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
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
1. 垃圾回收器1.1. 对象可以在被需要时创建，不再使用时由JVM自动回收1.2. GC是查找不再使用的对象，然后回收这些对象相关内存的过程1.2.1. 找到不使用的对象、回收其内存、压缩堆内存1.3. 优化垃圾回收器比跟踪指针引起的bug要容易得多（且耗时更少）1.4. VM必须定期搜索堆中不使用的对象1.4.1. 从GC根（GCroot）对象开始搜索，GC根是可以从堆外被访问的对象，主要包括线程栈和系统类1.4.2. 当GC算法找到不使用的对象时，JVM会回收这些对象占用的内存，并将这些内存分配给其他对象2. 垃圾回收器运行多个线程2.1. 一组执行应用程序逻辑，通常被称为mutator
1. 垃圾回收器1.1. 对象可以在被需要时创建，不再使用时由JVM自动回收1.2. GC是查找不再使用的对象，然后回收这些对象相关内存的过程1.2.1. 找到不使用的对象、回收其内存、压缩堆内存1.3. 优化垃圾回收器比跟踪指针引起的bug要容易得多（且耗时更少）1.4. VM必须定期搜索堆中不使用的对象1.4.1. 从GC根（GCroot）对象开始搜索，GC根是可以从堆外被访问的对象，主要包括线程栈和系统类1.4.2. 当GC算法找到不使用的对象时，JVM会回收这些对象占用的内存，并将这些内存分配给其他对象2. 垃圾回收器运行多个线程2.1. 一组执行应用程序逻辑，通常被称为mutator
