教程 | 详解如何使用Keras实现Wassertein

原标题：教程 | 详解如何使用Keras实现Wassertein GAN

选自Deeply Random

参与：晏奇、李泽南

在阅读论文 Wassertein GAN 时，作者发现理解它最好的办法就是用代码来实现其内容。于是在本文中，作者将用自己的在 Keras 上的代码来向大家简要介绍一下WGAN。

GAN，亦称为生成对抗网络（Generative Adversarial Network），它是生成模型中的一类——即一种能够通过观察来自特定分布的训练数据，进而尝试对这个分布进行预测的模型。这个模型新获取的样本「看起来」会和最初的训练样本类似。有些生成模型只会去学习训练数据分布的参数，有一些模型则只能从训练数据分布中提取样本，而有一些则可以二者兼顾。

目前，已

想读更多 ->

干货|必读的JAVA学习资料，赶快收藏！

原标题：干货|必读的JAVA学习资料，赶快收藏！

不论你是刚接触Java，还是已经对学习Java有了自己的一些见解，也不管是Java 8还是未来的Java 9，是否牢牢掌握了Java的根本对以后从事于这方面乃至有所建树都是很重要的。

虽然现在可以很容易地通过网上的一些文档掌握语法，但还是应该准备几本书，好对一些概念进行深入的研究。

小编在一些IT资讯网上为大家整理出一些干货，内容不全但求基础实用，小伙伴们赶紧收藏咯！

《Head First Java》

（第2版 ·中文版）

想读更多 ->

史上被骂最多的编程语言——JavaScript

原标题：史上被骂最多的编程语言——JavaScript

文章作者：金旭亮（http://my.csdn.net/bitfan）原文链接：http://blog.csdn.net/bitfan/article/details/10362461

一、世无英雄，遂使竖子成名

1 Web客户端编程语言事实上的王者

（1）Java为何成功？

几乎所有的Java书都会先介绍一番Java的历史，比较有趣的是我在资料中看到这样一句话：

Java的设计者Brendan Eich曾在一次采访中说，Java“几天就设计出来了”。

Ruby的设计者——松本行弘为此感叹：

“这样的出身，得到这样的成功，还真让人出乎意料，……”，

“但由于开发周期短，确实也存在着不足……”。

确实，作

想读更多 ->

使用Java API的5个技巧

原标题：使用Java API的5个技巧

本文介绍了一些关于Java API安全和性能方面的简单易用的技巧，其中包括保证API Key安全和开发Web Service方面中在框架方面选择的一些建议。

程序员都喜欢使用API！例如为app应用构建API或作为微服务架构体系的一部分。当然，使用API的前提是能让你的工作变得更轻松。为了简化开发和提高工作效率所作出的努力，有时也意味着需要寻找新的类库或者过程（或者减少过程）。对于很多开发团队来说，对于其APP和API进行管理认证和访问控制要耗费很多的时间，因此我们需想分享一些技巧，它们能节约你的时间，减少代码编写量，并能让你的应用更加安全和易于维护。

先介绍下本文提及的背景知识：Okta是一个基于REST、JSON API构建的Java应用，使用Spring框架构建。我们公司的应用，是保存用户的身份凭证和其他公司的敏感数据，所以对我们来说，安全是最重要的。因此，我对这些技巧的第一个要求是，它们能帮助令到你的Java应用更安全。

这些建议应该是任何类型的Java应用都是通用的。它们会帮助你更快地编写代码，但代码量更少了，同时又更安全：这真的是

想读更多 ->

解构TensorFlow, 学习MXNet -- 新一代

原标题：解构TensorFlow, 学习MXNet -- 新一代深度学习系统的核心思想

作者：陈天奇

这是一个以标题党风格的科普文。深度学习工具潮流滚滚，各种工具层出不穷。也有各种文章从易用性，可移植性，灵活性和效率方面对于各个系统进行比较。这篇文章希望从系统设计上面来讲来回答这个讨论这个问题：如果想到从头设计一个TF一样的新一代深度学习系统，到底需要把握哪些要点。

计算单元：从layer abstraction到operator

大家熟悉的第一代深度学习系统，以cuda-convnet2和caffe为代表。这些系统主要的一大特点是提出了一个以深度学习计算层次layer为基本单元的计算单位。不同的layer可以包含权重，并且相互组合。因为有了可以被组合的概念，不同的层次可以被组合在一起，从而可以比较灵活地尝试各种网络结构。

包括Tensorflow在内的比较新的系统一般都采用了和layer稍微有一些区别的模式: operator。operator和layer最大的差别就是不再区分参数和数据，并且参数本身不再是la

想读更多 ->

程序员中的老司机们，30 后的路该开向哪里？

原标题：程序员中的老司机们，30 后的路该开向哪里？

我是程序员，也是老司机。我已过而立之年，也还没过而立之年——年纪是到了，却还没有立，不论是立德、立言还是立功。你问我慌不慌，我问你路在何方。

我当程序员数数日子，八年有余，自封老司机也不算太过分，至少写过的代码比吃过的盐多。那些碰到过的臭虫，被指派的需求，请求的网页，搜索的问题，都是沿路的风景。你问我风景美不美，我问你前路在何方。

