整合營(yíng)銷服務(wù)商
電腦端+手機(jī)端+微信端=數(shù)據(jù)同步管理
免費(fèi)咨詢熱線：
電腦端+手機(jī)端+微信端=數(shù)據(jù)同步管理
免費(fèi)咨詢熱線：
變量名：JAVA_HOME ，變量值：C:\Program Files\Java\jdk1.8.0_171(這里填你自己選擇的安裝路徑！！！)
變量名：CLASSPATH , 變量值： .;%JAVA_HOME%\lib;%JAVA_HOME%\lib\tools.jar（注意最前面有一點(diǎn)）。
配置系統(tǒng)環(huán)境變量Path 雙擊Path-->新建-->添加“%JAVA_HOME%\bin”-->將這一行變量上移到最頂端-->完成
鏈接：https://pan.baidu.com/s/1TAAWObIqxHjVzxdE3D66lQ 提取碼：8drs
鏈接：https://pan.baidu.com/s/1omBtBs-RxmVIcX0AmEdMWw 提取碼：ikwv
鏈接：https://pan.baidu.com/s/1tObVs9gn4NNAEVjh29cT1Q 提取碼：x89j
https://code.visualstudio.com/Download
微軟提供的前端開發(fā)工具，我用來代替notpad++,對(duì)文件格式化支持比較好
插件安裝：
EditorConfig幫助開發(fā)人員定義和維護(hù)一致的編碼風(fēng)格在不同的編輯器和IDE。 EditorConfig項(xiàng)目包含一個(gè)文件格式定義編碼風(fēng)格和文本編輯器插件的集合。 EditorConfig文件易于閱讀并且他們與版本控制器很好地合作。
代碼檢查工具
實(shí)時(shí)查看當(dāng)前文件的大小
Flutter移動(dòng)應(yīng)用程序的支持，以及對(duì)Dart編程語言的支持。
查看git歷史與log，搜索等（包括git log）
GitLens只是幫助您更好地理解代碼。快速瀏覽一下，為什么以及何時(shí)更改了行或代碼塊。跳過歷史記錄，以獲得有關(guān)代碼演變的方式和原因的進(jìn)一步見解
CSS 類名智能提示，可以在html與css中進(jìn)行智能提示
HTML 靜態(tài)檢查規(guī)則
在左側(cè)可以預(yù)覽圖片和懸停中顯示圖片
在VS代碼編輯器中導(dǎo)入的程序包的大小
ES6的代碼片段
JS代碼片段補(bǔ)全
Stylus文件添加語法高亮
格式化css代碼 配置參考https://stylelint.io/user-guide/configuration/
微信小程序標(biāo)簽、屬性的智能補(bǔ)全（同時(shí)支持原生小程序、mpvue 和 wepy 框架，并提供 snippets）
在import語句中自動(dòng)完成Node.js模塊
在vscode中打開瀏覽器訪問
自動(dòng)路徑補(bǔ)全
格式化代碼
pug語法提示
縮進(jìn)Sass語法高亮
自動(dòng)搜索工作空間文件中的TypeScript定義，并將所有已知符號(hào)作為完成項(xiàng)提供，以允許代碼完成。
代碼格式化
用element的就知道它的好，支持element代碼自動(dòng)補(bǔ)全
在vscode顯示文件圖標(biāo)
vue 代碼提示
支持typescript的代碼提示與生成片段
vue 代碼提示
https://mirror.bit.edu.cn/apache/maven/maven-3/3.6.3/binaries/apache-maven-3.6.3-bin.zip
在“新建系統(tǒng)變量”中輸入變量名MAVEN_HOME，并將變量值設(shè)置為安裝路徑，在這里為D:\apache-maven-3.3.9
