vec区块链
1. 零基础学Python需要从哪里开始
即使是非计算机专业或者没有基础的小白，也能分分钟入门。Python的设计哲学是“优雅”、“明确”、“简单”，也因此决定了它是最文艺的编程语言。所以，也极力推荐妹子来学Python。语法清楚，干净，易读、易维护，代码量少，简短可读性强，团队协作开发时读别人的代码速度会非常快，更高效。通俗来说：“写起来快、看起来明白!”
IT行业是一个需要不断自我挑战的行业，这就让很多人都想要进行尝试、挑战。IT行业的工作属于脑力劳动，需要不断攻克难关，且在工作的过程需要不断更新自己的技能知识，跟上时代的脚步。在该行业，从业者能够不断突破自己，一步步得到自我提升。
先要学习python的注释、标识符、数据类型、函数和面向对象编程，学完这些之后可以向更高阶的学习：装饰器，生成器，迭代器。对新手来说最重要的就是打好基础，这部分要多花点功夫去把基础打牢。
其次最好可以找到相关的教育机构，专业的老师带领会入门快接受快。选好适合自己的培训机构不同的培训机构在Python培训内容上也各有不同
首先先从网课或者资料了解一下自己想从事的方向，先了解后选择方向。
2. 如何阅读 effective c++
转载 记得前段时间又一次拿起《Effective C++》的时候，有种豁然开朗的感觉，所以翻出了我第一遍读时做的笔记。只做参考以及查阅之用。如有需要请参阅《Effective C++》书本。 by shenzi/2010.5.17
一.让自己习惯C++
条款01：视C++为一个语言联邦
为了更好的理解C++，我们将C++分解为四个主要次语言：
C。说到底C++仍是以C为基础。区块，语句，预处理器，内置数据类型，数组，指针统统来自C。
Object-Oreinted C++。这一部分是面向对象设计之古典守则在C++上的最直接实施。类，封装，继承，多态，virtual函数等等...
Template C++。这是C++泛型编程部分。
STL。STL是个template程序库。容器（containers），迭代器（iterators），算法（algorithms）以及函数对象（function objects）...
请记住：
这四个次语言，当你从某个次语言切换到另一个，导致高效编程守则要求你改变策略。C++高效编程守则视状况而变化，取决于你使用C++的哪一部分。
条款02：尽量以const，enum，inline替换#define
这个条款或许可以改为“宁可 以编译器替换预处理器”。即尽量少用预处理。
编译过程：.c文件－－预处理－－>.i文件－－编译-－>.o文件－-链接－－>bin文件
预处理过程扫描源代码，对其进行初步的转换，产生新的源代码提供给编译器。检查包含预处理指令的语句和宏定义，并对源代码进行相应的转换。预处理过程还会删除程序中的注释和多余的空白字符。可见预处理过程先于编译器对源代码进行处理。侍虚预处理指令是以#号开头的代码行。
例：#define ASPECT_RATIO 1.653
记号名称ASPECT_RATIO也许从未被编译器看见，也许在编译器开老扒燃始处理源代码之前它就被预处理器移走了。即编译源代码时ASPECT_RATIO已被1.653取代。ASPECT_RATIO可能并未进入记号表（symbol table）。
替换：const double AspectRatio = 1.653；
好处应该有：多了类型检查，因为#define 只是单纯的替换，而这种替换在目标码中可能出现多份1.653；改用常量绝不会出现相同情况。
常量替换#define两点注意：
定义常量指针：
const char *authorName = “Shenzi”；
cosnt std::string authorName("Shenzi");
类专属常量：
static const int NumTurns = 5；//static 静态常量 所有的对象只有一份拷贝。
万一你编译器不允许“static整数型class常量”完成“in calss初值设定”（即在类的声明中设定静态整形的初值），我们可以通过枚举类型予以补偿：
enum { NumTurns = 5 }；
*取一个const的地址是合法的，但取一个enum的地址就不合法，而取一个#define的地址通常也不合法。如果你不想让别人获取一个pointer或reference指向你的某个整此旁数常量，enum可以帮助你实现这个约束。
例：#define CALL_WITH_MAX(a,b) f((a) > (b)) ? (a) : (b))
宏看起来像函数，但不会招致函数调用带来的额外开销，而是一种简单的替换。
替换：
template<typename T>
inline void callWithMax(cosnt T &a, cosnt T &b)
{
f(a > b ? a : b);
}
callWithMax是个真正的函数，它遵循作用于和访问规则。
请记住：
对于单纯常量，最好以const对象或enums替换#defines；
对于形似函数的宏，最好改用inline函数替换#defines。
条款03：尽可能使用const
const允许你告诉编译器和其他程序员某值应保持不变，只要“某值”确实是不该被改变的，那就该确实说出来。
关键字const多才多艺：
例：
char greeting[] = "Hello";
char *p = greeting; //指针p及所指的字符串都可改变；
const char *p = greeting; //指针p本身可以改变，如p = &Anyother；p所指的字符串不可改变；
char * cosnt p = greeting; //指针p不可改变，所指对象可改变；
const char * const p = greeting; //指针p及所致对象都不可改变；
说明：
如果关键字const出现在星号左边，表示被指物事常量。const char *p和char const *p两种写法意义一样，都说明所致对象为常量；
