Author Archives: Oyasumi

Lambda Expression in C++

Lambda表达式是编程中很实用的工具，作为热门的，最受欢迎编程语言之一（大概？），C++11及其以后版本，也提供了对lambda表达式的支持，下面让我们逐步学习和了解C++中的Lambda表达式吧 首先我们先看一个lambda表达式的使用例子： 观察得到，C++ lambda表达式基本结构如下： 接下来我们将逐个部份进行介绍。 Capture Clause 首先是第一部份[]。这一部份被称之为捕获语句（Capture Clause）。在这一部份，你可以捕获lambda声明时范围内的变量。你可以在周围环境中捕获需要的变量，同时可以选择捕获类型为值传递还是引用传递。 默认情况下，Capture语句中捕获的变量将会以值传递形式传递。 需要注意，配置默认捕获模式将会将周围环境的所有变量暴露给lambda表达式。如上述代码，lambda c和d均设置了默认Capture设置，这种情况下，周围环境的所有变量都将会被Capture，c和d可以各自依照自己设定好的默认捕获模式访问到num2，但是a和b不能访问到num2。 同时，lambda表达式初始化时，也允许进行赋值操作，请看下面的代码。 如上述代码，我们可以在lambda表达式的 Capture Clause 部分声明新的变量。新的声明变量同样可以是值传递或者引用传递。需要注意的是，在 Capture Clause 声明变量时，我们无需显式指定变量类型，lambda表达式会自动推断其类型（如上述代码中，refToC自动被推断为 int & 类型） 还有一个需要注意的点，默认情况下，Capture Clause 中捕获和声明的所有变量将会以const形式进行传递。也就是说lambda body中，默认不可以对 Capture Clause 中的变量进行更改。如果您想在 lambda body 中对 Capture Clause 中的值或者引用进行更新或修改，请在参数列表，函数体前加上mutable关键字。