在“系統(tǒng)變量（S）”中，選中“Path變量”,在其變量值的末尾加上%MAVEN_HOME%\bin（注意：跟前面變量值要以英文分號(hào)間隔）。
在windows上按快捷鍵Win+R，在命令行窗口中輸入mvn -v，如果顯示maven基本信息，則表示maven環(huán)境變量搭建成功。
1、設(shè)置國(guó)內(nèi)阿里云鏡像
mirrors節(jié)點(diǎn)內(nèi)添加
<mirror>
<id>nexus-aliyun</id>
<mirrorOf>*</mirrorOf>
<name>Nexus aliyun</name>
<url>http://maven.aliyun.com/nexus/content/groups/public</url>
</mirror>2、默認(rèn)采用jdk1.8編譯
profiles節(jié)點(diǎn)內(nèi)添加
<profile>
<id>jdk-1.8</id>
<activation>
<activeByDefault>true</activeByDefault>
<jdk>1.8</jdk>
</activation>
<properties>
<maven.compiler.source>1.8</maven.compiler.source>
<maven.compiler.target>1.8</maven.compiler.target>
<maven.compiler.compilerVersion>1.8</maven.compiler.compilerVersion>
</properties>
</profile>相當(dāng)于前端的maven，下載地址：https://nodejs.org/en/
cmd 配置鏡像
npm config set registry https://registry.nmp.taobao.org/器之心整理
參與：思源、一鳴
在項(xiàng)目開發(fā)中，優(yōu)秀的代碼自動(dòng)補(bǔ)全工具可以提升工作效率。然而，近來的 IDE 基本都使用搜索方法進(jìn)行補(bǔ)全，在一些場(chǎng)景下效果不佳。近日，有開源項(xiàng)目用深度學(xué)習(xí)模型進(jìn)行代碼補(bǔ)全，顯示出非常有潛力的效果。
近日，Reddit 上的一篇帖子引起了網(wǎng)友的熱議。帖子作者「mlvpj」稱：
「我們使用深度學(xué)習(xí)完成了一個(gè)簡(jiǎn)單的項(xiàng)目，可以自動(dòng)進(jìn)行 Python 代碼補(bǔ)全。」
根據(jù)介紹，該項(xiàng)目基于 LSTM 模型，訓(xùn)練后，負(fù)責(zé)對(duì)代碼的缺失部分進(jìn)行補(bǔ)全。評(píng)價(jià)模型的方法是判斷節(jié)省了多少的按鍵信息——即模型給出長(zhǎng)度為 L 的代碼建議，如果和真實(shí)的代碼匹配，則節(jié)省 L - 1 個(gè)鍵入操作。實(shí)驗(yàn)結(jié)果說明，大約有 30%-50% 的鍵入成本可以節(jié)省下來。
作者在帖子中表示，他們接下來會(huì)嘗試不同的架構(gòu)，并提高推斷的表現(xiàn)。而現(xiàn)在的模型推斷很慢，不能實(shí)際使用。作者已在 GitHub 開源了項(xiàng)目代碼：
鏈接地址: https://github.com/vpj/python_autocomplete
和 IDE 的自動(dòng)補(bǔ)全有什么區(qū)別
該項(xiàng)目對(duì) Python 代碼的自動(dòng)補(bǔ)全與傳統(tǒng) IDE（如 PyCharm）等不同。IDE 補(bǔ)全基于檢索方法，需要從已有代碼中進(jìn)行搜索。