如果关键字const出现在星号右边，表示指针自身是常量。
STL例子：
const std::vector<int>::interator iter = vec.begin();//作用像T *const, ++iter 错误：iter是const
std::vector<int>::const_iterator cIter = vec.begin();//作用像const T*，*cIter = 10 错误：*cIter是const
以下几点注意：
令函数返回一个常量值，往往可以降低因客户错误而造成的意外，而不至于放弃安全性和高效性。
例：const Rational operator* （const Rational &lhs, cosnt Rational &rhs）;
const成员函数使class接口比较容易被理解，它们使“操作const对象”称为可能；
说明：声明为const的成员函数，不可改变non-static成员变量，在成员变量声明之前添加mutable可让其在const成员函数中可被改变。
const_cast<char &>(static_cast<const TextBlock &>(*this))[position];
//static_cast 将TextBlock &转为const TextBlock &；
//const_cast将返回值去掉const约束；
请记住：
将某些东西声明为const可帮助编译器侦测出错误用法。const可被施加于任何作用域内的对象、函数参数、函数返回类型、成员函数本体；
编译器强制实施bitwise constness，但你编写程序时应该使用“概念上的车辆”（conceptual constness）；
当cosnt和non-const成员函数有着实质等价的实现时，令non-const版本调用const版本可避免代码重复。
条款04：确定对象被使用前已先被初始化
永远在使用对象之前先将它初始化。对于无任何成员的内置类型，你必须手工完成此事。至于内置类型以外的任何其它东西，初始化责任落在构造函数身上，确保每一个构造函数都将对象的每一个成员初始化。
赋值和初始化：
C++规定，对象的成员变量的初始化动作发生在进入构造函数本体之前。所以应将成员变量的初始化置于构造函数的初始化列表中。
ABEntry::ABEntry(const std::string& name, const std::string& address,
const std::list<PhoneNumber>& phones)
{
theName = name; //这些都是赋值，而非初始化
theAddress = address; //这些成员变量在进入函数体之前已调用默认构造函数，接着又调用赋值函数，
thePhones = phones; //即要经过两次的函数调用。
numTimesConsulted = 0;
}
ABEntry::ABEntry(const std::string& name, const std::string& address,
const std::list<PhoneNumber>& phones)
: theName(name), //这些才是初始化
theAddress(address), //这些成员变量只用相应的值进行拷贝构造函数，所以通常效率更高。
thePhones(phones),
numTimesConsulted(0)
{ }
所以，对于非内置类型变量的初始化应在初始化列表中完成，以提高效率。而对于内置类型对象，如numTimesConsulted（int），其初始化和赋值的成本相同，但为了一致性最好也通过成员初始化表来初始化。如果成员变量时const或reference，它们就一定需要初值，不能被赋值。
C++有着十分固定的“成员初始化次序”。基类总是在派生类之前被初始化，而类的成员变量总是以其说明次序被初始化。所以：当在成员初始化列表中列各成员时，最好总是以其声明次序为次序。
请记住：
为内置对象进行手工初始化，因为C++不保证初始化它们；
构造函数最好使用成员初始化列表，而不要在构造函数本体内使用赋值操作。初始化列表列出的成员变量，其排列次序应该和它们在类中的声明次序相同；
为免除“跨编译单元之初始化次序”问题，请以local static对象替换non-local static对象。
二.构造/析构/赋值运算
几乎你写的每个类都会有一或多个构造函数、一个析构函数、一个拷贝赋值操作符。如果这些函数犯错，会导致深远且令人不愉快的后果，遍及整个类。所以确保它们行为正确时生死攸关的大事。
条款05：了解C++默默编写并调用哪些函数
如果你自己美声明，编译器就会为类声明（编译器版本的）一个拷贝构造函数，一个拷贝赋值操作符和一个析构函数。此外如果你没有声明任何构造函数，编译器也会成为你声明一个默认构造函数。所有这些函数都是public且inline。
惟有当这些函数被需要（被调用），它们才会被编译器创建出来。即有需求，编译器才会创建它们。
默认构造函数和析构函数主要是给编译器一个地方用来放置“藏身幕后”的代码，像是调用基类和非静态成员变量的构造函数和析构函数(要不然它们该在哪里被调用呢？？)。
注意：编译器产生的析构函数是个non-virtual，除非这个类的基类自身声明有virtual析构函数。
至于拷贝构造函数和拷贝赋值操作符，编译器创建的版本只是单纯地将来源对象的每一个非静态成员变量拷贝到目标对象。
如一个类声明了一个构造函数（无论有没参数），编译器就不再为它创建默认构造函数。
编译器生成的拷贝赋值操作符：对于成员变量中有指针，引用，常量类型，我们都应考虑建立自己“合适”的拷贝赋值操作符。因为指向同块内存的指针是个潜在危险，引用不可改变，常量不可改变。
请记住：
编译器可以暗自为类创建默认构造函数、拷贝构造函数、拷贝赋值操作符，以及析构函数。
条款06：若不想使用编译器自动生成的函数，就该明确拒绝
