面向对象设计原则0
目的：应对变化、提高复用；寻找变化点；将设计原则提升为设计经验；
希腊字母表
希腊字母表0
| 大写 | 小写 | 国际音标 | 英文读音 | 中文读音 | 含义 | |
|---|---|---|---|---|---|---|
| 1 | $\Alpha$ | $\alpha$ | a:lf |
alpha | 阿尔法 | 角度；系数 |
| 2 | $\Beta$ | $\beta$ | bet |
beta | 贝塔 | 磁通系数；角度；系数 |
| 3 | $\Gamma$ | $\gamma$ | ga:m |
gamma | 伽马 | 电导系数（小写） |
| 4 | $\Delta$ | $\delta$ | delt |
delta | 德尔塔 | 变动；密度；屈光度 |
| 5 | $\Epsilon$ | $\epsilon$ | ep'silon |
epsilon | 伊普西龙 | 对数之基数 |
| 6 | $\Zeta$ | $\zeta$ | zat |
zeta | 截塔 | 系数；方位角；阻抗；相对粘度；原子序数 |
| 7 | $\Eta$ | $\eta$ | eit |
eta | 艾塔 | 磁滞系数；效率（小写） |
| 8 | $\Theta$ | $\theta$ | θit |
Theta | 西塔 | 温度；相位角 |
| 9 | $\Iota$ | $\iota$ | aiot |
Iota | 约塔 | 微小，一点儿 |
| 10 | $\Kappa$ | $\kappa$ | kap |
kappa | 卡帕 | 介质常数 |
| 11 | $\Lambda$ | $\lambda$ | lambd |
lambda | 兰布达 | 波长（小写）；体积 |
| 12 | $\Mu$ | $\mu$ | mju |
mu | 缪 | 磁导系数；微（千分之一）；放大因数（小写） |
| 13 | $\Nu$ | $\nu$ | nju |
nu | 纽 | 磁阻系数 |
| 14 | $\Xi$ | $\xi$ | ksi |
xi | 克西 | |
| 15 | $\Omicron$ | $\omicron$ | omik'ron |
omicron | 奥密克戎 | |
| 16 | $\Pi$ | $\pi$ | pai |
pi | 派 | 圆周率 |
| 17 | $\Rho$ | $\rho$ | rou |
rho | 肉 | 电阻系数（小写） |
| 18 | $\Sigma$ | $\sigma$ | sigma |
sigma | 西格马 | 总和（大写），表面密度；跨导（小写） |
| 19 | $\Tau$ | $\tau$ | tau |
tau | 套 | 时间常数 |
| 20 | $\Upsilon$ | $\upsilon$ | jup'silon |
upsilon | 宇普西龙 | 位移 |
| 21 | $\Phi$ | $\phi$ | fai |
phi | 佛爱 | 磁通；角 |
| 22 | $\Chi$ | $\chi$ | phai |
chi | 西 | |
| 23 | $\Psi$ | $\psi$ | psai |
psi | 普西 | 角速；介质电通量（静电力线）；角 |
| 24 | $\Omega$ | $\omega$ | o'miga |
omega | 欧米伽 | 欧姆（大写）；角速（小写）；角 |
Lamport逻辑时钟
Lamport逻辑时钟（Larmport Logical Clock）0
背景
多节点的时间同步问题：不同机器上的物理时钟难以同步，导致无法区分在分布式系统中多个节点的事件时序。1978年Lamport在《Time, Clocks and the Ordering of Events in a Distributed System》1中提出了逻辑时钟的概念，来解决分布式系统中区分事件发生的时序问题。
Distain vs Disdain
distain vs disdain1
1. Easily Confused Words: Distain vs. Disdain ↩
distain
Distain (pronounced “dihs-tane”) is a verb. It means to soil one’s clothes, furniture, or another surface. [Yes, this is one of those odd times in English where “stain” and “distain” mean basically the same thing.]
Tensorflow Tutorial: Image Classifier Using Convolutional Neural Network
翻译：Tensorflow Tutorial 2: image classifier using convolutional neural network
Tensorflow教程：使用卷积神经网络的图像分类器
在这个Tensorflow教程中，我们将使用Tensorflow构建一个基于卷积神经网络的图像分类器。如果您刚刚开始使用Tensorflow，那么最好阅读这里的Tensorflow基本教程。
为了演示如何构建基于卷积神经网络的图像分类器，我们将构建一个6层神经网络来识别和分离狗和猫的图像。我们将要构建的这个网络是一个非常小的网络，可以在CPU上运行它。传统的神经网络在图像分类中有较多的参数，如果在CPU上进行训练，会花费大量的时间。然而，在本文中，我是向您展示的是如何使用Tensorflow而不是参与ILSVRC来构建一个真实的卷积神经网络。在开始学习Tensorflow教程之前，让我们先介绍一下卷积神经网络的基础知识。如果您已经熟悉卷积神经网（conv-nets），您可以转到第2部分，即Tensorflow教程。
Knapsack Problem
背包问题1
背包问题（Knapsack problem）是一种组合优化的NP完全问题。问题可以描述为：给定一组物品，每种物品都有自己的重量和价格，在限定的总重量内，我们如何选择，才能使得物品的总价格最高。问题的名称来源于如何选择最合适的物品放置于给定背包中。