以 PyCharm 中的基本補(bǔ)全（Basic Completion）方法為例。基本補(bǔ)全可幫助補(bǔ)全可見區(qū)域的類、方法、關(guān)鍵詞代碼。使用時(shí)，PyCharm 會(huì)分析補(bǔ)全使用情況，并提供當(dāng)前位置可能的選擇。如果是對(duì)空間、參數(shù)或變量聲明進(jìn)行補(bǔ)全，則 PyCharm 會(huì)基于類別提供一系列可能的命名。
當(dāng)出現(xiàn)已定義的類、函數(shù)、模塊和變量時(shí)，基本補(bǔ)全就會(huì)啟動(dòng)。
此外，PyCharm 也提供智能補(bǔ)全等其他補(bǔ)全功能，但基本上都需要對(duì)已有文本進(jìn)行搜索，根據(jù)位置和類型判斷補(bǔ)全的方法。這些方法都沒有配置機(jī)器學(xué)習(xí)模型。
Pycharm 的自動(dòng)補(bǔ)全介紹：https://www.jetbrains.com/help/pycharm/auto-completing-code.html
深度學(xué)習(xí)怎樣腦補(bǔ)缺失 TF 代碼
最常用的 PyCharm 自動(dòng)補(bǔ)全也能省很多功夫，但它需要 IDE 能檢索到你的代碼文件或庫，而且補(bǔ)全會(huì)提供多個(gè)可能的選項(xiàng)。但是在本項(xiàng)目實(shí)驗(yàn)的工具中，LSTM 會(huì)根據(jù)上下文語義確定最可能調(diào)用的函數(shù)，因此它能節(jié)省更多的成本。作者表示如果使用束搜索，那么一次能預(yù)測(cè) 10 多個(gè)字符，不過這樣對(duì)于實(shí)際使用還是有點(diǎn)低效。
在訓(xùn)練深度補(bǔ)全模型前，我們需要先建立訓(xùn)練集。開發(fā)者會(huì)在清洗評(píng)論、標(biāo)注和空行后，構(gòu)建比較干凈的 Python 代碼。然后，模型會(huì)在這些數(shù)據(jù)上進(jìn)行訓(xùn)練與預(yù)測(cè)。在數(shù)據(jù)預(yù)處理上，開發(fā)者發(fā)現(xiàn)通過 tokenizing Python 代碼，模型效果比通過 BPE 編碼的字符級(jí)預(yù)測(cè)效果還要好。作者提供了一個(gè)簡(jiǎn)單的預(yù)訓(xùn)練模型，它是在整個(gè) TensorFlow 項(xiàng)目的 models 代碼中訓(xùn)練的。
下圖就是作者在驗(yàn)證集中測(cè)試的驗(yàn)證樣本。綠色的字符表示自動(dòng)補(bǔ)全的起始位置，用戶需要按下 Tab 鍵選擇開始補(bǔ)全。綠色及后面高亮的灰色字符是自動(dòng)補(bǔ)全的結(jié)果。
如上所示為驗(yàn)證樣本中的自動(dòng)補(bǔ)全效果。與代碼生成類似，粗略看起來，似乎效果非常不錯(cuò)，但實(shí)際上會(huì)有很多不合理的地方。不過有意思的是，自動(dòng)補(bǔ)全中所有字符串都只有一個(gè)占位操作，這也是非常合理的處理方法。
樣本中自動(dòng)補(bǔ)全的起始和結(jié)束位置都是隨機(jī)的，也就是說代碼可能補(bǔ)全到「tensorfl」就結(jié)束了，并不會(huì)補(bǔ)全完整的標(biāo)識(shí)符「tensorflow」。這在實(shí)際場(chǎng)景中用處非常有限，因此作者將生成結(jié)束位置限制為終止 token 而修復(fù)問題。目前自動(dòng)補(bǔ)全能完成多種 operator，且當(dāng)我們?cè)黾邮阉鞯拈L(zhǎng)度時(shí)，它完成的代碼長(zhǎng)度會(huì)更多。
整個(gè)模型的主體都是 LSTM，它在 TensorFlow 模型代碼庫訓(xùn)練后能捕捉非常豐富的 TensorFlow API。如下所示為自動(dòng)補(bǔ)全模型的主體代碼，基本上簡(jiǎn)單的一個(gè) LSTM 就能搞定：
