DELL 在早前宣佈公司將進行「Progress Made Real」的計劃，計劃內容主要包括在消費者購買的每一項設備時會回收同一污染水平的產品，以及在生產電力方面採用可再生能源。DELL 指出到 2030 年時公司一半以上的設備將會由回收材料或可再生物料而生產，在包裝上則會全面使用可重覆利用的物料。

不過 DELL 就並未透露公司是否會增加旗下所有裝置的使用壽命，但就指出對電子製造商而言，應對氣候變化的最佳方法是避免所有電子產品送往堆填區，而是重覆使用及物盡其用。

本站聲明:網站內容來源環境資訊中心https://e-info.org.tw/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※網頁設計公司推薦不同的風格，搶佔消費者視覺第一線

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

※自行創業缺乏曝光? 網頁設計幫您第一時間規劃公司的形象門面

※南投搬家公司費用需注意的眉眉角角，別等搬了再說!

※新北清潔公司,居家、辦公、裝潢細清專業服務

※教你寫出一流的銷售文案?

2020-09-29

不敵客訴壓力澳洲超市延後對塑膠袋收費

Post By admin 網路資訊包裝設計, 台北網頁設計, 如何寫文案, 新北清潔, 網頁設計, 網頁設計公司

摘錄自2018年8月3日蘋果日報澳洲報導

澳洲一間大型連鎖超市原本要實施塑膠袋需收費政策，希望可推動「減塑」為環保出一分力，不料顧客對此大感不滿，政策推出後已經第2次延長收費期限。

連鎖超市科爾斯（Coles）自上月1日起停用一次性塑膠袋，改向顧客提供可重複使用、質料更耐用的塑膠袋作過渡，直至本周三（1日）為止。超市原定顧客此後若索取塑膠袋，每個須收取15澳分（約3.4元台幣）。

然而科爾斯周三發聲明指，自禁用一次性塑膠袋後，有顧客反映需要更多過渡時間，以適應使用可重複使用塑膠袋，集團因此決定在昆士蘭、新南威爾斯、維多利亞及西澳洲等地繼續提供免費塑膠袋至8月29日，而南澳洲、塔斯馬尼亞等地區則仍繼續收費。

本站聲明:網站內容來源環境資訊中心https://e-info.org.tw/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※自行創業缺乏曝光? 網頁設計幫您第一時間規劃公司的形象門面

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

※想知道最厲害的網頁設計公司"嚨底家"!

※幫你省時又省力,新北清潔一流服務好口碑

※別再煩惱如何寫文案,掌握八大原則!

※產品缺大量曝光嗎?你需要的是一流包裝設計!

2020-09-28

007.OpenShift管理應用部署

Post By admin 網路資訊 USB CONNECTOR, 台北網頁設計, 網站設計, 網頁設計公司, 銷售文案, 電動車

一 REPLICATION CONTROLLERS

1.1 RC概述

RC確保pod指定數量的副本一直運行。如果pod被殺死或被管理員顯式刪除，複製控制器將自動部署相應的pod。類似地，如果運行的pod數量超過所需的數量，它會根據需要刪除pod，以匹配指定的副本計數。
RC的定義主要包括:

所需的副本數量
用於創建複製pod的pod定義
用於標識後續管理操作的selector

selector是一組label，RC管理的所有pod都必須匹配這些標籤。RC實例化的pod定義中必須包含相同的標籤集。RC使用這個selector來確定已經運行了多少pod實例，以便根據需要進行調整。
提示：不執行自動縮放，因為它不跟蹤負載或流量。
儘管Kubernetes通常直接管理RC，但OpenShift推薦的方法是管理根據需要創建或更改RC的DC。

1.2 從DC創建RC

在OpenShift中創建應用程序的最常見方法是使用oc new-app命令或web控制台。以這種方式創建的應用程序使用DeploymentConfig資源在運行時創建RC來創建應用程序pod。DeploymentConfig資源定義定義了要創建的pod的副本的數量，以及要創建的pod的模板。
注意：不要將DeploymentConfig或ReplicationController資源中的template屬性誤認為OpenShift模板資源類型，OpenShift模板資源用於基於一些常用的語言運行時和框架構建應用程序。

1.3 pod副本數控制

DeploymentConfig或ReplicationController資源中的副本數量可以使用oc scale命令動態更改。
$ oc get dc
NAME REVISION DESIRED CURRENT TRIGGERED BY
myapp 1 3 3 config,image(scaling:latest)
$ oc scale –replicas=5 dc myapp
DeploymentConfig資源將更改信息傳遞至ReplicationController，該控制器通過創建新的pod(副本)或刪除現有的pod來響應更改。
雖然可以直接操作ReplicationController資源，但推薦的做法是操作DeploymentConfig資源。在觸發部署時，直接對ReplicationController資源所做的更改可能會丟失，例如，使用容器image的新版本重新創建pod。

1.4 自動伸縮pod

OpenShift可以通過HorizontalPodAutoscaler資源類型根據應用程序pod上的當前負載自動調整部署配置。
HorizontalPodAutoscaler (HPA)資源使用OpenShift metrics子系統收集的性能指標，即如果沒有度量子系統（模塊），更確切地說是Heapster組件，自動縮放是不可能的。
創建HorizontalPodAutoscaler資源的推薦方法是使用oc autoscale命令，例如:
$ oc autoscale dc/myapp –min 1 –max 10 –cpu-percent=80
該命令創建一個HorizontalPodAutoscaler資源，該資源更改myapp部署配置上的副本數量，以將其pod的CPU使用量控制在請求的總CPU使用量的80%以下。
oc autoscale命令使用DC的名稱作為參數(在前面的示例中是myapp)創建一個HorizontalPodAutoscaler資源。
HorizontalPodAutoscaler資源的最大值和最小值用於容納突發負載，並避免重載OpenShift集群。如果應用程序上的負載變化太快，建議保留一些備用的pod來處理突然出現的用戶請求。相反，過多的pod會耗盡所有集群容量，並影響共享相同OpenShift集群的其他應用程序。
要獲取當前項目中關於HorizontalPodAutoscaler資源的信息，可使用oc get和oc describe命令。例如
$ oc get hpa/frontend
$ oc describe hpa/frontend
注意：HorizontalPodAutoscaler資源只適用於為引用性能指標定義資源請求的pod。
oc new-app命令創建的大多數pod沒有定義任何資源請求。因此，使用OpenShift autoscaler可能需要為應用程序創建定製的YAML或JSON資源文件，或者向項目添加資源範圍資源。

二擴展程序實驗

2.1 前置準備

準備完整的OpenShift集群，參考《003.OpenShift網絡》2.1。

2.2 創建應用

  1 [student@workstation ~]$ oc login -u developer -p redhat https://master.lab.example.com
  2 [student@workstation ~]$ oc new-project scaling
  3 [student@workstation ~]$ oc new-app -o yaml -i php:7.0 \
  4 http://registry.lab.example.com/scaling > ~/scaling.yml		#將部署的yaml導出至本地
  5 [student@workstation ~]$ vi ~/scaling.yml
  6 ……
  7   spec:
  8     replicas: 3
  9     selector:
 10       app: scaling
 11       deploymentconfig: scaling				#修改副本數
 12 ……
 13 [student@workstation ~]$ oc create -f ~/scaling.yml	#以修改副本數后的yaml部署應用

2.3 監視部署

  1 [student@workstation ~]$ watch -n 3 oc get builds
  2 Every 3.0s: oc get builds                                                                Mon Jul 22 11:12:02 2019
  3 
  4 NAME        TYPE      FROM          STATUS     STARTED              DURATION
  5 scaling-1   Source    Git@0bdae71   Complete   About a minute ago   1m0s
  6 [student@workstation ~]$ oc get pods
  7 NAME              READY     STATUS      RESTARTS   AGE
  8 scaling-1-build   0/1       Completed   0          2m
  9 scaling-1-ft249   1/1       Running     0          1m
 10 scaling-1-gjvkp   1/1       Running     0          1m
 11 scaling-1-mtrxr   1/1       Running     0          1m

2.4 暴露服務

  1 [student@workstation ~]$ oc expose service scaling \
  2 --hostname=scaling.apps.lab.example.com

2.5 web查看相關信息

瀏覽器訪問https://master.lab.example.com，使用developer用戶和redhat密碼登陸。選擇scaling項目。

2.6 測試負載均衡

  1 [student@workstation ~]$ for i in {1..5};do curl -s \http://scaling.apps.lab.example.com | grep IP;done	#多次請求
  2  <br/> Server IP: 10.128.0.17
  3  <br/> Server IP: 10.129.0.35
  4  <br/> Server IP: 10.129.0.36
  5  <br/> Server IP: 10.128.0.17
  6  <br/> Server IP: 10.129.0.35

提示：瀏覽器可能無法嚴格檢查均衡性，因為OpenShift route存在會話關聯性(也稱為粘性會話)。即來自同一個web瀏覽器的所有請求都將轉到同一個pod。

2.7 擴容應用

  1 [student@workstation ~]$ oc describe dc scaling | grep Replicas
  2 Replicas:       3
  3         Replicas:       3 current / 3 desired
  4 [student@workstation ~]$ oc scale --replicas=5 dc scaling

  1 [student@workstation ~]$ oc get pods -o wide

2.8 測試負載均衡

  1 [student@workstation ~]$ for i in {1..5};do curl -s \http://scaling.apps.lab.example.com | grep IP;done	#多次請求
  2  <br/> Server IP: 10.128.0.17
  3  <br/> Server IP: 10.128.0.18
  4  <br/> Server IP: 10.129.0.35
  5  <br/> Server IP: 10.129.0.36
  6  <br/> Server IP: 10.129.0.37

三 pod調度控制

3.1 pod調度算法

pod調度程序確定新pod在OpenShift集群中的節點上的位置。該調度算法被設計為可高度配置和適應不同集群。OCP 3.9附帶的默認配置通過使用node label、affinity rules，anti-affinity rules中的定義來支持zone和regions的調用。
在OCP以前的版本中，安裝程序master節點標記為污點標記，表示不允許在master上部署pod。在新版的OCP 3.9中，在安裝和升級過程中，master會自動標記為可調度的。使得可以通過deploy調度pod至maste節點。而不僅僅是作為master的組件運行。
默認節點selector是在安裝和升級期間默認設置的。它被設置為node-role.kubernetes.io/compute=true，除非使用osm_default_node_selector的Ansible變量覆蓋它。
在安裝和升級期間，不管osm_default_node_selector配置如何，都會對庫存文件中定義的主機執行以下自動標記。
compute節點配置non-master、non-dedicated的角色(默認情況下，具有region=infra標籤的節點)，節點使用node-role.kubernetes.io/compute=true標記。
master節點被標記為node-role.kubernetes.io/master=true，從而分配master節點角色。

3.2 調度算法步驟

過濾節點

調度程序根據節點資源(如主機端口)的可用性篩選正在運行的節點列表，然後進一步根據節點selector和來自pod的資源請求篩選。最終的縮小是可運行pod的候選node列表。
pod可以定義與集群節點中的標籤匹配的節點選擇器，標籤不匹配的節點視為不合格。
pod還可以為計算資源(如CPU、內存和存儲)定義資源請求，沒有足夠的空閑計算機資源的節點視為不合格。

對過濾后的節點列表進行優先級排序

候選節點列表使用多個優先級標準進行評估，這些標準加起來就是權重，權重值較高的節點更適合運行pod。
其中有affinity（親和規則）和anti-affinity（反親和規則），pod親和力較高的節點得分較高，而anti-affinity較高的節點權重低。
affinity的一個常見用法是：出於性能原因，將相關的pod安排得彼此親和。例如，需要保持彼此同步的pod使用相同的網絡棧。
anti-affinity的一個常見用法是：為了獲得高可用性，將相關的pod安排的盡量分散。例如，避免將所有pod從同一個應用程序調度到同一個節點。

選擇最合適的節點。

根據權重對候選列表進行排序，並選擇權重最高的節點來承載pod。如果多個節點得分相同，則隨機選擇一個節點。
調度程序配置文件位於/etc/original/master/scheduler.json，其定義了一組predicates，用作過濾器或優先級函數。通過這種方式，可以將調度程序配置為支持不同的集群。

3.3 調度拓撲

對於大型數據中心，例如雲提供商，一個常見的拓撲結構是將主機組織成regions和zones：
region：是一個地理區域內的一組主機，這保證了它們之間的內網高速連接；
zone：也稱為可用區，是一組主機，它們可能一起失敗，因為它們共享公共的關鍵基礎設施組件，比如網絡、存儲或電源。
OpenShift pod調度器可支持根據region和zone標籤在集群內調度，如：

從相同的RC創建的或從相同的DC創建的pod副本調度至具有相同region標籤值的節點中運行。
副本Pod調位至具有不同zone標籤的節點中運行。

實例圖如下：

要實現上圖中的樣例拓撲，可以使用集群管理員通過以下命令oc label：

  1 $ oc label node1 region=ZheJiang zone=Cloud1A --overwrite
  2 $ oc label node node2 region=ZheJiang zone=Cloud1A --overwrite
  3 $ oc label node node3 region=ZheJiang zone=Cloud2A --overwrite
  4 $ oc label node node4 region=ZheJiang zone=Cloud2A --overwrite
  5 $ oc label node node5 region=HuNan zone=Cloud1B --overwrite
  6 $ oc label node node6 region=HuNan zone=Cloud1B --overwrite
  7 $ oc label node node7 region=HuNan zone=Cloud2B --overwrite
  8 $ oc label node node8 region=HuNan zone=Cloud2B --overwrite

