梦和现实的区别 突然意识到梦境和现实的区别是什么。现实里面所有的事情都有无限的细节可以深入，但是梦里面的事物大多是已有现实的碎片。很多的细节没法深究下去。比如你买了一双鞋子，现实里面只要你想就可以了解到这双鞋子的颜色尺码，品牌，甚至连鞋子盒子上的包装纸的纹理和保修卡上的文字你都可以知道，但是梦境里的很多都是无法深入下去的。 所以梦境和现实对大脑来说输入的精度，或者说输入的信号的信息密度是不一样的，一个是4K高清的，另一个仿佛是480p。 为什么梦没有无线的细节呢，因为梦中事物是我们保存在大脑里的记忆碎片。人不会对现实存下那么清晰的素材。 为什么要做梦呢？ 类比神经网络训练的模式，将已有的素材拆分拼接，图像旋转，拉伸等方式，我们可以在有限的训练样本中获得更多的训练资料。做梦也是一样的道理，我们通过做梦把现实的碎片拼接在一起，让我们的大脑去模拟和经历一遍。这样相当于大脑经历了更多事情，得到了更多的输入。所以在漫长的进化中可能不是所有生物都做梦，但是做梦这个机制可以让人类学习得更好。 有没有其他动物会做梦呢？我们怎么知道另一种动物是不是在做梦呢？ 科学家普遍相信，许多动物在睡眠时也会做梦，类似于人类。然而，要确切地知道其他动物是否在做梦是比较困难的，因为我们无法直接询问它们。目前，科学家主要通过观察动物在睡眠中的脑电波活动、眼动活动以及其他行为表现来推测它们是否在做梦。但要得出准确的结论仍需要更多的研究和科学证据。 有个经典的科幻小说问题叫做仿生人会梦见电子羊么？ why not? 仿生人🤖当然可以梦见电子羊，这也是他自我学习的过程。

说明 我搭建了一个outline的wiki来做自己的文档管理，然后outline wiki支持web hook 所以我写了个简单的golang脚本用来同步wiki和博客的内容，这样hugo就相当于拥有了一个可视化编辑的编辑器，也不用使用git来管理博客的更新了，这些内容都可以自动化了。下面是博客内容的一些测试。 Title A b subtitle 3级标题 4级标题 ##### outline wiki 不支持5级标题 c语言的代码例子 #include<iostream> using namespace std; int main(){ cout<<"Hello World!!"<<endl; // 这是一条注释 return 0; } 图片的链接还需要修复，从表现上看图片在outline中是通过api接口从缓存中获取的，现在还无法直接拿到对应的图片 从pic图床拿到的图片，目前可以先试用图床。 表格测试 4 12 2 $$ \lim_{x\rightarrow0} \frac{\sin(x)}{x} = 1 $$ 分割线 2B or not 2B 遇到的问题 outline中会自动添加换行用来在outline中展示换行，转换到hugo的markdown时需要处理 数学公式在outline中默认是3个$来表示，需要替换为常见的2$ 需要在theme中开启下公式支持 # KaTeX mathematical formulas config (KaTeX https://katex.org/) # KaTeX 数学公式配置 (KaTeX https://katex.org/) [params.page.math] enable = true 试试看公式支持 $ \sin(x) $

我的简单模型 简单来说可以看看如果没有这套房子你需要付出多少的成本 假如一套房子的产权是70年，总价是X。 如果全部走租房,月租是M 70 x 12 x M 一般来说房子还会带来一些其他政策上的便利， 学区 户口 医疗 等等条件。这些价值比较难以直接得衡量。 所以只要 X < 70 x 12 x M 那么其实不算过高的价格 这可能是一个比较粗浅的模型: 还要算上对应的通货膨胀。 如果一个人不打算在一个城市长期发展，也没有人会租房70年吧，早就回家了。 专业复杂些的方式 下面是GPT给出的一个评估模型，应该是一些机构的操作评估方式。 设计一个估计房子价值的模型涉及到几个关键步骤，包括数据收集、特征选择、模型选择、训练以及评估。以下是一个基本的指南： 1. 数据收集 首先，你需要收集房地产市场的数据。这些数据通常包括房子的各种特征，例如面积、位置、建造年份、房间数量、卫生间数量、近期翻新情况等，以及房子的成交价。数据可以从公共房地产记录、在线房地产网站或通过合作伙伴获得。 2. 特征选择 从收集到的数据中选择对房价预测最有影响的特征。一些常见的特征包括： 位置：通常是影响房价最重要的因素。 面积：房屋和土地的大小。 房间数：卧室和浴室的数量。 建造年份和翻新情况：新房通常比旧房贵。 设施：如车库、花园、阳台等。 邻近设施：如学校、公园、购物中心等。 使用相关性分析和特征重要性评估方法，如皮尔逊相关系数、斯皮尔曼等级相关、随机森林特征重要性等，来辅助特征选择过程。 3. 模型选择 选择一个或多个机器学习模型来训练数据。常用的模型包括： 线性回归：适用于特征和目标之间存在线性关系的情况。 决策树和随机森林：可以处理非线性关系，且对特征之间的交互作用表现良好。 梯度提升树（如XGBoost、LightGBM）：提供高精度的预测，但需要仔细调参。 神经网络：适用于大规模数据集，可以捕捉复杂的非线性关系和特征交互。 4. 训练模型 使用选择的模型和数据集来训练模型。这个过程通常包括将数据分为训练集和测试集，使用训练集来训练模型，并用测试集来评估模型的性能。 5. 模型评估和调优 使用适当的评估指标，如均方误差（MSE）、均方根误差（RMSE）或平均绝对误差（MAE），来评估模型的预测性能。根据评估结果调整模型参数或选择不同的模型进行尝试。 6. 部署和应用 一旦模型经过充分训练并验证其预测性能满足要求，就可以将其部署到生产环境中，用于实时估计房屋价值或作为房地产决策支持工具。 这个流程仅仅是一个起点，实际过程中可能需要进行多次迭代和调整。关键是持续评估模型性能并根据实际需求调整方向。 还是觉得我的估计模式简单又高效！😊

