通過使用塊設計（Singh等人2003）的變異性來解釋為塊間變異性，否則其將變為誤差方差 。因此，與使用模型的分析相比，顯示大規模連續空間變化的數據分析（例如由可變深度的石油層引起的數據）通過空間模型將很可能提高選擇的准確性。塊。在當前的研究中，我們使用具有平滑表面的單樹混合模型，模擬沿著站點的連續和永久的空間變異性。在森林遺傳評價中，微地點水平的空間變異用最近鄰的技術建模（Magnussen 1990; Costa e Silva et al.2001; Dutkowski et al.2002）或用克里金法（Hamann et al.2002 ; Zas 2006）。然而， 植物間競爭可能是影響鄰居之間相關性的小規模空間變異的另一個來源 （Magnussen 1994）。混合模型6不考慮樹木之間的遺傳競爭，這可以偏向σ2A的估計（Cappa和Cantet 2007）。
然而，分析中使用的樹齡為6歲，因此競爭不強或不存在。對於在競爭效應相當大的年齡測量樹木的情況，最好同時適應連續的空間變異和競爭的遺傳效應。更重要的是，值得將本研究所提出的方法與其他空間技術通過計算機模擬進行比較，這是未來研究的主題。
5. 零基礎學Python應該學習哪些入門知識
1、Python入門導學
Python的特性、優點、缺點、前景以及 python能做些什麼？
2、Python環境安裝
一鍵安裝Python的編譯環境，寫出第一段Python代碼
3、理解什麼是寫代碼與Python的基本類型
Python的基本類型，包括整形、浮點型；10、8、2、16進制數的意義和轉換關系；布爾類型；字元串與字元串常見運算操作
4、Python中表示「組」的概念與定義
了解「組」的概念，以及在Python中用來表示「組」的一些類型，包括：元組、列表、集合和字典。
5、變數與運算符
了解變數的意義與七種運算符，並對每一種運算符的擴展做出詳細的講解
6、分支、循環、條件與枚舉
代碼的基本邏輯結構，包括條件控制（if else）、循環控制（for in 、while）、表達式與運算符的優先順序。此外，還有Python的枚舉類型以及Python編碼的規范。
7、包、模塊、函數與變數作用域
了解Python代碼的組織結構核心：包、模塊與函數。需要對Python代碼的組織結構有一個非常清晰的認識。重點是函數，除了了解函數的基本概念外，還需要了解Python靈活的函數參數機制（默認參數、關鍵字參數與列表參數）。
8、Python函數
函數是所有語言中都具備的基本代碼組織結構。函數的重要性不言而喻。而對於Python來說，函數的用法及其靈活，遠比其他語言要強大很多。了解Python函數的定義、調用、序列解包、必須參數、關鍵字參數、默認參數等諸多內容。
9、高級部分：面向對象
了解面向對象的概念。包括面向對象的三大特性（繼承、封裝、多態）、類的基本構成元素、python的內置類屬性、方法重寫、運算符重載、靜態方法等
10、正則表達式與JSON
正則表達式也是文本解析中非常重要的知識點。了解如何在Python中編寫正則表達式與常見的正則表達式。此外，重點了解包括JSON對象，JSON字元串，Python類型與JSON的轉換。
11、Python的高級語法與用法
了解Python進階部分的高級特性，如枚舉、閉包
12、函數式編程： 匿名函數、高階函數、裝飾器
進一步了解函數式編程的lambda、mapece、filter以及裝飾器
13、實戰：原生爬蟲
學習如何訪問網路數據、獲取與解析網路數據、爬蟲的基本原理解釋。並用最基礎語法不使用爬蟲框架的原生爬蟲項目。
14、Pythonic與Python雜記
了解擴展Python的優秀寫法，學會如何寫出優質的Pythonic風格的代碼。包括：如何讓字典保持有序、lmbda表達式的應用等高級Python知識
6. 有沒有人知道VEC是什麼
VEC是一個Gameflip公司發布的代幣，主要用於想要把游戲行業的數字產品轉移到區塊鏈上。
2018年，GameFlip計劃啟動VEC，推出基於區塊鏈的去中心化代幣交易系統。目前從官網和白皮書上能夠獲知的信息相對較少。根據官網信息，GameFlip的VEC主要包括以下幾個方面：1游戲玩家可在區塊鏈上擁有並安全保存其游戲數字產品；2使VEC代幣機製得以流通；3通過對區塊鏈的延伸使得游戲交易、代幣流通相結合。
2019年，Gameflip團隊還創建了一個價值1000萬美元的VEC雲礦機項目，這有助於他們將VEC代幣更靈活化的使其得以流通。在此基礎上，該團隊對其建立的靈活及安全的解決方案有信心，也促使發行商可以放心地將他們的數字產品放在區塊鏈上，並靈活地控制他們在去中心化生態系統中使用VEC代幣進行的交易。
7. 基於Gensim的文本相似度計算
Gensim 是一個Python的自然語言處理庫，所用到的演算法，如 TF-IDF （Term Frequency–Inverse Document Frequency）, 隱含 狄利克雷分配 （Latent Dirichlet Allocation，LDA）, 潛在語義分析 （Latent Semantic Analysis，LSA） 或 隨機預測 （Random Projections）等, 是通過檢查單詞在訓練語料庫的同一文檔中的統計共現模式來發現文檔的語義結構，最後轉化成向量模式，以便進行進一步的處理。此外，Gensim還實現了word2vec功能，能夠將單詞轉化為詞向量。