提示：每個節點必須由其完全限定名(FQDN)標識，為了簡潔，如上命令使用了簡短的名稱。
對區域標籤的更改需要–overwrite選項，因為OCP 3.9高級安裝方法默認情況下使用region=infra標籤配置節點。
示例：要檢查分配給節點的標籤，可以使用oc get node命令和–show-labels選項。
$ oc get node node1.lab.example.com –show-labels
注意，一個節點可能有一些OpenShift分配的默認標籤，包含kubernetes.io後綴鍵值的標籤，此類標籤不應由集群管理員人為更改，因為它們由調度程序在內部使用。
集群管理員還可以使用-L選項來確定單個標籤的值。
示例：

  1 $ oc get node node1.lab.example.com -L region
  2 $ oc get node node1.lab.example.com -L region -L zone	#支持oc get跟多個-L選項

3.4 UNSCHEDULABLE節點

有時候，集群管理員需要關閉節點進行維護，如節點可能需要硬件升級或內核安全更新。要在對OpenShift集群用戶影響最小的情況下關閉節點，管理員應該遵循兩個步驟。
將節點標記為不可調度，從而防止調度程序向節點分配新的pod。

  1 $ oc adm manage-node --schedulable=false node2.lab.example.com

Drain節點，這將銷毀在pod中運行的所有pod，並假設這些pod將通過DC在其他可用節點中會重新創建。

  1 $ oc adm drain node2.lab.example.com

維護操作完成后，使用oc adm management -node命令將節點標記為可調度的。

  1 $ oc adm manage-node --schedulable=true node2.lab.example.com

3.5 控制pod位置

有些應用程序可能需要在一組指定的node上運行。例如，某些節點為某些類型的工作負載提供硬件加速，或者集群管理員不希望將生產應用程序與開發應用程序混合使用。此類需求，都可以使用節點標籤和節點選擇器來實現。
node selector是pod定義的一部分，但建議更改dc，而不是pod級別的定義。要添加節點選擇器，可使用oc edit命令或oc patch命令更改pod定義。
示例：配置myapp的dc，使其pods只在擁有env=qa標籤的節點上運行。

  1 $ oc patch dc myapp --patch '{"spec":{"template":{"nodeSelector":{"env":"qa"}}}}'

此更改將觸發一個新的部署，並根據新的節點選擇器調度新的pod。
如果集群管理員不希望讓開發人員控制他們pod的節點選擇器，那麼應該在項目資源中配置一個默認的節點選擇器。

3.5 管理默認項目

生產環境一個常見實踐是指定一組節點來運行OCP的系統基礎Pod，比如route和內部倉庫。這些pod在默認項目中定義。
通常可通過以下兩個步驟實現：

使用region=infra標籤標記專用節點；
為缺省名稱空間配置缺省節點選擇器。

要配置項目的默認節點選擇器，可使用openshift.io/node-selector鍵值向名稱空間資源添加註釋。可以使用oc edit或oc annotate命令。

  1 $ oc annotate --overwrite namespace default \
  2 openshift.io/node-selector='region=infra'

OCP 3.9 quick installer和advanced installer的Ansible playbook都支持Ansible變量，這些變量控制安裝過程中分配給節點的標籤，也控制分配給每個基礎設施pod的節點選擇器。
安裝OCP子系統(如metrics子系統)的劇本還支持這些子系統節點選擇器的變量。

四控制Pod調度

4.1 前置準備

準備完整的OpenShift集群，參考《003.OpenShift網絡》2.1。

4.2 本練習準備

  1 [student@workstation ~]$ lab schedule-control setup
  2 [student@workstation ~]$ oc login -u admin -p redhat https://master.lab.example.com

4.3 查看region

  1 [student@workstation ~]$ oc get nodes -L region
  2 NAME                     STATUS    ROLES     AGE       VERSION             REGION
  3 master.lab.example.com   Ready     master    2d        v1.9.1+a0ce1bc657
  4 node1.lab.example.com    Ready     compute   2d        v1.9.1+a0ce1bc657   infra
  5 node2.lab.example.com    Ready     compute   2d        v1.9.1+a0ce1bc657   infra

4.4 創建project

  1 [student@workstation ~]$ oc new-project schedule-control

4.5 創建應用

  1 [student@workstation ~]$ oc new-app --name=hello \
  2 --docker-image=registry.lab.example.com/openshift/hello-openshift

4.6 擴展應用

  1 [student@workstation ~]$ oc scale dc hello --replicas=5
  2 deploymentconfig "hello" scaled
  3 [student@workstation ~]$ oc get pod -o wide
  4 NAME            READY     STATUS    RESTARTS   AGE       IP            NODE
  5 hello-1-c5z2n   1/1       Running   0          7s        10.128.0.21   node1.lab.example.com
  6 hello-1-hhvp7   1/1       Running   0          34s       10.129.0.38   node2.lab.example.com
  7 hello-1-jqrkb   1/1       Running   0          7s        10.128.0.20   node1.lab.example.com
  8 hello-1-tgmbr   1/1       Running   0          7s        10.129.0.39   node2.lab.example.com
  9 hello-1-z2bn7   1/1       Running   0          7s        10.128.0.22   node1.lab.example.com

4.7 修改節點label

  1 [student@workstation ~]$ oc label node node2.lab.example.com region=apps --overwrite=true
  2 [student@workstation ~]$ oc get nodes -L region		#確認修改
  3 NAME                     STATUS    ROLES     AGE       VERSION             REGION
  4 master.lab.example.com   Ready     master    2d        v1.9.1+a0ce1bc657
  5 node1.lab.example.com    Ready     compute   2d        v1.9.1+a0ce1bc657   infra
  6 node2.lab.example.com    Ready     compute   2d        v1.9.1+a0ce1bc657   apps

4.8 導出dc

  1 [student@workstation ~]$ oc get dc hello -o yaml > dc.yaml

4.9 修改node2調度策略

添加dc.yaml中的調度策略，使pod調度至apps標籤的node。

  1 [student@workstation ~]$ vi dc.yaml
  2 ……
  3   template:
  4 ……
  5     spec:
  6       nodeSelector:		#添加節點選擇器
  7         region: apps
  8 ……

4.10 應用更新

  1 [student@workstation ~]$ oc apply -f dc.yaml

4.11 確認驗證

  1 [student@workstation ~]$ oc get pod -o wide
  2 NAME            READY     STATUS    RESTARTS   AGE       IP            NODE
  3 hello-2-4c2gv   1/1       Running   0          40s       10.129.0.42   node2.lab.example.com
  4 hello-2-6966b   1/1       Running   0          38s       10.129.0.43   node2.lab.example.com
  5 hello-2-dcqbr   1/1       Running   0          36s       10.129.0.44   node2.lab.example.com
  6 hello-2-dlf8k   1/1       Running   0          36s       10.129.0.45   node2.lab.example.com
  7 hello-2-rnk4w   1/1       Running   0          40s       10.129.0.41   node2.lab.example.com

#驗證是否觸發了新的部署，並等待所有新的應用pod都準備好並運行。所有5個pod都應該調度至node2。

4.12 修改node1調度策略

  1 [student@workstation ~]$ oc label node node1.lab.example.com region=apps --overwrite=true
  2 [student@workstation ~]$ oc get node -L region
  3 NAME                     STATUS    ROLES     AGE       VERSION             REGION
  4 master.lab.example.com   Ready     master    2d        v1.9.1+a0ce1bc657
  5 node1.lab.example.com    Ready     compute   2d        v1.9.1+a0ce1bc657   apps
  6 node2.lab.example.com    Ready     compute   2d        v1.9.1+a0ce1bc657   apps

4.13 終止node2

  1 [student@workstation ~]$ oc adm manage-node --schedulable=false node2.lab.example.com
  2 NAME                    STATUS                     ROLES     AGE       VERSION
  3 node2.lab.example.com   Ready,SchedulingDisabled   compute   2d        v1.9.1+a0ce1bc657

4.14 刪除pod

刪除node2的pod，並使用node1創建的pod替換。

  1 [student@workstation ~]$ oc adm drain node2.lab.example.com --delete-local-data

4.15 查看pod

  1 [student@workstation ~]$ oc get pods -o wide
  2 NAME            READY     STATUS    RESTARTS   AGE       IP            NODE
  3 hello-2-bjsj4   1/1       Running   0          51s       10.128.0.25   node1.lab.example.com
  4 hello-2-kmmmn   1/1       Running   0          50s       10.128.0.23   node1.lab.example.com
  5 hello-2-n6wvj   1/1       Running   0          51s       10.128.0.24   node1.lab.example.com
  6 hello-2-plr65   1/1       Running   0          50s       10.128.0.26   node1.lab.example.com
  7 hello-2-xsz68   1/1       Running   0          51s       10.128.0.27   node1.lab.example.com

五管理IS、image、Templates

5.1 image介紹

在OpenShift中，image是一個可部署的runtime模板，它包含運行單個容器的所有需求，還包括imag功能的元數據。image可以通過多種方式管理，如tag、import、pull和update。
image可以跨多個主機部署在多個容器中。開發人員可以使用Docker構建image，也可以使用OpenShift構建工具。
OpenShift實現了靈活的image管理機制。一個image名稱實際上可以引用同一image的許多不同版本。唯一的image由它的sha256哈希引用，Docker不使用版本號。相反，它使用tag來管理image，例如v1、v2或默認的latest tag。

5.2 IS

IS包括由tags標識的任意數量的容器images。它是相關image的統一虛擬視圖，類似於Docker image倉庫。開發人員有許多與image和IS交互的方法。例如，當添加或修改新image時，build和deployment可以接收通知，並通過運行新build或新deployment做出相應的動作。

5.3 標記image

OCP提供了oc tag命令，它類似於docker tag命令，但是，它是對IS而不是image進行操作。
可以向image添加tag，以便更容易地確定它們包含什麼。tag是指定image版本的標識符。
示例：將Apache web服務器2.4版本的映像，可將該image執行以下標記。
apache: 2.4
如果倉庫包含Apache web服務器的最新版本，他們可以使用latest標籤來表示這是倉庫中可用的最新image。
apache:latest
oc tag命令用於標籤image:
[user@demo ~]$ oc tag source destination
source：現有tag或圖像流中的圖像。
destination：標籤在一個或多個IS中的最新image。
示例：將ruby image的現有latest標記修改為當前版本v2.0標識，
[user@demo ~]$ oc tag ruby:latest ruby:2.0

5.4 刪除tag

若要從image中刪除標記，可使用-d參數。
[user@demo ~]$ oc tag -d ruby:latest
可以使用不同類型的標籤，默認行為使用permanent tag，即源文件發生更改，該tag也會及時指向image，與目標tag無關。
tracking tag指示在導入image期間導入目標tag的元數據。要確保目標tag在源tag更改時得到更新，需使用–alias=true標識。
[user@demo ~]$ oc tag –alias=true source destination
要重新導入tag，可使用–scheduled=true標識。
[user@demo ~]$ oc tag –scheduled=true source destination
要配置Docker始終從內部倉庫中獲取image，可使用–reference-policy=local標誌。默認情況下，image指向本地倉庫。從而實現在之後調用image的時候可以快速pull。
[user@demo ~]$ oc tag –reference-policy=local source destination

5.5 建議的tag形式

在管理tag時，開發人員應該考慮映像的生命周期，參考下錶開發人員用來管理映像的可能的標記命名約定。

描述	示例
Revision	myimage:v2.0.1
Architecture	myimage:v2.0-x86_64
Base Image	myimage:v1.2-rhel7
Latest Image	myimage:latest
Latest Stable	Image myimage:stable

5.6 Templates介紹

模板描述一組對象，其中包含處理後生成對象列表的參數。可以處理模板來創建開發人員有權在項目中創建的任何內容，例如service、build、configuration和dc。
模板還可以定義一組標籤，應用於它定義的每個對象。開發人員可以使用命令行界面或web控制台從模板創建對象列表。

5.7 Templates管理

開發人員可以用JSON或YAML格式編寫模板，並使用命令行界面或web控制台導入它們。模板被保存到項目中，以供對該特定項目具有適當訪問權限的任何用戶重複使用。
示例：導入模板。
[user@demo ~]$ oc create -f filename
還可以在導入模板時分配標籤，這意味着模板定義的所有對象都將被標記。
[user@demo ~]$ oc create -f filename -l name=mylabel

5.8 使用模板

OCP提供了許多默認的instant app和QuickStart模板，允許開發人員為不同的語言快速創建新的應用程序。為Rails (Ruby)、Django (Python)、Node.js、CakePHP (PHP)和Dancer (Perl)提供了模板。
要列出集群中的可用模板，請運行oc get templates命令。參數-n指定要使用的項目。
[user@demo ~]$ oc get templates -n openshift
開發人員還可以使用web控制台瀏覽模板，當您選擇模板時，可以調整可用的參數來自定義模板定義的資源。

