自以为理解了递归，可是发现其实我连计算机科学里的子程序递归都没有彻底分析过，我无法允许有隐式的知识存在。
前几天才被数学老师打了脸，我之前幼稚地以为『数学老师讲的都不好，所以他们不如我擅长『当老师』』
谁知人家弄了个 PPT 动画图示出来... 我发现和我的直觉正好相反（我的思路正确，但是操作，递归顺序弄反了）

... 不得不说，Hannoi 塔问题我之前自己尝试解过，很可惜，到昨天我才结束了对递归不理解的尴尬情况..

#web #dev #Kotlin 插播一条消息

内存区域限制技能 get ✅

#Algorithrm https://sourceforge.net/p/jedit/svn/HEAD/tree/jEdit/trunk/org/gjt/sp/jedit/textarea/TextArea.java

https://ice1000.org/2018/04/27/CodeEditor/ #blog #fix

看完查找资料后，修复了我对一个单词的误解：

efficient 不是『足够』的意思，是『有效率』的意思
effective 是有效的意思

Trumeet/FlarumSDK 1+ 理解

快速阅览：

这是一个使用 Gson / OkHttp 的 Flarum JsonAPI 客户端程序

+ 它有一些客户端实例状态

Flarum API base URL

Task Executor, OkHttp Client, Gson 实例
身份验证 Token: interface TokenGetter { String getToken(); }


+ RequestBuilder 按照 base url, method, body, authentation, filters, page(*20 item/perpage) 和 json converter 生成 OkHttp 的 Request
+ internal.parser.jsonapi.Parser 将 Raw JSON Response 作为 JsonAPI 返回对象解析，返回 APIJSONObject 将被各种对象解析器 internal.parser.ObjectParser.JsonConverter<T> 读取到 Java 对象
+ Result<T> 给 T 结果附加了 OkHttp 的 raw response 和 raw api json object 以及 ID（目前为 0）
+ internal.parser.ObjectParser 定义了将 JSON 对象解析为 Java 对象的接口和辅助函数
+ internal.parser.converter. 定义了一些辅助这种转换器编写的基类
+ internal.parser.ContentParser 是空的 fallback JsonDeserializer<Content> (也是空的) 实现，如果不能作为 Api Json 解析，结果就是无意义的值
+ internal.parser.OkHttpUtils 是放错地方的 OkHttp Client API Call 请求封装，它支持同步使用 execute(request, apiManager, converters) 和异步使用 enqueue(request, apiManager, converters)

逻辑就是给原处理程序加上先判断 HTTP Status 成功、JSONAPIObject 解析成功且访问不包含错误、再转换为目标 Result<T> 的过程

+ internal.platform.Platform 是从 Square Inc 复制修改的逻辑，实际上就是弄一个 Executor... 本来目的是给 OkHttp 异步请求分配合适的执行者，可实际上它只能找到有 android.os.Build 的 Android 平台和创建利用 android.os.Looper 和 android.os.Handler Executor 的(post 到 mainloop 去执行)，否则默认就是新建 Thread 去执行，而且处理的地方也不在这里，在它的 Caller 那里...
这个类要是弄的好一点要使用 enum with constructor calls、java.util.Function、java.util.concurrent.Executors、java.util.concurrent.ForkJoinPool

人生苦短，写点文字吧

https://github.com/duangsuse-valid-projects/Java-You-Dont-Know

过一周天这里甚至会重写我之前写的 Ruby 入门...
将会讲一些有趣的问题

啥时候我能学点前端就好了，你看这 OpenGraph 好看的

没时间写内容了，看来得两个星期，解析组合子的事情也要推后了，好无聊啊，打字又变慢了

排版测试

#Cplusplus https://en.cppreference.com/w/cpp/language/lambda#Lambda_capture

Lambda capture in C++11

#reveng https://github.com/freakishfox/xAnSo #recommended

即使作者的项目管理风格有点... 呃... 比较原始，而且作者貌似是自己能用了就跑路了，后来开了仨 issue 说是不能用或者建议作者给软件文档的也没有用的回复。