網(wǎng)友評(píng)價(jià)
項(xiàng)目開源后，有些網(wǎng)友對(duì)作者提出了質(zhì)疑：
「我們已經(jīng)有很多很好用的自動(dòng)補(bǔ)全工具了，比如 kite（一個(gè)可以在 IDE 上使用的插件），為什么還要費(fèi)心搞個(gè)機(jī)器學(xué)習(xí)模型？」
在討論中，有人提出，一些無良的自動(dòng)補(bǔ)全工具會(huì)悄悄上傳代碼到他們的服務(wù)器中，（而自行訓(xùn)練的深度學(xué)習(xí)模型不存在這個(gè)問題）。
也有人提出，其實(shí)不一定要用 LSTM 模型，隱馬爾科夫模型在處理序列數(shù)據(jù)上效果也很好。
此外，也有網(wǎng)友建議使用 CuDNN 加速 LSTM 的推斷過程。這樣能大大提升推斷速度，集成到 IDE 中也就有了可能。
對(duì)于使用深度學(xué)習(xí)自動(dòng)補(bǔ)全代碼，機(jī)器之心的讀者們有什么想法呢？歡迎留言討論。
擊上方“java進(jìn)階架構(gòu)師”，選擇右上角“置頂公眾號(hào)”
20大進(jìn)階架構(gòu)專題每日送達(dá)
進(jìn)階架構(gòu)精品專題
忘了redis從哪個(gè)版本開啟，能夠根據(jù)輸入的部分命令前綴給出提示，即自動(dòng)補(bǔ)全。接下來筆者介紹基于redis實(shí)現(xiàn)這個(gè)很酷的功能。
about sorted set
假設(shè)結(jié)果中有mara，marabel，marcela。現(xiàn)在我們輸入mar，就能得到這三個(gè)名字，并且輸出結(jié)果按照字典排序。在實(shí)現(xiàn)這個(gè)需求之間，我們先簡(jiǎn)單介紹sorted set。
大家都知道sorted set是按照score排序的：
127.0.0.1:6380> zadd test 85 sida 127.0.0.1:6380> zadd test 80 xiaolang 127.0.0.1:6380> zadd test 60 afei 127.0.0.1:6380> zadd test 90 chenssy 127.0.0.1:6380> zadd test 98 yunaiv 127.0.0.1:6380> zrange test 0 -1 1) "afei" 2) "xiaolang" 3) "sida" 4) "chenssy" 5) "yunaiv"
但是如果score都一樣，sorted set是按照什么排序的呢？是按照字典排序的：
127.0.0.1:6380> zadd exam 0 sida 127.0.0.1:6380> zadd exam 0 xiaolang 127.0.0.1:6380> zadd exam 0 chenssy 127.0.0.1:6380> zadd exam 0 yunaiv 127.0.0.1:6380> zadd exam 0 afei 127.0.0.1:6380> zrange exam 0 -1 1) "afei" 2) "chenssy" 3) "sida" 4) "xiaolang" 5) "yunaiv"
這是sorted set一個(gè)非常重要的特性，也是我們自動(dòng)補(bǔ)全需求的一個(gè)要點(diǎn)。但是這還不夠，離我們的最終需求還有一段路要走。幸運(yùn)的是sorted set還有另一個(gè)很酷的命令：ZRANK。這個(gè)命令能知道你要查詢的key在sorted set中的位置：
127.0.0.1:6380> zrank exam sida (integer) 2 127.0.0.1:6380> zrank exam yunaiv (integer) 4 127.0.0.1:6380> zrange exam 2 4 1) "sida" 2) "xiaolang" 3) "yunaiv"