六管理IS

6.1 前置準備

準備完整的OpenShift集群，參考《003.OpenShift網絡》2.1。

6.2 本練習準備

  1 [student@workstation ~]$ lab schedule-is setup

6.3 創建項目

  1 [student@workstation ~]$ oc login -u developer -p redhat \
  2 https://master.lab.example.com
  3 [student@workstation ~]$ oc new-project schedule-is

6.4 創建應用

  1 [student@workstation ~]$ oc new-app --name=phpmyadmin \
  2 --docker-image=registry.lab.example.com/phpmyadmin/phpmyadmin:4.7

6.5 創建服務賬戶

  1 [student@workstation ~]$ oc login -u admin -p redhat
  2 [student@workstation ~]$ oc project schedule-is
  3 [student@workstation ~]$ oc create serviceaccount phpmyadmin-account

6.6 授權特權運行

  1 [student@workstation ~]$ oc adm policy add-scc-to-user anyuid \
  2 -z phpmyadmin-account

6.7 更新pod

  1 [student@workstation ~]$ oc login -u developer
  2 [student@workstation ~]$ oc patch dc/phpmyadmin --patch \
  3 '{"spec":{"template":{"spec":{"serviceAccountName": "phpmyadmin-account"}}}}'

更新負責管理phpmyadmin部署的dc資源，以便使用新創建的服務帳戶。可以使用oc patch或oc edit命令。此命令可以從/home/student/DO280/labs/secure-review文件夾中的patch-dc.sh腳本中複製。

  1 [student@workstation ~]$ oc get pods		#確認驗證
  2 NAME                 READY     STATUS    RESTARTS   AGE
  3 phpmyadmin-2-vh29z   1/1       Running   0          3m

提示：name后的2表示這個pod是第二次部署，即進行過迭代。

6.8 更新內部倉庫image

  1 [student@workstation ~]$ cd /home/student/DO280/labs/schedule-is/
  2 [student@workstation schedule-is]$ ls
  3 phpmyadmin-latest.tar  trust_internal_registry.sh
  4 [student@workstation schedule-is]$ docker load -i phpmyadmin-latest.tar
  5 #使用docker load命令加載新的image。
  6 [student@workstation schedule-is]$ docker images
  7 REPOSITORY          TAG                 IMAGE ID            CREATED             SIZE
  8 <none>              <none>              93d0d7db5ce2        13 months ago       166 MB

6.9 tag鏡像

  1 [student@workstation schedule-is]$ docker tag 93d0d7db5ce2 \
  2 docker-registry-default.apps.lab.example.com/schedule-is/phpmyadmin:4.7
  3 #打完標記進行推送。

6.10 登錄docker倉庫

結論：docker倉庫會提示因為是自簽名證書，因此判定為不安全的方式。

6.11 修改信任

本環境使用/home/student/DO280/labs/secure-review文件夾中的trust_internal_registry.sh腳本，配置docker倉庫信任OpenShift內部倉庫。

  1 [student@workstation schedule-is]$ ./trust_internal_registry.sh

6.12 推送image

  1 [student@workstation schedule-is]$ docker push \
  2 docker-registry-default.apps.lab.example.com/schedule-is/phpmyadmin:4.7

6.13 確認更新

驗證當源image更新后，是否能自動觸發OpenShift進行pod更新。

  1 [student@workstation schedule-is]$ oc get pods
  2 NAME                 READY     STATUS    RESTARTS   AGE
  3 phpmyadmin-3-hnfjk   1/1       Running   0          23s

七管理應用部署實驗

7.1 前置準備

準備完整的OpenShift集群，參考《003.OpenShift網絡》2.1。

7.2 本練習準備

  1 [student@workstation ~]$ lab manage-review setup

7.3 確認region

  1 [student@workstation ~]$ oc login -uadmin -predhat https://master.lab.example.com
  2 [student@workstation ~]$ oc get nodes -L region
  3 NAME                     STATUS    ROLES     AGE       VERSION             REGION
  4 master.lab.example.com   Ready     master    2d        v1.9.1+a0ce1bc657
  5 node1.lab.example.com    Ready     compute   2d        v1.9.1+a0ce1bc657   infra
  6 node2.lab.example.com    Ready     compute   2d        v1.9.1+a0ce1bc657   infra

7.4 修改region

  1 [student@workstation ~]$ oc label node node1.lab.example.com region=services --overwrite=true
  2 [student@workstation ~]$ oc label node node2.lab.example.com region=applications --overwrite=true
  3 [student@workstation ~]$ oc get nodes -L region
  4 NAME                     STATUS    ROLES     AGE       VERSION             REGION
  5 master.lab.example.com   Ready     master    2d        v1.9.1+a0ce1bc657
  6 node1.lab.example.com    Ready     compute   2d        v1.9.1+a0ce1bc657   services
  7 node2.lab.example.com    Ready     compute   2d        v1.9.1+a0ce1bc657   applications

7.5 創建項目

  1 [student@workstation ~]$ oc new-project manage-review

7.6 創建應用

  1 [student@workstation ~]$ oc new-app -i php:7.0 \
  2 http://registry.lab.example.com/version

7.7 擴展應用

  1 [student@workstation ~]$ oc scale dc version --replicas=3
  2 [student@workstation ~]$ oc get pods -o wide		#確認驗證
  3 NAME              READY     STATUS      RESTARTS   AGE       IP            NODE
  4 version-1-9626w   1/1       Running     0          40s       10.129.0.55   node2.lab.example.com
  5 version-1-build   0/1       Completed   0          1m        10.129.0.52   node2.lab.example.com
  6 version-1-f6vj2   1/1       Running     0          40s       10.129.0.56   node2.lab.example.com
  7 version-1-mrhk4   1/1       Running     0          45s       10.129.0.54   node2.lab.example.com

結論：應用程序pod並沒有均分在兩個集群node節點之間，因為每個節點屬於不同的region，並且默認的OpenShift調度器配置打開了區域粘性。

7.8 調度pod

  1 [student@workstation ~]$ oc export dc version -o yaml > version-dc.yml	#導出yaml
  2 spac
  3 ……
  4   template:
  5     metadata:
  6 ……
  7     spec:
  8       nodeSelector:		#添加節點選擇器
  9         region: applications
 10 ……

7.9 迭代部署

  1 [student@workstation ~]$ oc replace -f version-dc.yml	#迭代

7.10 確認驗證

  1 [student@workstation ~]$ oc get pod -o wide
  2 NAME              READY     STATUS      RESTARTS   AGE       IP            NODE
  3 version-1-build   0/1       Completed   0          15m       10.129.0.52   node2.lab.example.com
  4 version-2-2bmqq   1/1       Running     0          58s       10.129.0.60   node2.lab.example.com
  5 version-2-nz58r   1/1       Running     0          1m        10.129.0.59   node2.lab.example.com
  6 version-2-rlj2h   1/1       Running     0          1m        10.129.0.58   node2.lab.example.com

驗證是否啟動了新的部署，並且在node2節點上運行了一組新的版本莢。等待所有三個新的應用程序莢都準備好並運行

7.11 修改region

  1 [student@workstation ~]$ oc label node node1.lab.example.com region=applications --overwrite=true
  2 [student@workstation ~]$ oc get nodes -L region		#確認驗證
  3 NAME                     STATUS    ROLES     AGE       VERSION             REGION
  4 master.lab.example.com   Ready     master    2d        v1.9.1+a0ce1bc657
  5 node1.lab.example.com    Ready     compute   2d        v1.9.1+a0ce1bc657   applications
  6 node2.lab.example.com    Ready     compute   2d        v1.9.1+a0ce1bc657   applications

7.12 終止node2

  1 [student@workstation ~]$ oc adm manage-node --schedulable=false node2.lab.example.com
  2 NAME                    STATUS                     ROLES     AGE       VERSION
  3 node2.lab.example.com   Ready,SchedulingDisabled   compute   2d        v1.9.1+a0ce1bc657

7.13 刪除pod

刪除node2的pod，並使用node1創建的pod替換。

  1 [student@workstation ~]$ oc adm drain node2.lab.example.com --delete-local-data

7.14 查看pod

  1 [student@workstation ~]$ oc get pods -o wide
  2 NAME              READY     STATUS    RESTARTS   AGE       IP            NODE
  3 version-2-d9fhp   1/1       Running   0          3m        10.128.0.34   node1.lab.example.com
  4 version-2-jp5gr   1/1       Running   0          3m        10.128.0.35   node1.lab.example.com
  5 version-2-z5lv5   1/1       Running   0          3m        10.128.0.33   node1.lab.example.com

7.15 暴露服務

  1 [student@workstation ~]$ oc expose service version --hostname=version.apps.lab.example.com
  2 [student@workstation ~]$ curl http://version.apps.lab.example.com	#確認測試
  3 <html>
  4  <head>
  5   <title>PHP Test</title>
  6  </head>
  7  <body>
  8  <p>Version v1</p>
  9  </body>
 10 </html>

7.16 確認驗證

  1 [student@workstation ~]$ lab manage-review grade	#環境腳本判斷

7.17 還原環境

  1 [student@workstation ~]$ oc adm manage-node --schedulable=true node2.lab.example.com
  2 [student@workstation ~]$ oc label node node1.lab.example.com region=infra --overwrite=true
  3 [student@workstation ~]$ oc label node node2.lab.example.com region=infra --overwrite=true
  4 [student@workstation ~]$ oc get node -L region
  5 NAME                     STATUS    ROLES     AGE       VERSION             REGION
  6 master.lab.example.com   Ready     master    2d        v1.9.1+a0ce1bc657
  7 node1.lab.example.com    Ready     compute   2d        v1.9.1+a0ce1bc657   infra
  8 node2.lab.example.com    Ready     compute   2d        v1.9.1+a0ce1bc657   infra
  9 [student@workstation ~]$ oc delete project manage-review

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※帶您來了解什麼是 USB CONNECTOR ?

※自行創業缺乏曝光? 網頁設計幫您第一時間規劃公司的形象門面

※如何讓商品強力曝光呢? 網頁設計公司幫您建置最吸引人的網站，提高曝光率!

※綠能、環保無空污,成為電動車最新代名詞，目前市場使用率逐漸普及化

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

※教你寫出一流的銷售文案?

2020-09-28

阿裏面試官最喜歡問的21個HashMap面試題

Post By admin 網路資訊 iphone維修, USB CONNECTOR, 台北網頁設計, 新北清潔, 網頁設計, 網頁設計公司

1.HashMap 的數據結構？

A：哈希表結構（鏈表散列：數組+鏈表）實現，結合數組和鏈表的優點。當鏈表長度超過 8 時，鏈錶轉換為紅黑樹。

transient Node<K,V>\[\] table;

2.HashMap 的工作原理？

HashMap 底層是 hash 數組和單向鏈表實現，數組中的每個元素都是鏈表，由 Node 內部類（實現 Map.Entry接口）實現，HashMap 通過 put & get 方法存儲和獲取。

存儲對象時，將 K/V 鍵值傳給 put() 方法：

①、調用 hash(K) 方法計算 K 的 hash 值，然後結合數組長度，計算得數組下標；

②、調整數組大小（當容器中的元素個數大於 capacity * loadfactor 時，容器會進行擴容resize 為 2n）；

③、i.如果 K 的 hash 值在 HashMap 中不存在，則執行插入，若存在，則發生碰撞；

ii.如果 K 的 hash 值在 HashMap 中存在，且它們兩者 equals 返回 true，則更新鍵值對；

iii. 如果 K 的 hash 值在 HashMap 中存在，且它們兩者 equals 返回 false，則插入鏈表的尾部（尾插法）或者紅黑樹中（樹的添加方式）。（JDK 1.7 之前使用頭插法、JDK 1.8 使用尾插法）（注意：當碰撞導致鏈表大於 TREEIFY_THRESHOLD = 8 時，就把鏈錶轉換成紅黑樹）

獲取對象時，將 K 傳給 get() 方法：①、調用 hash(K) 方法（計算 K 的 hash 值）從而獲取該鍵值所在鏈表的數組下標；②、順序遍歷鏈表，equals()方法查找相同 Node 鏈表中 K 值對應的 V 值。

hashCode 是定位的，存儲位置；equals是定性的，比較兩者是否相等。

3.當兩個對象的 hashCode 相同會發生什麼？

因為 hashCode 相同，不一定就是相等的（equals方法比較），所以兩個對象所在數組的下標相同，”碰撞”就此發生。又因為 HashMap 使用鏈表存儲對象，這個 Node 會存儲到鏈表中。

4.你知道 hash 的實現嗎？為什麼要這樣實現？

JDK 1.8 中，是通過 hashCode() 的高 16 位異或低 16 位實現的：(h = k.hashCode()) ^ (h >>> 16)，主要是從速度，功效和質量來考慮的，減少系統的開銷，也不會造成因為高位沒有參与下標的計算，從而引起的碰撞。