这个是看 @Trumeet 的 GitHub Star 的，不是我找的，我也不知道为啥 Yuuta 会看到这个

代码里有用 C++ 的匿名函数（比较类似 Java 的 Lambda expression，因为比起完整的『闭包』『高阶函数[1]』来说它更像一个语法糖）

如果有同学不懂的，可以去 wikipedia 看看，当然那个 [&] 是 capture all by value (copying) 的意思，不过我一般习惯指定好要捕捉哪些变量（习惯性，如果我写 C++ 的话。

—
[1]: 闭包(closures)可以实现高阶函数，高阶函数是可以接受函数和返回函数的函数（类似数学里的高阶函数）
在函数(functions)是 first-class 的时候可以实现，但把函数作为“值”[2]传递往往要考虑到一些东西，比如局部变量和 lambda calculus 的 lexical scoping 可能捕获到外部函数[4]的本地变量（UpValue），很多现代化的语言诸如 Lua, Ruby, Python 都支持闭包
闭包不应该和匿名函数混淆，即使在诸如 JavaScript（从第一个被 ECMA 标准化的版本开始的）一类的『函数式、脚本』语言里，他们是类似的，其类似主要是匿名函数是没有指定名字只能使用“引用”来调用的闭包

[2]: 值是 PLT(程序设计语言理论) 里的一个概念，可以类比“下面”实际目标机器『加减乘除』的参数（操作数，operands，指机器指令的操作数，比如 mov.i32/rr, add.i32）类型（机器数值），但在 PLT 里这个概念被泛化了，和 first-class[3] citizen 不应该混用，但是可以认为值是 first-class citizen
[3]: “第一类”对象：可以作为函数的参数和返回值、可以被“储存”(store)到诸如函数栈帧(frame)本地变量、全局变量的容器里，它也是 PLT 的概念
[4]: 也叫做“外部函数”(enclosing function)；内部被嵌入的函数被称为“内部函数”(inner function)，详情参见 wikipedia: Closure(Computer Science)
比如在 Lambda calculus (理论) 里，
true = λp. (λq. p)
false = λp. (λq. q)
这是 Church encoding 里 boolean (布耳值，详见布尔代数) 的表达方式
lambda 演算[5]是惰性求值(lazy evaluated)的，在 Haskell 里，类似的函数可以被用于替换 Haskell 内部的 if 语法
where 这里的 Haskell 是 Haskell 98 [语言标准] if 是 Haskell 内部钦定的语法，但利用 Haskell 的 Lambda abstraction if 也完全可以被替换掉，即使没啥用
在 Java 8 里，

import java.util.function.Function;

//... omitted for brevity


Function<
 Function<Void, ? extends Object>,
 Function<
  Function<Void, ? extends Object>,
  ? extends Object>>   
  truef = p -> q -> p.apply(null);

//... omitted for brevity

（看 Java 的“FP”我都快晕了，跑，这里使用 wildcard 泛型是... 习惯，虽然这里泛型不协变(covariant)也没问题。
[5]: Lambda 演算：悠久历史（1930 年）的演算模型，其历史还可以追溯到 1920 年的组合子逻辑(Combinatory logic)，和图灵机[6]鸡̶🐔你太̶美̶同一个历史时期，开始这个模型被创造来形式化描述数学(mathematics)，lambda 演算是项 (term) 组成的形式化系统，其有三种项：
+ x: Variable
+ (λ x. M): (Lambda) abstraction
+ (M N): Application
基本的操作有两个，他们基于 绑定(命名): binding 和 替换: substraction 操作：
+ ((λx.M) E) _β= (M[x:=E]): β-reduction, 这是 binding 操作，替换后的 M 的上下文（context，Lambda calculus 一般名为 Γ, Gamma）里 x 变量就是 E 项了
+ (λx.M[x]) _α= (λy.M[y]): α-conversion, 这是 renaming 操作（也是一种性质），用于 abstraction variable 名字冲突时，它告诉我们 lambda 只是基于 term group 的 substract 抽象而已，和『参数』的名字无关
表示上，Lambda calculus 是左递归（Left recursive）的，这是说
λx. λy. x 表示 (λx. (λy. x))
Lambda calculus 已经被（隐式地）用于现在的绝大部分高级计算机语言，并且被诸多函数式编程语言(functional programming language)作为自己的理论基础使用，其理论已经比较丰厚繁杂，详情 wikipedia

