目录【数据结构与算法】FST有穷状态转换器详解：FiniteStateTransducers&算法核心思想和代码实现（Golang语言）
目录【数据结构与算法】FST有穷状态转换器详解：FiniteStateTransducers&算法核心思想和代码实现（Golang语言）
目录一、State1.概念2.State的简单用法3. JS绑定事件 4.react绑定事件5.reactthis指向问题6.修改state值7.代码简写二、props1.概念2.传参的基础方法、运算符传参三、refs定义字符串形式的ref、回调函数下ref、createRef创建ref容器一、State1.概念概念：state是组件对象最重要的属性,值是对象(可以包含多个key:value的组合)，组件被称为`状态机`,通过更新组件的state来更新对应的页面显示(重新渲染组件)，有state称为复杂组件。2.State的简单用法实现简单的切换效果，这里的效果是一种覆盖Document.bt
目录一、State1.概念2.State的简单用法3. JS绑定事件 4.react绑定事件5.reactthis指向问题6.修改state值7.代码简写二、props1.概念2.传参的基础方法、运算符传参三、refs定义字符串形式的ref、回调函数下ref、createRef创建ref容器一、State1.概念概念：state是组件对象最重要的属性,值是对象(可以包含多个key:value的组合)，组件被称为`状态机`,通过更新组件的state来更新对应的页面显示(重新渲染组件)，有state称为复杂组件。2.State的简单用法实现简单的切换效果，这里的效果是一种覆盖Document.bt
keycloak存到cookie中的值AUTH_SESSION_IDKEYCLOAK_IDENTITYKEYCLOAK_SESSIONAUTH_SESSION_ID用户的当前session_state，它是会话级的，关闭浏览器就没了KEYCLOAK_IDENTITY它是用户跨端登录的基础，它也是一个jwt串，解析后是这样的结果，用户在当前端没有登录时，会跳到kc认证页，当发现cookie里的kc域下有这个KEYCLOAK_IDENTITY，会使用这个session_state进行认证，没有这个键，KC认证不能完成。{"exp":1682659005,"iat":1680067005,"jti"
keycloak存到cookie中的值AUTH_SESSION_IDKEYCLOAK_IDENTITYKEYCLOAK_SESSIONAUTH_SESSION_ID用户的当前session_state，它是会话级的，关闭浏览器就没了KEYCLOAK_IDENTITY它是用户跨端登录的基础，它也是一个jwt串，解析后是这样的结果，用户在当前端没有登录时，会跳到kc认证页，当发现cookie里的kc域下有这个KEYCLOAK_IDENTITY，会使用这个session_state进行认证，没有这个键，KC认证不能完成。{"exp":1682659005,"iat":1680067005,"jti"
keycloak存到cookie中的值AUTH_SESSION_IDKEYCLOAK_IDENTITYKEYCLOAK_SESSIONAUTH_SESSION_ID用户的当前session_state，它是会话级的，关闭浏览器就没了KEYCLOAK_IDENTITY它是用户跨端登录的基础，它也是一个jwt串，解析后是这样的结果，用户在当前端没有登录时，会跳到kc认证页，当发现cookie里的kc域下有这个KEYCLOAK_IDENTITY，会使用这个session_state进行认证，没有这个键，KC认证不能完成。{"exp":1682659005,"iat":1680067005,"jti"
keycloak存到cookie中的值AUTH_SESSION_IDKEYCLOAK_IDENTITYKEYCLOAK_SESSIONAUTH_SESSION_ID用户的当前session_state，它是会话级的，关闭浏览器就没了KEYCLOAK_IDENTITY它是用户跨端登录的基础，它也是一个jwt串，解析后是这样的结果，用户在当前端没有登录时，会跳到kc认证页，当发现cookie里的kc域下有这个KEYCLOAK_IDENTITY，会使用这个session_state进行认证，没有这个键，KC认证不能完成。{"exp":1682659005,"iat":1680067005,"jti"
GeneralizingLinearClassification假设我们有如上图的trainingdata，注意到此时\(\mathcal{X}\subset\mathbb{R}^{2}\)。那么decisionboundary\(g\)：\[g(\vec{x})=w_{1}x_{1}^{2}+w_{2}x_{2}^{2}+w_{0}\]即，decisionboundary为某种椭圆，例如：半径为\(r\)的圆（\(w_{1}=1,w_{2}=1,w_{0}=-r^{2}\)），如上图中的黑圈所示。我们会发现，此时decisionboundarynotlinearin\(\vec{x}\)。但
GeneralizingLinearClassification假设我们有如上图的trainingdata，注意到此时\(\mathcal{X}\subset\mathbb{R}^{2}\)。那么decisionboundary\(g\)：\[g(\vec{x})=w_{1}x_{1}^{2}+w_{2}x_{2}^{2}+w_{0}\]即，decisionboundary为某种椭圆，例如：半径为\(r\)的圆（\(w_{1}=1,w_{2}=1,w_{0}=-r^{2}\)），如上图中的黑圈所示。我们会发现，此时decisionboundarynotlinearin\(\vec{x}\)。但
