2023-01-18一、Tomcat中的结点1、Server（服务器）Server代表整个Tomcat服务器，一个tomcat只有一个ServerServer中包含至少一个Service组件，用于提供具体服务。2、ServiceService中的一个逻辑功能层，一个Server可以包含多个Service。Service接收客户端的请求，然后解析请求，完成相应事务业务逻辑，然后把处理后的结果返回给客户端，一般会提供两个节本方法，一个start打开服务Socket连接，监听服务端口，一个stop停止服务释放网络资源。3、Connector（连接器）Connector是Service的核心组件之一，

2023-01-18一、Tomcat中的结点1、Server（服务器）Server代表整个Tomcat服务器，一个tomcat只有一个ServerServer中包含至少一个Service组件，用于提供具体服务。2、ServiceService中的一个逻辑功能层，一个Server可以包含多个Service。Service接收客户端的请求，然后解析请求，完成相应事务业务逻辑，然后把处理后的结果返回给客户端，一般会提供两个节本方法，一个start打开服务Socket连接，监听服务端口，一个stop停止服务释放网络资源。3、Connector（连接器）Connector是Service的核心组件之一，

1.Angular样式隔离Angular样式隔离的好处最最要的一条就是CSS的可维护性。当没有样式隔离时，我们创建一个组件并添加样式后，可能会影响到其他的组件样式，而且很有可能查找不出问题所在。虽然我们可以想出办法来避免样式被覆盖，但是可能会引发CSS的可维护性问题。Angular的视图封装(ViewEncapsulation)在Angular中，组件的样式可以封装在组件的宿主元素中(host)，这样它们就不会影响应用程序的其他部分。视图封装模式：1.ViewEncapsulation.ShadowDom:Angualr使用浏览器内置的ShadowDomAPI将组件的视图封装在ShadowRo

1.Angular样式隔离Angular样式隔离的好处最最要的一条就是CSS的可维护性。当没有样式隔离时，我们创建一个组件并添加样式后，可能会影响到其他的组件样式，而且很有可能查找不出问题所在。虽然我们可以想出办法来避免样式被覆盖，但是可能会引发CSS的可维护性问题。Angular的视图封装(ViewEncapsulation)在Angular中，组件的样式可以封装在组件的宿主元素中(host)，这样它们就不会影响应用程序的其他部分。视图封装模式：1.ViewEncapsulation.ShadowDom:Angualr使用浏览器内置的ShadowDomAPI将组件的视图封装在ShadowRo

2012CVPR是本论文的会议版本。本文是乘积量化技术(PQ)最典型的索引方式。1INTRODUCTION乘积量化技术在查询时，需要找到query对应Voronicell或者和周边cell的点，如果数据量比较大，Cell也比较大的话，那么返回的点就会很多，需要花在Refine上的时间也会更多。因此一个迫切的要求是设计更为细粒度的分区，即voroonicell面积更小。一个最直接的方式是把codewords的个数提升一些，但是这同时意味着索引构建时间（学习时间）也更长。一些索引方法也可以引入进来，比如kd-tree，treecodebooks等，但是经常会降低查询准确性。本文提出的方法：多维倒排

2012CVPR是本论文的会议版本。本文是乘积量化技术(PQ)最典型的索引方式。1INTRODUCTION乘积量化技术在查询时，需要找到query对应Voronicell或者和周边cell的点，如果数据量比较大，Cell也比较大的话，那么返回的点就会很多，需要花在Refine上的时间也会更多。因此一个迫切的要求是设计更为细粒度的分区，即voroonicell面积更小。一个最直接的方式是把codewords的个数提升一些，但是这同时意味着索引构建时间（学习时间）也更长。一些索引方法也可以引入进来，比如kd-tree，treecodebooks等，但是经常会降低查询准确性。本文提出的方法：多维倒排

摘要多步（尺度）预测通常包含一个复杂的输入组合——包括静态（即时不变）协变量、已知的未来输入，以及其他仅在过去观察到的外生时间序列——没有任何关于它们如何与目标相互作用的先验信息。几种深度学习方法已经被提出，但它们通常是“黑盒”模型，并不能阐明它们如何使用实际场景中出现的全部输入。在本文中，我们介绍了时间融合变压器(TFT)——一种新的基于注意的架构，它结合了高性能的多步预测和对时间动态的可解释的洞察力。为了学习不同尺度上的时间关系，TFT使用循环层进行局部处理，并使用可解释的自我注意层进行长期依赖。TFT利用专门的组件来选择相关的特性和一系列的门控层来抑制不必要的组件，从而在广泛的场景中实现

摘要多步（尺度）预测通常包含一个复杂的输入组合——包括静态（即时不变）协变量、已知的未来输入，以及其他仅在过去观察到的外生时间序列——没有任何关于它们如何与目标相互作用的先验信息。几种深度学习方法已经被提出，但它们通常是“黑盒”模型，并不能阐明它们如何使用实际场景中出现的全部输入。在本文中，我们介绍了时间融合变压器(TFT)——一种新的基于注意的架构，它结合了高性能的多步预测和对时间动态的可解释的洞察力。为了学习不同尺度上的时间关系，TFT使用循环层进行局部处理，并使用可解释的自我注意层进行长期依赖。TFT利用专门的组件来选择相关的特性和一系列的门控层来抑制不必要的组件，从而在广泛的场景中实现

CoreData基础使用1.建立1对多，或多对多关系示意图2.CoreData多线程NSPrivateQueueConcurrencyType：CoreData操作数据库时是在子线程执行的创建上下文对象，ConcurrencyType主要有NSPrivateQueueConcurrencyType和NSMainQueueConcurrencyTypeNSPrivateQueueConcurrencyType表示私有并发队列的类型，操作也是在子线程中完成NSMainQueueConcurrencyType表示主并发队列类型，在UI上的操作，使用这个参数初始化[[NSManagedObjectCo

CoreData基础使用1.建立1对多，或多对多关系示意图2.CoreData多线程NSPrivateQueueConcurrencyType：CoreData操作数据库时是在子线程执行的创建上下文对象，ConcurrencyType主要有NSPrivateQueueConcurrencyType和NSMainQueueConcurrencyTypeNSPrivateQueueConcurrencyType表示私有并发队列的类型，操作也是在子线程中完成NSMainQueueConcurrencyType表示主并发队列类型，在UI上的操作，使用这个参数初始化[[NSManagedObjectCo