刚完成一些前端项目的开发，腾出精力来总结一些前端开发的技术点，以及继续完善基于SqlSugar的开发框架循序渐进介绍的系列文章，本篇随笔主要介绍一下基于Vue3+TypeScript的全局对象的注入和使用。我们知道在Vue2中全局注入一个全局变量使用protoType的方式，很方便的就注入了，而Vue3则不能通过这种方式直接使用，而是显得复杂一些，不过全局变量的挂载有它的好处，因此我们在Vue3+TypeScript中也继续应用这种模式来处理一些常规的辅助类方法。1、Vue2的全局挂载Vue2的挂载由于它的便利性，常常会被大量的使用，只需要使用Vue.protoType.**的方式就可以注入一
今年的KubeCon大会有一个很奇怪的现象，到场的几乎都是小公司，没有大公司。可能是因为这些大公司恰好在这个时候都有自己的活动要举办，也有可能是他们正在快马加鞭研发他们的边缘计算方案？因为Gartner预测到2025年，75%的计算将会发生在边缘侧，所以现在每一家厂商都在努力探索各自的边缘计算解决方案。例如微软的AKSLite（之前叫ProjectHaven）现已进入公开预览阶段，由AzureArc集中管理，同时支持Linux和Windows。SUSE也推出了SUSEEdge2.0方案，与AKSLite类似，底层都是基于K3s。KubeSphere从v3.1.0开始便与KubeEdge深度集成
今年的KubeCon大会有一个很奇怪的现象，到场的几乎都是小公司，没有大公司。可能是因为这些大公司恰好在这个时候都有自己的活动要举办，也有可能是他们正在快马加鞭研发他们的边缘计算方案？因为Gartner预测到2025年，75%的计算将会发生在边缘侧，所以现在每一家厂商都在努力探索各自的边缘计算解决方案。例如微软的AKSLite（之前叫ProjectHaven）现已进入公开预览阶段，由AzureArc集中管理，同时支持Linux和Windows。SUSE也推出了SUSEEdge2.0方案，与AKSLite类似，底层都是基于K3s。KubeSphere从v3.1.0开始便与KubeEdge深度集成
14|count(*)这么慢，我该怎么办？在开发系统的时候，你可能经常需要计算一个表的行数，比如一个交易系统的所有变更记录总数。随着系统中记录数越来越多，selectcount(*)fromt语句执行得也会越来越慢count(*)的实现方式在不同的MySQL引擎中，count(*)有不同的实现方式。MyISAM引擎把一个表的总行数存在了磁盘上，因此执行count(*)的时候会直接返回这个数，效率很高；而InnoDB引擎执行count(*)的时候，需要把数据一行一行地从引擎里面读出来，然后累积计数。这里讨论的是没有过滤条件的count(*)，如果加了where条件的话，MyISAM表也是不能返回
14|count(*)这么慢，我该怎么办？在开发系统的时候，你可能经常需要计算一个表的行数，比如一个交易系统的所有变更记录总数。随着系统中记录数越来越多，selectcount(*)fromt语句执行得也会越来越慢count(*)的实现方式在不同的MySQL引擎中，count(*)有不同的实现方式。MyISAM引擎把一个表的总行数存在了磁盘上，因此执行count(*)的时候会直接返回这个数，效率很高；而InnoDB引擎执行count(*)的时候，需要把数据一行一行地从引擎里面读出来，然后累积计数。这里讨论的是没有过滤条件的count(*)，如果加了where条件的话，MyISAM表也是不能返回
本篇笔记记录学习在策略学习中使用Baseline，这样可以降低方差，让收敛更快。14.策略学习中的Baseline14.1Baseline推导在策略学习中，我们使用策略网络\(\pi(a|s;\theta)\)控制agent，状态价值函数\(V_\pi(s)=\mathbb{E}_{A\sim\pi}[Q_\pi(s,A)]=\sum\limits_{a}\pi(a|s;\theta)\cdotQ_\pi(a,s)\)策略梯度：\(\frac{\partial\V_\pi(s)}{\partial\\theta}=\mathbb{E}_{A\sim\pi}[\frac{\partialln\p
本篇笔记记录学习在策略学习中使用Baseline，这样可以降低方差，让收敛更快。14.策略学习中的Baseline14.1Baseline推导在策略学习中，我们使用策略网络\(\pi(a|s;\theta)\)控制agent，状态价值函数\(V_\pi(s)=\mathbb{E}_{A\sim\pi}[Q_\pi(s,A)]=\sum\limits_{a}\pi(a|s;\theta)\cdotQ_\pi(a,s)\)策略梯度：\(\frac{\partial\V_\pi(s)}{\partial\\theta}=\mathbb{E}_{A\sim\pi}[\frac{\partialln\p
SpringMVC异常处理1.基本介绍SpringMVC通过HandlerExceptionResolver处理程序的异常，包括Handler映射、数据绑定以及目标方法执行时发生的异常有两种方案来进行异常处理：a.在本类编写处理异常的方法，将抛出的异常视为局部异常处理b.额外编写处理异常的类，将抛出的异常视为全局异常处理主要处理的是Handler中使用了@ExceptionHandler注解修饰的方法（局部异常处理）ExceptionHandlerMethodResolver内部若找不到上述@ExceptionHandler注解修饰的方法，就会去找有@ControllerAdvice注解修饰的
SpringMVC异常处理1.基本介绍SpringMVC通过HandlerExceptionResolver处理程序的异常，包括Handler映射、数据绑定以及目标方法执行时发生的异常有两种方案来进行异常处理：a.在本类编写处理异常的方法，将抛出的异常视为局部异常处理b.额外编写处理异常的类，将抛出的异常视为全局异常处理主要处理的是Handler中使用了@ExceptionHandler注解修饰的方法（局部异常处理）ExceptionHandlerMethodResolver内部若找不到上述@ExceptionHandler注解修饰的方法，就会去找有@ControllerAdvice注解修饰的
GoogleNgramviewer是一个有趣和有用的工具，它使用谷歌从书本中扫描来的海量的数据宝藏，绘制出单词使用量随时间的变化。举个例子，单词Python(区分大小写)：这幅图来自：books.google.com/ngrams…，描绘了单词‘Python’的使用量随时间的变化。它是由谷歌的n-gram数据集驱动的，根据书本印刷的每一个年份，记录了一个特定单词或词组在谷歌图书的使用量。然而这并不完整（它并没有包含每一本已经发布的书！），数据集中有成千上百万的书，时间上涵盖了从16世纪到2008年。数据集可以免费从这里下载。我决定使用Python和我新的数据加载库PyTubes来看看重新生成上
