flow

　　stack overflow产品设计上的独到之处　　1. tag贯穿整个产品。不仅只是帮助用户搜索信息，stack overflow很早就允许用户订阅tag，设置自己喜欢和不喜欢的tag；后来又开发了tag的badges，很好地和reputation联系在了一起。再后来用tag来做广告。可以说stack overflow的tag设计是集各家之大成，在里面可以看到delicious、twitter等的优点，而且还自己创新了tag的badges。　　2. 早期非常focus在基本需求。最早的stack overflow的界面比现在更朴素，资源全集中在问题与答案、用户投票和声望设计上。基础搭的十分牢固。　　3. 和第2点息息相关的是：放长线，钓大鱼。stack overflow现在最大的特点就是单纯，很多推广时期依靠的功能（badges、reputation等），实际上都是基础功能延伸而来的，这个很多产品都没做到，国内尤其多。比如腾讯微博的badges，怎么看怎么生硬。这实际上体现了stack overflow在产品节奏和规划上的高明，各个复杂的功能和系统，其实都是从主干上延伸开来，而非再生主干。

堆栈溢出，申请地址超过堆栈的大小。有可能是递归没有结束条件，或结束条件太难实现。这种情形时，可以把递归改为循环。或者是你申请没有释放，或者申请太大（应该是申请大小的参数有误）

　1，点击“开始”——“运行”　　输入“REGSVR32 URLMON.DLL”后回车。　　2，重新启动电脑。　　3，打开IE浏览器，找到“工具”——“Internet选项”——“高级”——点击重置按钮。　　4，点击确定，重新启动浏览器，就可以了。

电脑出现stack overflow at line 0，是设置错误造成的，解决方法如下：1、首先打开电脑，在电脑桌面上双击运行浏览器，如下图所示。2、在浏览器首页，单击上方右侧的【设置】图标，如下图所示。选择下拉菜单的【Internet选项】。3、弹出Internet选项窗口，单击【高级】选项卡，如下图所示。4、在选项卡下方设置栏，勾选浏览下方【禁用脚本调试(其他)】选项。5、最后点击下方确定按钮即可，浏览器就不会再提示stack overflow at line 0了。

frameWnd的父指针是不是不能是frameWnd

一、电脑速度“慢”是主要问题 慢的三种主要原因 1、网络故障（新浪系统、地方连接等）； 2、电脑故障（先天不足、后天维护保养差等）； 3、速度慢多数情况是网络慢新浪系统慢和电脑慢兼而有之。 二、电脑慢个人可以解决的部分问题。 1、解决配置低，先天不足。 硬盘小（40G以下），硬盘有损伤（常有的），内存小（512以下），操作系统不正版等，会长期影响电脑速度。运行中如果提示 “虚拟内存不够......”，就是配置低的主要反映。内存在计算机中的作用很大，电脑中所有运行的程序都需要经过内存来执行，如 果执行的程序很大或很多，就会导致内存消耗殆尽。为了解决这个问题，Windows中运用了虚拟内存技术，即拿出一部分硬盘空间来充 当内存使用，当内存占用完时，电脑就会自动调用硬盘来充当内存，以缓解内存的紧张。举一个例子来说，如果电脑只有128MB物理内 存的话，当读取一个容量为200MB的文件时，就必须要用到比较大的虚拟内存，文件被内存读取之后就会先储存到虚拟内存，等待内存 把文件全部储存到虚拟内存之后，跟着就会把虚拟内里储存的文件释放到原来的安装目录里了。通俗来讲,硬盘就相当于停车场,内存 就相当于停车场的通道,当通道不够用(来车太大) ,就要到停车场暂时借点来用, 显示“虚拟内存不够”,就是通道不够去借时设置的 数量不够车正常通行(一般是额定内存的1.5到2倍,多了无意义),经常的借和还,就影响了电脑速度。配置低的电脑如果加一个同容量的 内存条或换一个原来2倍的内存条，速度可以明显改善，如果再换一个是原来2倍的硬盘，速度改善就更明显。但使用多年的电脑，整 体老化严重，就没必要增加了，内存硬盘等都不便宜，换多了还不如买新。 2、解决杂乱文件影响。 但凡你在网上正常浏览、游戏、查资料等所涉及的网页，都要缓存在电脑（硬盘）中，虽然占不了多少空间，但却影响硬盘中的 数据交换和处理，硬盘是一个很宠大的数据交换文件，它是系统预留给虚拟内存作暂存的地方，很多应用程序都经常会使用到，所以 系统需要经常对主存储器作大量的数据存取，因此存取这个档案的速度便构成影响计算机快慢的非常重要因素。这些杂乱的网页就相 当于停车场到处有摆摊的小贩，使汽车只能乱七八糟的停放，必然要影响容量和进出时间。进行磁盘清理就是清出杂乱无用的网页（ 相当于车场清理小贩）整理磁盘碎片就是排列好有用的文件（相当于把乱停的车摆放整齐），使硬盘（车场）和内存（通道）流畅。 所有操作系统都有“磁盘清理”和“整理磁盘碎片”功能，把鼠标指向程序——附件——系统工具——就显示出“磁盘清理”和 “整理磁盘碎片”，点击就可以分别按提示进行操作。进行“磁盘清理”时所有的盘C、D、E等都要清理（主要是系统盘C）只要显示 有文件的，都可以选择清理，有用的系统文件和安装保存的文件不会被清理，“整理磁盘碎片”也一样，所有的盘C、D、E等都要整理 （主要是系统盘C，很慢一般要一到两个小时）。 3、解决恶意流氓软件和恶意流氓插件影响。 恶意流氓软件和恶意流氓插件除少数是躲在自己下载的软件和安装的代码里面以外，主要是自己强行安装进电脑的，目的就是干 扰操作系统，影响程序正常工作，用“磁盘清理”清不掉，杀毒软件发现不了，卡卡助手、奇虎360、雅虎助手等凡杀毒软件配置的助 手，都可以用系统优化功能、系统防护功能等有效的清除恶意流氓软件和恶意流氓插件，只要经常清理，就可以保证电脑健康。 三、杀毒软件和一键恢复 经常更新病毒库，升级杀毒，不要让病毒长期存留在电脑里，选择高级设置，发现病毒杀毒，杀不了删除文件、隔离、手动清除 等配套杀毒，是电脑不受病毒侵害，保证健康最有效的手段。 但电脑遭遇病毒是难免的，为了减少重装系统的麻烦，一定要在装系统 时装“一键恢复” 。 “一键恢复”就是操作系统备份，一般是装系统时设置，也就是确保操作系统健康，在电脑遭遇病毒无法清除、程序错乱等严重 问题时，任何时候“一键恢复”，电脑就恢复到健康正常的系统（对初学者、电脑盲尤其重要）。

111111111111111111111111111111111111

因为出现了死循环的递归调用，导致溢出

造成了"堆栈的益出",在IE的【Internet选项】的【高级】里禁用脚本调试，试试开始...运行，入REGSVR32URLMON.DLL，回车后重启系统，然后进入IE的“工具”→“Internet选项”→“程序”，单击“重置Web设置”按纽就行啦↑以上是某神人的答案我试了很有用，不过我是直接【禁用脚本调试】然后【重置】的，因为中间的看不懂，但成功了而且我家的【重置】是在IE的“工具”→“Internet选项”→“高级”，里的或者换个浏览器

可能形成死循环,你往栈里一直压数据,栈大小是很有限的,溢出了下面这句后面的break可能根本没有执行到.if(temp1==standard)break;你在改一下看看if(temp1==standard){cout<<"braak";break;}你看看,是在中断前溢出还是中断后溢出.再就是其它地方设断点,调试一下就看出来了同理,按此法向下继续,你很快就能找到出问题的地方.

stack overflow是堆栈溢出。堆栈溢出的产生是由于过多的函数调用，导致调用堆栈无法容纳这些调用的返回地址，一般在递归中产生。堆栈溢出很可能由无限递归（Infinite recursion）产生，但也可能仅仅是过多的堆栈层级。请对应检查一下。

出现堆栈溢出一般是出现了死循环,你仔细检查一下你的代码.

unsigned uniform_int_s_e(unsigned start, unsigned end){ unsigned base = rand(); unsigned range = end - start; unsigned remainder = RAND_MAX % range; unsigned bucket = RAND_MAX / range; if (base < RAND_MAX - remainder) return start + base / bucket; else return uniform_int_s_e(start, end);}/*RAND_MAX是0x7fff(十进制：32767)，这个当end=40000时，unsigned range = end - start; => range=endunsigned remainder = RAND_MAX % range; => remainder=RAND_MAX（因为range>RAND_MAX）unsigned bucket = RAND_MAX / range; => bucket=0然后就有两个问题：1、if (base < RAND_MAX - remainder) 这句话base是个unsigned，是不会小于0的，导致无限递归了2、return start + base / bucket;这bucket是0应该不能作为除数吧*/

在编有递归代码的VS、VC程序中可能会引起栈溢出错误，其实代码本身并没有出错，只是系统分配的栈内存不满足程序需要。 错误提示如下： First-chance exception at 0x00AFE289 in 边缘检测方法.exe: 0xC00000FD: Stack overflow (parameters: 0x0...