「杂谈」《中二病也要谈恋爱！》追番记录

注 本篇将会包含该番剧剧情相关内容以及人物性格特点与背景故事等等，为强剧透文章，若还没有观看完原作的建议待追番完成后再阅读本文。 关联番剧：中二病也要谈恋爱！ EP05 – 束縛の・・・十字架 这一集个人感觉主要的功劳在于加深六花角色的个人故事塑造和背景补全。以到未花家补习为契机，引入对于六花平日生活情况的介绍，姐姐工作日常年加班不能准时回家，而通过交换邮箱和更改邮箱名称的剧情，又说明六花身边其实没有什么能陪盼着她玩耍与成长的朋友（联系方式只有姐姐十花和之前唯一的中二病玩伴凸守早苗）。 这种属性和人设其实增加了六花的可怜感，给人一种更想去关爱她，陪伴她的感觉，同时也从一定程度上合理化了她一直拥有中二病状态的这一点：就算生存与孤独的现实之中，内心也有属于自己的美好世界。这也许才是六花一直无法摆脱中二病的实质吧——那是真正的，属于她自己的乐园；如果“治好”了中二病，是否又意味着要和自己唯一的朋友说再见了呢？这个我们作为三次元的观众，也不得而知了。 除此之外，上述提到的这种人设也与前面几集树立起来的“中二病”形态的六花人设产生了对比，前面几集的六花给人一种傻傻的，纯真可爱的少女的感觉，包含着青春与纯真的感觉，而这集又描述出一个缺少陪伴的，孤独的六花形象，在角色塑造上增强了角色的立体感和真实感。 顺带一提，我认为在这个时间点开始往六花角色深度塑造方面的努力是合理的，如果太早的开始塑造，六花的中二病方面的人设可能就还立不住，盲目的增加角色的人设广度可能会导致观众一时无法接受，给人一种过于匆忙的感觉。而本集（第五集），六花前期的基本人设已经可以算立稳了，在这之上引入新的人设就没有过于突然的风险，观感会相对舒服和自然一些。 再顺带一提，就看到目前为止，早苗是长得最戳我XP的一个角色（确信）。六花应该也挺好看的，可惜我本身就更加偏爱长发/双马尾这些要素，再加上六花的眼罩我不是太喜欢（如果眼罩摘下来应该能加点分！不过估计还是干不过早苗（笑） Pixiv链接：https://www.pixiv.net/artworks/105088866 EP06 – 贖罪の・・・救世主 好好好摸jiojio都这么熟练了是吧勇太（恼）只能说制作组确实太懂了。 看完全集之后才领悟到本集标题的含义。这集首先回应了番剧刚开始对于“给班级女生排名”一事，在剧情上取到了Callback的作用，同时也通过这个时间衍生出被发现之后的一系列故事。总体给我的感觉就是这部番的人设都透露出其他番剧少有的一种真实感。虽然说番剧的一大重点放在了中二病上，但是剧本并没有完全放开自己进行畅想，而是保持了相当程度的与现实社会的统一和克制，让观众看起来会有一种：“啊这个剧情确实有可能出现在日常校园生活中呢…”的这样一种感觉。 对于一色诚的人设来说，他本身作为一个处于青春期的高中生，确实像是会做出“给班级中的女生排名”这种事情，但编剧并没有选择为了节目效果把人物的人格和设定标签化和极端化（这是相当一部分番剧会有的问题，角色个性非常单一和强烈，虽然可以提高观众对于人物的印象，可是也会因此显得有点过于理想化，让观众很难把世界观与现实生活相关联，降低了上文所提到的“真实感”），而是又通过主动认错，成为“救世主”从而保护班级里其他男生免于被追责的情节，塑造出了这个角色的另一面，同样，这也是一个现实生活中的人本该拥有的样子：现实中没有绝对的标签化，一个人会有坏的一面，也会有好的一面，会有缺点但肯定也存在优点，这才是真实的世界，真实的人。这点在后面一色诚宣城要剃头可是后面又不太愿意的剧情上又得到了再次体现。 可以发现就在之前的一集（EP05），编剧同样也在六花身上应用了相似的手法，增加了六花的立体性，实际上我认为也起到了避免标签化，增强真实感的作用。 EP08 – 二人だけの・・・逃避行 注，此部分同时包含“EP07 – 追憶の・・・ 楽園喪失”的内容。 可以说，这两集是剧情发展的关键帧。EP07中首次引入了可以称之为是主线剧情的事件，介绍了名为“小鸟游六花”的少女背后的故事。交代了数年前六花父亲意外身亡的重要剧情信息。从剧情上来说，这个设定无疑起到了很好的推动剧情发展的作用。首先就比较合理的解释出为什么六花会变成现在这种“中二病”的状态：当时的六花无法接受突如其来的悲痛事实，可以说通过所谓的“中二病”，欺骗自己所谓的“彼方的世界线”的存在，来降低自己的心理压力，缓解自己的悲伤。编剧出了正面描写该剧情事件外，还花费了一些笔墨勾勒了六花家庭成员的情况，说明了几乎所有六花的亲人都不太能接受六花的“中二病”行为，爷爷并不喜欢六花这个状态，奶奶虽然也心疼六花，可是还是对六花的“中二病”感到无可奈何。 而姐姐十花的人设更加丰富，一方面，姐姐并不像爷爷那样排斥与讨厌六花的这种行为，而是愿意包容六花，一直在生活上关爱与照顾着自己的妹妹。这点剧情中都有侧面描绘出来，包括班里的同学都发现六花的便当非常丰盛，在班里甚至成为了话题，以及后面EP08中勇太带六花去便利店购买食物时，六花提到的“姐姐平时不让我吃便利店的东西”；这些点都可以映射出十花对于自己妹妹的关爱。 可是另一方面，姐姐对于六花的“中二病”实际上也并不认可。剧情中也清晰的表达出姐姐希望六花恢复正常，直面现实的态度。可就是这样，十花还是一遍遍的，可以说不厌其烦的陪着妹妹玩着她认为“幼稚”的游戏，这店令我感到一丝温暖与感动，也许就是亲人之间说不清的感情羁绊吧，即使是中二病的妹妹，她也愿意始终站在她的旁边，替她接受冰冷的现实，承担生活的压力，给予她作为姐姐的关爱与陪伴，这也许就是亲情的伟大吧。 此外，这两集也借剧情推进的节奏将两人的关系进一步拉近，在知道六花的心事之后，勇太一步步的接受六花的“中二”，陪六花寻找“彼方的世界线”，六花也渐渐在在勇太身上，看到了一个属于过去的，熟悉的身影。 我认为这里可以说是非常漂亮的一笔，六花这一刹浮现出的存在于过去的美好的回忆，瞬间提升了勇太在六花心中的地位与重要性，也真正在这两个角色之中建立了一种比所谓的“青春的悸动”更上一层的，更加牢固和重要的羁绊。 “你 [邪王真眼] 的世界中所缺失的那份美好，就由我 [Dark Flame Master] 来为你补全吧。”，如此给了我这样一种既视感。 她们逐渐开始了解彼此的故事，分享彼此的喜悦。彼此的心中都逐渐开始萌发出不知其名的一份情感，作为世界之外的观众，我着实感到欣慰，也期待着属于她们的故事。