通常如果你不希望类支持某一特定技能，只要不说明对应函数就是了。但这个策略对拷贝构造函数和拷贝赋值操作符却不起作用。因为编译器会“自作多情”的声明它们，并在需要的时候调用它们。
由于编译器产生的函数都是public类型，因此可以将拷贝构造函数或拷贝赋值操作符声明为private。通过这个小“伎俩”可以阻止人们在外部调用它，但是类中的成员函数和友元函数还是可以调用private函数。解决方法可能是在一个专门为了阻止拷贝动作而设计的基类。（Boost提供的那个类名为nonable）。
请记住：
为驳回编译器自动（暗自）提供的机能，可将相应的成员函数声明为private并且不予实现。使用像nonable这样的基类也是一种做法。
条款07：为多态基类声明virtual析构函数
当基类的指针指向派生类的对象的时候，当我们使用完，对其调用delete的时候，其结果将是未有定义——基类成分通常会被销毁，而派生类的充分可能还留在堆里。这可是形成资源泄漏、败坏之数据结构、在调试器上消费许多时间。
消除以上问题的做法很简单：给基类一个virtual析构函数。此后删除派生类对象就会如你想要的那般。
任何类只要带有virtual函数都几乎确定应该也有一个virtual析构函数。
如果一个类不含virtual函数，通常表示它并不意图被用做一个基类，当类不企图被当做基类的时候，令其析构函数为virtual往往是个馊主意。因为实现virtual函数，需要额外的开销（指向虚函数表的指针vptr）。
STL容器都不带virtual析构函数，所以最好别派生它们。
请记住：
带有多态性质的基类应该声明一个virtual析构函数。如果一个类带有任何virtual函数，它就应该拥有一个virtual析构函数。
一个类的设计目的不是作为基类使用，或不是为了具备多态性，就不该声明virtual析构函数。
3. iphone7换一块电池一般多少钱
我们可以通过以下方面判断手机是不是需要更换电池：
一、耗电快
在日常生活中，有时候我们的手机会无缘无故的自动掉电，有时候不到一分钟斗裂搜就会减少百分之一的电量，我们的电池甚至不能够使用一上午，令很多朋友总是担心手机会突然没电，导致这种情况的原因一般是电池的续航能力下降，电池显示电量为虚电;或者是电源管理IC出现故障。
二、自动关机
排除了手机的正常应用耗电的可能性以后，如果手机电量在10% 以上，那么就要考虑手机的软件兼容性问题和系统问题了。
三、手机发烫
手机发烫的原因其实是由很多方面引起的，玩游戏源带、看视频等长时间输出的电流情况;或者夏天相对温度比较高的情况下，会造成手机温度过高;第三种原因就是充电器电流不匹配造成的，如果使用非原装充电器可能会因为电流过大或者电压过高产生过热，甚至有时候会烧毁手机。
苹果售后工作人员提醒广大用户，如果手机产生过热，过烫的情况下，请用户尽量关闭手机，待手机冷却下来以后再使用手空历机。尽量不要边充电边玩手机，以免发生危险。
如无法解决你的问题，建议您携带您的手机到苹果客户服务中心进行维修。
4. cappa 2011 b spline
空间环境异质性是兄槐信现场森林遗传试验的公知特征，即使在似乎均匀的条件和密集的场所管理下建立的小实验（<1ha）中。在这样的试验中，通常假设任何简单类型的基于随机化理论的实验场设计作为完全随机设计（CRD），应该考虑任何小的位点变异性。然而，大多数已公布的结果表明，在这些类型的试验中存在通常存在于误差项中的空间变化的大分量。在这里我们应用 二维平滑表面在单树混合模型 中，使用 线性，二次和三次B样条基数与行和列的不同和相等数目的结的张量积 ，以说明环境空间变异性两个相对较小（即576平方米和5,705平方米）森林遗传试验，具有大型多树连续地块构造。一般来说， 考虑具有二维表面的位点变异性的模型显示偏离信息标准的值比经典RCD低 。当相对少量的信息可用时， 线性B样条基可以产生对环境变异性的合理描述 。 拟合平滑表面的混合模型导致误差方差（ƒƒ2e）的后验均值的减少，加性遗传方差（χ2a）和遗传力（h2HT）的后验均值的增加，增加了16.05％ 46.03％（对于亲本）或11.86％和44.68％（对于后代）的育种值的精确性 。
空间环境异质性是现场森林遗传试验的公知特征（例如，DUTKOWSKI等人，2006; ZAS，2006; CAPPA和CANTET，2007; YE和JAYAWICKRAMA，2008; FINLEY等人，2009）。即使在似乎均匀的条件和强烈的场地管理下建立的小实验（<1ha）也是如此（WOODS等，1995; SAENZ-ROMERO等，2001; JOYCE等，2002）。在这样的试验中，通常假定位点变异性的量（幅度和方向）明明最小，在实验单元（即，地块，树木或植物）中仅存在小的随机微位点变化。虽然完全随机设计（CRD）通常被认为足以揭示研究的变异来源之间的重要差异（LOO-DINKINS 1992），但在大多数情况下，存在于“误差项”中的变异量可能相当高EL-KASSABY和PARK，1993; REHFELDT，1995; KRAKOWSKI等，2005; ST.COLIR，2006）。虽然CRD的主要优点是更容易建立，但其分析的简单性，这种简单的实验设计不太可能解释大多数环境变化。为了减少环境变率的影响，统计学家，作物和树种育种者设计或采用了更有效的实验布局。随机完全块（RCB）或不完全块设计，试图先验地将站点的异质性分为均匀块。然而，设置这样的假设通常是不现实的或弱的，因为在同一块内进行的两个最远距离测量应当在理论上共享相同的方差，而两个块的边界上的相邻树的两个近距离测量被假定为随不同的幅度变化。这种差异的大小随着实验的大小的增加而增加。解决这个问题的一个策略是通过考虑实验的期望功率并将大小限制到最小来最小化实验的大小。不幸的是，在大多数情况下，即使在最有效的实验布局下，空间异质性在建立阶段是未知的，并且仅在评估阶段显露。因此，有必要在评价模型内对这种变异性进行后验建模。