Stack Overflow 没有单独的 iOS 应用，但由于它隶属于 Stack Exchange 网络，所以你可以下载 Stack Exchange 的官方应用，里面包含有 Stack Overflow 模块，可以在里面提问，寻找答案等。截图如下：App Store 下载地址为：https://itunes.apple.com/cn/app/stack-exchange/id871299723?mt=8

1） int m_Point; // 现在消息存放的位置 最好用int m_nIndex;2） CMessageStack::CMessageStack() { } 才是构造函数3） 最主要的class内部不要加CMessageStack::4）warning C4101: "stack" : unreferenced local variable 这个不是报错，就是你这个变量光定义了，没有实际使用到

网页故障“死循环”（stack overflow at 查阅有关资料 win系统每当创建一个线程时，系统就会为线程的堆栈（每个线程有它自己的堆栈）保留一个堆栈空间区域，并将一些物理存储器提交给这个已保留的区域。按照默认设置，系统保留1MB的地址空间并提交两个页面的内存。但是，这些默认值是可以修改的，方法是在你链接应用程序时设定Microsoft的链接程序的/STACK选项：/STACK:reserve[,commit]当创建一个线程的堆栈时，系统将会保留一个链接程序的/STACK开关指明的地址空间区域。但是，当调用CreateThread或_beginthreadex函数时，可以重载原先提交的内存数量。这两个函数都有一个参数，可以用来重载原先提交给堆栈的地址空间的内存数量。如果设定这个参数为0，那么系统将使用/STACK开关指明的已提交的堆栈大小值。后面将假定我们使用默认的堆栈大小值，即1MB的保留区域，每次提交一个页面的内存。 特别注意 onerror，当图片不存在时，将触发 onerror，而 onerror 中又为 img 指定一个 NoPic.gif 图片。也就是说图片存在则显示 pic.gif，图片不存在将显示 noPic.gif。但问题来了，如果 noPic.gif 也不存在，则继续触发 onerror，导致了死循环，故而出现错误。说明：如果图片存在，但网络很不通畅，也可能触发 onerror。 解决方法：去掉 onerror 代码；或者更改 onerror 代码为其它；或者确保 onerror 中的图片足够小，并且存在。 首先排除因为网络不通畅导致弹窗，都会弹窗。那么因为调用了不存在的图片的缘故了。仔细观察首页，发现好几个博友的头像显示为“X”(叉)。同时发现有几个没有图形的博友头像，就会弹出几次窗口。于是进入博友页面，因为这一页同样调用博友缺失的头像，所以仍旧弹窗。 解决办法：必须“登陆”后反复删除，反复刷新“页面访客”中的代叉“X”不显示图形的头像。有的一次删不掉，刷新后基本都可以删除。关掉页面重新再启动。我那故障就彻底解决啦。必要时可用“超级兔子 清理王”。再有重装一下ie，如再不行就把你的来访者模块隐藏，stack overflow at line0就是栈溢，应该就是那些没有头像的博客带的故障，隐藏模块就能解决。 注：同一种故障解决的方法是不同的，原因是每台计算机软，硬件配置和安全设置是不同的所以解决方法也是不同的。 <不知道有没有帮助>

windows 栈最大深度好像是7000多。什么是栈深度？就是从main函数开始 调用到指定函数时 中间有多少层函数调用比如main里面调用func1 func1里面调用func2 func2里面调用printf。那么执行这个printf的函数体的时候栈深度是3或者4 看你怎么算了。当一个函数递归重复调用自己，如果递归条件设置的不合理 就会出现无限递归的情况 就会出现那个错误。void function(){ function();

可能是因为1，递归层次太多了，或者递归算法错误，没有退出条件2，分配了巨大的堆栈内存，比如char e[10000000] = {0};

造成了"堆栈的益出",在IE的【Internet选项】的【高级】里禁用脚本调试，试试 开始...运行，入REGSVR32 URLMON.DLL，回车后重启系统，然后进入IE的“工具”→“Internet选项”→ “程序”，单击“重置Web设置”按纽就行啦 ↑以上是某神人的答案我试了很有用，不过我是直接【禁用脚本调试】然后【重置】的，因为中间的看不懂，但成功了而且我家的【重置】是在IE的“工具”→“Internet选项”→ “高级”，里的 或者换个浏览器

可能是乱装软件导致的注册表紊乱。解决方法：在“开始”——“运行”——输入“cmd”进入命令行输入“regsvr32 c:windowssystem32pngfilt.dll”一般都可解决问题

在编有递归代码的VS、VC程序中可能会引起栈溢出错误，其实代码本身并没有出错，只是系统分配的栈内存不满足程序需要。错误提示如下：First-chance exception at 0x00AFE289 in 边缘检测方法.exe: 0xC00000FD: Stack overflow (parameters: 0x00000001, 0x00F92FEC).If there is a handler for this exception, the program may be safely continued.工具/原料VS2013方法/步骤打开出现栈溢出错误的工程文件，单击下图中的调试运行按钮运行后会弹出如下的栈溢出错误窗口，单击“break"，即中断执行中断执行后会跳转到出现错误的代码段，即引起栈溢出的地方。此时打开栈的调用窗口可以发现代码调用的栈太大了，超过了系统默认给定的容量。所示下图中出现了读取内存失败错误。打开此工程的属性页面，找到”Link“——”System“，如下图所示在栈的调用尺寸中填写一个较大的值，比如1000000，如果还不够就再加大点，应用并退出设置。7再次编译运行代码，栈溢出错误即可以解决了。我的输出结果如下所示。

补充几点stack overflow产品设计上的独到之处 1. tag贯穿整个产品。不仅只是帮助用户搜索信息，stack overflow很早就允许用户订阅tag，设置自己喜欢和不喜欢的tag；后来又开发了tag的badges，很好地和reputation联系在了一 起。再后来用tag来做广告。可以说stack overflow的tag设计是集各家之大成，在里面可以看到delicious、twitter等的优点，而且还自己创新了tag的badges。 2. 早期非常focus在基本需求。最早的stack overflow的界面比现在更朴素，资源全集中在问题与答案、用户投票和声望设计上。基础搭的十分牢固。 3. 和第2点息息相关的是：放长线，钓大鱼。stack overflow现在最大的特点就是单纯，很多推广时期依靠的功能（badges、reputation等），实际上都是基础功能延伸而来的，这个很多产 品都没做到，国内尤其多。比如腾讯微博的badges，怎么看怎么生硬。这实际上体现了stack overflow在产品节奏和规划上的高明，各个复杂的功能和系统，其实都是从主干上延伸开来，而非再生主干。

把数组弄成全局变量或者malloc出来就行#include <stdio.h$amp;>amp;$nbsp; #define M 900 #define N 900 int a1[M][N]; int main( void ) { int i,j; for(i=0;i <M;i++) for(j=0;j <N;j++) { a1[i][j]=N*i+j+1; printf("%d ",a1[i][j]); if(j==N-1) printf(" "); } return 0; }

方法/步骤打开出现栈溢出错误的工程文件，单击下图中的调试运行按钮运行后会弹出如下的栈溢出错误窗口，单击“break"，即中断执行中断执行后会跳转到出现错误的代码段，即引起栈溢出的地方。此时打开栈的调用窗口可以发现代码调用的栈太大了，超过了系统默认给定的容量。所示下图中出现了读取内存失败错误。打开此工程的属性页面，找到”Link“——”System“，如下图所示在栈的调用尺寸中填写一个较大的值，比如1000000，如果还不够就再加大点，应用并退出设置。再次编译运行代码，栈溢出错误即可以解决了。我的输出结果如下所示。

