《rockey·洛凯》专题

所以，我有这段代码： 我在Windows上运行。有趣的是： > 如果我们使用calloc，程序会分配大约2 GB的内存，然后停止（此处照片= （奇怪的测试）：如果我们同时使用这两者，它将使用最大值（~400MB~2GB）/2= 然而，如果我在Linux上运行相同的代码，分配会一直持续下去（在600k分配和使用了许多GB之后，它仍然会继续，直到最终被杀死），并且使用的内存量大致相同。 所以我的问题是

基于openresty的web防火墙，通过配合后台保护您的数据安全 项目说明 由于普通的web防火墙通常只是单台的限制, 并不能对集群中的流量进行全局的分析 从而无法达到有效的防止cc的攻击, 攻击者可分散攻击而让单台无法分析出其是否是恶意的攻击 所以需要有中台的分析,才能有效的判断是否为恶意IP,从而可以自动的识别出哪些用户是非法IP, 从而实行自动封禁, 基本上能保证90%以上的CC攻击自动拦

主要内容：弗洛伊德算法的实现思路,弗洛伊德算法的具体实现在一个加权图中，如果想找到各个顶点之间的最短路径，可以考虑使用弗洛伊德算法。 弗洛伊德算法既适用于无向加权图，也适用于有向加权图。使用弗洛伊德算法查找最短路径时，只允许环路的权值为负数，其它路径的权值必须为非负数，否则算法执行过程会出错。 弗洛伊德算法的实现思路 弗洛伊德算法是基于 动态规划算法实现的，接下来我们以在图 1 所示的有向加权图中查找各个顶点之间的最短路径为例，讲解弗洛伊德算法的实现思

我的服务器机器上运行单节点kafka。我使用以下命令创建主题“bin/kafka-topics.sh--创建--zookeeper本地主机：2181--复制因子1--分区1--主题测试”。我有两个logstash实例正在运行。第一个从一些java应用程序日志文件中读取数据，并将其注入kafka。它工作得很好，我可以使用“bin/kafka-console-consumer.sh——zookeepe

1 前言 在上一篇文章中，我们介绍了基于Bellman方程而得到的Policy Iteration和Value Iteration两种基本的算法，但是这两种算法实际上很难直接应用，原因在于依然是偏于理想化的两个算法，需要知道状态转移概率，也需要遍历所有的状态。对于遍历状态这个事，我们当然可以不用做到完全遍历，而只需要尽可能的通过探索来遍及各种状态即可。而对于状态转移概率，也就是依赖于模型Model

我曾经用过Lodash...我喜欢拔毛... 意识到Lodash不再支持（Lodash 4. x），我正在努力记住用什么来代替... 我去看医生，点击cmd-f，输入“勇气”，但我可怜的被抛弃的朋友甚至没有得到适当的提及...甚至没有一个“已经被”取代... 有人能提醒我应该用什么来代替吗？

个人觉得，整个 AplphaGo 对于机器学习来说，最核心的算法就是深度学习（Deep Learning）和增强学习（Reinforcement Learning）。蒙特卡洛树搜索 MCTS 是一个搜索框架，将这些机器学习的技术融合在了一起。今天这篇文章的重点在深度学习，增强学习以后再说。 蒙特卡洛树搜索 每个博弈类的人工智能算法的基础都是一个搜索算法。比如我们上学时学习的 A-star 算法，a

一直想发，忘记了… 岗位是游戏安全。 我是免笔试直接面的，所以笔试没法分享啦 一面： 上来经典自我介绍 聊项目和展开 主要是游戏安全的知识，懂的自然懂 （比如汇编，hook，注入，虚拟化，逆向等等） 反问 二面：(cto) 自我介绍 项目相关 数据结构 职业规划 学习情况 介绍公司情况 hr面： hr面传统流程 也有涉及项目的技术问题 谈薪等 最后也是选择去了库洛。也是自己最想去的厂，如愿了属于是

3.28 没想到本懒鬼也开始写面经了……但库洛的面经真的好少，尤其是美术岗更少了。那就随便写写看，希望能给后面面试的uu帮点忙吧 ----------------- 今天一面，面的分镜 两个面试官，都是鸣潮项目组。估计春招基本都是那边的，面试官暗示组里很缺人（笑 问题1.自我介绍 2.有没有了解我们项目 3.问了某游的PV与过场设计有什么亮点 4.你是二次元吗？二次元最重要的是什么？ 5.让你给我

(也是看牛客上没有面经，所以就记录一下吧~) 北京洛凯云享 - 安卓开发工程师 - base北京(8.29一面，8.30二面) 自我介绍 问了下主要技术栈 数组和链表区别，适用场景 哈希表的结构，哈希冲突如何解决 线程安全的问题 了解哪些锁 设计模式了解过吗 OSI七层模型和TCP五层及每一层的作用 常见应用层协议 http和https的区别 手撕一个题(升序重复数组中指定元素最大下标) 反问 主

虽然可视化曼德布洛特(Mandelbrot)集合与机器学习没有任何关系，但这对于将TensorFlow应用在数学更广泛的领域是一个有趣的例子。实际上，这是tensorflow一个非常直截了当的可视化运用。（我们最终也许会提供一种更加精心设计的运用方式来生成真正更加美丽的图像。） 说明：本教程使用了IPython的notebook。 基本步骤 首先，我们需要导入一些库。 # 导入仿真库 import

10月投的11月笔试12月面试感觉进度好慢，，， 会问笔试的时候写的人设和脚本 玩什么游戏、手游端游都行 这里面有没有印象深刻的角色或剧情请描述 让你印象深刻的是为什么 从这一段引申问你怎么塑造一个人物 扁平人物和圆形人物的优劣 有什么看过的小说（问了一下包括漫画）主要讲了什么 印象深刻的一幕是什么+为什么让你印象深刻 小说和游戏剧本区别 （这里有点后悔，，，说了半天今年看的某个老作品后面试官来了

10mins左右 线上 1.自我介绍 2.项目介绍和负责的工作 3.简历细节确认 4.公众号更多还是短视频更多 5.数据分析和涨粉的关系 6.是否投豆荚 7.发一下作品集 8.反问 面试体验有点迷迷，可能和企业性质有关，面试业务部门的专业水平未知。 同时，面试官也迟到了一会，好像这个面试有一些微妙的尴尬。

虽然可视化曼德布洛特(Mandelbrot)集合与机器学习没有任何关系，但这对于将TensorFlow应用在数学更广泛的领域是一个有趣的例子。实际上，这是tensorflow一个非常直截了当的可视化运用。（我们最终也许会提供一种更加精心设计的运用方式来生成真正更加美丽的图像。） 说明：本教程使用了IPython的notebook。 基本步骤 首先，我们需要导入一些库。 # 导入仿真库 import