5.為什麼要用異或運算符？

保證了對象的 hashCode 的 32 位值只要有一位發生改變，整個 hash() 返回值就會改變。盡可能的減少碰撞。

6.HashMap 的 table 的容量如何確定？loadFactor 是什麼？該容量如何變化？這種變化會帶來什麼問題？

①、table 數組大小是由 capacity 這個參數確定的，默認是16，也可以構造時傳入，最大限制是1<<30；

②、loadFactor 是裝載因子，主要目的是用來確認table 數組是否需要動態擴展，默認值是0.75，比如table 數組大小為 16，裝載因子為 0.75 時，threshold 就是12，當 table 的實際大小超過 12 時，table就需要動態擴容；

③、擴容時，調用 resize() 方法，將 table 長度變為原來的兩倍（注意是 table 長度，而不是 threshold）

④、如果數據很大的情況下，擴展時將會帶來性能的損失，在性能要求很高的地方，這種損失很可能很致命。

7.HashMap中put方法的過程？

答：“調用哈希函數獲取Key對應的hash值，再計算其數組下標；
如果沒有出現哈希衝突，則直接放入數組；如果出現哈希衝突，則以鏈表的方式放在鏈表後面；
如果鏈表長度超過閥值( TREEIFY THRESHOLD==8)，就把鏈錶轉成紅黑樹，鏈表長度低於6，就把紅黑樹轉回鏈表;
如果結點的key已經存在，則替換其value即可；
如果集合中的鍵值對大於12，調用resize方法進行數組擴容。”

8.數組擴容的過程？

創建一個新的數組，其容量為舊數組的兩倍，並重新計算舊數組中結點的存儲位置。結點在新數組中的位置只有兩種，原下標位置或原下標+舊數組的大小。

9.拉鏈法導致的鏈表過深問題為什麼不用二叉查找樹代替，而選擇紅黑樹？為什麼不一直使用紅黑樹？

之所以選擇紅黑樹是為了解決二叉查找樹的缺陷，二叉查找樹在特殊情況下會變成一條線性結構（這就跟原來使用鏈表結構一樣了，造成很深的問題），遍歷查找會非常慢。

而紅黑樹在插入新數據后可能需要通過左旋，右旋、變色這些操作來保持平衡，引入紅黑樹就是為了查找數據快，解決鏈表查詢深度的問題，我們知道紅黑樹屬於平衡二叉樹，但是為了保持“平衡”是需要付出代價的，但是該代價所損耗的資源要比遍歷線性鏈表要少，所以當長度大於8的時候，會使用紅黑樹，如果鏈表長度很短的話，根本不需要引入紅黑樹，引入反而會慢。

10.說說你對紅黑樹的見解？

每個節點非紅即黑
根節點總是黑色的
如果節點是紅色的，則它的子節點必須是黑色的（反之不一定）
每個恭弘=叶恭弘子節點都是黑色的空節點（NIL節點）
從根節點到恭弘=叶恭弘節點或空子節點的每條路徑，必須包含相同數目的黑色節點（即相同的黑色高度）

11.jdk8中對HashMap做了哪些改變？

在java 1.8中，如果鏈表的長度超過了8，那麼鏈表將轉換為紅黑樹。（桶的數量必須大於64，小於64的時候只會擴容）

發生hash碰撞時，java 1.7 會在鏈表的頭部插入，而java 1.8會在鏈表的尾部插入

在java 1.8中，Entry被Node替代(換了一個馬甲)。

12.HashMap，LinkedHashMap，TreeMap 有什麼區別？

HashMap 參考其他問題；

LinkedHashMap 保存了記錄的插入順序，在用 Iterator 遍歷時，先取到的記錄肯定是先插入的；遍歷比 HashMap 慢；

TreeMap 實現 SortMap 接口，能夠把它保存的記錄根據鍵排序（默認按鍵值升序排序，也可以指定排序的比較器）

13.HashMap & TreeMap & LinkedHashMap 使用場景？

一般情況下，使用最多的是 HashMap。

HashMap：在 Map 中插入、刪除和定位元素時；

TreeMap：在需要按自然順序或自定義順序遍歷鍵的情況下；

LinkedHashMap：在需要輸出的順序和輸入的順序相同的情況下。

14.HashMap 和 HashTable 有什麼區別？

①、HashMap 是線程不安全的，HashTable 是線程安全的；

②、由於線程安全，所以 HashTable 的效率比不上 HashMap；

③、HashMap最多只允許一條記錄的鍵為null，允許多條記錄的值為null，而 HashTable不允許；

④、HashMap 默認初始化數組的大小為16，HashTable 為 11，前者擴容時，擴大兩倍，後者擴大兩倍+1；

⑤、HashMap 需要重新計算 hash 值，而 HashTable 直接使用對象的 hashCode

15.Java 中的另一個線程安全的與 HashMap 極其類似的類是什麼？同樣是線程安全，它與 HashTable 在線程同步上有什麼不同？

ConcurrentHashMap 類（是 Java併發包 java.util.concurrent 中提供的一個線程安全且高效的 HashMap 實現）。

HashTable 是使用 synchronize 關鍵字加鎖的原理（就是對對象加鎖）；

而針對 ConcurrentHashMap，在 JDK 1.7 中採用分段鎖的方式；JDK 1.8 中直接採用了CAS（無鎖算法）+ synchronized。

16.HashMap & ConcurrentHashMap 的區別？

除了加鎖，原理上無太大區別。另外，HashMap 的鍵值對允許有null，但是ConCurrentHashMap 都不允許。

17.為什麼 ConcurrentHashMap 比 HashTable 效率要高？

HashTable 使用一把鎖（鎖住整個鏈表結構）處理併發問題，多個線程競爭一把鎖，容易阻塞；

ConcurrentHashMap

JDK 1.7 中使用分段鎖（ReentrantLock + Segment + HashEntry），相當於把一個 HashMap 分成多個段，每段分配一把鎖，這樣支持多線程訪問。鎖粒度：基於 Segment，包含多個 HashEntry。
JDK 1.8 中使用 CAS + synchronized + Node + 紅黑樹。鎖粒度：Node（首結點）（實現 Map.Entry）。鎖粒度降低了。

18.針對 ConcurrentHashMap 鎖機制具體分析（JDK 1.7 VS JDK 1.8）？

JDK 1.7 中，採用分段鎖的機制，實現併發的更新操作，底層採用數組+鏈表的存儲結構，包括兩個核心靜態內部類 Segment 和 HashEntry。

①、Segment 繼承 ReentrantLock（重入鎖）用來充當鎖的角色，每個 Segment 對象守護每個散列映射表的若干個桶；

②、HashEntry 用來封裝映射表的鍵-值對；

③、每個桶是由若干個 HashEntry 對象鏈接起來的鏈表

JDK 1.8 中，採用Node + CAS + Synchronized來保證併發安全。取消類 Segment，直接用 table 數組存儲鍵值對；當 HashEntry 對象組成的鏈表長度超過 TREEIFY_THRESHOLD 時，鏈錶轉換為紅黑樹，提升性能。底層變更為數組 + 鏈表 + 紅黑樹。

19.ConcurrentHashMap 在 JDK 1.8 中，為什麼要使用內置鎖 synchronized 來代替重入鎖 ReentrantLock？

①、粒度降低了；

②、JVM 開發團隊沒有放棄 synchronized，而且基於 JVM 的 synchronized 優化空間更大，更加自然。

③、在大量的數據操作下，對於 JVM 的內存壓力，基於 API 的 ReentrantLock 會開銷更多的內存。

20.ConcurrentHashMap 簡單介紹？

①、重要的常量：

private transient volatile int sizeCtl;

當為負數時，-1 表示正在初始化，-N 表示 N – 1 個線程正在進行擴容；

當為 0 時，表示 table 還沒有初始化；

當為其他正數時，表示初始化或者下一次進行擴容的大小。

②、數據結構：

Node 是存儲結構的基本單元，繼承 HashMap 中的 Entry，用於存儲數據；

TreeNode 繼承 Node，但是數據結構換成了二叉樹結構，是紅黑樹的存儲結構，用於紅黑樹中存儲數據；

TreeBin 是封裝 TreeNode 的容器，提供轉換紅黑樹的一些條件和鎖的控制。

③、存儲對象時（put() 方法）：

如果沒有初始化，就調用 initTable() 方法來進行初始化；

如果沒有 hash 衝突就直接 CAS 無鎖插入；

如果需要擴容，就先進行擴容；

如果存在 hash 衝突，就加鎖來保證線程安全，兩種情況：一種是鏈表形式就直接遍歷到尾端插入，一種是紅黑樹就按照紅黑樹結構插入；

如果該鏈表的數量大於閥值 8，就要先轉換成紅黑樹的結構，break 再一次進入循環

如果添加成功就調用 addCount() 方法統計 size，並且檢查是否需要擴容。

④、擴容方法 transfer()：默認容量為 16，擴容時，容量變為原來的兩倍。

helpTransfer()：調用多個工作線程一起幫助進行擴容，這樣的效率就會更高。

⑤、獲取對象時（get()方法）：

計算 hash 值，定位到該 table 索引位置，如果是首結點符合就返回；

如果遇到擴容時，會調用標記正在擴容結點 ForwardingNode.find()方法，查找該結點，匹配就返回；

以上都不符合的話，就往下遍歷結點，匹配就返回，否則最後就返回 null。

21.ConcurrentHashMap 的併發度是什麼？

程序運行時能夠同時更新 ConccurentHashMap 且不產生鎖競爭的最大線程數。默認為 16，且可以在構造函數中設置。

當用戶設置併發度時，ConcurrentHashMap 會使用大於等於該值的最小2冪指數作為實際併發度（假如用戶設置併發度為17，實際併發度則為32）

Typescript的interface、class和abstract class

Post By admin 網路資訊南投搬家費用, 台中電動車, 台北網頁設計, 租車, 網頁設計, 網頁設計公司, 銷售文案

interface，class，和abstract class這3個概念，既有聯繫，又有區別，本文嘗試着結合官方文檔來闡述這三者之間的關係。

1. Declaration Merging

Declaration Type	Namespace	Type	Value
Namespace	X		X
Class		X	X
Enum		X	X
Interface		X
Type Alias			X
Function			X
Variable			X

首先我們來講一下上面這張表格，當我們第一列的關鍵字進行聲明時，我們在做什麼。

namespace job {
   haircut(): void;
}

class Man{
	name: string;
}
let imgss = new Man();

enum Color {red, blue, yellow}

interface dogfood {

  brand: string;
  price: number
}
type event = 'mouse' | 'keyboard';

function foo(){}

let a = 2;
var b = {};
const c = null;

namespace用來聲明一個命名空間，比較著名的命名空間有lodash，裏面有一堆工具函數，統統放在一個叫_的namespace裏面,同時你也可以let $ = _;所以namespace也聲明了一個值。

class聲明了一個值，也聲明了一種類型，你可以把Man賦值給一個變量，所以class是一種值，也可以說imgss是一個Man(類型)，此時Man承擔了一種類型的角色。

enum聲明了一個值，也聲明了一種類型。我們說red是一種Color，Color在這裏承擔類型的角色，也可以把Color賦值給一個變量

interface聲明了一種類型，但是你不能把dogfood賦值給某個變量，否則你會得到一個報錯“dogfood’ only refers to a type, but is being used as a value here`

其他function，let，var，const都在聲明一個值，你不能說xxx是一個a，或者xxx是一個foo，不能把值當成類型使用。

2. interface和class

我們知道，不算symbol，js中有6種基本類型，number，string，boolean，null, undefined, object。但是只依靠這幾種類型，來描述某個函數需要傳什麼樣的參數，是遠遠不夠的，這也是interface的使命–描述一個值（value）的形狀（type）。

現在我們來看class，class首先也具有interface的能力，描述一個形狀，或者說代表一種類型。此外class還提供了實現，也就是說可以被實例化；

所以class可以implements interface:

interface ManLike {
  speak(): void;
  leg: number;
  hand: number;
}
class Human implements ManLike {
  leg: number = 2;
  hand: number = 2;
  speak() {
    console.log('i can speak');
  }
}

而interface可以extends class，此時的class承擔類型的角色

interface Chinese extends Human {
  country: string;
}

那麼interface能不能extends enum或者type alias呢，這兩個兄弟也聲明了type啊，答案是不行的，官方報錯的信息：

An interface can only extend an object type or intersection of object types with statically known members.

3. class和abstract class

class和abstract class的區別主要是abstract class不能被實例化：

abstract Human {
	name: string;
    abstract lang(): void;
	toString() {
    	return `<human:${this.name}>`
    }
}
new Human // Cannot create an instance of an abstract class.

4. interface和abstract class

兩者都不能被實例化，但是abstract class 也可以被賦值給變量。
interface 裏面不能有方法的實現，abstract class 可以提供部分的方法實現，這些方法可以被子類調用。

參考： https://www.typescriptlang.org/docs/handbook/declaration-merging.html

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

※網頁設計公司推薦不同的風格，搶佔消費者視覺第一線

※想知道購買電動車哪裡補助最多?台中電動車補助資訊懶人包彙整

※南投搬家公司費用,距離,噸數怎麼算?達人教你簡易估價知識!

