1、什么是Glide？1.1、官方描述Glide是一个快速高效的Android图片加载库，注重于平滑的滚动。Glide提供了易用的API，高性能、可扩展的图片解码管道（decodepipeline），以及自动的资源池技术。Glide支持拉取，解码和展示视频快照、图片和GIF动画。Glide的Api灵活易用，开发者可以插入和替换成自己喜爱的任何网络栈。默认情况下，Glide使用的是一个定制化的基于HttpUrlConnection的栈，但同时也提供了与GoogleVolley和SquareOkHttp快速集成的工具库。Glide的目标是让任何形式的图片列表的滚动尽可能地变得更快、更平滑，但实际上
1、什么是Glide？1.1、官方描述Glide是一个快速高效的Android图片加载库，注重于平滑的滚动。Glide提供了易用的API，高性能、可扩展的图片解码管道（decodepipeline），以及自动的资源池技术。Glide支持拉取，解码和展示视频快照、图片和GIF动画。Glide的Api灵活易用，开发者可以插入和替换成自己喜爱的任何网络栈。默认情况下，Glide使用的是一个定制化的基于HttpUrlConnection的栈，但同时也提供了与GoogleVolley和SquareOkHttp快速集成的工具库。Glide的目标是让任何形式的图片列表的滚动尽可能地变得更快、更平滑，但实际上
前几年就开始接触DDD（DomainDrivenDesign，领域驱动设计），并且着迷于此。它更多地在战略层指导了我的设计，对于战术层面的设计，目前业界没有统一的标准，也没有特别流行的方案。虽然也有许多技术大牛们热衷于DDD，但一到代码落地便一地鸡毛，造不出“银弹”。那DDD到底是什么呢？有什么技术落地方案呢？今天我来给大家科普一下。基本概念过去系统分析和系统设计都是分离的，正如我们国家“系统分析师”和“系统设计师”两种职称考试一样，这样割裂的结果导致，需求分析的结果无法直接进行设计编程，而能够进行编程运行的代码却扭曲需求，导致客户运行软件后才发现很多功能不是自己想要的，而且软件不能快速跟随需
前几年就开始接触DDD（DomainDrivenDesign，领域驱动设计），并且着迷于此。它更多地在战略层指导了我的设计，对于战术层面的设计，目前业界没有统一的标准，也没有特别流行的方案。虽然也有许多技术大牛们热衷于DDD，但一到代码落地便一地鸡毛，造不出“银弹”。那DDD到底是什么呢？有什么技术落地方案呢？今天我来给大家科普一下。基本概念过去系统分析和系统设计都是分离的，正如我们国家“系统分析师”和“系统设计师”两种职称考试一样，这样割裂的结果导致，需求分析的结果无法直接进行设计编程，而能够进行编程运行的代码却扭曲需求，导致客户运行软件后才发现很多功能不是自己想要的，而且软件不能快速跟随需
?前言为什么突然写MutationObserver呢？最近在写页面水印的时候用到了MutationObserver方法，两者之间有什么联系呢？不用MutationObserver情况下，使用网站的人员可以随意修改DOM就可以把系统作者的版权标识（水印）去掉，然后使用无水印的网站，这显然是违背了系统作者的意愿，那么怎么防止这一操作呢？当然是MutationObserver，它能够监听DOM的变化，根据DOM的变化然后做出相应操作，比如删除水印后，使用MutationObserver监听到了水印的DOM被删除，就会立即生成一个水印，这样就杜绝了上面的情况。?一、MutationObserver
?前言为什么突然写MutationObserver呢？最近在写页面水印的时候用到了MutationObserver方法，两者之间有什么联系呢？不用MutationObserver情况下，使用网站的人员可以随意修改DOM就可以把系统作者的版权标识（水印）去掉，然后使用无水印的网站，这显然是违背了系统作者的意愿，那么怎么防止这一操作呢？当然是MutationObserver，它能够监听DOM的变化，根据DOM的变化然后做出相应操作，比如删除水印后，使用MutationObserver监听到了水印的DOM被删除，就会立即生成一个水印，这样就杜绝了上面的情况。?一、MutationObserver
AE自编码器，无监督的特征学习，其目的是利用无标签数据找到一个有效低维的特征提取器。AE学习过程使用无监督，输入样本$x$通过编码器获得低维特征$z$，最后通过解码器重构输入数据获得$\hatx$，loss直接最小化$||x-\hatx||^2$即可实现无监督训练。学习完成之后，编码器可以作为监督学习的特征提取器，解码器就可以做图片生成器。在低维空间上非编码处进行解码可以生成新的不同于输入的样本。但是问题在于因为神经网络只是稀疏地记录下来你的输入样本和生成图像的一一对应关系，所以，如果介于某两个特征之间的某个点，编码器并没有学习到码空间里。因此无法实现码空间随机采样即可生成对应的图片，随机采样
AE自编码器，无监督的特征学习，其目的是利用无标签数据找到一个有效低维的特征提取器。AE学习过程使用无监督，输入样本$x$通过编码器获得低维特征$z$，最后通过解码器重构输入数据获得$\hatx$，loss直接最小化$||x-\hatx||^2$即可实现无监督训练。学习完成之后，编码器可以作为监督学习的特征提取器，解码器就可以做图片生成器。在低维空间上非编码处进行解码可以生成新的不同于输入的样本。但是问题在于因为神经网络只是稀疏地记录下来你的输入样本和生成图像的一一对应关系，所以，如果介于某两个特征之间的某个点，编码器并没有学习到码空间里。因此无法实现码空间随机采样即可生成对应的图片，随机采样