[6]: 图灵机：阿兰·图灵大学时期于 1936 年提出的自动机计算模型，有一门叫 brainfuck 的编程语言图灵完全（图灵机兼容）可以作为图灵机的辅助理解范本；图灵机以打字机为原型，假设自己有一个无限长度的存储卡带和一个解释器，被编程的解释器读写卡带处理卡带上的数据。
和 Lambda calculus 不同，图灵机的数据[7]是线性(linear)的而不是树形的，1939 年 J. Barkley Rosser 证明了 λ 演算和通用图灵机是等价的
brainfuck 只有 8 条指令：+, -, <, >, ., ",", [, ]
brainfuck 之所以图灵等价是因为它也认为有一个无限大小的随机访问存储器，+- 用来操作当前存储单元指针下的数据、<> 用来移动数据指针、,. 用来做 I/O、[] 用于实现循环，当然也可以是不停机(non terminating) 的无限循环。
能够实现图灵机所有功能的自动机被称为是图灵等价，或者说，图灵完全(Turing complete)的
图灵机的性质比较适合进行文本处理，但实际上它只是概念上的计算模型而已
通用图灵机(universal Turing machine)启发了后面的冯·诺伊曼存储程序性计算架构（现在最通用的计算模型也是现在电子计算机技术的基础，哈佛架构优化的基础）的诞生，并且，Alan Turing 用它在 1936 年证明了停机问题(Halting problem)是不可解决的（当然他的导师 Church 同年也用 lambda calculus 证明了这个问题逻辑不可解，各自独立地）
[7]: Lambda calculus 里实际上只存在抽象而没有所谓的数据，这里是做了一个不恰当的比方

#web #frontend https://github.com/bailicangdu/vue2-elm

推荐一个，45 页面大型单页... 合成 webapp

27.9k star，本身是模仿饿了么....
话说，刚才看到 bitcoin core 项目才 38k star... 看来中国的网络前端真的是不少啊

Vue 是什么.... 🙈 看来以后得学习一下了

咳咳.... 马上继续写书去算了（ #Java 真的是时间永远不够用
看起来我打算加入的章节，这次恐怕都没有时间加入了呢。

这个星期主要是看了三本书，先说说基本感想。

《手把手教你学 FPGA 设计》：巨好评 👍👍
作者果不其然是真·高手啊！况且现在敢入、能入电子工业和无线电的人大概是少数吧，当初进入已经非常了不起了，现在又来教下一辈，还是以这么通透的理解层次！

而且他还在华为海思半导体公司加入了新一代无线通讯技术（貌似是 4G 或以上？） 跳频 OFDM 无线多地址通讯系统的研发，他技术行文的简洁性也透露着自己的实力、例子也举的非常合适，非常符合工程实践，有 SDRAM[1]、UART[2]、VGA[3]、LED[4] 显示温度计、边缘扫描图像处理硬件等，但是书居然只有两百多面，而且算法（Verilog 硬件描述语言）还写全了！这个 PLD 教学真可以说是中国第一简单实用快速！