※教你寫出一流的銷售文案?

※超省錢租車方案

2020-09-28

程序員的命名素養

Post By admin 網路資訊台北網頁設計, 如何寫文案, 潭子電動車, 網頁設計, 網頁設計公司

引言

今天來聊聊命名相關內容。

在日常工作中，項目、類、方法、表等等等等，都需要我們起名來標識區分。好的名字讓人賞心悅目，不好的名字讓人看的想吐。

最近工作有幸寫了node、前端、php、sql、scala，也見識了公司各位前輩們的命名功底。其中不乏abc命名、拼音命名、蹩腳英文命名，更有不少從別的地方粘過來連名都不改的操作。

命名沒有對錯，只是規範一點，可以提高可讀性、可維護性。

命名原則

拼寫正確

拼寫正確是可讀的基礎。

play shift和play shit自己體會一下

清新明了，見名知意

根據要表達的內容命名，一針見血。

getNameById 根據id獲取名稱
ClassLoader 類加載器
MYSQL_USERNAME mysql用戶名

如上幾個例子，我們一眼就知道要表達什麼，可讀性高。

使用英文字母命名

在編程中，英文還是較為主流的，最好使用單詞來命名，再不濟也是用拼音來命名。

不論是拼音或單詞，清晰表意是首要。

保持一致

在一個項目中，應該使用統一的規範來命名。

無規矩不成方圓。

合理使用動詞名詞

類名、變量名通常應使用名詞。如ClassLoader、userId

對於方法名、函數名，應包含動詞。如handleClick、generateUniqueId

命名方法

常見的命名方法有駝峰命名法、匈牙利命名法、帕斯卡命名法、中/下劃線命名法

駝峰命名法Camel-Case

駝峰命名法，又叫小駝峰命名法，如名稱所表達的意思，指混合使用大小寫字母老表示名字。

如userId、getCompanyNameById

應用很廣泛。

匈牙利命名法

基本原則是：變量名=屬性+類型+對象描述。通過名稱可以直觀的了解他的所屬、類型等信息。

是早期的命名方式，早期IDE沒有很智能的時候，這種命名是很有必要的。

如iNum，表示int類型的num

現在依舊很少有人用了。

帕斯卡命名法

又叫大駝峰命名法，就是把駝峰命名的首字母大寫了。

如ClassLoader

中/下劃線命名法

單詞全部小寫，單詞和單詞間用中劃線或下劃線分割。

如user_id、python-flask-demo

下劃線命名在數據庫中較為常見。

常量命名法

這個不是官方的方法，但是常量一般是由固定規範的。

格式：所有單詞的所有字母都是大寫，單詞之間用下戶線連接。

如APOLLO_NAMESPAC

總結

好的命名習慣是每個程序員必備的基本素養。

寫代碼時，好的命名會讓思路更加清洗，代碼寫的更加絲滑。

代碼就是程序員的形象，從命名的細節開始，讓自己更帥一些。

個人公眾號：碼農峰，定時推送行業資訊，持續發布原創技術文章，歡迎大家關注。

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

※網頁設計公司推薦不同的風格，搶佔消費者視覺第一線

※Google地圖已可更新顯示潭子電動車充電站設置地點!!

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

※別再煩惱如何寫文案,掌握八大原則!

※網頁設計最專業,超強功能平台可客製化

2020-09-26

走出舒適圈的信念和勇氣——“Learning by doing！” 我的軟工2020春季教學總結

Post By admin 網路資訊 USB CONNECTOR, 台北網頁設計, 網站設計, 網頁設計公司, 銷售文案, 電動車

看着大家陸續提交個人學期總結，我還不敢去翻看，怕思緒紛飛思維定式，變了自己寫總結的初心和思路。一篇總結，開頭起筆尤是最難，總是想各式各樣的開頭，翻來覆去，寫了念，念了刪，寫了念，念了刪。還是回到初心，回首一下為什麼上這門課。經過一個學期，我的態度和想法有沒有變化，我的收穫和驚喜是什麼。

為什麼我想上這個班？
過去沒有一次課，會像這次一樣，具有一點使命感。過去也沒有一次課，全程都是線上進行。也沒有一次課，如果放大忐忑的心情，也會挺忐忑的。
作為一門臨時穿插安排的選修課，上課前，我聽到的關於系裡同學的水平和积極主動性，負向居多。如果課程要求高和嚴，還可能一翻兩瞪眼，學生投訴或紛紛消極放棄，那麼我大多數的時間精力可能都會用來勸說、解釋和雞湯。如果上的太差，也有可能搞砸後續我想進行的課程教學改革和質量提升。雖然考慮過這些困難，但相比於還沒有為系裡學生完整上過一門課，還沒有近距離感受不同學生的精彩作品和風格，還沒有為後續其他課程的改革做探索和調研，前面那些疑慮早已經拋到九霄雲外，只有許多期待和興奮感。

你們給我的驚喜：

你們從個人Github開始，也結束於團隊協作的GitHub，而且不少組做的很不錯，互幫互學，其團隊Github實踐能力，遠勝過以往我的班級；
你們其中有的組分享的Android或小程序開發的經驗和教程，寫的用心，媲美以往我的班級；
你們不少組用上了一些自動化測試工具，而且妥帖，用的好，遠勝過以往我的班級；
更難能可貴的是，你們的不少作品，都離用戶很近，教務課程表、查寢點名、圖書館佔座、校園失物招領……等等，都將可以被用得上，希望你們不斷將作品成型，離之更近。
不少同學的能力和潛質，都讓我覺得相見恨晚，也相識太短。匆匆你們也就要進入畢業年級。什麼是課程？就是拋卻那些具體的什麼理論和知識，回憶自己能留下的，就是這門課要教給你的。如果問我，我們短暫的線上相聚，這門課，要交給你們什麼呢？是“Learing by doing”嗎？這也許是之一。做中學，其實就是做自己所不會的。我們常有的觀念是，我不會，所以我做不了。而“Learning by doing”給我們的勇氣和信念是：做我所不會的，但又是對於自己發展非常重要的，甚至是關鍵路徑上的實現和突破。換句簡單的話來說，這門課想交（交，不是教，我沒有寫錯別字）給你們的是：走出舒適圈。其中的信念和勇氣就是，我可以“Learning by doing！”

你們給了我更多在專業推行課程實踐改革的信心和動力。信心是：你們有這麼多潛質和能力，怎麼就不能做成項目，達成自己的能力提升呢？動力是：在你們最好的時節，遇到你們，如果我們不能抓住這樣的機會，把握這樣的機會，做的更好，錯過了，將可惜許多未來的你們。成為系裡不少項目的開發者、成為課程核心助教、成為我們改革的初創者和開拓者，是這門課和這個學期，你們給我的最大收穫。

就算是自賦的使命感吧，我想，當初來，並不是讓自己來掙課時費的。希望能了解現狀，立足現實，理解問題，分析原因，給出方法，執意推行，做出成果。前四點，無論老師或是學生，多多少少都有感慨和認知。不少知名的企業家，也常常在不同場合，對義務教育、高等教育提出屬於自己的真知灼見，大多數時是痛心疾首，哀其不幸，怒其不爭，覺得應該這樣改那樣改。為什麼問題顯而易見，現狀人人不滿（至少是不滿意），但改變卻牛步而行，各層次教育依然故我。人人都能對教育發表評論，因為重要，教育關係千家萬戶，關係國計民生，關係百年基業；也因為平凡，人人都受過教育，當過學生，也大多教育別人（比如養兒育女）。但這些其實是一種錯覺。企業也很重要啊，但少有人能夠對企業經營管理指摘或評論，很少其他人指導企業經營者應該怎麼做。我想，原因可能在距離。是否直接與學生互動，感受和方法，可能會真的不一樣。教學不是做菜，學生不是食材，互動勝過一切。這也是慕課為什麼知易行難，選課人數多，堅持人數微乎其微的原因。即使堅持了，效果也遠遠不如近距離教學的收穫和感受。評論或建議教育的人的錯覺，就在於希望自己的想法能被教育者一以貫之，卻常常忽略受教育者的感受、過程、反饋和互動。教學相長，如同沒有一次軟件開發項目是可以完全一樣完全照搬的，也沒有一次課程教學是可以完全一樣完全照搬的。更沒有什麼理論或建議，是可以醍醐灌頂，直接有效快速解決教育難題的。孔聖人之所以較其他名家更偉大一些，稱為至聖先師，除了有真知灼見，更在於自己帶領弟子三千，是真正戰鬥在教育一線的教育者。與學生的互動，一問一答，一段經歷，一個故事，乃至於對學生的點評，都成為後人傳頌的至理名言。將距離拉近，師生作為教學相長的團隊一體，才能相互促進，提升和改變。
《構建之法》的作者，也正是將在清華、北航、微軟亞洲研究院的教學實踐的課程講義，凝結成書，並不斷在教學實踐中推陳出新，改版完善，才讓書具有了強大和茁壯的生命力，書中凝練的教學做法不斷推廣鋪開和可持續化，成為不少其他教學研討場合里都會提到的話題。回到根源，是經過實踐檢驗的“Learning by doing”才具有了這樣的生命力。如何繼往開來，我想，也要回到這樣的初心。不斷實踐，不斷改變。比如，線上教學，是可以發揮這樣的優勢的。作者對某些博客夜以繼日或苦心費思的點評，礙於單篇博客本身的閱讀量，點評被看到率不算高，回復率更讓人着急，也不一定能夠符合這個時代視頻影音影響力的特點。所以，正是線上教學，視頻直播，考慮到傳播力、影響力、互動性，作者可以考慮不斷前進，為不同開展的學校，做一次線上互動的軟工講座，分享軟件工程思維、案例、心得，和互動問答，這些，都將長久影響不少學生，也能逐步累積與一線學生互動的思考、感受和來自廣大讀者受眾的聲音。對作者來說，這一步，其實也是走出舒適圈，“Learning by doing！”

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※帶您來了解什麼是 USB CONNECTOR ?

※自行創業缺乏曝光? 網頁設計幫您第一時間規劃公司的形象門面

※如何讓商品強力曝光呢? 網頁設計公司幫您建置最吸引人的網站，提高曝光率!

※綠能、環保無空污,成為電動車最新代名詞，目前市場使用率逐漸普及化

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

※教你寫出一流的銷售文案?

2020-09-26

Web前端兼容性指南

Post By admin 網路資訊 iphone維修, USB CONNECTOR, 台北網頁設計, 新北清潔, 網頁設計, 網頁設計公司

一、Web前端兼容性問題

一直以來，Web前端領域最大的問題就是兼容性問題，沒有之一。

前端兼容性問題分三類：

瀏覽器兼容性
屏幕分辨率兼容性
跨平台兼容性

1、瀏覽器兼容性問題

第一次瀏覽器大戰發生在上個世紀90年代，微軟發布了IE瀏覽器，和網景公司的Netscape Navigator大打出手，1998年網景不得不將公司賣給AOL。沒有了對手的IE不思進取，W3C標準支持發展緩慢，為以後的IE兼容性災難埋下了伏筆。到2004年，IE的市場份額達到95%，但在此之後IE的份額逐步遭其他瀏覽器蠶食，主要包括Firefox，Chrome，Safari和Opera。.