Go语言特点 Golang（Go）是一门出色的编程语言，以其简洁、高效和易用而受到广泛欢迎。在设计Golang时，语言的创建者们深思熟虑地融入了许多独特的设计思路和哲学，使其在各种场景下呈现出强大的功能和优势。本文将探讨Golang的语言设计以及背后的思考和哲学，并与其他语言进行横向对比。 简洁和高效的设计 Golang的语言设计注重简洁和高效。它丢弃了许多其他语言中繁琐和冗长的语法和特性，将代码精简到了最简形式。这使得Golang代码易于阅读、编写和维护，并且在运行时具有卓越的性能。与其他语言相比，Golang的编译速度非常快，这意味着开发者可以更快地构建和测试他们的应用程序。 并发编程的支持 Golang在设计中专注于支持并发编程，使得编写高效的并发代码变得更加容易。它提供了轻量级的Go协程（goroutine）和通道（channel）机制，可以用于在程序中实现并发和消息传递。通过这种方式，开发者可以更好地利用多核处理器，提高程序的性能。 内存管理 Golang在内存管理方面有独特的设计。它使用了一种称为垃圾回收（garbage collection）的机制，自动管理动态分配的内存。这减轻了开发者的负担，不再需要手动分配和释放内存。垃圾回收器可以自动识别和回收不再使用的内存，从而避免内存泄漏和许多其他内存相关的错误。 开放的标准库 Golang提供了一个丰富的标准库，其中包含许多常用的功能和工具，可以帮助开发者更轻松地构建应用程序。这些包括文件操作、网络编程、加密解密、并发编程等。通过使用这些标准库，开发者可以节省大量的时间和精力，而不必从头编写所有的功能。 goroutine golang中最重要的特色就是goroutine。从函数式角度出发这就是用户维度的continuation，golang并不会让代码的性能变得更高，Java存在Thread和纤程之后理论上并发的处理能力并不一定比golang差。erlang也很早就能支持这种用户维度的线程。golang做得比较好的一点是做了非常方便的封装 go func(){ } 就可以启动一个新的协程 二进制编译 所有golang的代码都是可以静态编译的，启动的时候也不存在一个JVM的虚拟机需要先启动，所以相对而言对于小工程来说golang能得到一个非常小的可执行文件，内存占用也相对较小。但是这一点对于一些企业级的应用上来说还真的不一定，这时候最终打包出来的镜像和应用占用的内存消耗并不一定比java少多少，大概率还是在一个量级的。 工具链 Golang 官方提供了一系列开发工具链，这使得在vim或者emacs这样的编辑器中也能获得不错的开发体验。 学习编程语言 语言都是用来交流，描述事物的。编程语言也是一种语言，和自然语言不同的是：编程语言是准确的（即使LLM成熟了可能也很难解决自然语言二义性的问题，这是自然语言定义的本质上带来的问题）、运行在计算机（人脑也可以解析）上的一门语言，用来和计算机交流的一门语言。 既然是一门语言，和学习自然语言类似，我们在学习的时候都会经历一些相同的步骤。学习语言的基本组成（词语、语法等等）；学习怎么使用这些基础组件 组合出丰富的表达能力（怎么遣词造句、组成段落）；学习怎么凝练地描述一个概念。翻译上有所谓的信雅达的概念，在使用自然语言和编程语言的时候其实也存在这个问题——如何将一个事物描述得凝练准确。 提供了哪些基础能力和类型？ Golang 提供了基础类型包括: string int (int32 int64) bool 基本的数据结构 array 数组，几乎所有的编程语言都提供了这种基础的数据类型，因为这就是计算机内存中一片连续的内存空间，数据的长度是固定的。 slice 切片，有点类似c++中的vector，是可以动态增长的数据，程序员不需要关心需要开辟多大的内存，这个数据结构可以自动扩容、缩容。 map 数据操作 make 用来新建数组或者map，还有chan 如何构建复杂的模型？ golang 提供了struct 来构建复杂的数据结构 // 直角坐标点 type Point struct{ x float64, y float64 } // 极坐标点 type RPoint struct{ // 半径 r float64, // 角度 d floadt64 } // 线段,两点确定一个直线 type Line struct{ a Point, b Point, } 通过struct可以构造出复杂的数据结构来给各种业务进行建模,对比java的方式是通过class来定义数据结构。class可以认为是struct的扩展，但是java本身的设计限制了像c++那样的多重继承，而且java的设计模式中也不推荐过于依赖继承的方式来扩展数据模型，多重继承也是被限制的。（组合优于扩展） 那么要怎么扩展和一个已有的结构呢？