堆栈溢出先用360扫描木马病毒之类。如果没有再看看最近装了什么软件，重装一下，或者换一个版本

stack overflow (堆栈溢出)栈溢出（又称缓冲区溢出）攻击是最常用的黑客技术之一.我们知道,UNIX本身以及其上的许多应用程序都是用C语言编写的,C语言不检查缓冲区的边界.在某些情况下,如果用户输入的数据长度超过应用程序给定的缓冲区,就会覆盖其他数据区.这称作“堆栈溢出或缓冲溢出”.一般情况下,覆盖其他数据区的数据是没有意义的,最多造成应用程序错误.但是,如果输入的数据是经过“黑客”精心设计的,覆盖堆栈的数据恰恰是黑客的入侵程序代码,黑客就获取了程序的控制权.如果该程序恰好是以root运行的,黑客就获得了root权限,然后他就可以编译黑客程序、留下入侵后门等,实施进一步地攻击.按照这种原理进行的黑客入侵就叫做“堆栈溢出攻击”.为了便于理解,我们不妨打个比方.缓冲区溢出好比是将十磅的糖放进一个只能装五磅的容器里.一旦该容器放满了,余下的部分就溢出在柜台和地板上,弄得一团糟.由于计算机程序的编写者写了一些编码,但是这些编码没有对目的区域或缓冲区——五磅的容器——做适当的检查,看它们是否够大,能否完全装入新的内容——十磅的糖,结果可能造成缓冲区溢出的产生.如果打算被放进新地方的数据不适合,溢得到处都是,该数据也会制造很多麻烦.但是,如果缓冲区仅仅溢出,这只是一个问题.到此时为止,它还没有破坏性.当糖溢出时,柜台被盖住.可以把糖擦掉或用吸尘器吸走,还柜台本来面貌.与之相对的是,当缓冲区溢出时,过剩的信息覆盖的是计算机内存中以前的内容.除非这些被覆盖的内容被保存或能够恢复,否则就会永远丢失.在丢失的信息里有能够被程序调用的子程序的列表信息,直到缓冲区溢出发生.另外,给那些子程序的信息——参数——也丢失了.这意味着程序不能得到足够的信息从子程序返回,以完成它的任务.就像一个人步行穿过沙漠.如果他依赖于他的足迹走回头路,当沙暴来袭抹去了这些痕迹时,他将迷失在沙漠中.这个问题比程序仅仅迷失方向严重多了.入侵者用精心编写的入侵代码（一种恶意程序）使缓冲区溢出,然后告诉程序依据预设的方法处理缓冲区,并且执行.此时的程序已经完全被入侵者操纵了.入侵者经常改编现有的应用程序运行不同的程序.例如,一个入侵者能启动一个新的程序,发送秘密文件（支票本记录,口令文件,或财产清单）给入侵者的电子邮件.这就好像不仅仅是沙暴吹了脚印,而且后来者也会踩出新的脚印,将我们的迷路者领向不同的地方,他自己一无所知的地方.缓冲区溢出的处理 你屋子里的门和窗户越少,入侵者进入的方式就越少…… 由于缓冲区溢出是一个编程问题,所以只能通过修复被破坏的程序的代码而解决问题.如果你没有源代码,从上面“堆栈溢出攻击”的原理可以看出,要防止此类攻击,我们可以：1、开放程序时仔细检查溢出情况,不允许数据溢出缓冲区.由于编程和编程语言的原因,这非常困难,而且不适合大量已经在使用的程序； 2、使用检查堆栈溢出的编译器或者在程序中加入某些记号,以便程序运行时确认禁止黑客有意造成的溢出.问题是无法针对已有程序,对新程序来讲,需要修改编译器； 3、经常检查你的操作系统和应用程序提供商的站点,一旦发现他们提供的补丁程序,就马上下载并且应用在系统上,这是最好的方法.但是系统管理员总要比攻击者慢一步,如果这个有问题的软件是可选的,甚至是临时的,把它从你的系统中删除.举另外一个例子,你屋子里的门和窗户越少,入侵者进入的方式就越少.黑客主要先从微软漏洞公布表上或者0days上找到漏洞,再根据漏洞编写溢出程序(好多都自带扫描功能)包括本地提权溢出,远程提权溢出.编好后,先用那个扫描一下有漏洞的主机,然后再用它溢出获得权限,控制目标主机.

stack overflow（堆栈溢出）就是不顾堆栈中分配的局部数据块大小，向该数据块写入了过多的数据，导致数据越界，结果覆盖了老的堆栈数据。 或者解释为 在长字符串中嵌入一段代码，并将过程的返回地址覆盖为这段代码的地址，这样当过程返回时，程序就转而开始执行这段自编的代码了。比如如下这段程序：#include<stdio.h>int main(){char name[8];printf("Please type your name:");gets(name);printf("Hello.%s!",name);return 0;}编译并且执行，输入ipxodiAAAAAAAAAAAAAAAA，执行完gets(name)之后，堆栈如下：内存底部 内存顶部name EBP ret<-------[ipxodiAA][AAAA][AAAA]............^&name堆栈顶部 堆栈顶部由于我们输入的name字符串太长，name数组容纳不下，只好向内存顶部继续写"A"。由于堆栈的生长方向与内存的生长方向相反，这些"A"覆盖了堆栈的老的元素。"EBP ret"都被"A"覆盖了。在main返回的时候，就会把"AAAA"的ASCII码：0x41414141作为返回地址，CPU会试图执行0x41414141处的指令，结果出现错误。这就是一次堆栈溢出!

　　#include #include #include//字符串拷贝函数头文件 class CMessageStack { private: int m_Point; // 现在消息存放的位置 char m_Message[ 2000 ][ 1000 ]; public: void MessageStack() // 构造函数,初始化类内部定义函数不需要加这个 CMessag...

堆栈溢出???

"Stack overflow at line 0"是指在网页浏览器中，JavaScript 函数调用了自身，导致浏览器的堆栈溢出，从而导致浏览器崩溃。这个错误通常是由于 JavaScript 代码出现了递归循环调用而引起的。为了解决这个问题，可以尝试以下几种方法：清除浏览器缓存：有时候浏览器缓存中的数据可能与网页的 JavaScript 代码冲突，导致堆栈溢出。清除浏览器缓存后，重新加载网页，可以尝试解决这个问题。禁用浏览器插件：一些浏览器插件可能会与 JavaScript 代码冲突，导致堆栈溢出。禁用浏览器插件后，重新加载网页，可以尝试解决这个问题。更新浏览器：如果浏览器版本过旧，可能会存在一些已知的 JavaScript 错误。更新浏览器可以解决这个问题。检查 JavaScript 代码：如果以上方法都无法解决问题，可以检查 JavaScript 代码是否存在错误，尤其是是否存在递归循环调用的情况。使用其他浏览器：如果以上方法都不能解决问题，可以尝试在其他浏览器中打开网页，看看问题是否依然存在。如果在其他浏览器中没有出现这个问题，那么这个问题可能是与当前浏览器相关的。需要注意的是，如果这个问题是由于网页本身的 JavaScript 代码引起的，那么以上方法可能无法解决问题，需要联系网页的开发者进行修复。

当电脑出现stack overflow at line:0错误时，意味着在执行当前代码行时发生了栈溢出，通常是由于代码中存在死循环或无限递归导致的。这种情况可能会导致程序崩溃或系统崩溃，因此需要及时解决。以下是一些解决方法：禁用调试器：在代码中插入#debug注释，以便在运行时输出调试信息，以帮助解决栈溢出问题。

顾名思义，stack overflow 就是是栈溢出了。在进行数值运算时，我们常常要和运算结果的溢出打交道。数值运算结果可能上溢（overflow），也可能是下溢（underflow）。不过栈的溢出显然只可能是上溢，即栈空间被用完了。在提起“栈”（stack）这个概念的时候，千万不要忘记了它的兄弟“堆”（heap），也要切记不要把二者搞混了。 那么，什么时候会把给用完了呢？如果我们记得C程序中的局部变量是在栈中分配的，函数调用会占用一部分栈空间，则可以很容易地构造出相应的测试用例。1、定义占用空间过大的局部变量所导致的栈溢出C:> more stack_local.c/* * Allocate too much memory from stack will cause stack overflow. */#include <stdio.h>int main(int argc, char *argv[]){ int foo[1000000]; return 0;}C:> cl stack_local.cMicrosoft (R) 32-bit C/C++ Optimizing Compiler Version 14.00.50727.42 for 80x86Copyright (C) Microsoft Corporation. All rights reserved.stack_local.cMicrosoft (R) Incremental Linker Version 8.00.50727.42Copyright (C) Microsoft Corporation. All rights reserved./out:stack_local.exestack_local.objC:> stack_local此时出现一个异常对话框：stack-local.jpg 。 2、函数递归调用导致的栈溢出C:> more stack_recursive.c/* * Infinite recursive calls will lead to stack overflow soon. */#include <stdio.h>static void foo(void);static void bar(void);int main(int argc, char *argv[]){ foo(); return 0;}static void foo(void){ bar();}static void bar(void){ foo();}C:> cl stack_recursive.cMicrosoft (R) 32-bit C/C++ Optimizing Compiler Version 14.00.50727.42 for 80x86Copyright (C) Microsoft Corporation. All rights reserved.stack_recursive.cMicrosoft (R) Incremental Linker Version 8.00.50727.42Copyright (C) Microsoft Corporation. All rights reserved./out:stack_recursive.exestack_recursive.objC:> stack_recursive该程序没声没息就结束了。查看进程返回值能发现它其实是异常终止了。只不过没有像 stack_local 那样弹出一个对话框。C:> echo %errorlevel%-1073741819 要搞清楚这两个程序为什么有这点细微的区别，可以查阅一下二者的汇编代码。原来是 _chkstk() 在起作用，其中 stack_local 在程序初始加载时就会导致 _chkstk() 失败，触发异常。而 stack_recursive 可以正确加载，并运行一段时间，然后导致栈溢出，并触发异常。 要正确处理栈溢出采用以下办法：（1）修正我们的程序，不要造成无穷递归或太深的递归。我们可以把某些递归代码非递归化，例如那个经典的 qsort ，最好就用非递归的算法来实现，就比较皮实一点。（2）修正我们的程序，不要定义过大的局部变量，特别是在定义大结构、大数组时要格外小心。有时我们可能会用 _alloca() 这样的特殊函数直接在栈上分配空间，更要多加注意。（3）利用编译器的特性，将进程允许的栈大小设置得大一些。例如可以采用 MSC 中的 /STACK 参数开关。（4）对于那些还可能导致栈溢出的代码，采用 Microsoft 的结构化异常处理或标准的 C++ 异常处理机制，结合 _resetstkoflw() 进行处理。当然了，要是不嫌麻烦，我们也可以自己探测所用栈的大小，动态地检测是否可能导致栈溢出，以避免可能的异常。

saver=tf.train.Saver()假设保存变量的时候是checkpoint_filepath="models/train.ckpt"saver.save(session,checkpoint_filepath)则从文件读变量取值继续训练是saver.restore(session,checkpoint_filepath)