Sparse Table

ST表，全称 SparseTable，也叫做稀疏表。是用来解决区间和和区间最大最小值问题的一种工具。其实推广开来，其可以用来解决任何可重复贡献（associative）问题。 使用条件 可重复贡献问题 ST表要求其处理的问题必须具有“可重复贡献”这一特征。具体是什么意思呢？ 假设有操作F，使得其满足下列关系: 则称F符合可重复贡献问题的特征。 如图，不难发现max()最大值函数就符合可重复贡献问题的特征；读者可以自行验证，sum()，min()等函数都符合这个特征，这也证明了ST表可以解决最大最小值以及区间和等问题。 元数据可不能改变噢 在使用ST表解决问题时，我们必须确保所有的查询结束前，ST表所对应的元数据都不改变。 有些数据结构（比如线段树）在元数据更新之后（比如原来的数组中，某个数值由3变成了5），可以有对应的事件复杂度比较低的方法对结构进行更新，以达到一边更新一边查询的效果。ST表则无法提供类似的方法，所以确保你的问题中没有要求在查询期间动态调整元数据的要求。 SparseTable意义与使用 接下来，我们采用由表及里的过程，先了解ST表的意义以及使用方法，之后再来说明如何生成ST表。 一些准备——向下取整的Log2函数 由于SparseTable的特性，无论是根据数据生成ST表，还是得到ST表后对数据进行查询，都会比较频繁的用到向下取整的log2函数，所以特地说明。我们对于向下取整的log2运算稍加分析，可以得到log2(x)向下取整的具体意义是： 对于某一个数N，返回可能的最大的数字n，使得2的n次方小于等于N，且2的n+1次方必定大于N。 比如对于7，log2(7)向下取整为2，2的2次方不超过7，但可以保证2的3次方一定大于7（8>7）。 了解了这个之后，让我们来看看SparseTable如何快速解决规模庞大的可重复贡献问题吧~ ST表中数据的意义 我们接下来选择一个经典的可重复贡献问题——区间最大值问题，作为示例。 假设我们有一个数组 {3, 2, 1, 4, 5, 9, 7}, 其数据元素个数为7，要求必须在非常低的事件复杂度内，查询某个特定区间（比如从下标0到下标5）的最大值。此时，如果直接循环求解，会导致复杂度随着查询区间长度不断增高，这就是ST表登场的时候啦。 如上图，对数组进行处理之后，就可以得到下方的二维数组，也就是我们大名鼎鼎的SparseTable——ST表。那么问题来了，图中ST表中的数据，到底具有什么含义呢？ 首先需要知道的是，ST表正常情况下使用一个二维数组st[idx][pow]来储存。下面对这个二维数组每一个位置元素的意义做出解释： 例如，对于区间最大值问题，假设原数组为arr，处理后得到的ST表中，st[1][2] = 5，则说明：原数组，从下标为1开始，长度为2^2=4的区间内，最大值是5。 特定区间的查询 知道了ST表的数据的意义，我们就可以着手解决特定区间查询问题。 这里需要注意的是，虽然ST表可以解决不同的可重复贡献问题，但是其在面对不同的可重复贡献问题时，最优查询方式可能有一定的区别。接下来，我们先通过上方的“区间最大值”例子，介绍一下区间最值问题的ST表查询。 合适的长度 首先，为了降低时间复杂度，我们希望用尽可能少的区间查询来拼凑出完整答案。可以证明，在ST表处理区间最值问题时，无论区间长度位置，我们都可以用ST表支持的两个区间，拼接出答案。比如对于区间(1, 6)，可以由区间(1, 4)和区间(3, 6)区间的结果再求最值得到。对于“最值”问题，我们只需要保证选择的区间完整覆盖住所求区间，且不超过所求区间即可，而这多个区间允许有重复部分。 同时，为了保证所用区间尽可能少，每个区间就要尽可能大。这个时候，上方说到的log2向下取整计算就派上用场了。由于ST表代表的区间长度只能是2的n次方倍，所以，不超过区间范围的区间，其最长长度就是log(区间长度)向下取整。 比如对于(1,6)区间进行最值计算，log2(6)向下取整=2。说明只需要在合适的位置，用两个长度为2^2=4的区间覆盖即可。这代表了，我们要取的数据肯定在ST[idx][2]内——我们确定了pow。 合适的位置 我们已经知道了，只要位置安排合理，我们肯定能用两个长度为4的区间覆盖住(1, 6)，那么这两个区间的位置，应该如何选择呢？ 思考之后发现，我们肯定希望： 如上图，最终，我们可以得到： 我们对这两个区间的最大值再求一次最大值即可，最终答案为max(5, 9) = 9。 如果用ST表来计算，运算过程如下： 是时候该自己实现ST表啦Continue reading “Sparse Table”