我写过客户端、做过网站、写过后端服务，踩过的坑，多过别人埋过的地雷。网页开发很无聊，客户端适配也枯燥，服务器高并发只能靠重启。你问我焦虑不焦虑，我问你午夜加班键盘声，是不是如同窗外蛙鸣焦躁不安。

你问我迷茫不迷茫，我问你前方该左移还是右移。

30 了，写代码十年八年了，老司机们 coding 的时候很熟悉左移和右移，但是开车到这个年纪……想想当年读着侯捷的书，看着人家

想读更多 ->

安卓单元测试全攻略，让代码测试一劳永逸

原标题：安卓单元测试全攻略，让代码测试一劳永逸

前言

安卓单元测试，只看这一篇就足够啦。真正的完全解析，真正的从0到1，Junit结合Mockito与Robolectric实现从M到V再到P，Jacoco扫描函数、逻辑、代码行数单元测试覆盖率100%的全面测试。你是否还在为了验证联网与未联网状态而频繁的开关WiFi开关？或者你是否还在为一个switch判断而频繁的使用debug断点setValue来观测代码的逻辑判断情况？又或者你是否还在为了校验某个UI文案的正确性而反复的比对UI稿？可能你会反问，难道写完代码自测也有错？当然不是，自测是一个良好的习惯，不过作为一名工程师，你要做的不应该只是看看点点的黑盒测试，而是应该设计出一套能够让代码测试代码，一劳永逸的测试工程。

正文

首先我们从Model层开始，通过具体代码来详尽说明一下一个单元测试覆盖率100%的测试工程是如何建立的。严格意义上讲，Model数据层负责数据加载与储存，是游离于安卓环境之外的存在，所以它可以不需要借助安卓SDK的支持。使用Junit结合Mockito即可做到100%条件分支覆盖率的单元测试。如果项目的Mode

想读更多 ->

CovertUtils：一个用于设计和创建后门的Pyth

原标题：CovertUtils：一个用于设计和创建后门的Python模块

我在GitHub也混迹多年了，GitHub上眼花缭乱的后门项目也是令我印象非常深刻的。但是每一个项目似乎都有其自身的短板和优点，因此我打算创建一个项目，而这个项目将包含所有与后门有关的部分。

CovertUtils

在奋斗了好几个月之后，CovertUtils-一款用于后门编程的专用Python框架终于问世了！

这个Python模块可以自动化地处理所有的通信信道选项，例如加密、分块和隐写等等。虽然本项目的代码行数非常少，但它的功能却非常强大，这也是Python的特性之一。它允许编程人员花较少的时间开发出针对实际情况的Payload、shellcode以及更多具有创造性的东西。除此之外，安全研究人员也不必再重复造车轮了。

Python

没错，本项目采用Python语言开发，目前可支持的版本为Python 2.7。

完全不需要任何的外部依赖组件

是的，你没听错！本项目采用纯净的Python进行开发，目前你在使用CovertUtils的时候完全不需

想读更多 ->

Java 面试参考指南（ 一 ）

原标题：Java 面试参考指南（ 一 ）

来源：ImportNew - darthy，

Java面向对象相关概念

Java是一种基于面向对象概念的编程语言，使用高度抽象化来解决现实世界的问题。 面向对象的方法将现实世界中的对象进行概念化，以便于在应用之间进行重用。例如：椅子、风扇、狗和电脑等。

Java里的类（Class）是一个蓝图、模板，或者称之为原型，它定义了同一类事物的相同属性和行为。实例（Instance）是某个类的一个具体实现，同一个类所有的实例拥有相同的属性。举例来说，你可以定义一个类叫做“房子（House）”，这个类拥有一个属性叫做“房间数（number of room）”，这样你就可以创建一个“房间数”为2的“房子”实例，你还可以创建一个“房间数”为3的“房子”实例，等等等等。

优点：

面向对象软件开发的若干优点在于：

模块化，维护成本低；

更好的代码重用，具备继承性，开发更为敏捷；

更好的代码可靠性和灵活性；

对现实世界进行建模，易于理解；

想读更多 ->

基于神经网络的高性能依存句法分析器

原标题：基于神经网络的高性能依存句法分析器

一、依存句法分析器综述

谈起依存句法分析，主流的统计句法分析一般分为两大流派——生成式和判决式。

1、生成式句法分析

生成式就是生成一系列句法树，从里面挑选出概率最大的那一棵作为输出。在具体实现的时候，可以选择最大熵等模型去计算单条依存边的概率，利用最大生成树算法来挑选最佳句法树，比如《最大熵依存句法分析器的实现》。

其优点是效果好，但开销大。训练的时候常常要用一份巨大的特征模板，得到的模型中含有大量复杂的特征函数。在解码的时候，这些特征函数的储存和运算成本很高。由于是全局最优，所以可以取得较高的准确率，还可以很方便地处理非投射的句法树。不过也由于搜索的全局性和特征函数的复杂度，模型常常会过拟合，在训练集和测试集上的准确率差别很大。

2、判决式句法分析

判决式一般是基于动作（或称转移）和一个分类器实现的，仿照人类从左到右的阅读顺序，判决式句法分析器不断地读入单词，根据该单词和已构建的句法子树等信息建立分类模型，分类模型输出当前状态下的最佳动作，然后判决式分析器根据最佳动作“拼装”句法树。

想读更多 ->