个人的一点看法：1. TensorFlow是采用的DataFlow的数据流模型，不过我不觉得和Dryad有太多相似之处，此外Dryad也不是第一个提出DataFlow模型的地方，要说最早可以参考MIT TaggedTokenmachine里面的static dataflow 和dynamic dataflow architecture[2]的资料. 在一个大规模机器学习系统上全面、可靠的支持DataFlow的feature本不是一件容易的事情，但是Tensorflow做到这一点，支持control_dependence, merge, condition,for-loop/while-loop, iteration。1. 就像LSTM的unrolling，原来需要predefine unroll，现在用for-loop去做展开(内部维持状态的变化) 2. 还有比如一些算法需要对不同的input example做不同的训练(不同的gradient，更新不一样的variables)，以前需要hack很多东西(至少在DistBelif上是)，现在只需要一个ConditionOp就解决了。3. 比如不同的variables用不同的optimizer，SGD/AdaGrad/FTRL/Momentum等。有了ControlFlow的支持，tensorflow graph更像是一种语言的抽象(variables, tensors, controlflow, compile[这个是指会rewrite整个graph, send/recv node, un-reference, graph partition, dynamic placement], parallelism，functional programming等)，从这个角度讲还是有不少新东西在里面。2. 是否用Dataflow和BSP并无直接对应关系，Dataflow只是tensor/token的流动，怎么 schedule和控制流动是别的部分的事情(session 如何drive)。事实上，Tensorflow提供的灵活性用户很容易在上层做BSP(如果你非常喜欢这样做的话，这种模型最大的缺点是fault tolerance很难做)，SSP(如果非要把这个概念引入的话) 或者parameter server的结构(事实上我从来不认为这是一种通用的结构，只是ps被centralized起来存有状态的variables而已, 5年前的DistBelief就是这种架构)，有了这个框架的抽象，然后进一步你可以做Synchronous or Asynchronous training。所以说Dataflow只能做BSP，这个是很没有缘由的。3. 数据表示成tensor/token，单单这一点非要说这个有多少的创新确实也谈不上。不过基于tensor的每一个single op怎么做实现就有考究了，从Eigen开始到每一个kernels op基本都有micro-benchmark来保证单个op的performance达到最优，既然是kernel级的tensorflow的框架支持用户可以随便扩展GPU、CPU甚至即使是CPU的可以针对不同的指令级做优化和定制。当然任何事情有得就有失，大的系统的设计本身就是trade-off，比如你本来所有的东西揉在一起操作指针、inplace内存读写就可以，但现在抽象成多个各个粒度的operators，operators之间读写难免有很多overhead(当然graph rewrite已经最大限度的避免)。所以概括而言TensorFlow采用(目标)的设计其实是是production级的performance/成熟度和research flexibility的trade-off。从Google内部的各种产品线(Search/inbox/Photo等)的使用看，这个系统无论从各个方面都是经受住了考验(performance/scalability/flexibility/usability等)。Ps: TensorFlow绝不是只能做deep learning, shallow/wide model 以及传统的ML都可以基于这个系统来做(当然一些operators并不现成，需要去实现)。

训练完一个模型后，为了以后重复使用，通常我们需要对模型的结果进行保存。如果用Tensorflow去实现神经网络，所要保存的就是神经网络中的各项权重值。建议可以使用Saver类保存和加载模型的结果。1、使用tf.train.Saver.save()方法保存模型sess: 用于保存变量操作的会话。save_path: String类型，用于指定训练结果的保存路径。global_step: 如果提供的话，这个数字会添加到save_path后面，用于构建checkpoint文件。这个参数有助于我们区分不同训练阶段的结果。2、使用tf.train.Saver.restore方法价值模型sess: 用于加载变量操作的会话。save_path: 同保存模型是用到的的save_path参数。下面通过一个代码演示这两个函数的使用方法假设保存变量的时候是checkpoint_filepath="models/train.ckpt"saver.save(session,checkpoint_filepath)则从文件读变量取值继续训练是saver.restore(session,checkpoint_filepath)

TensorFlow2.0不支持tensor在GPU和CPU之间相互转移？（） A.TRUEB.FALSE正确答案：B

from tensorflow.python import pywrap_tensorflowimport osmodel_dir = "your model directory"checkpoint_path = os.path.join(model_dir, "model.ckpt")reader = pywrap_tensorflow.NewCheckpointReader(checkpoint_path)var_to_shape_map = reader.get_variable_to_shape_map()for key in var_to_shape_map:print("tensor_name: ", key)#print(reader.get_tensor(key)) # Remove this if you want to print only variable names

定义一个稀疏tensor。 将一个稀疏tensor转换成稠密tensor。 计算ctc_loss。 主要参数1：labels: int32 SparseTensor 是数据的真实标签，一般是先用sparse_placeholder()，然后在session中feed训练数据batch_y。batch_y为 SparseTensor 利用sparse_tuple_from(y)函数计算得到。 sparse_tuple_from(y)函数的输入是在train_y中随机选择大小为 batch_size 的数据，输出是一个(indices, values, shape)形式的三元组。 主要参数2：inputs:是三维 float Tensor .logits是网络向前传播inference计算的结果。形状为[max_time_step, batch_size, num_classes]这里的num_classes是中文字典的大小，及992个汉字加1个空白，所以num_classes=993。输入图像经过卷积之后的大小为[batch_size, 11, 1, 512]，max_time_step=512,是通道数，可以看作是512个图片特征序列。 主要参数3：sequence_length：一维 int32 向量【注意是向量，不是 Tensor ！！！】长度为batch_size（批处理大小）,值为max_len（ctc的最大输出长度，这个长度是自己定义的！合理即可！）的可以按照下面的方式定义。 占位符。在session中feed训练数据。

训练完一个模型后，为了以后重复使用，通常我们需要对模型的结果进行保存。如果用Tensorflow去实现神经网络，所要保存的就是神经网络中的各项权重值。建议可以使用Saver类保存和加载模型的结果。1、使用tf.train.Saver.save()方法保存模型sess: 用于保存变量操作的会话。save_path: String类型，用于指定训练结果的保存路径。global_step: 如果提供的话，这个数字会添加到save_path后面，用于构建checkpoint文件。这个参数有助于我们区分不同训练阶段的结果。2、使用tf.train.Saver.restore方法价值模型sess: 用于加载变量操作的会话。save_path: 同保存模型是用到的的save_path参数。下面通过一个代码演示这两个函数的使用方法假设保存变量的时候是checkpoint_filepath="models/train.ckpt"saver.save(session,checkpoint_filepath)则从文件读变量取值继续训练是saver.restore(session,checkpoint_filepath)

用tf.train.saver方法保存和恢复参数，然后运行一下图不更新参数就好了

下列属性中TensorFlow2.0不支持创建tensor的方法是？（） A.zerosB.fillC.createD.constant正确答案：C

基本使用使用 TensorFlow, 你必须明白 TensorFlow:使用图 (graph) 来表示计算任务.在被称之为 会话 (Session) 的上下文 (context) 中执行图.使用 tensor 表示数据.通过 变量 (Variable) 维护状态.使用 feed 和 fetch 可以为任意的操作(arbitrary operation) 赋值或者从其中获取数据.综述TensorFlow 是一个编程系统, 使用图来表示计算任务. 图中的节点被称之为 op(operation 的缩写). 一个 op 获得 0 个或多个 Tensor, 执行计算,产生 0 个或多个 Tensor. 每个 Tensor 是一个类型化的多维数组.例如, 你可以将一小组图像集表示为一个四维浮点数数组,这四个维度分别是 [batch, height, width, channels].一个 TensorFlow 图描述了计算的过程. 为了进行计算, 图必须在 会话 里被启动.会话 将图的 op 分发到诸如 CPU 或 GPU 之类的 设备 上, 同时提供执行 op 的方法.这些方法执行后, 将产生的 tensor 返回. 在 Python 语言中, 返回的 tensor 是numpy ndarray 对象; 在 C 和 C++ 语言中, 返回的 tensor 是tensorflow::Tensor 实例.计算图TensorFlow 程序通常被组织成一个构建阶段和一个执行阶段. 在构建阶段, op 的执行步骤被描述成一个图. 在执行阶段, 使用会话执行执行图中的 op.例如, 通常在构建阶段创建一个图来表示和训练神经网络, 然后在执行阶段反复执行图中的训练 op.TensorFlow 支持 C, C++, Python 编程语言. 目前, TensorFlow 的 Python 库更加易用,它提供了大量的辅助函数来简化构建图的工作, 这些函数尚未被 C 和 C++ 库支持.

