（1）功能描述有一个半采用民主投票的方法推选班长，班长候选人共4位，每个人姓名以及代号分别为“张三1，李四2，王五3，赵六4”。程序操作员将每张选票上所填的代号（1、2、3、4）循环输入电脑，输入数字0结束输，然后将所有候选人的得分情况显示出来，并显示最终当选者结果。（2）具体要求要求用面向对象方法，编写学生类Student，将候选人姓名、代号与票数

随着BERT等预训练模型横空出世，NLP方向迎来了一波革命，预训练模型在各类任务上均取得了惊人的成绩。随着各类预训练任务层出不穷，也有部分研究者考虑如何在BERT这一类模型中引入或者强化知识图谱中包含的信息，进而增强BERT对背景知识或常识信息的编码能力。本文主要关注于如何在BERT中引入知识图谱中信息，并survey了目前已公布的若干种方法，欢迎大家批评和

 近期略有点诸事不顺，趁略有闲余之时，玩起D3.js。之前实际项目中主要是用各种chart如hightchart、echarts等，这些图形库玩起来貌都是完美的，一切皆可配置，但几年前接触了D3之后，觉得前面那chart类库局限的地方在于，基本不可定制；而D3呢，你说了算，你想画出什么样的图，你说了算，自由度很大，当时就有点膜拜和仰慕，小打小闹的玩了几下，没

根据DX摄象机D3DXMatrixLookAtRH(LH)摄象机主要有lookat坐标、eye坐标、up向量3部分组成，按照lookat和eye的关系我个人将摄象机分成2类：第一种lookat绕eye旋转我称他为“第一人称”摄象机；第二种eye绕lookat旋转我称他为“第三人称”摄象机。第二种摄象机比较适合一般的RPG游戏，也被称为跟随摄象机。第一种摄象机

  在软件开发过程中，对象信息的分享以及相互直接的协作是必须的，困难在于确保对象之间的沟通是有效完成的，而不是拥有成本高度耦合的组件。当对象对其他组件的责任有太多的细节时，它被认为是高度耦合的。当一个应用程序有高度的耦合，维护将变得非常具有挑战，任何变化都将带来涟漪效应。为了解决这一类的软件设计问题，我们就需要基于事件的编程。本篇，我们就来学习Guava

介绍命令模式是一种行为型设计模式。在命令模式中，所有的请求都会被包装成为一个对象。参考了一下其他关于命令模式的文章，其中有谈到说是可以用不同的请求对客户进行参数化。对这句话的理解是，因为将请求封装成为对象，所以客户的所有操作，其实就是多个命令类的对象而已，即参数化了。命令模式的最大的特点就是将请求的调用者与请求的最终执行者进行了解

SAPI是一个及其精简的RestfulAPI输出工具，诞生的背景是基于目前微服务开发接口，很多中小型项目开发人员在对接口测试时不仅需要使用JUnit等进行业务接口测试，还需要对API进行自测。所以SAPI很好的解决了开发人员需要一个一个参数的往接口测试工具填写调试的反复过程。目前SAPI只需要开发人员引入stater后再启动类加入一行文件即可。下面我们

重载和重写重载：同一个类中定义名字相同的方法，但是参数类型或者参数个数必须不同。重载的方法在编译过程中就可完成识别。具体到每一个方法的调用，Java编译器会根据所传入参数的生命类型来选取重载方法。选取的过程分以下三个阶段：1：在不考虑对基本类型自动装拆箱，以及可变长参数的情况下选取重载方法。2：如果第1个阶段未找到，那么在允许自动

深入了解神经网络本章将介绍用于解决实际问题的深度学习架构的不同模块。前一章使用PyTorch的低级操作构建了如网络架构、损失函数和优化器这些模块。本章将介绍用于解决真实问题的神经网络的一些重要组件，以及PyTorch如何通过提供大量高级函数来抽象出复杂度。本章还将介绍用于解决真实问题的算法，如回归、二分类、多类别分类等。本章将讨论如下主题：详解神经网络的不

深入了解神经网络本章将介绍用于解决实际问题的深度学习架构的不同模块。前一章使用PyTorch的低级操作构建了如网络架构、损失函数和优化器这些模块。本章将介绍用于解决真实问题的神经网络的一些重要组件，以及PyTorch如何通过提供大量高级函数来抽象出复杂度。本章还将介绍用于解决真实问题的算法，如回归、二分类、多类别分类等。本章将讨论如下主题：详解神经网络的不