空间模型允许通过包括两个主要部分来建模场地异质性;即“局部趋势”或小规模和“全球趋势”或大规模变化（GRONDONA等，1996）。已经开发了若干前后方法并应用于森林遗传试验以更准确地说明位点异质性。小规模空间异质性的影响通常通过将随机空间相关结构包括在模型中来解释。这样的残差矩阵被表示为行和列的一阶自回归残差的Kro-necker积（GILMOUR等人，1997）。此外，在森林遗传和其他试验中，小尺度空间变异性已用最近邻技术建模（MAGNUSSEN，1990; ANEKONDA和LIBBY，1996; JOYCE等，2002; KROON等，2008 ）或克里金（HAMANN等人，2002; ZAS，2006）。解释了大规模连续空间变化的一些方法已经通过后阻塞来建模（ERICSSON，1997; LOPEZ等，2002; GEZAN等，2006; KROON等，2008） （THOMSON和EL-KASSABY，1988; FEDERER，羡轮1998; SAENZ-ROMERO等，2001）或协变量或平滑样条函数（GILMOUR等人，1997; VERBY- LA等人，1999）。 GILMOUR at al。 （1997），在农业三年，和COSTA eSILVA等。 （2001）和DUTKOWSKI et al。 （2002）在林木场实验中，推荐通过固定或随机分类变量拟合可分离的二维自回归残差和一维的大规模变化（全局）来建模小规模变化（COSTA e SILVA et al。 2001），或包括空间坐标的固定效应作为多项式或三次平滑样条（DUTKOWSKI等人，2002）。然而，全球趋势加自回归残差的拟合没有成功或产生很少或没有改善，因此DUTKOWSKI等人（2006）建议保留空间模型中的设计项。此外，全局趋势的大部分通常存在于二维中，并且在一维中存在非随机函数，例如多项式（FEDER-ER，1998）或三次平滑样条（VERBYLA等，1999）解释空间协方差。此外，极其罕见的是，仅在行或列的方向上发现大规模连续空间变异性，并且必须考虑行和列之间的某种相互作用以考虑这种变化性（FEDERER， 1998）。为此，FEDERER（1998）提出了在行和列的多项式之间拟合相互作用。然而，当在极端拟合观察时，多项式做的不好;即极端观测在估计的参数中具有大的影响，并且对于更高次的多项式尤其如此。
花样作为多项式的替代方法，也被用于处理环境异质性（CAPPA和CANTET，2007）。样条是来自较低次多项式的段的分段多项式函数（GREEN和SILVERMAN，1994）。段连接的位置称为节点。样条能够以复杂的变化模式捕获数据中存在的大部分蜿蜒，而不会受到数值不稳定性的影响。特定类型的样条是“基本样条”（B样条），其是局部基函数，由通常为线性，二次或立方的度为d的多项式段组成，在连接点处具有d-1个连续导数，或结。 EILERS和MARX（1996）提出了在一个维度上具有等间距结的惩罚样条（P样条），引入影响B样条参数的第一或第二差异的惩罚。罚分控制拟合函数时的平滑度。 EILERS和MARX（2003）扩展了它们的方法，使用B样条的张量积来估计二维表面。应用于一个或两个维度（EILERS和MARX，1996; 2003），B样条函数的参数被视为固定效应;然而，样条与混合模型密切相关（RUPPERT et al。，2003; WAND，2003）。在最近的一项研究中，CAPPA和CANTET（2007）提出使用基于混合模型框架的三次B样条的张量积，将B样条函数参数作为随机变量进行处理（即，使用协方差结构随机结效应）在二维网格中。他们表明，该方法可以解释大规模连续空间变化的个别试验的森林遗传评价，使用贝叶斯技术通过吉布斯抽样，以推断模型的所有色散参数。 CAPPA等人（未出版）扩展了CAPPA和CANTET（2007）的方法，证明其在适应西方铁杉（Tsuga heterophylla（Raf。）Sarg。）的几个大型森林遗传学试验的空间异质性的复杂模式中的应用，树图设计。他们建模了不同的空间变异模式，包括：a）小规模变化，b）小规模变化以及一维（即横跨行或列）的大规模变化，以及c）小规模变化，两个维度（即，横跨行和列）的大规模变化。新的二维表面与“重复组”和不完全块“先验”设计相比，将十个位点的后验均值减少了3.4至48.2％。这导致h2的后验平均值从25.0增加到76.7％，并且对于亲本和后代育种值估计的精确度增加高达3.2％。
不管在大型试验中实施的改进，B样条基的张量乘积对解释空间变异性的性能是未知的，具有有限的信息（即，更少数量的数据点，在行和列中，两个 - 可以估计尺寸表面）。使用两个不同的实验数据集的本研究的目的是研究使用B样条的张量积来表示相对较小（例如，576m 2和5,705m 2）的空间变化的表面拟合的效用，最先进的基因试验，具有先验简单的CRD和大的多树连续图配置。此外，我们扩展CAPPA和CANTET（2007）单树混合模型，使用立方B样条的张量乘积到单个树混合模型，其中线性，二次和三次B样条的张量乘积具有不同的节数行和列来模拟空间异质性。将包括拟合表面的混合模型的所有色散参数的所得到的估计最终与具有包括图到图的环境效应的单树模型的经典CRD分析的相应估计进行比较。
对两个数据集评估了几个单树添加模型。所有模型，包括总平均值的固定效应，具有协方差矩阵A 2 a的正态分布随机添加遗传效应（a，育种值），A是所有树中的附加关系矩阵（HENDERSON，1984）遗传方差（σ2a）和具有平均零和方差σ2e的正态分布随机误差（e）。经典的个体树模型还包括一个正态分布的随机效应项（p），均值为零，方差为σ2p。在其他模型中，为了解释空间变异性，根据CAPPA和CANTET（2007），我们使用线性，二次和三次B的张量积将古典模型扩展为具有二维表面的单树混合模型-splines。令Y是分别包含西部落叶松和苏格兰松树试验的HT的树个体观察值的行（R = 110）×列（C = 60或75）的顺序矩阵。为了将Y转换为向量，我们使用'vec'运算符（HARVILLE，1997;第339页），其中n（或R x C）x 1向量y是从Y：y = vec 。然后，在矩阵符号中，每个单树混合模型，具有平滑的表面以考虑空间变异性，可以被描述为