Bellman Ford Shortest Path

开始之前 本Blog之前已经介绍过一种单源最短路算法——Dijkstra算法。但Dijkstra算法也有着自己的缺点，其中最明显的问题就是无法处理带负权边的图，其原因与其算法中包含的贪心原理有关。 而接下来介绍的算法，则拥有处理负权边的能力，该算法就是Bellman Ford单源最短路算法。该算法的核心思想是，对图中的每条边，都进行足够次数的Relaxation（松弛）操作，从而逐步推导出每个点距离出发点都最短路径长度。 关于Bellman Ford算法的原理和代码实现，网络中已有大量优秀的资料，这里便不再说明算法本身的详细工作流程。接下来着重说明一些Bellman Ford算法中一些限制条件，及其相关的一些理解。 Bellman Ford算法特性 当出现负权回路时… 在通过Bellman Ford算法计算单源最短路时，会要求所计算的图中不得存在权值为负值的回路。这个限制相对较好理解，下面举一个简单的例子。 如图，图中的A->B->C->A便是一个负权回路。而假设我们现在需要以A点作为出发点计算最短距离，请问A->D的最短距离应该是多少？不难发现这里出现了死循环。我们可以从原点出发，不停的走A->B->C->A这条路，每循环一次，我们距离出发点的距离就会越来越小。这也就意味着，只要我们的路径不断的在负权回路中重复足够多次，每一个点距离出发点的距离都可以认为是无穷小，这显然是不合理的。 负权回路对于图来说是存在特殊意义的，比如在经济学的部分领域中，“负权回路”是一个非常具有吸引力的词，因为可能代表着可持续的收益链，也可以代表着套利的机会，但Bellman Ford不认这些，在单元最短路算法的世界中，我们暂且不接受“套利机会”的存在。也就是说我们不允许待处理的图中出现负权回路，以此来保证计算结果是有意义的。 对于Bellman Ford算法的一些理解 迭代次数的理解 Bellman Ford算法的核心思想，在于每迭代一次，就对所有边进行遍历，并执行Relaxation操作。这里不难发现，迭代k次时，得到的结果，可以保证至少是路径条数为k时的最优解。 为什么说是至少呢，因为其遍历的结果可能跟边遍历的顺序有关，如下图： 如图，我们发现对于图中的无向图，如果从左边的边开始遍历，实际上遍历一次之后我们就已经得到了最优解。而如果从右边开始遍历，我们就需要遍历3次才能得到最优解。 按照这个思路理解，不难推出，遍历k次时，得到的答案，只能保证，至少是路径条数为k限制下的最优解。 这里对路径条数做出说明，一个路径由多个边组成，上方所说的“路径条数”，指的是对于某条路径，其经过的边的个数的和。 为什么迭代次数等于点的个数？ 上方我们已经论述了迭代次数k的意义，迭代k次时，得到的结果至少是路径条数k情况下的最优解，部分点的数据可能比会更优，但对于所有的点，只能保证其为路径条数k情况下的最优解。 那么我们到底需要迭代几次呢？根据定义，我们将问题转换成为：对于一个无向图，其某个点A到某个点B的全局最优路径中，最多可能经过几条边。 经过思考之后发现，最坏情况下，最优路径将会不重复的经过所有点。接下来对这个结论进行简单的说明： 首先是经过所有点。如果我们想要强迫最优路径经过尽可能多的点，最坏的情况之一，便是这个图形成了一个没有分叉的纯线性结构（就像上方对于迭代次数解释时所用图一样，每两个点用一条边链接，总边数为点数-1），这样从最左边到最右边的点，最优路径边毋庸置疑是经过所有的点。 其次是不重复。为什么我们可以确保最优路径中不会重复经过同一个点呢？这从某个角度上来说得益于算法前面的一个前提条件——不允许负权回路。想象一下，如果路径重复经过了同一个点，说明这个路径必定存在一段回路（从重复点出发，经过某个路径，又回到重复点）。而此时如果这个回路确定不是负权回路，那么说明如果跳过这段回路，我们可以得到一个权重更短的路径，反向说明了目前的路径不是最优路径。因而可以确定，如果一个路径被确定为最优路径，且该图中没有负权回路，那么这个路径绝对不会重复经过同一个点。 说明完毕，接下来让我们看看这两个结论，不难发现，不重复经过所有点，那么对于一个点个数为N的图，符合条件的路径，最长只能是N-1（因为一旦大于N-1，说明必定要产生回路，与条件冲突），所以最终确定，如果需要得到全局最优，其最少迭代次数为N-1。 综上所述，容易得到，算法的时间复杂度为O(N*M)。其中，N为点的个数，M为边的个数。 为什么它能攻克负权边？ 在Dijkstra算法的文章中，笔者提到了一个观点，Dijkstra的核心是基于贪心的，而贪心带来了局部最优解这一隐患。带着这个角度再来看Bellman Ford算法，是否有一种熟悉的感觉？Bellman Ford算法的每次迭代都基于上一次的迭代结果。先知道路径条数1情况下的最优解，再根据此状态推出条数2情况下的解，以此类推最终得到路径条数为N-1时的最优解（也就是全局最优解），是不是有点「动态规划」的味道了呢？正是借助这这种工作模式，不像Dijkstra算法一样看到一点点甜头就着急的把点Close掉，Bellman Ford拥有了不被眼前甜美假象迷惑的能力，坚持着自己的本分，不断想着正确的道路一步步迈进，最终终于得到了令人满意的结果。 相关链接 GeeksForGeeks Bellman Ford算法介绍（英文） 「编程笔记」Dijkstra算法为什么无法处理带有负权边的图