一、环境TensorFlow API r1.12CUDA 9.2 V9.2.148cudnn64_7.dllPython 3.6.3Windows 10二、官方说明1、tf.shape(tensor)参数：input：张量或稀疏张量name：可选参数，操作的名称out_type：可选参数，指定输出张量的数据类型（int32 或 int64），默认是 tf.int32返回：指定 out_type 数据类型的张量2、tensor.shape张量的形状属性返回一个表示该张量的形状 tf.TensorShape对于每个操作，通过注册在 Op 中的形状推断函数来计算该张量的形状，形状表示的更多信息请参考 tf.TensorShape

sess.run( tf.size(tensor) )

在numpy里取矩阵数据非常方便，比如： 这样就把矩阵a中的1,3,5行取出来了。 如果是只取某一维中单个索引的数据可以直接写成 tensor[:, 2] , 但如果要提取的索引不连续的话，在tensorflow里面的用法就要用到tf.gather. tf.gather_nd允许在多维上进行索引: matrix中直接通过坐标取数（索引维度与tensor维度相同）: 取第二行和第一行: 3维tensor的结果: 另外还有tf.batch_gather的用法如下： tf.batch_gather(params, indices, name=None) Gather slices from params according to indices with leading batch dims. This operation assumes that the leading dimensions of indices are dense, and the gathers on the axis corresponding to the last dimension of indices . Therefore params should be a Tensor of shape [A1, ..., AN, B1, ..., BM], indices should be a Tensor of shape [A1, ..., AN-1, C] and result will be a Tensor of size [A1, ..., AN-1, C, B1, ..., BM] . 如果索引是一维的tensor，结果和 tf.gather 是一样的.

进口的当然OK啦

使用反向传播法训练神经网络时，模型的参数依据损失函数与对应参数的梯度来调整，即： 自动微分 是机器学习工具包必备的工具，它可以自动计算整个计算图的微分。 PyTorch 内建了一个叫做 torch.autograd 的自动微分引擎，该引擎支持的数据类型为：浮点数Tensor类型 ( half, float, double and bfloat16) 和复数Tensor 类型(cfloat, cdouble) PyTorch 中与自动微分相关的常用的Tensor属性和函数： TensorFlow 通过 tf.GradientTape API来自动追踪和计算微分，GradientTape，翻译为微分带，Tape有点儿历史上磁带机的味道，即在Tape上记录下所有的计算和计算结果。 tf.GradientTape 在tf.Variable而非tf.Tensor上计算，因为在TensorFlow中，tf.Tensor为不可变对象，tf.Variable为可变对象；通常 用tf.Variable来存储模型参数 。 tf.Variable 有一个trainable属性，该属性tf.Tensor没有，类似PyTorch Tensor的requires_grad, 即告知自动微分引擎是否追踪该tf.Variable，并自动计算该tf.Variable的微分。 范例： 从上述可以看到，TensorFlow的自动微分实现方式与PyTorch大不相同，而且 没有把参数和参数的微信封装成一个对象，这点非常不User-Friendly，或者说封装的不好 ！ 为了方便实现模型，模型的参数，与模型参数的微分，TensorFlow又提供了另外一套机制： 模型的微分(Gradients with respect to a model) , 意思是：TensorFlow开发团队也知道了用tf.Variable实现模型参数，然后用tape.gradient()方法计算微分，tf.Variable和它对应的微分是分离的，是没有封装好的，这种方式对开发者不友好，所以，TensorFlow开发者团队对于构建模型的基础类： tf.Module 或者它的子类 ( layers.Layer , keras.Model )，提供了一个 Module.trainable_variables 的属性，该属性把模型参数都封装好了，使用起来比较方便。不过对应微分还是没封装，坚持自己的个性...对于我们开发者，还是选择遵循... 范例： 参考资料：