2001年8月27日，微軟發布IE6，時隔五年直到2006年才發布了IE7。2009年3月19日，經歷了眾多測試版后，IE8最終發布，雖然IE8針對舊版IE在多方面做了很大改進，但在HTML5、CSS 3等標準支持方面仍落後於其他瀏覽器對手。這三個版本的IE是所有兼容性問題的最大根源，堪稱前端噩夢。

IE6、7、8不支持HTML5、CSS3、SVG標準，可被判定為“極難兼容”

IE9不支持Flex、Web Socket、WebGL，可被判定為“較難兼容”

IE10部分支持Flex（-ms-flexbox）、Web Socket，可被判定為“較易兼容”

IE11部分支持Flex、WebGL，可被判定為“較易兼容”

IE6、7、8、9可視為“老式瀏覽器”

IE10、11可視為“准現代瀏覽器”

Chrome、Firefox、Safari、Opera 、Edge可視為“現代瀏覽器”

瀏覽器與Windows版本份額

Statcounter的各項數據以2020年6月為基準。

http://gsa.statcounter.com/

2、屏幕分辨率兼容性問題

在不同的屏幕分辨率，瀏覽器頁面展示差異很大。特別是屏幕分辨率較小時，容易發生布局錯亂。為了解決這個問題，響應式UI框架應運而生。

主流桌面屏幕分辨率寬度集中在1280~1920，高度集中在720~1080；

主流平板屏幕分辨率寬度集中在962~1280，高度集中在601~800。

主流移動屏幕分辨率寬度集中在360~414，高度集中在640~896。

典型的桌面屏幕分辨率：1920×1080

典型的便攜屏幕分辨率：1366×768

典型的平板屏幕分辨率：768×1024

典型的移動屏幕分辨率：360×640

Bootstrap定義（參考系是邏輯分辨率）：

分辨率	設備名	典型屏幕
>=1400px	xxl 超超大屏設備	桌面屏幕
>=1200px	xl 超大屏設備	便攜屏幕
>=992px	lg 大屏設備	豎屏桌面屏幕、橫屏平板屏幕
>=768px	md 中屏設備	豎屏平板屏幕
>=576px	sm 小屏設備	橫屏移動屏幕
<576px	xs 超小屏（自動）設備	豎屏移動屏幕

注：Bootstrap5新增xxl，Bootstrap3中的lg>=1200px，無576px檔。

手機屏幕分辨率說明

由於手機屏幕尺寸過小，使用原始分辨率會使得頁面显示過小，因此使用了邏輯分辨率，用倍數放大的方法來保證兼容性。比如iOS app的UI資源區分@1x、@2x和@3x，這就是指原始分辨率對邏輯分辨率的倍數，被稱為設備像素比DPR。所以大部分人的手機分辨率都是1080×1920，在分類中卻被歸為了360×640。這個分辨率和CSS中的PX是一致的。

桌面屏幕分辨率說明

移動設備一開始就考慮了DPR，而Windwos桌面的分辨率由於歷史原因卻沒有這一概念，於是Windwos引入了DPI，最初是設置DPI，後來是設置DPI比例。比如設置DPI比例=125%，你可以查詢Chrome的window.devicePixelRatio，這時輸出1.25，這說明DPI比例=DPR。但是大部分老程序並不支持DPI（Unaware），所以當你設置高DPI時，只能等比放大，字模糊到眼要瞎，最後落得空有大屏只能用超低分辨率。由於Chrome支持DPI，所以並不擔心Web有DPI問題。但需要注意的是與手機屏幕分辨率不同，桌面分辨率要除以DPI比例，才是邏輯分辨率。如1920×1080設置DPI比例=1.25，邏輯分辨率實際為1536×864。

屏幕分辨率基礎概念說明

縮寫	全稱	說明
PX	Device Pixels	設備像素，指設備的物理像素
PX	CSS Pixels	CSS像素，指CSS樣式代碼中使用的邏輯像素
DOT	Dot	點，屏幕或打印紙上的點，等同物理像素
PT	Point	磅（傳統長度單位）為1/72英寸=0.35mm
PT	iOS Point	磅（iOS長度單位），為1/163英寸，等同於CSS邏輯像素
DP	Density independent Pixels	設備無關像素（Android長度單位），為1/160英寸，等同於CSS邏輯像素
SP	Scale independent Pixels	縮放無關像素（Android字體單位），等同於CSS邏輯像素，但文字尺寸可調（單獨縮放）
DPR	Device Pixel Ratio	設備像素比，指CSS邏輯像素對於物理像素的倍數
DPPX	Dots Per Pixel	等同於DPR
PPI	Pixel Per Inch	屏幕上每英寸(2.54厘米)的像素點個數
DPI	Dots Per Inch	屏幕或紙上每英寸(2.54厘米)的點個數，標準密度：傳統打印=72；Windows=96；Android=160；iOS=163。
DPIR	DPI Ratio	DPI縮放比例，指DPI對於Windows標準DPI的倍數=DPI/96，等同於DPR

注：各廠商概念有重名現象，請注意區分。

各平台屏幕分辨率份額

3、跨平台兼容性問題

隨着移動和平板市場的日益發展，Web在桌面、平板、移動平台上的兼容性問題日益突出。由於移動和平板是觸摸式操作，與桌面的鼠標操作方式有很大差異，因此在不同平台上要做相應修改。為了解決這個問題，誕生了跨平台框架，在不同平台上，外觀、布局、操作都有差異化修改。

各平台份額

二、前端里程碑框架

在前端領域，隨着技術的不斷進步，逐步誕生了一些里程碑式的前端框架。這些前端框架，大致也是隨着兼容性問題的發生、發展而誕生、發展的。

這些框架代表了前端應用當時先進、成熟、主流的開發方式與發展方向，兼容性問題也在這些框架的基礎之上不斷得到解決，大致也分為三個階段：

一、DOM操作框架，代表框架：jQuery

二、響應式框架，代表框架：Bootstrap

三、前端MVC框架，代表框架：React、Angular、Vue

1、JQuery

2006年1月John Resig等人創建了jQuery；8月，jQuery的第一個穩定版本。jQuery是DOM操作時代前端框架最優秀，也幾乎是唯一代表；但是在以React為代表的新式前端框架崛起之後，迅速沒落。

JQuery 1.x兼容IE6+瀏覽器
JQuery 2.x兼容IE9+瀏覽器
JQuery 3.x兼容IE9+瀏覽器

2、Bootstrap

Bootstrap原名Twitter Blueprint，由Mark Otto和Jacob Thornton開發，最經典的響應式CSS框架，在2011年8月19日作為開源項目發布。其核心是16列布局柵格系統，使用媒體查詢設定閾值為超小屏幕，小屏幕，中等屏幕，大屏幕，超大屏幕創建不同的樣式。

Bootstrap 2兼容IE7+瀏覽器
Bootstrap 3兼容IE8+瀏覽器
Bootstrap 4兼容IE10+瀏覽器
Bootstrap 5不兼容IE瀏覽器

3、React

React 起源於 Facebook 的內部項目，在前端MVC框架大潮中誕生並走紅。2013年5月開源，憑藉Virtual Dom，JSX，Flux，Native等一大批創新特性，迅速吸引了大量開發人員，至今仍是最先進的前端JS框架。

4、Angular

AngularJS 誕生於2009年，由Misko Hevery 等人創建，後為Google所收購。由於Google不差錢，所以AngularJS經歷顛覆性升級為Angular。Angular最大的特點就是大而全。

5、Vue

2013年，在Google工作的尤雨溪，受到Angular的啟發，從中提取自己所喜歡的部分，開發出了一款輕量框架，最初命名為Seed，后更名為Vue。

三、瀏覽器兼容框架

在前端發展的初期，大多數開發最關注的問題就是瀏覽器兼容問題，迫切需要兼容所有瀏覽器的JS和CSS框架。這階段除了橫空出世的jQuery，還有一些其它方面的兼容框架。

1、normalize.css

讓不同的瀏覽器在渲染網頁元素的時候形式更統一。

2、html5shiv.js

IE6~IE8識別HTML5標籤，並且可以添加CSS樣式。

3、respond.js

使IE6~IE8瀏覽器支持媒體查詢。

四、響應式框架

有了jQuery等兼容框架的基礎，開發人員的關注點，逐漸轉移到越來越豐富的屏幕分辨率上，除開Bootstrap一家獨大，越來越多的響應式框架也在奮起直追。

1、Semantic UI

https://github.com/semantic-org/semantic-ui

Semantic 是一個設計漂亮的響應式布局的語義化框架。

2、Bulma

https://github.com/jgthms/bulma

基於 Flexbox 的現代 CSS 框架

3、Tailwind

https://github.com/tailwindcss/tailwindcss

Tailwind是一個底層CSS 框架，快速 UI 開發的實用工具集，提供了高度可組合的應用程序類，可幫助開發者輕鬆構建複雜的用戶界面。另外Tailwind + Styled Component 簡直是絕配（摘自知乎https://www.zhihu.com/question/337939566）。

4、Materialize

https://github.com/Dogfalo/materialize

A CSS Framework based on Material Design.

5、Foundation

https://github.com/foundation/foundation-sites

The most advanced responsive front-end framework in the world.

6、Pure.css

https://github.com/pure-css/pure

A set of small, responsive CSS modules

7、YAMLCSS

https://github.com/yamlcss/yaml

YAML is a modular CSS framework for truly flexible, accessible and responsive websites.

兼容IE6+瀏覽器（能兼容IE6的太稀少了）

五、跨平台框架

自2009年以來，由於Node.js生態的不斷髮展，前端開發的勢力大漲， AngularJS，BackboneJS，KnockoutJS等一批前端MVC框架開始出現。最終伴隨着React、Angular、Vue等框架的脫穎而出，用前端框架開發移動、桌面應用的野心開始暴漲，開始關注不同平台的差異化，越來越多的跨平台框架開始出現。

1、Framework7

https://github.com/framework7io/framework7

Build iOS, Android & Desktop apps

從上圖可以看出，桌面版本比移動版本更緊湊，控件風格跟所在平台近似。支持三種主題：ios、 md、 aurora對應不同平台。

2、Ionic

https://github.com/ionic-team/ionic

build mobile and desktop apps

從上圖可以看出，主要針對移動平台優化，但通過API支持多種平台。

3、Onsen UI

https://github.com/OnsenUI/OnsenUI

develop HTML5 hybrid and mobile web apps

從上圖可以看出，主要針對移動平台優化，但通過API支持多種平台。

4、Quasar Framework

https://github.com/quasarframework/quasar

基於Vue構建響應式網站、PWA、SSR、移動和桌面應用

Quasar將一些輔助CSS類附加到document.body：如desktop、mobile、touch、platform-[ios]、within-iframe等

5、UNI-APP

https://github.com/dcloudio/uni-app

使用 Vue.js 開發所有前端應用的框架

從上圖可以看出，三種平台比較一致，但移動版本還比桌面版本還緊湊是什麼意思？

6、橫向對比

框架	桌面優化	移動優化	移動一致	支持框架
Framework7	優秀	優秀	優秀	最多
Ionic	一般	優秀	一般	較多
Onsen UI	一般	優秀	一般	較多
Quasar	良好	優秀	良好	Vue
UNI-APP	一般	優秀	優秀	Vue

六、總結

兼容性問題總是伴隨着平台的擴張而產生的，Web開發面臨的終極問題就是多平台兼容性問題，根據不同產品，不同階段做部分取捨，應用不同的框架而已。需要支持的平台，決定了你的選擇。

新的框架或舊框架的新版本基本都不再支持IE，但國內還有5.65% 的IE用戶，而且3.29%的WinXP，46.79%的Win7都是潛在的IE用戶，所以可將其做為一個平台看待。

IE Web
Desktop Web
Mobile Web
Tablet Web
Desktop Hybrid
Mobile Hybrid
Tablet Hybrid

注：React Native代表的Native技術不在本次討論之列

1、瀏覽器兼容策略

國內XP用戶還有3.29%，XP用戶既升級不了IE9，也無法安裝新版本Chrome和Firefox 。而IE用戶還有 5.65%，考慮到Windows用戶為87%，所以IE9+的份額應該要少於5.65%-3.29%*87%=2.79%。也就是說IE8以下的用戶要多於IE8以上的用戶。所以支持單獨支持IE9+ 瀏覽器沒有實際意義，要麼支持IE6，要麼不支持IE，。

看看知名網站對IE8的兼容性，

京東會提示“溫馨提示：您當前的瀏覽器版本過低，存在安全風險，建議升級瀏覽器”，但是頁面完全可以正確显示，幾乎沒有什麼異常發生，看來兼容工作很到位。
淘寶會出現很多頁面異常，說明IE兼容工作要求不高，基本正常即可，只是象徵性的加了幾條兼容性內容。
去哪兒網也會出現很多頁面異常，但頁面布局還是正常的，看來也是儘力而為，不做要求。
騰訊的頁面只有一個立即更新按鈕，一貫地友好。
知乎直接404，好吧，強大。

兼容IE的建議：

一、建議不做任何兼容，IE6~11直接显示升級瀏覽器按鈕。

二、如果一定要兼容，後端返回IE專用頁面，至少兼容IE8。

2、屏幕分辨率兼容策略

屏幕分辨率最少要考慮兼容便攜屏幕和移動屏幕兩種。可以參考去哪兒網的做法，把內容分成三類：移動端主菜單與導航欄；主要內容；擴展內容。屏幕分辨率高於480，显示主要內容、擴展內容。屏幕分辨率低於480，显示移動端主菜單與導航欄、主要內容。

如果你的應用是管理軟件，則最好考慮兼容桌面屏幕、便攜屏幕和移動屏幕三種。Bootstrap5新增了超超大屏幕，則就是基於這種考慮。這時候，可以加入側邊欄自動隱藏/打開，主要內容用Flex方式組織，可以在頁面中並排显示多頁（類似於Word的頁面視圖）。

3、跨平台兼容策略

大型網站，手機網站與桌面網站是不同的入口，因此不存在兼容，是兩個單獨的應用程序。對於流量較小的網站，平台的兼容策略主要是應用響應式框架，加上移動端主菜單與導航欄即可，其次可以選用跨平台框架來實現在不同平台的差異化體驗。沒有這些框架對於Web網站來說不造成大的體驗下降。而如果需要開發混合移動、桌面應用，則需要認真考慮這些框架，畢竟用戶對本地應用的體驗期待要高很多。

（全文完）

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※為什麼 USB CONNECTOR 是電子產業重要的元件?

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

※台北網頁設計公司全省服務真心推薦

※想知道最厲害的網頁設計公司"嚨底家"!