語料（corpus） 是一組原始文本的集合，用於無監督地訓練文本主題的隱層結構。語料中不需要人工標注的附加信息。在Gensim中，Corpus通常是一個可迭代的對象（比如列表）。每一次迭代返回一個可用於表達文本對象的稀疏向量。
向量（vector） 是由一組文本特徵構成的列表。是一段文本在Gensim中的內部表達。
詞典（dictionary） 是所有文檔中所有單詞的集合，而且記錄了各詞的出現次數等信息。
模型（Model） 是一個抽象的術語。定義了兩個向量空間的變換（即從文本的一種向量表達變換為另一種升攜孝向量表達）。
用一個實驗去理解：
# -*- coding: UTF-8 -*-
from gensim import corpora,similarities,models
import jieba
classGensimExp(object):
def__init__(self,documents,test_document,Type,feature_num,best_num):
self.raw_documents = documents
self.test_document = test_document
self.SimCalType = Type
self.num_features = feature_num
self.num_best = best_num
defCalSim(self):
corpora_documents = []
#分詞
foritem_textinself.raw_documents:
item_seg = list(jieba.cut(item_text))
corpora_documents.append(item_seg)
# 生成字典和語料隱歲
dictionary = corpora.Dictionary(corpora_documents)
# 計算每一條新聞對應的bow向量
corpus = [dictionary.doc2bow(text)fortextincorpora_documents]# 迭代器
ifself.SimCalType =='Similarity-tfidf-index':
# 統計corpus中出現的每一個特徵的IDF值吵稿
tfidf_model = models.TfidfModel(corpus)
corpus_tfidf = tfidf_model[corpus]
self._similarity = similarities.Similarity(self.SimCalType, corpus_tfidf, \
num_features=self.num_features,num_best=self.num_best)
test_cut_raw = list(jieba.cut(self.test_document))
test_corpus = dictionary.doc2bow(test_cut_raw)
# 根據訓練後的model，生成IF-IDF值，然後計算相似度
self._test_corpus=tfidf_model[test_corpus]
elifself.SimCalType =='Similarity-LSI-index':
lsi_model = models.LsiModel(corpus)
corpus_lsi = lsi_model[corpus]
self._similarity = similarities.Similarity(self.SimCalType, corpus_lsi, \
num_features=self.num_features,num_best=self.num_best)
test_cut_raw = list(jieba.cut(self.test_document))
test_corpus = dictionary.doc2bow(test_cut_raw)
self._test_corpus=lsi_model[test_corpus]
self.Print_Out()
defPrint_Out(self):
string ='The Most Similar material is '
fortplinrange(len(self._similarity[self._test_corpus])):
iftpl != len(self._similarity[self._test_corpus]) -1:
string = string + str(self._similarity[self._test_corpus][tpl][0]) \
+'('+ str(self._similarity[self._test_corpus][tpl][1]) +'),'
else:
string = string + str(self._similarity[self._test_corpus][tpl][0]) \