到這里感覺離我們實(shí)現(xiàn)自動(dòng)補(bǔ)全的第一個(gè)版本非常接近了，我們能得到sorted set中按照字典排序后任意一個(gè)member及其后面N個(gè)member。
簡(jiǎn)單實(shí)現(xiàn)
為了實(shí)現(xiàn)最終的自動(dòng)補(bǔ)全，我們需要付出一些代價(jià)：空間。
意思是，對(duì)于某個(gè)準(zhǔn)備添加到sorted set中的member，例如afei，我們不僅要把完整的詞（afei）添加到sorted set中，而且還要添加所有可能的前綴（a, af, afe, afei）。這里為了解決某個(gè)詞是真正的member還是某個(gè)member的前綴（例如bar既是一個(gè)完整的詞，也是某個(gè)member例如bark的可能前綴），我們加了一個(gè)小把戲，即在真正member的后面增加一個(gè)特殊字符，例如"$"，那么afei這個(gè)member就會(huì)添加下列這些詞：
a, af, afe, afei, afei$
現(xiàn)在假設(shè)我們需要添加三個(gè)詞：foo, bar, foobar 來進(jìn)行一些測(cè)試， 那么sorted set中就會(huì)有如下這些詞：
127.0.0.1:6380> zrange autoc 0 -1 1) "b" 2) "ba" 3) "bar" 4) "bar$" 5) "f" 6) "fo" 7) "foo" 8) "foo$" 9) "foob" 10) "fooba" 11) "foobar" 12) "foobar$"
離我們最終的目標(biāo)又要近了很多。現(xiàn)在假設(shè)用戶輸入"fo"，那么為了實(shí)現(xiàn)自動(dòng)補(bǔ)全，我們需要執(zhí)行如下命令，仔細(xì)查看結(jié)果，foo$和foobar$就是我們需要的結(jié)果，只需要將特殊后綴$去掉即可（其他沒有以$結(jié)尾的詞全部忽略）：
127.0.0.1:6380> zrank autoc fo (integer) 5 127.0.0.1:6380> zrange autoc 5 -1 1) "fo" 2) "foo" 3) "foo$" 4) "foob" 5) "fooba" 6) "foobar" 7) "foobar$"
更多詞的測(cè)試
網(wǎng)址http://antirez.com/misc/female-names.txt 提供了近5000個(gè)名字。按照前面說的規(guī)則，將所有名字的所有可能前綴全部添加到sorted set中。假定用戶輸入member，那么只需要通過如下兩個(gè)命令，得到字典排序后用戶輸入的member后面的50個(gè)詞，然后只取$結(jié)尾的詞：
127.0.0.1:6380> zrank autoc member (integer) 8 127.0.0.1:6380> zrange autoc 8 50
時(shí)間&空間復(fù)雜度
根據(jù)官方文檔可知，zrank和zrange的事件復(fù)雜度都是O(log(N))。因此，即使數(shù)據(jù)量比較大，這種方案也是可行的。
ZRANK key member 起始版本：2.0.0 時(shí)間復(fù)雜度：O(log(N)) ZRANGE key start stop [WITHSCORES] 起始版本：1.2.0 時(shí)間復(fù)雜度：O(log(N)+M) with N being the number of elements in the sorted set and M the number of elements returned.
