结构化绑定 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.3 类型推导 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 auto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 尾返回类型推导 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 decltype(auto) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 非类型模板参数推导 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.6 面向对象 . . . .

中使用变量 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.5 让 make 自动推导 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.6 makefile 的另一种风格 介绍 , 发行版本 1.0 关于变量更多的话题，我会在后续给你一一道来。 2.5 让 make 自动推导 GNU 的 make 很强大，它可以自动推导文件以及文件依赖关系后面的命令，于是我们就没必要去在 每一个 .o 文件后都写上类似的命令，因为，我们的 make 会自动识别，并自己推导命令。 只要 make 看到一个 .o 文件，它就会自动的把 .c 文件加在依赖关系中，如果 make make 找到一个 whatever.o ，那么 whatever.c 就会是 whatever.o 的依赖文件。并且 cc -c whatever.c 也会被推导 出来，于是，我们的 makefile 再也不用写得这么复杂。我们的新 makefile 又出炉了。 objects = main.o kbd.o command.o display.o \ insert.o search.o files

调用时 twice 即可将 T 替换为 int 。 • 注意有的教材上写做： • template • 是完全等价的，只是个人喜好不同。 模板函数：自动推导参数类型 • 那这样需要手动写 ， 用起 来还不如重载方便了？ • 别担心， C++ 规定： • 当模板类型参数 T 作为函数参数时，则可 以省略该模板参数。自动根据调用者的参 模板具有惰性、多次编译的特点 • 这下基本学废！接下来看自动类型推导。 为什么需要自动类型推导（ auto ） 没有 auto 的话，需要声明一个变量，必须重复一遍他的类型，非常麻烦 ： 自动类型推导：定义变量 因此 C++11 引入了 auto ，使用 auto 定义的变量，其类型会自动根据等号右边的值来确定 ： 自动类型推导：一些局限性 • 不过 auto 也并非万能，他也有很多限制。 而且，类成员也不可以定义为 auto ： 自动类型推导：函数返回值 • 除了可以用于定义变量，还可以用作函数的返回类型： • 使用 auto 以后，会自动被推导为 return 右边的类型。 • 不过也有三点注意事项： 1. 当函数有多条 return 语句时，所有语句的返回类型必须一致，否则 auto 会报错。 2. 当函数没有 return 语句时， auto 会被推导为 void 。 3. 如果声明和实现分离了，则不能声明为

础要求较少的，读者在学习本书的过程中会自然而然地了解算法的相关背景知识，体会到知 识是为了解决问题而生的，避免陷入为了学习而学习的窘境。 尽管作者试图将读者的基础要求降到最低，但是人工智能不可避免地需要使用正式化的 数学符号推导，其中涉及到少量的概率与统计、线性代数、微积分等数学知识，一般要求读 者对这些数学知识有初步印象或了解即可。比起理论基础，读者需要有少量的编程经验，特 别是 Python 语言编程经验，显得更加重要 ，这其中最重要的 成果就是误差反向传播算法(Back Propagation，简称 BP 算法)的提出，它依旧是现代深度学 习的核心理论基础。实际上，反向传播的数学思想早在 1960 年代就已经被推导出了，但是 并没有应用在神经网络上。1974 年，美国科学家 Paul Werbos 在他的博士论文中第一次提 出可以将 BP 算法应用到神经网络上，遗憾的是，这一成果并没有获得足够重视。直至 1986 PyTorch 提供的自动求导的功能，不需要手动推导，就可计算输出对网 络参数的偏导数。考虑如下函数的表达式： = ?? + ?? + ? 输出 对于变量?的导数关系为： d d? = 2?? + ? 考虑在(?, ?, ?, ?) = (1,2,3,4)处的导数，代入上式可得 d? d? = 2 ∙ 1 ∙ 4 + 2 = 10。因此通过手 动推导的方式计算出 d? d?导数值为

关键设计 ● 在标识符后使用 (t) 作为类型参数的缺省值，语法存在二义性 ○ 既可以表示使用 类型参数 Greater(t)，也可以表示实例化一个 具体类型 Greater(t)，其中 t 为推导的具体类型，如 int ○ 为了解决二义性，使用 type 进行限定：Vector(t type) func F(arg0, arg1 t type) t { … } ● 使用接口 Greater(t) ● 使用 gen [T] ( … ) 来传播类型参数的名称 ● 使用类型推导来进行约束 评述 ● 语法相对简洁了许多 ● 利用类型推导的想法看似很巧妙，但能 够实现吗？ ● gen [T] ( … ) 引入了作用域的概念 ○ 缩进？ ○ 如何快速定位作用域在何 时结束？ ● 企图通过实例化过程中类型推导来直接进行约束，可能 吗？ ● 出现多个参数时，应该选取哪个参数进行约束？ ● 如果一个类型不能进行 > 将怎么处理？ ● arg0/arg1 同 T 为什么推导为不同类型？ 2020 © Changkun Ou · Go 夜读 · Go 2 Generics? A (P)review Type Parameters (Dec. 2013) by Ian Lance Taylor 12 1 type [T] Greater interface { 2