※新北清潔公司,居家、辦公、裝潢細清專業服務

※推薦評價好的iphone維修中心

2020-09-26

EM（最大期望）算法推導、GMM的應用與代碼實現

Post By admin 網路資訊南投搬家費用, 台中電動車, 台北網頁設計, 租車, 網頁設計, 網頁設計公司, 銷售文案

　　EM算法是一種迭代算法，用於含有隱變量的概率模型參數的極大似然估計。

使用EM算法的原因

　　首先舉李航老師《統計學習方法》中的例子來說明為什麼要用EM算法估計含有隱變量的概率模型參數。

　　假設有三枚硬幣，分別記作A， B， C。這些硬幣正面出現的概率分別是$\pi,p,q$。進行如下擲硬幣試驗：先擲硬幣A，根據其結果選出硬幣B或C，正面選硬幣B，反面邊硬幣C；然後擲選出的硬幣，擲硬幣的結果出現正面記作1，反面記作0；獨立地重複$n$次試驗，觀測結果為$\{y_1,y_2,…,y_n\}$。問三硬幣出現正面的概率。

　　三硬幣模型（也就是第二枚硬幣正反面的概率）可以寫作

$ \begin{aligned} &P(y|\pi,p,q) \\ =&\sum\limits_z P(y,z|\pi,p,q)\\ =&\sum\limits_z P(y|z,\pi,p,q)P(z|\pi,p,q)\\ =&\pi p^y(1-p)^{1-y}+(1-\pi)q^y(1-q)^{1-y} \end{aligned} $

　　其中$z$表示硬幣A的結果，也就是前面說的隱變量。通常我們直接使用極大似然估計，即最大化似然函數

$ \begin{aligned} &\max\limits_{\pi,p,q}\prod\limits_{i=1}^n P(y_i|\pi,p,q) \\ =&\max\limits_{\pi,p,q}\prod\limits_{i=1}^n[\pi p^{y_i}(1-p)^{1-y_i}+(1-\pi)q^{y_i}(1-q)^{1-y_i}]\\ =&\max\limits_{\pi,p,q}\sum\limits_{i=1}^n\log[\pi p^{y_i}(1-p)^{1-y_i}+(1-\pi)q^{y_i}(1-q)^{1-y_i}]\\ =&\max\limits_{\pi,p,q}L(\pi,p,q) \end{aligned} $

　　分別對$\pi,p,q$求偏導並等於0，求解線性方程組來估計這三個參數。但是，由於它是帶有隱變量的，在獲取最終的隨機變量之前有一個分支選擇的過程，導致這個$\log$的內部是加和的形式，計算導數十分困難，而待求解的方程組不是線性方程組。當複雜度一高，解這種方程組幾乎成為不可能的事。以下推導EM算法，它以迭代的方式來求解這些參數，應該也算一種貪心吧。

算法導出與理解

　　對於參數為$\theta$且含有隱變量$Z$的概率模型，進行$n$次抽樣。假設隨機變量$Y$的觀察值為$\mathcal{Y} = \{y_1,y_2,…,y_n\}$，隱變量$Z$的$m$個可能的取值為$\mathcal{Z}=\{z_1,z_2,…,z_m\}$。

　　寫出似然函數：

$ \begin{aligned} L(\theta) &= \sum\limits_{Y\in\mathcal{Y}}\log P(Y|\theta)\\ &=\sum\limits_{Y\in\mathcal{Y}}\log \sum\limits_{Z\in \mathcal{Z}} P(Y,Z|\theta)\\ \end{aligned} $

　　EM算法首先初始化參數$\theta = \theta^0$，然後每一步迭代都會使似然函數增大，即$L(\theta^{k+1})\ge L(\theta^k)$。如何做到不斷變大呢？考慮迭代前的似然函數（為了方便不用$\theta^{k+1}$）：

$ \begin{gather} \begin{aligned} L(\theta)=&\sum\limits_{Y\in \mathcal{Y}} \log\sum\limits_{Z\in \mathcal{Z}} P(Y,Z|\theta)\\ =&\sum\limits_{Y\in \mathcal{Y}} \log\sum\limits_{Z\in \mathcal{Z}} P(Z|Y,\theta^k)\frac{P(Y,Z|\theta)}{P(Z|Y,\theta^k)}\\ \end{aligned} \label{} \end{gather} $

　　至於上式的第二個等式為什麼取出$P(Z|Y,\theta^k)$而不是別的，正向的原因我想不出來，馬後炮原因在後面記錄。

　　考慮其中的求和

$ \sum\limits_{Z\in \mathcal{Z}} P(Z|Y,\theta^k)=1$

　　且由於$\log$函數是凹函數，因此由Jenson不等式得

$ \begin{gather} \begin{aligned} L(\theta) \ge&\sum\limits_{Y\in \mathcal{Y}}\sum\limits_{Z\in \mathcal{Z}} P(Z|Y,\theta^k)\log\frac{P(Y,Z|\theta)}{P(Z|Y,\theta^k)}\\ =&B(\theta,\theta^k) \end{aligned}\label{} \end{gather} $

　　當$\theta = \theta^k$時，有

$ \begin{gather} \begin{aligned} L(\theta^k) \ge& B(\theta^k,\theta^k)\\ =&\sum\limits_{Y\in \mathcal{Y}}\sum\limits_{Z\in \mathcal{Z}} P(Z|Y,\theta^k)\log\frac{P(Y,Z|\theta^k)}{P(Z|Y,\theta^k)}\\ =&\sum\limits_{Y\in \mathcal{Y}}\sum\limits_{Z\in \mathcal{Z}} P(Z|Y,\theta^k)\log P(Y|\theta^k)\\ =&\sum\limits_{Y\in \mathcal{Y}}\log P(Y|\theta^k)\\ =&L(\theta^k)\\ \end{aligned} \label{} \end{gather} $

　　也就是在這時，$(2)$式取等，即$L(\theta^k) = B(\theta^k,\theta^k)$。取

$ \begin{gather} \theta^*=\text{arg}\max\limits_{\theta}B(\theta,\theta^k)\label{} \end{gather} $

　　可得不等式

$L(\theta^*)\ge B(\theta^*,\theta^k)\ge B(\theta^k,\theta^k) = L(\theta^k)$

　　所以，我們只要優化$(4)$式，讓$\theta^{k+1} = \theta^*$，即可保證每次迭代的非遞減勢頭，有$L(\theta^{k+1})\ge L(\theta^k)$。而由於似然函數是概率乘積的對數，一定有$L(\theta) < 0$，所以迭代有上界並且會收斂。以下是《統計學習方法》中EM算法一次迭代的示意圖：

　　進一步簡化$(4)$式，去掉優化無關項：

$ \begin{aligned} \theta^*=&\text{arg}\max\limits_{\theta}B(\theta,\theta^k) \\ =&\text{arg}\max\limits_{\theta}\sum\limits_{Y\in \mathcal{Y}}\sum\limits_{Z\in \mathcal{Z}} P(Z|Y,\theta^k)\log\frac{P(Y,Z|\theta)}{P(Z|Y,\theta^k)} \\ =&\text{arg}\max\limits_{\theta}\sum\limits_{Y\in \mathcal{Y}}\sum\limits_{Z\in \mathcal{Z}} P(Z|Y,\theta^k)\log P(Y,Z|\theta) \\ =&\text{arg}\max\limits_{\theta}Q(\theta,\theta^k) \\ \end{aligned} $

　　$Q$函數使用導數求極值的方程與沒有隱變量的方程類似，容易求解。

　　綜上，EM算法的流程為：

　　1. 設置$\theta^0$的初值。EM算法對初值是敏感的，不同初值迭代出來的結果可能不同。

　　2. 更新$\theta^k = \text{arg}\max\limits_{\theta}Q(\theta,\theta^{k-1})$。理解上來說，通常將這一步分為計算$Q$與極大化$Q$兩步，即求期望E與求極大M，但在代碼中並不會將它們分出來，因此這裏濃縮為一步。另外，如果這個優化很難計算的話，因為有不等式的保證，直接取$\theta^k$為某個$\hat{\theta}$，只要有$Q(\hat{\theta},\theta^{k-1})\ge Q(\theta^{k-1},\theta^{k-1})$即可。

　　3. 比較$\theta^k$與$\theta^{k-1}$的差異，比如求它們的差的二范數，若小於一定閾值就結束迭代，否則重複步驟2。

　　下面記錄一下我對$(1)$式取出$P(Z|Y,\theta^k)$而不取別的$P$的理解：

　　經過以上的推導，我認為這是為了給不等式取等創造條件。如果不能確定$L(\theta^k)$與$Q(\theta^k,\theta^k)$能否取等，那麼取$Q$的最大值$Q(\theta^*,\theta^k)$時，儘管有$Q(\theta^*,\theta^k)\ge Q(\theta^k,\theta^k)$，但並不能保證$L(\theta^*)\ge L(\theta^k)$，迭代的不減性質就就沒了。

　　我這裏暫且把它看做一種巧合，是研究EM算法的大佬，碰巧想用Jenson不等式來迭代而構造出來的一種做法。本人段位還太弱，無法正向理解其中的緣故，只能以這種方式來揣度大佬的思路了。知乎大佬發的EM算法九層理解（點擊鏈接），我當前只能到第3層，有時間一定要拜讀一下深度學習之父的著作。

高斯混合模型的應用

迭代式推導

　　假設高斯混合模型混合了$m$個高斯分佈，參數為$\theta = (\alpha_1,\theta_1,\alpha_2,\theta_2,…,\alpha_m,\theta_m),\theta_i=(\mu_i,\sigma_i)$則整個概率分佈為：

$\displaystyle P(y|\theta) = \sum\limits_{i=1}^m\alpha_i \phi(y|\theta_i) = \sum\limits_{i=1}^m\frac{\alpha_i }{\sqrt{2\pi}\sigma_i}\exp\left(-\frac{(y-\mu_i)^2}{2\sigma_i^2}\right),\;\text{where}\;\sum\limits_{j=1}^m\alpha_j = 1$

　　對混合分佈抽樣$n$次得到$\{y_1,…,y_n\}$，則在第$k+1$次迭代，待優化式為：

$\begin{gather}\begin{aligned} &\max\limits_{\theta}Q(\theta,\theta^k) \\ =&\max\limits_{\theta}\sum\limits_{Y\in \mathcal{Y}}\sum\limits_{Z\in \mathcal{Z}} P(Z|Y,\theta^k)\log P(Y,Z|\theta) \\ =&\max\limits_{\theta}\sum\limits_{Y\in \mathcal{Y}}\sum\limits_{Z\in \mathcal{Z}} \frac{P(Z,Y|\theta^k)}{P(Y|\theta^k)}\log P(Y,Z|\theta) \\ =&\max\limits_{\theta}\sum\limits_{i=1}^n\sum\limits_{j=1}^m \frac{\alpha_j^k\phi(y_i|\theta_j^k)} {\sum\limits_{l=1}^m \alpha_l^k\phi(y_i|\theta_l^k)} \log \left[\alpha_j\phi(y_i|\theta_j)\right] \\ =&\max\limits_{\theta}\sum\limits_{i=1}^n\sum\limits_{j=1}^m \frac{\alpha_j^k\phi(y_i|\theta_j^k)} {\sum\limits_{l=1}^m \alpha_l^k\phi(y_i|\theta_l^k)} \log \left[ \frac{\alpha_j}{\sqrt{2\pi}\sigma_j}\exp\left(-\frac{(y_i-\mu_j)^2}{2\sigma_j^2}\right) \right]\\ =&\max\limits_{\theta}\sum\limits_{j=1}^m \sum\limits_{i=1}^n \frac{\alpha_j^k\phi(y_i|\theta_j^k)} {\sum\limits_{l=1}^m \alpha_l^k\phi(y_i|\theta_l^k)} \left[ \log \alpha_j – \log \sigma_j-\frac{(y_i-\mu_j)^2}{2\sigma_j^2} \right]\\ \end{aligned} \label{}\end{gather}$

計算α

　　定義

$\displaystyle n_j = \sum\limits_{i=1}^n \frac{\alpha_j^k\phi(y_i|\theta_j^k)} {\sum\limits_{l=1}^m \alpha_l^k\phi(y_i|\theta_l^k)}$

　　則對於$\alpha$，優化式為

$\begin{gather} \begin{aligned} \max\limits_{\alpha}\sum\limits_{j=1}^m n_j \log \alpha_j \end{aligned} \label{}\end{gather}$

　　又因為$\sum\limits_{j=1}^m \alpha_j=1$，所以只需優化$m-1$個參數，上式變為：

$ \max\limits_\alpha \left[ \begin{matrix} n_1&n_2&\cdots &n_{m-1}&n_{m}\\ \end{matrix} \right] \cdot \left[ \begin{matrix} \log\alpha_1\\ \log\alpha_2\\ \vdots\\ \log\alpha_{m-1}\\ \log(1-\alpha_1-\cdots-\alpha_{m-1})\\ \end{matrix} \right] $

　　對每個$\alpha_j$求導並等於0，得到線性方程組：

$\left[\begin{matrix}n_1+n_m&n_1&n_1&\cdots&n_1\\n_2&n_2+n_m&n_2&\cdots&n_2\\n_3&n_3&n_3+n_m&\cdots&n_3\\&&&\vdots&\\n_{m-1}&n_{m-1}&n_{m-1}&\cdots&n_{m-1}+n_m\\\end{matrix}\right]\cdot\left[\begin{matrix}\alpha_1\\\alpha_2\\\alpha_3\\\vdots\\\alpha_{m-1}\\\end{matrix}\right]=\left[\begin{matrix}n_1\\n_2\\n_3\\\vdots\\n_{m-1}\\\end{matrix}\right]$

