阅读完《TensorFlow 学习摘要（三） 深度学习 - TensorFlow 快速入门》，再补充几点 TensorFlow 的基本使用。 常量我们可以创建一个常量 op, 产生一个 1x1 矩阵。 m = tf.constant([[3.]]) 变量参见《TensorF

TensorFlow是什么Tensor（张量）意味着 N 维数组，Flow（流）意味着基于数据流图的计算，TensorFlow 即为张量从图的一端流动到另一端。 TensorFlow 计算模型TensorFlow 中的所有计算都会被转化为计算图上的节点，换句话说，使用 Tens

1981 年的诺贝尔医学奖，颁发给了 David Hubel 和 Torsten Wiesel，以及 Roger Sperry。前两位的主要贡献是，发现了人的视觉系统的信息处理是分级的。从视网膜出发，经过低级的 V1 区提取边缘特征，到 V2 区的基本形状或目标的局部，再到高层的

导数是微积分中的重要基础概念。导数的本质，是通过极限的概念对函数进行局部的线性逼近。当函数 y=f(x) 的自变量 x 在一点 x0 上产生一个增量 Δx 时，函数输出值的增量 Δy 与自变量增量 Δx 的比值在 Δx 趋于 0 时的极限 a 如果存在，a 即为在 x0 处的导数

Python 的 numpy 库提供矩阵运算的功能。因此，我们需要导入 numpy 包进行矩阵的运算。这里，我们导入 numpy 包，并起了一个 np 的别名便于后面的使用。 import numpy as np; 行矩阵、列矩阵与零矩阵列矩阵是只有一列的矩阵。这里，我们使

在数学中，矩阵是一个 m x n 个数排成 m 行与 n 列的数表。 行矩阵、列矩阵与零矩阵行矩阵是只有一行的矩阵。 列矩阵是只有一列的矩阵。 零矩阵，所有元素都等于 0 的矩阵。 矩阵的加法两个矩阵相加，即它们相同位置的元素相加。 现在，我们来看一个案例。 事实上，

安装好 Anaconda 后，我们就可以比较顺利地安装 TensorFlow 了。本文主要介绍基于 Mac 的 pip 方式安装，其他方式可以阅读相关文档进行实践。 第一步，我强烈建议升级 pip 或者 pip3 到最近版本。 sudo easy_install --upgr

关于 Python 使用目前，Python有 2.x 版与 3.x 版。本教程主要以 Python 3.x 版本为基础。首先，要确保你的电脑上安装的 Python 版本是 3.x 版本。 关于 Python 的使用，推荐 廖雪峰的 《Python教程》与 埃里克·马瑟斯 的《Py

基于角色的访问控制，只验证访问数据的角色，但是没有对角色内的用户做细分。举个例子，用户甲与用户乙都具有用一个角色，但是如果只建立基于角色的访问控制，那么用户甲可以对用户乙的数据进行任意操作，从而发生了越权访问。因此，在业务场景中仅仅使用基于角色的访问控制是不够的，还需要引入基于数

基于角色的访问控制，英文是 Role-Based Access Control，简称 RBAC。它通过建立用户与角色的对应关系，使得每个用户可以拥有多个角色，每个角色可以拥有多个权限。基于角色的访问控制会定义多个不同的角色，不同角色实际上就是一个权限的集合。基于角色的访问控制中，

授权的目的是为了决定用户能做什么，而认证的目的是为了认出用户是谁。举个例子，读者对于乘坐动车这件事情应该或多或少都有体验过。其中，出示身份证的目的是为了认出用户是谁，这个过程是认证。而出示车票的目的是为了证明用户确实可以上动车，这个过程是授权。 登录方式的变迁在传统的 MVC 模

状态机中，每个状态有着相应的行为，随着行为的触发来切换状态。其中一种做法是使用二维数组实现状态机机制，其中横坐标表示行为，纵坐标表示状态，具体的数值则表示当前的状态。 我们以登录场景设计一个状态机。 这时，我们设计一张状态机表。 那么，此时它的二维数组，如下所示。 此外，我

最近因为太忙了，停更了两个多月。今天开始正式更新，先对最近的项目进行复盘写起吧。

版本号在 RESTful API 中，API 接口应该尽量兼容之前的版本。但是，在实际业务开发场景中，可能随着业务需求的不断迭代，现有的 API 接口无法支持旧版本的适配，此时如果强制升级服务端的 API 接口将导致客户端旧有功能出现故障。实际上，Web 端是部署在服务器，因此它

本文将重点介绍关于 HTTPS 的几个实战指南。 HTTPS 使用剖析 HTTPS 项目场景 HTTPS 设计上的借鉴 HTTPS 降级攻击