&str 类型的参数（x 为对某个 string 类型资源 Something 的借用），并返回对资源 Something 的一个新的借用。 实际上，上面函数包含隐性的生命周期命名，这是由编译器自动推导的，相当 于： fn foo<'a>(x: &'a str) -> &'a str { x } 3.4 高级所有权 前面三小节未大量涉及到关于所有权中的比较高级用法。 标注了返回的引用值，所以返回的引用 值就能保证在 x 和 y 中较短的那个生命周期结束之前保持有效。 要推导 Lifetime 是否合法，先明确两点： 1.输出值（也称为返回值）依赖哪些输入值 2.输入值的 Lifetime 大于或等于（可能依赖的输出值）的 Lifetime (准确来 说：子集，而不是大于或等于) Lifetime 推导公式： 当输出值 R 依赖输入值 X Y Z ...，当且仅当输出值的 Lifetime else { y } } 这里我们根据公式继续推导： 条件：Lifetime(x) ⊆ Lifetime(y) 推导：Lifetime(返回值) ⊆ ( Lifetime(x) ∩ Lifetime(y) ) 即： 条件： 'a ⊆ 'b 推导：'a ⊆ ('a ∩ 'b) // 成立 上面是成立的，所以可以编译通过。

，其他点到超平面的距离大于 ?。 于是我们有这样的一个公式：故：൞ ?T?+? ∥?∥ ≥ ? ? = 1 ?T?+? ∥?∥ ≤ −? ? = −1 我们暂且令?为 1（之所以令它等于 1，是为了方便推导和优化 ，且这样做对目标函数的优化没有影响）， 将两个方程合并，我们可以简写为： 至此我们就可以得到最大间隔超平面的上下两个超平面： ?(?T? + ?) ≥ 1 9 2.线性可分支持向量机 T?? + ?) + 1 ≤ 0, ? = 1,2, . . , ? 整合成：?(?, ?, ?) = 1 2 ||?||2 + σ?=1 ? ?? (−??(?T?? + ?) + 1) 推导： 根据Karush-Kuhn-Tucker（KKT）条件： ? ?? ?(?, ?, ?) = ? − ෍ ?=1 ? ?? ???? = 0, ? = ෍ ?=1 ? ?? ?? 在低维空间计算获得高维空间的计算结果，满足高维，才能在高维下线性可分。 我们需要引入一个新的概 念：核函数。它可以将样本从原始空间映射到一个更高维的特质空间中，使得样本在新的空间中线性可分 。这样我们就可以使用原来的推导来进行计算，只是所有的推导是在新的空间，而不是在原来的空间中进 行，即用核函数来替换当中的内积。 4.线性不可分支持向量机 线性不可分 高维下线性可分 23 核技巧 用核函数来替换原来的内积。 4.线性不可分支持向量机

__future__ import absolute_import py2引入包时，直接从当前目录引入；py3默认从环境变量引入 ★第4章、python推导式 推导式表示从一个数据序列构建成另一个新的数据序列 ① list推导式 newlist=[表达式 for 变量 in 源列表 if 条件] #直接返回list类型 例： names=["abc", "xd�l" len(name) >3 ] ② dic�onary推导式 newdic={ key表达式: value表达式 for 变量 in 列表 if 条件} #直接返回 dic�onary ③ set集合推导式 newset={表达式 for 变量 in 列表/元组} #直接返回set ④ tuple元组推导式 newtuple=(表达式 for 变量 in 列表) 列表) #直接返回的是生成器对象， 不是tuple 例： xx=tuple( x for x in range(1,10) ) # tuple(推导式) 可得元组 ★第5章、函数def ★定义函数 def fun_name(参数): "描述" 语句 return xx #若未指定return，则默认返回None

言处理，而不强 调深度推理能力。此类模型通常通过对大量文本数据的训练，掌握语言规律并能够生成合适的内容，但缺乏像 推理模型那样复杂的推理和决策能力。 维度 推理模型 通用模型 优势领域 数学推导、逻辑分析、代码生成、复杂问题拆解 文本生成、创意写作、多轮对话、开放性问答 劣势领域 发散性任务（如诗歌创作） 需要严格逻辑链的任务（如数学证明） 性能本质 专精于逻辑密度高的任务 擅长多样性高的任务 提示语侧重点 示例（有效提示） 需避免的提示策略 数学证明 推理模型 直接提问，无需分步引导 “证明勾股定理” 冗余拆解（如“先画图，再列公式”） 通用模型 显式要求分步思考，提供示例 “请分三步推导勾股定理，参考： 1. 画直角三角形…” 直接提问（易跳过关键步骤） 创意写作 推理模型 鼓励发散性，设定角色/风格 “以海明威的风格写一个冒险故事” 过度约束逻辑（如“按时间顺序列出”） 目标 + 选项 + 评估标准 要求逻辑推演和量化分析 直接建议，依赖模型经验归纳 2. 分析需求 需深度理解数据/信息、 发现模式或因果关系 问题 + 数据/信息 + 分析 方法 触发因果链推导与假设验 证 表层总结或分类 3. 创造性需求 需生成新颖内容（文本/ 设计/方案） 主题 + 风格/约束 + 创新 方向 结合逻辑框架生成结构化 创意 自由发散，依赖示例引导