　　求解這個爪形線性方程組，得到

$\left[\begin{matrix}\sum_{j=1}^mn_j/n_1&0&0&\cdots&0\\-n_2/n_1&1&0&\cdots&0\\-n_3/n_1&0&1&\cdots&0\\&&&\vdots&\\-n_{m-1}/n_1&0&0&\cdots&1\\\end{matrix}\right]\cdot\left[\begin{matrix}\alpha_1\\\alpha_2\\\alpha_3\\\vdots\\\alpha_{m-1}\\\end{matrix}\right]=\left[\begin{matrix}1\\0\\0\\\vdots\\0\\\end{matrix}\right]$

　　因為

$\displaystyle \sum\limits_{j=1}^m n_j = \sum\limits_{j=1}^m\sum\limits_{i=1}^n \frac{\alpha_j^k\phi(y_i|\theta_j^k)} {\sum\limits_{l=1}^m \alpha_l^k\phi(y_i|\theta_l^k)}=\sum\limits_{i=1}^n \sum\limits_{j=1}^m \frac{\alpha_j^k\phi(y_i|\theta_j^k)} {\sum\limits_{l=1}^m \alpha_l^k\phi(y_i|\theta_l^k)} =\sum\limits_{i=1}^n 1 = n$

　　解得

$\displaystyle\alpha_j = \frac{n_j}{n} = \frac{1}{n}\sum\limits_{i=1}^n \frac{\alpha_j^k\phi(y_i|\theta_j^k)} {\sum\limits_{l=1}^m \alpha_l^k\phi(y_i|\theta_l^k)}$

計算σ與μ

　　與$\alpha$不同，它的方程組是所有$\alpha_j$之間聯立的；而$\sigma,\mu$的方程組則是$\sigma_j$與$\mu_j$之間聯立的。定義

$\displaystyle p_{ji} = \frac{\alpha_j^k\phi(y_i|\theta_j^k)} {\sum\limits_{l=1}^m \alpha_l^k\phi(y_i|\theta_l^k)}$

　　則對於$\sigma_j,\mu_j$，優化式為（比較$(6),(7)$式的區別）

$\begin{gather}\displaystyle\min\limits_{\sigma_j,\mu_j}\sum\limits_{i=1}^n p_{ji} \left(\log \sigma_j+\frac{(y_i-\mu_j)^2}{2\sigma_j^2} \right)\label{}\end{gather}$

　　對上式求導等於0，解得

$ \begin{aligned} &\mu_j = \frac{\sum\limits_{i=1}^np_{ji}y_i}{\sum\limits_{i=1}^np_{ji}} = \frac{\sum\limits_{i=1}^np_{ji}y_i}{n_j} = \frac{\sum\limits_{i=1}^np_{ji}y_i}{n\alpha_j}\\ &\sigma^2_j = \frac{\sum\limits_{i=1}^np_{ji}(y_i-\mu_j)^2}{\sum\limits_{i=1}^np_{ji}} = \frac{\sum\limits_{i=1}^np_{ji}(y_i-\mu_j)^2}{n_j} = \frac{\sum\limits_{i=1}^np_{ji}(y_i-\mu_j)^2}{n\alpha_j} \end{aligned} $

代碼實現

　　對於概率密度為$P(x) = −2x+2,x\in (0,1)$的隨機變量，以下代碼實現GMM對這一概率密度的的擬合。共10000個抽樣，GMM混合了100個高斯分佈。

#%%定義參數、函數、抽樣
import numpy as np
import matplotlib.pyplot as plt

dis_num = 100 #用於擬合的分佈數量
sample_num = 10000 #用於擬合的分佈數量
alphas = np.random.rand(dis_num) 
alphas /= np.sum(alphas)  
mus = np.random.rand(dis_num)
sigmas = np.random.rand(dis_num)**2#方差，不是標準差
samples = 1-(1-np.random.rand(sample_num))**0.5 #樣本
C_pi = (2*np.pi)**0.5

dis_val = np.zeros([sample_num,dis_num])    #每個樣本在每個分佈成員上都有值，形成一個sample_num*dis_num的矩陣
pij = np.zeros([sample_num,dis_num])        #pij矩陣
def calc_dis_val(sample,alpha,mu,sigma,c_pi):
    return alpha*np.exp(-(sample[:,np.newaxis]-mu)**2/(2*sigma))/(c_pi*sigma**0.5) 
def calc_pij(dis_v):  
    return dis_v / dis_v.sum(axis = 1)[:,np.newaxis]      
#%%優化 
for i in range(1000):
    print(i)
    dis_val = calc_dis_val(samples,alphas,mus,sigmas,C_pi)
    pij = calc_pij(dis_val)  
    nj = pij.sum(axis = 0)
    alphas_before = alphas
    alphas = nj / sample_num
    mus = (pij*samples[:,np.newaxis]).sum(axis=0)/nj
    sigmas = (pij*(samples[:,np.newaxis] - mus)**2 ).sum(axis=0)/nj
    a = np.linalg.norm(alphas_before - alphas)
    print(a)
    if  a< 0.001:
        break

#%%繪圖 
plt.rcParams['font.sans-serif']=['SimHei'] #用來正常显示中文標籤
plt.rcParams['axes.unicode_minus']=False #用來正常显示負號
def get_dis_val(x,alpha,sigma,mu,c_pi):
    y = np.zeros([len(x)]) 
    for a,s,m in zip(alpha,sigma,mu):   
        y += a*np.exp(-(x-m)**2/(2*s))/(c_pi*s**0.5)   
    return y
def paint(alpha,sigma,mu,c_pi,samples):
    x = np.linspace(-1,2,500)
    y = get_dis_val(x,alpha,sigma,mu,c_pi) 
    fig = plt.figure()
    ax = fig.add_subplot(111)
    ax.hist(samples,density = True,label = '抽樣分佈') 
    ax.plot(x,y,label = "擬合的概率密度")
    ax.legend(loc = 'best')
    plt.show()
paint(alphas,sigmas,mus,C_pi,samples)

　　以下是擬合結果圖，有點像是核函數估計，但是完全不同：

EM算法的推廣

　　EM算法的推廣是對EM算法的另一種解釋，最終的結論是一樣的，它可以使我們對EM算法的理解更加深入。它也解釋了我在$(1)$式下方提出的疑問：為什麼取出$P(Z|Y,\theta^k)$而不是別的。

　　定義$F$函數，即所謂Free energy自由能（自由能具體是啥先不研究了）：

$ \begin{aligned} F(\tilde{P},\theta) &= E_{\tilde{P}}(\log P(Y,Z|\theta)) + H(\tilde{P})\\ &= \sum\limits_{Z\in \mathcal{Z}} \tilde{P}(Z)\log P(Y,Z|\theta) – \sum\limits_{Z\in \mathcal{Z}} \tilde{P}(Z)\log \tilde{P}(Z)\\ \end{aligned} $

　　其中$\tilde{P}$是$Z$的某個概率分佈（不一定是單獨的分佈，可能是在某個條件下的分佈），$E_{\tilde{P}}$表示分佈$\tilde{P}$下的期望，$H$表示信息熵。

　　我們計算一下，對於固定的$\theta$，什麼樣的$\tilde{P}$會使$F(\tilde{P},\theta) $最大。也就是找到一個函數$\tilde{P}_{\theta}$，使$F$極大，寫成優化的形式就是（這裡是找函數而不是找參數哦，理解上可能要用到泛函分析的內容）：

$ \begin{aligned} &\max\limits_{\tilde{P}} \sum\limits_{Z\in \mathcal{Z}} \tilde{P}(Z)\log P(Y,Z|\theta) – \sum\limits_{Z\in \mathcal{Z}} \tilde{P}(Z)\log \tilde{P}(Z)\\ &\;\text{s.t.}\; \sum\limits_{Z\in \mathcal{Z}}\tilde{P}(Z) = 1 \end{aligned} $

　　拉格朗日函數（拉格朗日對偶性，點擊鏈接）為：

$ \begin{aligned} L = \sum\limits_{Z\in \mathcal{Z}} \tilde{P}(Z)\log P(Y,Z|\theta) – \sum\limits_{Z\in \mathcal{Z}} \tilde{P}(Z)\log \tilde{P}(Z)+ \lambda\left(1-\sum\limits_{Z\in \mathcal{Z}}\tilde{P}(Z)\right) \end{aligned} $

　　因為每個$\tilde{P}(Z)$之間都是求和，沒有其它其它諸如乘積的操作，所以可以直接令$L$對某個$\tilde{P}(Z)$求導等於$0$來計算極值：

$ \begin{aligned} \frac{\partial L}{\partial \tilde{P}(Z)} = \log P(Y,Z|\theta) – \log \tilde{P}(Z) -1 -\lambda = 0 \end{aligned} $

　　於是可以推出：

$ \begin{aligned} P(Y,Z|\theta) = e^{1+\lambda}\tilde{P}(Z) \end{aligned} $

　　又由約束$\sum\limits_{Z\in \mathcal{Z}}\tilde{P}(Z) = 1$：

$P(Y|\theta) = e^{1+\lambda}$

　　於是得到

$\begin{gather}\tilde{P}_{\theta}(Z) = P(Z|Y,\theta)\label{}\end{gather}$

　　代回$F(\tilde{P},\theta)$，得到

$ \begin{aligned} F(\tilde{P}_\theta,\theta) &= \sum\limits_{Z\in \mathcal{Z}} P(Z|Y,\theta)\log P(Y,Z|\theta) – \sum\limits_{Z\in \mathcal{Z}} P(Z|Y,\theta)\log P(Z|Y,\theta)\\ &= \sum\limits_{Z\in \mathcal{Z}} P(Z|Y,\theta)\log \frac{P(Y,Z|\theta)}{P(Z|Y,\theta)}\\ &= \log P(Y|\theta)\\ \end{aligned} $

　　也就是說，對$F$關於$\tilde{P}$進行最大化后，$F$就是待求分佈的對數似然；然後再關於$\theta$最大化，也就算得了最終要估計的參數$\hat{\theta}$。所以，EM算法也可以解釋為$F$的極大-極大算法。優化結果$(8)$式也解釋了我之前在$(1)$式下方的提問。

　　那麼，怎麼使用$F$函數進行估計呢？還是要用迭代來算，迭代方式是和前面介紹的一樣的（懶得記錄了，統計學習方法上直接看吧）。實際上，$F$函數的方法只是提供了EM算法的另一種解釋，具體方法上並沒有提升之處。

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

※網頁設計公司推薦不同的風格，搶佔消費者視覺第一線

※想知道購買電動車哪裡補助最多?台中電動車補助資訊懶人包彙整

※南投搬家公司費用,距離,噸數怎麼算?達人教你簡易估價知識!

※教你寫出一流的銷售文案?

※超省錢租車方案

一 REPLICATION CONTROLLERS

1.1 RC概述

1.2 從DC創建RC

1.3 pod副本數控制

1.4 自動伸縮pod

二 擴展程序實驗

2.1 前置準備

2.2 創建應用

2.3 監視部署

2.4 暴露服務

2.5 web查看相關信息

2.6 測試負載均衡

2.7 擴容應用

2.8 測試負載均衡

三 pod調度控制

3.1 pod調度算法

3.2 調度算法步驟

3.3 調度拓撲

3.4 UNSCHEDULABLE節點

3.5 控制pod位置

3.5 管理默認項目

四 控制Pod調度

4.1 前置準備

4.2 本練習準備

4.3 查看region

4.4 創建project

4.5 創建應用

4.6 擴展應用

4.7 修改節點label

4.8 導出dc

4.9 修改node2調度策略

4.10 應用更新

4.11 確認驗證

4.12 修改node1調度策略

4.13 終止node2

4.14 刪除pod

4.15 查看pod

五 管理IS、image、Templates

5.1 image介紹

5.2 IS

5.3 標記image

5.4 刪除tag

5.5 建議的tag形式

5.6 Templates介紹

5.7 Templates管理

5.8 使用模板

六 管理IS

6.1 前置準備

6.2 本練習準備

6.3 創建項目

6.4 創建應用

6.5 創建服務賬戶

6.6 授權特權運行

6.7 更新pod

6.8 更新內部倉庫image

6.9 tag鏡像

6.10 登錄docker倉庫

6.11 修改信任

6.12 推送image

6.13 確認更新

七 管理應用部署實驗

7.1 前置準備

7.2 本練習準備

7.3 確認region

7.4 修改region

7.5 創建項目

7.6 創建應用

7.7 擴展應用

7.8 調度pod

7.9 迭代部署

7.10 確認驗證

7.11 修改region

7.12 終止node2

7.13 刪除pod

7.14 查看pod

7.15 暴露服務

7.16 確認驗證

7.17 還原環境

1.HashMap 的數據結構？

2.HashMap 的工作原理？

二擴展程序實驗

四控制Pod調度

五管理IS、image、Templates

六管理IS

七管理應用部署實驗