y = + Bb + Zaa + e [1]
其中B具有尺寸nx（nxr =行的节数x nxc =列的节数），并且等于B =（Br ?1'nxc）＃（1'nxr ?Bc），Bi（i = r或c）是包含以线性，二次或三次B样条基表示每行和每列所需的d + 1个非零B样条基的n×nxi阶矩阵。因此，为了在Bi（i = r或c）中表示作为B样条基函数的一行（或列），需要2个线性B样条基，或3个二次B样条基，或4个立方B-样条基，样条基。使用DE BOOR（1993）的递归算法进行Bi（i = r或c）系数的计算。符号？和＃分别表示矩阵的Kronecker和Hadamard乘积（HARVILLE，1997）。阶数（n×r×n×c）×1的参数向量b包含B样条的张量乘积的参数（即随机结效应，RKE）。随机向量b的分布使得b〜N（0，U≥2b）。标量α2 b是行和列的RKE的方差，阶数U（nxr x nxc）x（nxr x nxc）是B样条节的两个维数的协方差结构。在本研究中，我们选择由GREEN和SILVERMAN（1994;第13页）最初提出的三对角矩阵，然后由DURBAN等人使用。 （2001）以适应生育趋势。在CAPPA和CANTET（2007）中可以找到使用具有相等行数和列数的立方体B样条的张量积的二维表面（Bb）的更详细的解释。
具有适用于西部落叶松和苏格兰松数据集的平滑表面（模型1）的单树混合模型的序列在行和列的节数以及基函数的拟合程度上不同。使用由M.WAND（参见RUPPERT，2002）建议的标准大约选择最小结节数，该标准选择每t次观察和t = min（r / 4（或c / 4），35）设置结。因此，对于西部落叶松和苏格兰松数据集，分别指定用于行的高达3节和4节以及用于列的高达2节和4节。线性（L），二次（Q）和三次（C）多项式段，即度数d = 1,2和3的基函数是供体。如在P-样条方法中，选择在行和列上相等间隔的结。
残差的空间分析为了识别两个数据集中的空间模式，我们使用具有固定总平均值和随机的模型，检查了绘图平均值的残差的空间分布（即，来自给定家族图的所有树的平均值）家庭效应。应该注意的是，在这种情况下，由于两个试验中的家族的半同胞结构（不包括大批果园批次），所得到的残差仍然包含3/4的加性遗传方差。 HT残差的空间分布如图1a所示，其中颜色强度代表图中残差的大小：点越暗，残差越大（注意，图中的残差不是随机分布的，在两个实验领域）。此外，存在明显的证据表明在行或列上存在一些不同的残差图案，其指示在行和列位置之间的相互作用的存在以及对二维平滑的需要。
贝叶斯推理和模型比较通过Gibbs采样的贝叶斯方法用于估计古典单树模型和所有具有平滑表面的模型[1]中的参数，遵循CAPPA和CANTET（2007）。对于所有参数选择共轭先验密度。为了反映固定效应的不确定性的先前状态，同时保持后验分布适当，我们选择？ 〜Np（0，K），其中K是具有大元素的对角矩阵（kii> 108）。对于θ2p，θ2 b，θ2a和θ2 e的先验分布，我们使用具有赫泊尔（hipervariances）2p，β2b，α2a和α2e的缩放反相卡方和自由度ρp， b，θa和θe。因此，关节和条件后验密度对于α，p，b和a是高斯的，对于α2 p，β2 b，α2α和α2 e是缩放的卡方。
在每次迭代结束时，对于经典的个体树模型，将HT的个体树狭义遗传率计算为h 2 HT，一个/？ a +？ p +？ e，其中〜2〜2〜2〜一个， ？ p，？ e是在给定迭代下采样的加法，图和误差〜2〜2〜2方差的值。对于具有平滑表面（模型1）的每个单树混合模型，h2HT被计算为h2HT =一个/？ a +？ e。 〜2〜2〜2绘制了一条10,10,000个样品的单个吉布斯链，并且前10,000次迭代作为老化被丢弃。另外100万个样本用于计算边缘后分布的总结。通过高斯核方法（SILVER-MAN，1986;第2章）估计所有参数的边际后密度。使用“Bayesian OutputAnálisis”（BOA版本1.0.1; SMITH，2003）对于从1到50的所有滞后计算自相关。平均值，模式，中值，标准偏差和95％高后密度区间（95％HPD）然后用自由软件R（http： //www.r- project.org/ ）下的个体边际后代的所有参数用BOA计算。
计算偏差信息准则（DIC; SPIEGEL-HALTER等，2002）以比较每个模型的拟合。 DIC标准被定义为其中D - （ΔM）是偏差的后验平均值，pD是“有效参数数量”。因此，DIC将模型拟合度（D - （ΔM））与模型复杂度（pD）的测量结合起来。较小的DIC值表示更好的拟合和较低的模型复杂度。
在CAPPA和CANTET（2006）中给出了在多特征个体树模型中计算DIC的数值细节。通过残差的空间模式和得到的估计表面之间的视觉比较提供了附加模型比较。最后，使用以下表达式计算育种值预测的准确度：其中PEV表示使用“最佳线性无偏预测因子”（BLUP）的预测育种值的“预测误差方差”（HEN-DERSON，1984）的父母和子女。还计算使用SAS的PROC CORR的Spearman秩相关，以比较在具有绘图至绘图环境效应的经典单树模型与具有二维表面的最佳单树模型之间预测育种值的排名是否不同。