—
[1]: SDRAM: 同步[6]动态随机访问存储器，Synchronized Dynamic Random Access Memory，它是一种易失性(volatile)存储器，和 SRAM （静态）的区别是因为内部晶体管电荷保存时间有限，必须按照固定频率刷新才能保证内部数据不会丢失，而 SRAM 就不需要；一般来说高质量的存储用途（比如缓存）会使用 SRAM，因为它不需要浪费时间去进行刷新操作
不都用 SRAM 的原因是它太贵了，DRAM 一个晶体管就可以实现的存储容量（比如 1* bit） SRAM 要六个 🤪 体积大，而且用户买不起。
[2]: UART: 通用异步收发传输器，Universal Asynchronous Receive Transmit
这娃是传输字符用的（类比 TTY），嵌入式开发里一般用它调试目标板子。[5]
[3]: VGA: 最开始由 IBM 设计的视频接口标准“视频图形阵列”，Video Graphics Array
[4]: 发光二极管，这里指 “8” LED 阵列式数值显示用的元件

[5]: 板子一般指单片机或者嵌入式片上系统；
最开始我把 UART 误解为“通用并行设备总线”了（伪造 USB，通用串行设备总线，误）
[6]: 同步是指和其他器件（一般是微处理器、微控制器）的时钟节拍信号同步对齐
—

《零起点 Python 机器学习快速入门》：中评 😐
作者是一个做中文字库的（字王工作室），自产有《中华大字库》、TopQuant 足彩分析等，也是一个其他信息行业奠基者的角色，（对我来说）是个先辈，但是他对程序设计的理解有点独特但不是很深刻，书上的图示、算法接口资料还比较齐全，
示例数据集主要讲的是 Iris 爱丽丝花卉子种属数据集，以及一个 CCPP 发电厂电力输出数据集。

全本书讲了 sklearn (scikit)、Pandas、Matplotlib 的使用，当然没有提到 Numpy、Numba、OpenCL、OpenMP、PyCUDA 等高性能计算库的使用（“黑箱”教学），但是提了名字

算法没有讲太多算法细节，只是给你几个封装函数做学习、测试数据切分 (ai_data_cut)、学习 (mx_*)、回归 (predict 方法)、测试 (ai_acc_xed) （用于判断数据预测的准确率，就是对 test 数据集，准备好预测到的结果，取实际 test 的结果，判断 (误差小于目标 k 的结果项目份数/总份数)）

前面还教你如何进行『分类名称』“矢量”化（就不在这里喷这个名词使用的错误了[1]，虽然可能不是他自己最开始用的）...
这里不吐槽任何槽点，但是本书的槽点还是很多的，看上 100 面大概能找到十七八个，不过不得不说对于机器学习入门来说这本书也不错（即使里面有些文字我打算专门吐槽一下...）。
再者，因为我这里绝对没有任何其他的机器学习书了...

《持续轻量级 JavaEE 开发》：好评 👍
作者们都是 RedHat JBoss 多项目的资深工程师、项目经理什么的，面向对象编程大师。


然后马上要放暑假了，真是 🎉
GeekApk 又有一次复活的机会了，正好我最近在看 JavaEE，刚对 EE 那些真的是有点复杂的依赖注入、Observer、Interceptor、单元测试、Service locator pattern、反射元编程和声明(annotations) 有点感觉了
打算弄点大新闻出来 🐸

—
[1]: 矢量化：这里是指，对于一个数据表（书上的是 Iris 种属分类）
如果要学习（数据分析）的一项是（可能不可导、不可进行传统统计概率数值运算的）聚合量（product type）比如一个 str （char 的 homogenous product type）那就先将其『标号化』、学习，再在回归的时候映射回来
矢量，在物理上是有方向的量[2]，数学上（尤其线性代数）矢量化是指把矩阵转化为线性序列的形式，请问这里它的宾语（目标）是指『这个数据表 pandas.DataFrame』呢？还是 Python 的 built-in type str 呢？
不管怎么样，看起来都有点不太对吧？哈？算了....