基本使用使用 TensorFlow, 你必须明白 TensorFlow:使用图 (graph) 来表示计算任务.在被称之为 会话 (Session) 的上下文 (context) 中执行图.使用 tensor 表示数据.通过 变量 (Variable) 维护状态.使用 feed 和 fetch 可以为任意的操作(arbitrary operation) 赋值或者从其中获取数据.综述TensorFlow 是一个编程系统, 使用图来表示计算任务. 图中的节点被称之为 op(operation 的缩写). 一个 op 获得 0 个或多个 Tensor, 执行计算,产生 0 个或多个 Tensor. 每个 Tensor 是一个类型化的多维数组.例如, 你可以将一小组图像集表示为一个四维浮点数数组,这四个维度分别是 [batch, height, width, channels].一个 TensorFlow 图描述了计算的过程. 为了进行计算, 图必须在 会话 里被启动.会话 将图的 op 分发到诸如 CPU 或 GPU 之类的 设备 上, 同时提供执行 op 的方法.这些方法执行后, 将产生的 tensor 返回. 在 Python 语言中, 返回的 tensor 是numpy ndarray 对象; 在 C 和 C++ 语言中, 返回的 tensor 是tensorflow::Tensor 实例.计算图TensorFlow 程序通常被组织成一个构建阶段和一个执行阶段. 在构建阶段, op 的执行步骤被描述成一个图. 在执行阶段, 使用会话执行执行图中的 op.例如, 通常在构建阶段创建一个图来表示和训练神经网络, 然后在执行阶段反复执行图中的训练 op.TensorFlow 支持 C, C++, Python 编程语言. 目前, TensorFlow 的 Python 库更加易用,它提供了大量的辅助函数来简化构建图的工作, 这些函数尚未被 C 和 C++ 库支持.三种语言的会话库 (session libraries) 是一致的.构建图构建图的第一步, 是创建源 op (source op). 源 op 不需要任何输入, 例如 常量 (Constant). 源 op 的输出被传递给其它 op 做运算.Python 库中, op 构造器的返回值代表被构造出的 op 的输出, 这些返回值可以传递给其它op 构造器作为输入.TensorFlow Python 库有一个默认图 (default graph), op 构造器可以为其增加节点. 这个默认图对许多程序来说已经足够用了. 阅读 Graph 类 文档来了解如何管理多个图.import tensorflow as tf# 创建一个常量 op, 产生一个 1x2 矩阵. 这个 op 被作为一个节点# 加到默认图中.## 构造器的返回值代表该常量 op 的返回值.matrix1 = tf.constant([[3., 3.]])# 创建另外一个常量 op, 产生一个 2x1 矩阵.matrix2 = tf.constant([[2.],[2.]])# 创建一个矩阵乘法 matmul op , 把 "matrix1" 和 "matrix2" 作为输入.# 返回值 "product" 代表矩阵乘法的结果.product = tf.matmul(matrix1, matrix2)默认图现在有三个节点, 两个 constant() op, 和一个matmul() op. 为了真正进行矩阵相乘运算, 并得到矩阵乘法的结果, 你必须在会话里启动这个图.在一个会话中启动图构造阶段完成后, 才能启动图. 启动图的第一步是创建一个 Session 对象, 如果无任何创建参数,会话构造器将启动默认图.欲了解完整的会话 API, 请阅读Session 类.# 启动默认图.sess = tf.Session()# 调用 sess 的 "run()" 方法来执行矩阵乘法 op, 传入 "product" 作为该方法的参数. # 上面提到, "product" 代表了矩阵乘法 op 的输出, 传入它是向方法表明, 我们希望取回# 矩阵乘法 op 的输出.## 整个执行过程是自动化的, 会话负责传递 op 所需的全部输入. op 通常是并发执行的.# # 函数调用 "run(product)" 触发了图中三个 op (两个常量 op 和一个矩阵乘法 op) 的执行.## 返回值 "result" 是一个 numpy `ndarray` 对象.result = sess.run(product)print result# ==> [[ 12.]]# 任务完成, 关闭会话.sess.close()Session 对象在使用完后需要关闭以释放资源. 除了显式调用 close 外, 也可以使用 "with" 代码块来自动完成关闭动作.with tf.Session() as sess: result = sess.run([product]) print result在实现上, TensorFlow 将图形定义转换成分布式执行的操作, 以充分利用可用的计算资源(如 CPU或 GPU). 一般你不需要显式指定使用 CPU 还是 GPU, TensorFlow 能自动检测. 如果检测到 GPU, TensorFlow会尽可能地利用找到的第一个 GPU 来执行操作.如果机器上有超过一个可用的 GPU, 除第一个外的其它 GPU 默认是不参与计算的. 为了让 TensorFlow使用这些 GPU, 你必须将 op 明确指派给它们执行. with...Device 语句用来指派特定的 CPU 或 GPU执行操作:with tf.Session() as sess: with tf.device("/gpu:1"): matrix1 = tf.constant([[3., 3.]]) matrix2 = tf.constant([[2.],[2.]]) product = tf.matmul(matrix1, matrix2) ...设备用字符串进行标识. 目前支持的设备包括:"/cpu:0": 机器的 CPU."/gpu:0": 机器的第一个 GPU, 如果有的话."/gpu:1": 机器的第二个 GPU, 以此类推.阅读使用GPU章节, 了解 TensorFlow GPU 使用的更多信息.交互式使用文档中的 Python 示例使用一个会话 Session 来启动图, 并调用 Session.run() 方法执行操作.为了便于使用诸如 IPython 之类的 Python 交互环境, 可以使用InteractiveSession 代替Session 类, 使用 Tensor.eval()和 Operation.run() 方法代替Session.run(). 这样可以避免使用一个变量来持有会话.# 进入一个交互式 TensorFlow 会话.import tensorflow as tfsess = tf.InteractiveSession()x = tf.Variable([1.0, 2.0])a = tf.constant([3.0, 3.0])# 使用初始化器 initializer op 的 run() 方法初始化 "x" x.initializer.run()# 增加一个减法 sub op, 从 "x" 减去 "a". 运行减法 op, 输出结果 sub = tf.sub(x, a)print sub.eval()# ==> [-2. -1.]TensorTensorFlow 程序使用 tensor 数据结构来代表所有的数据, 计算图中, 操作间传递的数据都是 tensor.你可以把 TensorFlow tensor 看作是一个 n 维的数组或列表. 一个 tensor 包含一个静态类型 rank, 和一个 shape. 想了解 TensorFlow 是如何处理这些概念的, 参见Rank, Shape, 和 Type.变量Variables for more details.变量维护图执行过程中的状态信息. 下面的例子演示了如何使用变量实现一个简单的计数器. 参见变量 章节了解更多细节.# 创建一个变量, 初始化为标量 0.state = tf.Variable(0, name="counter")# 创建一个 op, 其作用是使 state 增加 1one = tf.constant(1)new_value = tf.add(state, one)update = tf.assign(state, new_value)# 启动图后, 变量必须先经过`初始化` (init) op 初始化,# 首先必须增加一个`初始化` op 到图中.init_op = tf.initialize_all_variables()# 启动图, 运行 opwith tf.Session() as sess: # 运行 "init" op sess.run(init_op) # 打印 "state" 的初始值 print sess.run(state) # 运行 op, 更新 "state", 并打印 "state" for _ in range(3): sess.run(update) print sess.run(state)# 输出:# 0# 1# 2# 3代码中 assign() 操作是图所描绘的表达式的一部分, 正如 add() 操作一样. 所以在调用 run()执行表达式之前, 它并不会真正执行赋值操作.通常会将一个统计模型中的参数表示为一组变量. 例如, 你可以将一个神经网络的权重作为某个变量存储在一个 tensor 中.在训练过程中, 通过重复运行训练图, 更新这个 tensor.Fetch为了取回操作的输出内容, 可以在使用 Session 对象的 run() 调用 执行图时, 传入一些 tensor,这些 tensor 会帮助你取回结果. 在之前的例子里, 我们只取回了单个节点 state, 但是你也可以取回多个tensor:input1 = tf.constant(3.0)input2 = tf.constant(2.0)input3 = tf.constant(5.0)intermed = tf.add(input2, input3)mul = tf.mul(input1, intermed)with tf.Session() as sess: result = sess.run([mul, intermed]) print result# 输出:# [array([ 21.], dtype=float32), array([ 7.], dtype=float32)]需要获取的多个 tensor 值，在 op 的一次运行中一起获得（而不是逐个去获取 tensor）。Feed上述示例在计算图中引入了 tensor, 以常量或变量的形式存储. TensorFlow 还提供了 feed 机制, 该机制可以临时替代图中的任意操作中的 tensor 可以对图中任何操作提交补丁, 直接插入一个 tensor.feed 使用一个 tensor 值临时替换一个操作的输出结果. 你可以提供 feed 数据作为 run() 调用的参数.feed 只在调用它的方法内有效, 方法结束, feed 就会消失. 最常见的用例是将某些特殊的操作指定为 "feed" 操作,标记的方法是使用 tf.placeholder() 为这些操作创建占位符.input1 = tf.placeholder(tf.float32)input2 = tf.placeholder(tf.float32)output = tf.mul(input1, input2)with tf.Session() as sess: print sess.run([output], feed_dict={input1:[7.], input2:[2.]})# 输出:# [array([ 14.], dtype=float32)]for a larger-scale example of feeds.如果没有正确提供 feed, placeholder() 操作将会产生错误.MNIST 全连通 feed 教程(source code)给出了一个更大规模的使用 feed 的例子.

调试程序时候，有时候需要打印tensor的值的时候，直接print显示的是如下tensor的shape、dtype等信息 使用如下方法可打印tensor值 结果：

Tensor 是 TensorFlow 中基础的计算单元，它包括以下四个主要组成部分： 当不知道某个维度的大小时， 可以用 None 代替， 表示 Unknown 实际使可能遇到的几种Shape 的情况 因为TensorFlow 是先定义， 后执行， 有些信息在运行 Computation Graph 的时候再运算， 所以会出现上述在定义时， 未知的情况。 参考文档： [1] Understanding Tensorflow"s tensors shape: static and dynamic, Paolo Galeone, 01/28/2018

找的不容易啊～试过了，可以下http://manic.twbbs.org/music/200407/05_Moby%20-%20Flower.mp3

一直在重复这歌词Bring Sally upI bring Sally downLift and squatGonna turn aroundOne miss luckys dead and goneLeft me here to weap and moanIf you hate if fold your armsIf you love it clap your hands 名字的意思是 花 - 莫比 原名理查德·梅尔维尔·霍尔(Richard Melville Hall)

假货？

樱花（英文：Cherry Blossom），又称桃花、樱桃花，是樱桃科植物樱桃的花朵，是一种象征美丽、短暂的花。樱花的花期通常在春季，花朵绽放时，枝叶上都会洋溢着粉红色的花瓣，晶莹剔透，极具视觉冲击力，令人流连忘返。樱花的花语是“短暂的美丽”，象征着美丽而短暂的生命，也象征着爱情的美好，樱花的花语也有“清新”、“纯洁”、“美丽”、“热情”等。樱花在日本文化中有着深远的意义，樱花节是日本的传统节日，每年春季，樱花绽放，人们会聚在一起赏樱，赏樱节也成为了日本文化的一部分。樱花也是日本文化中的一个重要元素，樱花被赋予了深厚的文化内涵，樱花被视为日本文化的象征，它象征着日本文化的美丽、纯洁、坚韧、清新、热情等美好品质。樱花也是日本文化中的一个重要元素，樱花被赋予了深厚的文化内涵，樱花被视为日本文化的象征，它象征着日本文化的美丽、纯洁、坚韧、清新、热情等美好品质。樱花也是日本文化中的一个重要元素，樱花被赋予了深厚的文化内涵，樱花被视为日本文化的象征，它象征着日本文化的美丽、纯洁、坚韧、清新、热情等美好品质。樱花在日本文化中有着深远

区别在于：discharge:既可做动词，也可做名词。做动词时：vt. 下（客）；卸船；免除（自己的义务、负担等）；执行vt.& vi. 放出；流出；开枪；发射vi. （船、飞机等）卸货；（颜料、墨水或染料等）化开；卸掉负担（或负载）；下客做名词：n. （气体、液体如水从管子里）流出；排放出的物体 Water Flow只能做名词词组，意思是水流

floor比较像”腐罗”flower比较像“腐捞而”

tile floor 铺了砖的地板，

tower和flower发音不相同。tower的发音音标：英[?tau?]美[?ta??]，flower的发音音标：英[?fla??(r)]、美[?fla??]，所以不相同。tower的意思n.塔;建筑物的塔形部分;(尤指教堂或城堡的)塔楼;(电视或无线电信号的)发射塔;高柜;高架子；v.远远高于，远远超过;高耸，超越。第三人称单数：towers复数：towers现在分词：towering过去式：towered过去分词：towered。Flower是一个英文单词，主要用作名词、及物动词、不及物动词，作名词时翻译为“花；精华；开花植物，人名；(英)弗劳尔”，作及物动词翻译为“使开花；用花装饰”，作不及物动词时翻译为“成熟，发育；开花；繁荣；旺盛”。

flow 流动traffic 交通

Eternal Flow作词：Ceui作曲：小高光太郎/Ceui歌：Ceui突然の风に 戸惑いながらtotsuzen no kaze ni tomadoi nagara一人きり 目を 闭ざしてもhitori kiri me wo tozashite mo远い光 感じるからtooi hikari kanjiru kara明日の景色 心に描くのashita no keshiki kokoro ni egaku no今 溢れる愿いを 闇に溶かしてima afureru negai wo yami ni tokashite澄んだ孤独の果てで 君を待つよsunda kodoku no hate de kimi wo matsuyoこの胸のなかで 暖めていたkono mune no naka de atatameteita伝えたい 言叶の欠片たちtsutaetai kotoba no kakera tachi海のように 広がるからumi no youni hirogaru kara失くさぬように そっと浮かべるのnakusanu youni sotto ukaberu noまだ 络まる想いを 波にあずけてmada karamaru omoi wo nami ni azukete永久に繋がる 梦を见るよ ずっとtowa ni tsunagaru yume wo miruyo zuttoふと 视线をあげたら その向こう侧futo shisen wo agetara sono mukougawa君がささやく声を闻いた 気がしたkimi ga sasayaku koe wo kiita kigashita今 溢れる愿いを 闇に溶かしてima afureru negai wo yami ni tokashite澄んだ孤独の果てで 君を待つよsunda kodoku no hate de kimi wo matsuyo