未考虑森林遗传试验的空间变异性导致估计遗传参数和预测育种值的偏差（Magnussen 1993，1994），因此选择的精确性降低，从而降低遗传增益 。在当前的研究中， 我们展示了如何使用B样条基的张量积，通过混合模型在Eilers和Marx的P样条的精神中拟合二维表面（1996，2003 ） 。通过贝叶斯方法也获得了二维中的P-样条，如Lang和Brezger（2004）所示。这些作者将差异矩阵3视为一阶或二阶随机游走。我们的方法不同于他们在差异3的奇异矩阵通过在两个维度中的RKE的适当方差 - 协方差矩阵的替换。在这样做时， 我们将B样条基的张量积扩展为单树混合模型，以解释大规模连续空间变异性。因此，模型包含沿着列和行的方向平滑的表面 。 Gilmour at al。 （1997）通过拟合多项式或三次平滑样条来模拟农业试验的一个维度的大规模变化 。然而，在树木种植在正方形或矩形的森林遗传试验中，全球趋势的很大一部分通常存在于两个方面。此外，非常罕见的是，仅在行或列的方向上发现大规模连续的空间变异性，并且必须考虑行和列之间的某种相互作用以解释这种变异性（Federer 1998 ）。虽然存在几种平滑的统计方法来捕获一维的变化的非近似性，但是二维中的方法不太丰富。为了这个目的，Federer（1998）提出了 行和列的多项式之间的拟合相互作用 。然而，当在极值拟合观察值时，多项式的工作做得很差。此外，数据的小变化在参数的估计值中产生显着的效果，并且对于更高级的多项式尤其如此。另外，应该选择多项式的范围，这反过来引入模型选择的问题。相反，我们提出使用P样条估计平滑表面。该方法是灵活的，因为 B样条函数对数据是局部敏感的，并且在数字上有很好的条件 。方差σ2 b用于平滑行和列的效果。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）进一步使用了分散参数的局部自适应估计。在未来的研究中，我们可以考虑平滑具有不同色散参数的行和列，尽管我们不清楚这种方法对于拟合的质量（即DIC的值）可能比我们更有利。 Eilers和Marx的P样条方法（1996，2003）包括使用具有等间距结的立方体B样条。在这种方法中，关键参数是惩罚或平滑因子？ （见方程2和5），并且样条中的结的数量对于拟合是不重要的，只要有“足够”多的（Eilers和Marx 1996; Cantet等人2005）。在P样条的混合模型方法中，？是等式2中的比率α2e=α2b（Cantet等人2005）。从表1可以看出，与其他方差分量相比，α2b（α的分母）的大小对结的数量敏感。已知的是，非常少的结的拟合产生偏差，其随着结的数量的增加而迅速减小（Ruppert 2002）。一旦达到最小数目，增加结的数目给出令人满意的拟合（Ruppert 2002）。 Cantet et al。 （2005）发现，对于具有20,40,60,80或120个等间距结的模型，改进的Akaike信息标准的值几乎相等。然而，方差分量的受限最大似然估计对于120节的某些模型没有收敛。对于达到120节的收敛的情况，对于没有记录数据的间隔的拟合存在一些不一致。可以得出结论，除了极端量之外，结的数量不是关键的，并且通常有几个结数产生类似的拟合并产生方差分量的类似估计。在当前的研究中，将节数从18减少到8产生了更平滑的表面（图3）。虽然模型用12？ 12节显示的DIC最小，DIC之间的差异在12个模型之间？ 12和18？ 18节很小。这也适用于从两个模型获得的h2DBH的估计：第三个小数位的差异。在P样条的混合模型方法中，RKE的协方差结构代替了方程中差异的任何奇异矩阵。在本研究中，Durban等人提出的三对角矩阵（2001）被选择来建模RKE之间的列和行的协方差。该公式比Cantet等人使用的密集相关结构更简单。 （2005）和Hyndman et al。 （2005），其中在所有RKE中存在完全依赖性。后者的协方差结构具有比Durban等人使用的更大的DIC。 （2001），如题为分析模型一节所述。然而，对于α2a（3.668,3.753和3.754），对于σ2e（10.994,10.76和10.275）和对于h2DBH（0.250,0.258和0.267），从具有协方差的模型结构使用Cantet等。 （2005），Hyndman et al。 （2005），和Durban et al。 （2001）。另一方面，来自这三种模型的β2b的估计值是非常不同的：11.931,1.611和22.317。这与Cantet等人获得的结果一致。 （2005）。在分析育种数据时，有一些使用B样条函数的一些例子。因此，动物育种者使用样条来模拟功能育种值（White等人1999; Bohmanova等人2005）或管理单位和时间的影响（Cantet等人2005）。在森林遗传育种中，Cornillon et al。 （2003）使用固定效应模型使用B-样条模型桉树克隆的时间功能育种值。 Magnussen和Yanchuk（1994）将样条函数拟合为观测数据，以便估计来自道格拉斯杉木的非记录时间的个体高度。然后将得到的数据用于预测非记录年龄的育种值和遗传分布参数。平滑表面的拟合对子球体试验在E. globulus subsp。球状体与B样条的张量乘积而不是先验块设计一致地增加了Δ2A和h2DBH的后验均值（表1）。结果与Zas（2006）的结果一致，Zas（2006）使用克里金法计算空间变异性，并且与Dutkowski等人的不同。 （2002,2006）。在后一种情况下，在调整AR（1）之后获得Δ2A的不一致估计。 AR（1）协方差结构到模型的残差。在我们的数据中，空间模型产生的估计的精度的增加，可以注意到在低得多的标准偏差和95％高后验概率密度间隔的较窄的值，当与估计从具有块的模型（表1）。此外，用空间模型计算的来自亲本和后代的育种值的准确度高于从具有块效应的模型估计的对应值（表2），这是由于估计的加性方差的增加和估计误差的降低方差（表1）。当与随机完全区块设计进行比较时，Costa e Silva等报道了空间模型的精度提高。 （2001）的树高和Zas（2006）的树径。 Costa e Silva et al。 （2001）分析了12项试验，发现父母和后代的预测加性效应的精确度提高了71％。此外，Zas（2006）报告了校正空间相关变异后，BLUP的家庭效应的准确性显着增加，从0.40-0.63增加到0.72-0.79。 Dutkowski等人发现精度的增益较小。 （2002,2006） ，但仍然在空间模型的方向与模型的块。准确度增益的很大一部分是由于以下事实： 并非所有的空间变异性都通过使用块设计（Singh等人2003）的变异性来解释为块间变异性，否则其将变为误差方差 。因此，与使用模型的分析相比，显示大规模连续空间变化的数据分析（例如由可变深度的石油层引起的数据）通过空间模型将很可能提高选择的准确性。块。在当前的研究中，我们使用具有平滑表面的单树混合模型，模拟沿着站点的连续和永久的空间变异性。在森林遗传评价中，微地点水平的空间变异用最近邻的技术建模（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， 植物间竞争可能是影响邻居之间相关性的小规模空间变异的另一个来源 （Magnussen 1994）。混合模型6不考虑树木之间的遗传竞争，这可以偏向σ2A的估计（Cappa和Cantet 2007）。