+'('+ str(self._similarity[self._test_corpus][tpl][1]) +')'
print(string)
if__name__=='__main__':
raw_documents = [
'0 1月19日，中信集團與騰訊在深圳簽署戰略框架協議，宣布將推進雲和大數據、區塊鏈、人工智慧等技術領域的業務合作，積極探索實體產業的數字化轉型升級路徑。',
'1 浦發銀行公告稱，公司成都分行因違規辦理信貸業務等違規行為被銀監會罰款4.62億元，處罰金額已全額計入2017年度公司損益，對公司的業務開展及持續經營無重大不利影響。 ',
'2 【浦發回應浦發成都分行違規被罰4.62億：深感愧疚】從浦發銀行總行方面了解到，浦發銀行對於成都分行發生的違規發放貸款案件深感愧疚；對於監管部門的查處表示堅決支持和接受，同時將以此為鞭策強化自身管理，堅持從嚴治行，在未來的經營發展中始終將依法合規經營作為立行之本。（一財）',
'3 蘇試試驗公告，公司1332萬股首次公開發行前已發行股份將於1月24日解禁，占公司總股本的10.61%；解禁日實際可上市流通股份為1221.5萬股,占總股本的9.73%。本次申請解除股份限售的股東有蘇州試驗儀器總廠和鍾瓊華、陳晨、武元楨、陳英等4位自然人股東。',
'4 波士頓科學和國葯控股子公司據悉參與競購XIO旗下的Lumenis。',
'5 蘇寧雲商回復深交所問詢函：蘇寧金融研究院於2017年7月正式成立區塊鏈實驗室，該實驗室針對區塊鏈技術及其在金融行業的應用進行研究，旨在利用區塊鏈技術為蘇寧金服業務及蘇寧銀行業務提供技術支撐。蘇寧銀行區塊鏈國內信用證信息傳輸系統採用聯盟鏈方式，只在聯盟銀行之間免費使用，不對外直接提供服務，該系統無直接收入產生。',
'6 龍馬環衛公告，公司1.60億股首次公開發行限售股將於1月26日上市流通，涉及股東包括現任董事、監事及高管張桂豐等17人。',
'7 航天工程公告，公司3.24億股首次公開發行限售股將於1月29日上市流通，涉及股東為中國運載火箭技術研究院、航天投資控股有限公司、北京航天動力研究所、北京航天產業投資基金（有限合夥）及全國社會保障基金理事會轉持二戶。',
'8 大千生態公告，公司與江蘇大千設計院有限公司組成的聯合體，預中標高淳區東壩鎮特色田園鄉村建設項目EPC總承包項目，項目投資估算約1.4億元。項目的順利實施，將對公司本年度的經營業績產生積極影響。',
'9 1954年2月19日，蘇聯最高蘇維埃主席團，在「兄弟的烏克蘭與俄羅斯結盟300周年之際」通過決議，將俄羅斯聯邦的克里米亞州，劃歸烏克蘭加盟共和國',
'10集友股份公告，公司預計2017年實現凈利潤與上年同期相比，將增加約4250萬元至5300萬元，同比增加約80.49%-100.37%，上年同期實現盈利5280.38萬元。本期收入較上期增長較多，營業利潤較上期增長；收到的政府補助及理財收益等非經常性損益事項對公司凈利潤的影響約為3200萬元。',
'11【千山葯機：大股東質押股票跌破平倉線】千山葯機公告，第一大股東、實控人之一劉祥華合計持有公司14.83%股權。目前，劉祥華共質押公司13.78%股權。劉祥華質押給國泰君安證券的2980.8萬股股票已跌破平倉線。公司目前正在被證監會立案調查，根據有關規定，公司在被立案調查期間大股東不得減持（包括股權質押平倉）公司股份。因此本次劉祥華質押的股票跌破平倉線不會導致公司實際控制權發生變化。',
'12天馬精化：子公司擬逾億元控股中科電子，加碼供應鏈管理發展戰略。',
'13超華科技公告，於近日收到參股子公司貝爾信員工通知，反饋貝爾信公司近期與其董事長鄭長春無法取得聯系。截至目前，公司亦尚無法與貝爾信董事長鄭長春取得聯系。經與貝爾信主要股東商議，經貝爾信董事會審議通過後將由貝爾信現有管理層組成臨時工作小組，以維持貝爾信正常生產和經營秩序。公司全面開展對貝爾信的核查，以維護上市公司及股東的利益。',
'14勝宏科技公告，公司預計2017年實現盈利2.8億元-2.9億元，同比增長20.65%-24.96%，上年同期盈利2.32億元。報告期內，公司預計非經常性損益對凈利潤的影響約1000萬-1300萬元。',
'15東旭光電公告，控股股東東旭集團員工成長共贏計劃已完成對公司股票的購買，總計購買公司股票1119.01萬股，占總股本的0.2%，成交金額合計約1.02億元，成交均價約9.12元/股。'
]
Obj1 = GensimExp(raw_documents,'數字化轉型升級路徑','Similarity-tfidf-index',600,5).CalSim()
Obj2 = GensimExp(raw_documents,'違規辦理信貸業務','Similarity-tfidf-index',600,3).CalSim()
Obj3 = GensimExp(raw_documents,'本期收入較上期增長較多','Similarity-LSI-index',400,2).CalSim()
實驗結果：
由於語料庫不多，選擇返回相似的文本個數較少，不過也能大致看出判斷是正確的。(PS:分詞的過程中沒有進行停用詞處理)
參考：
https://radimrehurek.com/gensim/tutorial.html