那么需要多少內(nèi)存呢？
假設(shè)在最糟糕的情況下，一個(gè)長(zhǎng)度為M的詞需要添加M+1個(gè)詞到sorted set中。那么如果有N個(gè)詞，總計(jì)需要添加N*(Ma+1)個(gè)詞到sorted set中，Ma是這N個(gè)詞的平均長(zhǎng)度。
幸運(yùn)的是，實(shí)際情況遠(yuǎn)比這個(gè)要好得多，以近5000個(gè)名字為例，只需要添加大約15000個(gè)詞到sorted set中，因?yàn)檫@些名詞存在大量重復(fù)的前綴。以3個(gè)名字為例：marci，marcia，marcile。如果按照最糟糕的情況，需要添加3*(6+1)=21個(gè)詞到sorted set中，然而實(shí)際情況呢，只需要添加11個(gè)詞到sorted set中即可：
m, ma , mar, marc, marci, marci$, marcia, marcia$, marcil, marcile, marcile$。
而且，隨著樣本越來越大，重復(fù)的前綴會(huì)越大越多。
所以，需要的內(nèi)存也還OK。是不是覺得美滋滋？哈
查詢預(yù)測(cè)
我們這次的自動(dòng)補(bǔ)全是按照字典排序，很多時(shí)候，這是我們需要的。但是也有一些情況，我們希望按照相似度來排序。例如google搜索那樣，搜索結(jié)果按照頻率和熱度等維度進(jìn)行排序。例如，當(dāng)用戶輸入ne，用戶應(yīng)該希望看到Netflix，news，new york times等這些熱門關(guān)鍵詞。
這樣做起來就不那么容易了，如果要能達(dá)到根據(jù)頻率排序，我們需要一個(gè)特別的sorted set能以非阻塞的方式實(shí)時(shí)更新每個(gè)前綴的頻率：
當(dāng)用戶輸入一個(gè)例如"foo"這種查詢，由于它的所有前綴為："f", "fo", "foo"。那么對(duì)每個(gè)前綴都執(zhí)行命令：ZINCRBY <prefix> 1 foo ；如果用戶輸入"foobar"，那么對(duì)每個(gè)前綴都執(zhí)行：ZINCRBY <prefix> 1 foobar；
這種方法還有一個(gè)問題，許多自動(dòng)補(bǔ)全系統(tǒng)只需要展示TOP N個(gè)關(guān)鍵詞，假設(shè)N為10。但是我們這種方法，如果要計(jì)算TOP 10，我們需要取得關(guān)鍵詞遠(yuǎn)不止10個(gè)，理論上我們要這個(gè)前綴作為key的sorted set中所有member都取出來。
幸運(yùn)的是，從統(tǒng)計(jì)學(xué)上來講，每個(gè)對(duì)于sorted set中有300個(gè)member的前綴，就能得到TOP 5關(guān)鍵詞。如果查詢?cè)筋l繁，它的得分越高，它最終被選中的概率也就越高。因此，我們要做的就是對(duì)搜索字符串的每個(gè)前綴：
這個(gè)方法一下子可能理解不過來，沒關(guān)系，舉個(gè)栗子。假設(shè)現(xiàn)在用戶輸入了next，其前綴n為key的sorted set中已經(jīng)有netflix(100), news(120), new york(80), near(23), nequ(1)。由于這個(gè)前綴對(duì)應(yīng)的sorted set中的member數(shù)量還沒有300，所以，執(zhí)行：zincrby n 1 next。其中n是前綴，next是用戶輸入的關(guān)鍵詞。假設(shè)現(xiàn)在用戶輸入了next，其前綴n為key的sorted set中已經(jīng)有netflix(100), news(120), new york(80), near(23), 省略295個(gè)score大于1的關(guān)鍵詞, nequ(1)。由于這個(gè)前綴對(duì)應(yīng)的sorted set中的member數(shù)量達(dá)到了300，所以，先刪除得分比較低的nequ，再執(zhí)行：zincrby n 1 next。
這個(gè)方法跟用戶輸入關(guān)鍵詞分布有很大的關(guān)聯(lián)性，如果用戶輸入的所有關(guān)鍵詞頻率比較接近，那么這個(gè)方法得到的數(shù)據(jù)并不是很可靠。但是我們知道這不是問題，因?yàn)樗阉骶褪墙^大部分人在搜索那一小部分關(guān)鍵詞集合。
清理階段
由于上面提到的搜索長(zhǎng)尾效應(yīng)，我們可以講那些得分為1的member清理掉，因?yàn)橛脩魧?duì)這些關(guān)鍵詞幾乎沒有任何關(guān)注度。清理操作還能夠減少使用內(nèi)存，從而讓redis保存更多更有用的數(shù)據(jù)。
知識(shí)總結(jié)
參考：http://oldblog.antirez.com/post/autocomplete-with-redis.html
來源：轉(zhuǎn)載自阿飛的博客
*請(qǐng)認(rèn)真填寫需求信息，我們會(huì)在24小時(shí)內(nèi)與您取得聯(lián)系。