然而，分析中使用的树龄为6岁，因此竞争不强或不存在。对于在竞争效应相当大的年龄测量树木的情况，最好同时适应连续的空间变异和竞争的遗传效应。更重要的是，值得将本研究所提出的方法与其他空间技术通过计算机模拟进行比较，这是未来研究的主题。
5. 零基础学Python应该学习哪些入门知识
1、Python入门导学
Python的特性、优点、缺点、前景以及 python能做些什么？
2、Python环境安装
一键安装Python的编译环境，写出第一段Python代码
3、理解什么是写代码与Python的基本类型
Python的基本类型，包括整形、浮点型；10、8、2、16进制数的意义和转换关系；布尔类型；字符串与字符串常见运算操作
4、Python中表示“组”的概念与定义
了解“组”的概念，以及在Python中用来表示“组”的一些类型，包括：元组、列表、集合和字典。
5、变量与运算符
了解变量的意义与七种运算符，并对每一种运算符的扩展做出详细的讲解
6、分支、循环、条件与枚举
代码的基本逻辑结构，包括条件控制（if else）、循环控制（for in 、while）、表达式与运算符的优先级。此外，还有Python的枚举类型以及Python编码的规范。
7、包、模块、函数与变量作用域
了解Python代码的组织结构核心：包、模块与函数。需要对Python代码的组织结构有一个非常清晰的认识。重点是函数，除了了解函数的基本概念外，还需要了解Python灵活的函数参数机制（默认参数、关键字参数与列表参数）。
8、Python函数
函数是所有语言中都具备的基本代码组织结构。函数的重要性不言而喻。而对于Python来说，函数的用法及其灵活，远比其他语言要强大很多。了解Python函数的定义、调用、序列解包、必须参数、关键字参数、默认参数等诸多内容。
9、高级部分：面向对象
了解面向对象的概念。包括面向对象的三大特性（继承、封装、多态）、类的基本构成元素、python的内置类属性、方法重写、运算符重载、静态方法等
10、正则表达式与JSON
正则表达式也是文本解析中非常重要的知识点。了解如何在Python中编写正则表达式与常见的正则表达式。此外，重点了解包括JSON对象，JSON字符串，Python类型与JSON的转换。
11、Python的高级语法与用法
了解Python进阶部分的高级特性，如枚举、闭包
12、函数式编程： 匿名函数、高阶函数、装饰器
进一步了解函数式编程的lambda、mapece、filter以及装饰器
13、实战：原生爬虫
学习如何访问网络数据、获取与解析网络数据、爬虫的基本原理解释。并用最基础语法不使用爬虫框架的原生爬虫项目。
14、Pythonic与Python杂记
了解扩展Python的优秀写法，学会如何写出优质的Pythonic风格的代码。包括：如何让字典保持有序、lmbda表达式的应用等高级Python知识
6. 有没有人知道VEC是什么
VEC是一个Gameflip公司发布的代币，主要用于想要把游戏行业的数字产品转移到区块链上。
2018年，GameFlip计划启动VEC，推出基于区块链的去中心化代币交易系统。目前从官网和白皮书上能够获知的信息相对较少。根据官网信息，GameFlip的VEC主要包括以下几个方面：1游戏玩家可在区块链上拥有并安全保存其游戏数字产品；2使VEC代币机制得以流通；3通过对区块链的延伸使得游戏交易、代币流通相结合。
2019年，Gameflip团队还创建了一个价值1000万美元的VEC云矿机项目，这有助于他们将VEC代币更灵活化的使其得以流通。在此基础上，该团队对其建立的灵活及安全的解决方案有信心，也促使发行商可以放心地将他们的数字产品放在区块链上，并灵活地控制他们在去中心化生态系统中使用VEC代币进行的交易。
7. 基于Gensim的文本相似度计算
Gensim 是一个Python的自然语言处理库，所用到的算法，如 TF-IDF （Term Frequency–Inverse Document Frequency）, 隐含 狄利克雷分配 （Latent Dirichlet Allocation，LDA）, 潜在语义分析 （Latent Semantic Analysis，LSA） 或 随机预测 （Random Projections）等, 是通过检查单词在训练语料库的同一文档中的统计共现模式来发现文档的语义结构，最后转化成向量模式，以便进行进一步的处理。此外，Gensim还实现了word2vec功能，能够将单词转化为词向量。
语料（corpus） 是一组原始文本的集合，用于无监督地训练文本主题的隐层结构。语料中不需要人工标注的附加信息。在Gensim中，Corpus通常是一个可迭代的对象（比如列表）。每一次迭代返回一个可用于表达文本对象的稀疏向量。
向量（vector） 是由一组文本特征构成的列表。是一段文本在Gensim中的内部表达。
词典（dictionary） 是所有文档中所有单词的集合，而且记录了各词的出现次数等信息。
模型（Model） 是一个抽象的术语。定义了两个向量空间的变换（即从文本的一种向量表达变换为另一种升携孝向量表达）。
用一个实验去理解：
# -*- 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 = []
#分词