vec(A) = {
  a[1,1], ..., a[m,1],
  a[1,2], ..., a[m,2],
  a[1,n], ..., a[m,n] }(^T

)

简而言之就是把 2x2 矩阵 { a b;; c d } 变成元组 [ a c b d ], 看上面的递推式子也知道了

缺点当然是很明显的，比如 Iris 分类器的例子，作者就这么对三种种属『“矢量化”』了一波（取的『编号』，虽然那实际上是逼近的参数之一.... 都是 1,2,3 这种），Linear regression 的结果很差很辣鸡，只比随机三选一好一点。
然而实际上可以多准确呢？同数据集 KNN 分类器（K-最近邻分类法，最简单的机器学习算法之一，特征聚合映射到 N 维空间判距离上 k 最近邻中数目最多的分类，用作者的话，当然我觉得还行的就是『物以类聚』）学习后给出的判断准确率是 100%！

何况，作者『映射』分类预测结果回来（实际上没有映射回 str，但这里和我说的实际上是一个情况）的时候使用的（浮点）算法是直接 truncate 掉小数部分然后 if else if.... （不如 switch ....），还不如四舍五入好呢（不要忘记了这个『矢量』实际上代表的是一个分类！）

作者自己的确是做数据分析的，可是他对编程的理解.... 我觉得真的不是特别值得学习

我可没有随便对自己完全不理解的东西乱说话，至少我能找到一篇文章给我背书：
Conmajia::CodeProject::前馈全连接神经网络和函数逼近、时间序列预测、手写数字识别
这里面没有 Python 书里作者所谓的『矢量化』， 但只是学习模型的不同而已（线性回归 vs. 人工神经网络），不过 Sklearn 有 one-hot encoding 的实现，作者还是要用『矢量化』定 1,2,3，明明说都到『CPU 加法器』的级别了，却连二进制都没注意到，也真是服气了....

>>> from sklearn import preprocessing
>>> le = preprocessing.LabelEncoder()
>>> le.fit([1, 2, 2, 6])
LabelEncoder()
>>> le.classes_
array([1, 2, 6])

[2]：第一次的时候搞错了... 物理上那个是向量，基本无关的东西

#Python 四舍五入能『优化“矢量化”后的预测结果准确率』一看可能不是正确答案，但是我会用实践测试一下它是不是正确的

首先看看这个 wiki 页面，我们提取 HTML 表格数据（下面的编程风格不值得学习，复用性也很差，是我自己瞎堆的，因为我不熟悉 JQuery,,,）

let table = $('table.wikitable.sortable')
  .filter((_, e) => e.firstElementChild.innerText === "费雪鸢尾花卉数据集").get(0);

let data_body = $(table).find('tbody').get(0);

//

{ let result = [];
for (let t of data_body.children) {
let [x, y, z, w, o] = t.children;
result.push(...[x,y,z,w,o]);
}}

🙈 不好意思，这个是矢量化（删除线）

let result = $(data_body.children).map((_, t) => [($(t.children).slice(0,2+1).map((_, c) => Number.parseFloat(c.innerText))).get().concat(t.children[4].innerText)])

;

刚才本来用的是 array expansion（其实有点 deficient）[...xs, a] 的，后来发现 JQuery 的 map 好像会自动 flatten... 就换成这样了
slice 的 2+1 是因为 JQuery 的 slice 切片是右闭（exclusive）区间，2 是输出的最后一个 index

然后我们输出 CSV，上 Python Pandas + Sklearn 分析吧，首先我们已经确认，数据里没有特殊字符（和 CSV 语义冲突的）需要处理

result.map((_, t) => t.join(',')).get().join("\n")

好的程序应该反映出其所处理的数据的结构，这里 map 里的闭包输出每个 row 的 toCsvString 操作结果（join each column）；最后每行再合并（join）就生成了 CSV 结构

复制下对象、注意去掉两边的 "" dquote，然后保存到本地

#ML #Python Iris 数据集