钻进我内心的你有如Like tattoo夺去我一半的你有如Like tattoo在掠过的香气中也 我的语气中也深深刺进骨子里的 TattooRap)你留下的暖暖的余温钻进了我的心脏那个比任何时候都漆黑的夜晚 比那漆黑夜晚更焦急的我的心让人疯狂的你那Motion像掠过的话语一样的你的Motion即使苦苦抹去 试图挣扎 还是像纹身一样铭刻的你的MotionKeep on (I wanna keep on)Keep on (on and on and on)Keep on (uh uh I have no way uh)Keep on (I wanna keep on)Keep on (on and on and on)Keep on your back on能离开吗 好像无法忘怀现在就从我的心里消失吧满满地刻于心脏的你有如Like tattoo充斥于脑海的你有如Like tattoo即使闭上双眼 大声呼喊也只会更加深刻的你这个 TattooRap) 你留下的那温暖的微笑沁入了我的脑海如果把要脱口而出的话咽下即使我心脏中的巨大纹身会更加鲜明像是随手可及的你那Motion如同可以看见的话语一样的你的Motion即使苦苦忘却 试图挣扎 还是 缠绕于心的你的MotionKeep on (I wanna keep on)Keep on (on and on and on)Keep on (uh uh I have no way uh)Keep on (I wanna keep on)Keep on (on and on and on)Keep on your back on让人疯狂的你那Motion像掠过的话语一样的你的Motion即使苦苦抹去 试图挣扎 还是像纹身一样铭刻的你的MotionKeep on (I wanna keep on)Keep on (on and on and on)Keep on (uh uh I have no way uh)Keep on (I wanna keep on)Keep on (on and on and on)Keep on your back on

Flow中的类只是被名义上注解。这意味着，当你有两个单独的类时，即使它们具有相同的确切的属性和方法，也不能相互替代。 相反，你可以使用接口来声明你所期望的类的结构。 你也可以使用 implements 来告诉Flow你想让这个类匹配一个接口。 这可以防止编辑类时发生不兼容的更改。 你也可以实现多个接口。 接口泛型被参数化。当你使用一个接口时，你需要为每个泛型传递参数。 接口属性默认是不变的。 但是你可以添加修饰符来使它们协变（只读）或逆变（只写）。 你可以通过在属性名称前添加加号 + 来创建属性协变。 你可以通过在属性名称前添加加号 - 来创建属性协变。 泛型（有时被称为多态类型）是一种抽象类型的方法。 下面的 identity 函数返回任何传入值。但你会发现很难为其定义特定类型，因为有无数种可能。 相反，我们可以在我们的函数中创建一个泛型（或多态类型），并用它来代替其他类型。 泛型可以在函数，函数类型，类，类型别名以及接口中使用。 类似 mixed 类型，泛型有一个“未知”类型。 你不能像使用特定类型那样使用泛型。 相反，你可以添加一个类型到你的泛型，就像你用一个函数参数。 在Flow中，当你将一种类型传递给另一种时，多数情况下你会失去原有的类型。 泛型允许你在添加约束的同时保持更具体的类型。 通过这种方式达到泛型的类型绑定。 当一个值使用了泛型类型绑定时，你不能使用更具体的类型重新使用它。 泛型有时候允许你将类型参数传递给一个函数。这些被称为参数化的泛型（或参数多态性）。 当你去使用参数化泛型时，你需要提供一个类型参数。 类，类型别名和接口都需要传递类型参数。 函数和函数类型没有参数化泛型。

flower 的意思是花，花朵。angel 的意思是安琪儿，天使

效果： 实体类： Api： Retrofit的工具类： 利用LiveData进行后续的双向绑定 fragment的布局也比较简单，一个EditText和RecyclerView

瓦屋。佛儿拉窝儿思百度搜一下或者在线翻译里面现在都有发音的。

应该是your flower is very nice意思是你的花很好看

很快，这朵花便落下了

表示原因 为了。。。

可以的，语法没有问题。意思是：有很多花需要浇水。重点词汇：water英［＇wu0254：tu0259（r）］释义：n.水，雨水；水域，（江、河、湖、海等）大片的水；（某个国家的）领海，海域（waters）；不明朗（或未知的、困难、危险等）局面（waters）；羊水（waters）；（湖、海的）水面；水位；乘船，走水路。v.给……浇水，灌溉；给……水喝，饮（动物）；（风等使眼睛）流泪；流口水；（江河）流经并给（某地区）供水；加水冲淡，稀释。【名】（Water）（英）沃特（人名）。［复数：waters；第三人称单数：waters；现在分词：watering；过去式：watered；过去分词：watered］短语：Mineral Water［食品］矿泉水；矿地下水；纯净水。词语使用变化：watern.（名词）。1、water的基本意思是“水”，引申可指“水深”“水面”“水路”，有时也指“（生物体内的）液体”“分泌液”，如尿、口水、胃液、羊水等。还可指“（品质或类型的）程度”。2、在表示“（海、江、湖、池、河等大片的）水域”时，water常用复数形式，此时常与定冠词the连用。3、waters也可表示“矿泉水”“矿泉浴”，还可表示“（某国的）近海海域”。

“Flowers”是一个英语单词，它的中文意思是“花”。花是植物的繁殖器官，具有吸引昆虫传粉的功能。花的种类繁多，有许多不同的形态、颜色和香味。花不仅仅是一种美丽的植物，也是人类生活中的重要组成部分，被广泛用于庆祝节日、装饰环境、送礼等方面。花在自然界中起着重要的生态作用。花的颜色、形状和香味可以吸引昆虫和鸟类进行传粉，促进植物的繁殖。此外，花还可以吸引其他的动物来取食，促进生态系统的平衡。有些花还具有药用价值，可以用来治疗各种疾病。在人类社会中，花被广泛用于庆祝节日和纪念活动。例如，情人节、母亲节、教师节等节日都与花有着密切的联系。此外，花还被用于婚礼、葬礼等仪式上，用来表达欢乐、哀思等情感。许多人喜欢将花摆放在家里或办公室中，以增加环境的美感和舒适度。花在商业领域中也有着广泛的用途。例如，花店可以供应各种鲜花和盆栽，以满足人们的装饰和礼品需求。此外，花还可以用于制作香水、精油、草药等产品，具有较高的经济价值。在农业领域中，花也是一个重要的产业，例如种植玫瑰花、康乃馨等花卉可以为农民带来丰厚的收益。

歌曲名:Flow歌手:Sade专辑:Lovers Live1 - Ooh baby, mmWhen you hold meOh oh, when you hold meThe soundIs it possible I could feel this coolI could really love you the way I doIs it possible I could feel this goodI could really love you the way I do2 - See me (Within the light)Flowing (Take me to you)Like the river to the seaYou come downYou cover (Pull me to you)And the waves rush over meI feel a love light rush over meI feel the love turn to meAnd then your love just creeps over meOver me3 - And I won"t let you goI won"t let you goAnd I won"t let you goI won"t let you go4 - Take up your loveTake up your loveTake up your loveAnd come to meThis love"s not a liaTo cold, it"s a fireI"m on the runAnd it"s a comfort to mehttp://music.baidu.com/song/1182521