foritem_textinself.raw_documents:
item_seg = list(jieba.cut(item_text))
corpora_documents.append(item_seg)
# 生成字典和语料隐岁
dictionary = corpora.Dictionary(corpora_documents)
# 计算每一条新闻对应的bow向量
corpus = [dictionary.doc2bow(text)fortextincorpora_documents]# 迭代器
ifself.SimCalType =='Similarity-tfidf-index':
# 统计corpus中出现的每一个特征的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)
# 根据训练后的model，生成IF-IDF值，然后计算相似度
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，中信集团与腾讯在深圳签署战略框架协议，宣布将推进云和大数据、区块链、人工智能等技术领域的业务合作，积极探索实体产业的数字化转型升级路径。',
'1 浦发银行公告称，公司成都分行因违规办理信贷业务等违规行为被银监会罚款4.62亿元，处罚金额已全额计入2017年度公司损益，对公司的业务开展及持续经营无重大不利影响。 ',
'2 【浦发回应浦发成都分行违规被罚4.62亿：深感愧疚】从浦发银行总行方面了解到，浦发银行对于成都分行发生的违规发放贷款案件深感愧疚；对于监管部门的查处表示坚决支持和接受，同时将以此为鞭策强化自身管理，坚持从严治行，在未来的经营发展中始终将依法合规经营作为立行之本。（一财）',
'3 苏试试验公告，公司1332万股首次公开发行前已发行股份将于1月24日解禁，占公司总股本的10.61%；解禁日实际可上市流通股份为1221.5万股,占总股本的9.73%。本次申请解除股份限售的股东有苏州试验仪器总厂和钟琼华、陈晨、武元桢、陈英等4位自然人股东。',
'4 波士顿科学和国药控股子公司据悉参与竞购XIO旗下的Lumenis。',
'5 苏宁云商回复深交所问询函：苏宁金融研究院于2017年7月正式成立区块链实验室，该实验室针对区块链技术及其在金融行业的应用进行研究，旨在利用区块链技术为苏宁金服业务及苏宁银行业务提供技术支撑。苏宁银行区块链国内信用证信息传输系统采用联盟链方式，只在联盟银行之间免费使用，不对外直接提供服务，该系统无直接收入产生。',
'6 龙马环卫公告，公司1.60亿股首次公开发行限售股将于1月26日上市流通，涉及股东包括现任董事、监事及高管张桂丰等17人。',
'7 航天工程公告，公司3.24亿股首次公开发行限售股将于1月29日上市流通，涉及股东为中国运载火箭技术研究院、航天投资控股有限公司、北京航天动力研究所、北京航天产业投资基金（有限合伙）及全国社会保障基金理事会转持二户。',
'8 大千生态公告，公司与江苏大千设计院有限公司组成的联合体，预中标高淳区东坝镇特色田园乡村建设项目EPC总承包项目，项目投资估算约1.4亿元。项目的顺利实施，将对公司本年度的经营业绩产生积极影响。',
'9 1954年2月19日，苏联最高苏维埃主席团，在“兄弟的乌克兰与俄罗斯结盟300周年之际”通过决议，将俄罗斯联邦的克里米亚州，划归乌克兰加盟共和国',
'10集友股份公告，公司预计2017年实现净利润与上年同期相比，将增加约4250万元至5300万元，同比增加约80.49%-100.37%，上年同期实现盈利5280.38万元。本期收入较上期增长较多，营业利润较上期增长；收到的政府补助及理财收益等非经常性损益事项对公司净利润的影响约为3200万元。',
'11【千山药机：大股东质押股票跌破平仓线】千山药机公告，第一大股东、实控人之一刘祥华合计持有公司14.83%股权。目前，刘祥华共质押公司13.78%股权。刘祥华质押给国泰君安证券的2980.8万股股票已跌破平仓线。公司目前正在被证监会立案调查，根据有关规定，公司在被立案调查期间大股东不得减持（包括股权质押平仓）公司股份。因此本次刘祥华质押的股票跌破平仓线不会导致公司实际控制权发生变化。',
'12天马精化：子公司拟逾亿元控股中科电子，加码供应链管理发展战略。',
'13超华科技公告，于近日收到参股子公司贝尔信员工通知，反馈贝尔信公司近期与其董事长郑长春无法取得联系。截至目前，公司亦尚无法与贝尔信董事长郑长春取得联系。经与贝尔信主要股东商议，经贝尔信董事会审议通过后将由贝尔信现有管理层组成临时工作小组，以维持贝尔信正常生产和经营秩序。公司全面开展对贝尔信的核查，以维护上市公司及股东的利益。',
'14胜宏科技公告，公司预计2017年实现盈利2.8亿元-2.9亿元，同比增长20.65%-24.96%，上年同期盈利2.32亿元。报告期内，公司预计非经常性损益对净利润的影响约1000万-1300万元。',
'15东旭光电公告，控股股东东旭集团员工成长共赢计划已完成对公司股票的购买，总计购买公司股票1119.01万股，占总股本的0.2%，成交金额合计约1.02亿元，成交均价约9.12元/股。'
]
Obj1 = GensimExp(raw_documents,'数字化转型升级路径','Similarity-tfidf-index',600,5).CalSim()
Obj2 = GensimExp(raw_documents,'违规办理信贷业务','Similarity-tfidf-index',600,3).CalSim()
Obj3 = GensimExp(raw_documents,'本期收入较上期增长较多','Similarity-LSI-index',400,2).CalSim()
实验结果：
由于语料库不多，选择返回相似的文本个数较少，不过也能大致看出判断是正确的。(PS:分词的过程中没有进行停用词处理)
参考：
https://radimrehurek.com/gensim/tutorial.html