医学领域中，flow多指（气体、血液等的）流速；paw指airway pressure，即气道压力，两词多同时出现于呼吸系统相关语境。

Flower寂しさ 鼓膜が涙する音 仆はそこにいる?がloopsabishisa komaku ga namidasuru oto boku wa soko ni iru? ga Loopぐるぐる记忆 モノクロを満たして flowerguruguru kioku monokuro wo mitashite Flower自分を杀す魔法で仆は息を止めているjibun wo korosu mahou de boku wa iki wo tomete iru笑ったこともないし 耳だって塞がれているwaratta koto mo naishi mimi datte fusaga rete iruでも光を探して仆に気付かれない様にde mo hikari wo sagashite boku ni kizuka renai you ni记忆の色も変わって君に会えたkioku no iro mo kawatte kimi ni aetaflower 落としてきた梦并べて まだ咲くかな?Flower otoshite kita yume narabete mada saku ka na?壊れないように フィルムレスフラッシュバックするkowarenai you ni firu mure sufu rasshu bakku suruぐるぐる flowerguruguru Flower自分を杀す魔法で仆は息を止めているjibun wo korosu mahou de boku wa iki wo tomete iru笑ったこともないし 耳だって塞がれているwaratta koto mo naishi mimi datte fusaga rete iruイツカへの窓を开けて 仆を散りばめてみたいなitsuka e no mado wo akete boku wo chiri bamete mitaina色んなものが笑ってキミに会えたiron na mono ga waratte kimi ni aetaflower モノクロのパズルに色をつけたら 鲜やかなfakeFlower monokuro no pazuru ni iro wo tsuketara azayakana Fake仅かな暧昧さが美しく见えるのは君に触れるまでwazukana aimaisa ga utsukushiku mieru no wa kimi ni fureru madeflower 教えてFlower oshiete寂しさ 鼓膜が涙する音 仆はそこにいる?がloopsabishisa komaku ga namidasuru oto boku wa soko ni iru? ga Loopぐるぐる记忆 モノクロを満たして flowerguruguru kioku monokuro wo mitashite Flower魔法に溢れてる 仆に潜むプラスチック错覚mahou ni afure teru boku ni hisomu purasuchikku sakkakuプラスチックめいてるflower time slip现象purasuchikku meiteru Flower Time Slip genshou自分を杀す魔法で仆は息を止めているjibun wo korosu mahou de boku wa iki wo tomete iru笑ったこともないし 耳だって塞がれているwaratta koto mo naishi mimi datte fusaga rete iruでも光を探して仆に気付かれない様にde mo hikari wo sagashite boku ni kidzuka renai you ni记忆の色も変わって君に会えたkioku no iro mo kawatte kimi ni aetaflower カラフルな世界を梦见て生きてるからFlower karafuruna sekai wo yumemite iki terukara终らせたくないよowara setakunai yo谁かが待ってる気がして生きてるだけdareka ga matteru ki ga shite iki teru dakeプラスチック错覚 flowerpurasuchikku sakkaku Flower终らせたくないよowara setakunai yo参考贴吧

bepatientwith和bepatientto的区别是：意思不同、用法不同、侧重点不同一、意思不同1、bepatientwith的意思是：对…有耐心例句：Asateacher，youshouldbepatientwithyourstudents。作为一个老师，你应该对你的学生有耐心。2、bepatientto的意思是：有耐心例句：Beingatester，youshouldbeverypatienttoyourtestingwork。作为一名测试员，你应该对测试工作十分耐心。二、用法不同1、bepatientwith后面跟人，patient在句中可用作定语或表语。2、bepatientto后面跟物或动词原形。三、侧重点不同1、bepatientwith侧重于人，表示对某人有耐心。2、bepatientto侧重于物，表示对某事或对做某事有耐心。扩展资料：patient用作形容词时，通常修饰名词性成分，如名词、代词等。例如：apatientteacher一名有耐心的老师（patient修饰名词teather，说明老师的特点）。patiently用作副词，通常用来修饰形容词或动词。例如：Hepatientlyeducatedhimselfinthissubject．他坚持不懈地自修这门学科。（patiently修饰动词educated，说明自学这个动作的程度）。

margin:0;外边距 =0 padding:0; 内边距=0 overflow:hidden" 溢出 隐藏 scroll="no" 屏幕滚动条 无 这里面都和木马没什么关系 ============================= <iframe 是木马常用的 但是你这里的不像 因为木马的宽高都是为0 而你这里都是设为100%

overflow:hidden用在哪里？ CSS中，overflow:hidden的作用是隐藏溢位 比如：<div class="page_speeder_755057054" id=1><div id=2></div><div> 当ID=2的这个DIV高度设定的宽度超过了300px，那么超出的部分将自动被隐藏。 at on in用在哪里 在具体的时间 at three o"clock ；跟地点也用at 比如 at home 星期几用on 比如 on Sunday 年份用in 比如 in 1947 跟带有定冠词"the"的地点用in 比如 in the house changeable用在哪里 您好： 这个词的意思是：可以改变的， 是形容词，一般用在名词前，很多地方都能用。 比如； the future is a changeable one 未来是可以改变的。 希望我的回答对您有帮助，祝好！ 祝您学习进步！ 如果不懂建议重新提问，也可以直接追问哦。 美国7000亿用在哪里？中国的4万亿用在哪里？ 不是7000亿，是8500亿！那个7000亿的法案没有通过，紧接着通过了8500亿美元的救市计划！主要用于社会福利，以及购买各大公司股票上面！为的是不让这些公司破产，导致更多的美国民众失业！ 这次金融危机对中国影响很小的！这4万亿只是一个扩大内需的计划，3年内完成！中国现在最需要的也就是内需！ WPS里引用在哪里? 您好，很高兴为您解答！ 请问您说的是那的引用呢，建议你使用插入---引用，希望帮助到你， 如果您有论文排版、模版下载、论文遇到难题，可以访问：:docer.wps./zt/lunwen?from=qyzd 更多WPS办公软体教程，请访问：:bbs.wps.，祝你使用愉快，谢谢 如有疑问，请点选我的头像提问。祝您生活愉快！ 焦炭用在哪里？ 铸造行业，炼钢、炼铁 wps好用在哪里 WPS档案小安装后文件占用空间小，不怎么占用记忆体和空间。可以实现办公软体最常用的文字、表格、演示等多种功能。具有记忆体占用低、执行速度快、体积小巧、强大外挂平台支援、免费提供海量线上储存空间及文件模板、支援阅读和输出PDF档案、全面相容微软Office97-2010格式（doc/docx/xls/xlsx/ppt/pptx等）独特优势。 WPS Office支援桌面和移动办公。且WPS移动版通过Google Play平台，已覆盖的50多个国家和地区，WPS for Android在应用排行榜上领先于微软及其他竞争对手，居同类应用之首 弯头用在哪里？ 用在管道拐弯的地方，可以让管道改变方向 OS X 好用在哪里 Mac OS X 系统的优点： 1，mac的基本功能完善且贴心。区域截图很好用，spotlight搜寻、启动程式非常方便。而win下很多东西，不是没有这个功能，就是自带的很难用，需要装其他软体支援（QQ截图）。 2，mac下没有很多win下多余的东西。几乎不用担心病毒，不用整理硬碟，不用分割槽，几乎没有宕机，不用关机，基本没用过程序管理器。所有和使用无关的东西，都被藏起来，使用者很容易学习和使用。 3，设定简单。拿网路设定说，mac下很快就可以设定好（包括复杂的801.x安全认证），而且可以方便的切换多套配置（家里、办公室），在win下却非常困难，需要专业人员完成。其他设定，比如多显示器，最令win使用者头疼的档案共享（网路邻居）等，都是类似。 4，软体。mac下的软体都很mac，操作风格统一，简单好用，使用非常顺畅。而win下，感觉很生硬，很复杂。用下iLife和iWorks就能深刻的体会这点。 5，系统是一个整体。所有的软体的工具栏都是统一的，UI、操作相似；所有软体下都可以检查字母拼写；所有浏览器的密码储存都是统一存在keychain中（win下不同浏览器都有各自的密码管理）。 6，更新很少。windows令人吐血的是频繁的更新（一周最少1次），而且更新后，感觉还是不好用，不安全，没有改进什么功能。mac很少有更新（1月1次左右）。 7，无数的细节。比如复制是mand+c，用大拇指和其他手指配合，很舒服，但win下ctrl+c就不好按。 8，对于开发人员，结合了windows、linux的优点。 9，支援双系统。用bootcamp装双系统，很方便。 缺点： 1，不支援国内很多游戏。特别是游戏平台。 2，网银。个人感觉问题不大，手机轻松搞定线上支付（招商银行）。 总结：mac系统的工作效率非常高，无论是高手还是菜鸟，mac os都能让你用得很爽。对我来说，唯一让我开启windows的原因就是游戏，而这也是国内的情况，国外优秀的游戏都有mac版。

假设数据满足高斯分布的情况下将y = wx+b 中的y和期望带入高斯分布函数，取对数化简后为 常数-（平方损失函数/方差），是近似平方损失的函数且方差随数据变化是个定值。固定X使得W为参数时的似然估计最优解得到的概率，等同于真实W下的概率。所以最大化似然函数值转换为最小化平方损失函数。所以线性回归实质是寻找一组最贴切的权值，也就是最大化似然函数值。平方损失函数，是最大化函数值的一个简便的式子。至于这个式子在非线性情况下是否成立我就不知道了。以上在Andrew Ng的课程中有教，我也是刚学如有错误请指证。

lowers are reluctant to flower花不愿意花如果您认可我的答案，请采纳。您的采纳，是我答题的动力，O(∩_∩)O谢谢