Why Dijkstra Can’t Deal with Negative Weight

前言 Dijkstra算法是一种可以计算有向或无向图中单源最短路的算法。其工作模式与图的BFS（广度优先遍历）有些相似，通过类似于广度遍历的方式，逐渐从某个设定好的起点向外推进，一步步的计算出所有点到该点的距离。 本文不过多介绍Dijkstra单源最短路算法本身，如果仍然没有掌握该算法，可以先自行了解该算法的工作模式。下面提供一些可供参考的资料： 知乎：通俗易懂理解——dijkstra算法求最短路径 负权边对于Dijkstra算法的影响 Dijkstra算法工作模式 要了解该影响，首先需要明确Dijkstra算法的工作模式。其维护两个点集合。一个是“仍未确定最优解的点（S）”，一个是“已经确定最优解的点（U）”。且有一个重点：在算法工作期间内，如果某点被认为已经得到最优解，则该点会被从S移动到U，可以认为，从此以后该点已经被Closed（关闭），即解已经确定，且不容被更改。 为了方便，我们称在S中的点为opening vertex，U中的点为closed vertex 当图中出现负权边… 了解这一点后，让我们来看看下面这个图片示例，看看当负权边出现在图中时，可能会对算法造成什么影响： 如上图，假设我们尝试使用Dijkstra算法，计算该图中各个点距离C点的距离。 图中，绿色的点为closed vertex，白色的点为opening vertex，点上方的方框代表该点的，实时更新的计算距离。 1：算法首先锁定C点，将C点到C点的距离标记为0，并认定为最优解，然后根据C点尝试更新与其相连的opening vertex的距离（这里为A，B点，得到更新后距离是为1和5）。 2：剩余的opening vertex中，A距离出发点（C点）最小，距离为1，故锁定A点，（注意：锁定A点说明算法认为A点的最优解就是1，且之后算法也不可能再次更新A点的距离值，因为A点已经为Closed状态了），同时，锁定A点之后，再次更新与A点相连的opening vertex的值（与A点相连的点有B和C，但因为C点为closed vertex，故仅仅尝试更新B点的值），计算得到B点最新距离为min(5, 1+(-10)) = -9 3：最后，锁定B点，算法计算完成。 上方便是Dijkstra算法在示例图中的运行步骤和结果。不难发现，算法对于A点的最短距离出现了计算失误：实际上，A点的最短距离走法并不是C->A (1)，而是C->B->A (-5)。 怎会如此？ 分析之后可以发现，Dijkstra算法的核心，就在于每次都选择S集合中距离最小的点，并将其锁定，再通过这个点进一步更新其他点的距离。但为什么Dijkstra认为S集合中目前距离最小的点就是最优解呢？有没有可能从其他的点出发可以得到更小的距离呢？ 比如在上述的示例图中，锁定C点后，算法认为A点的距离是1，B点的距离是5，所以A点的距离为1一定是最优解。那么有没有可能实际上1并不是C到A的最优解，我们通过B点走其他的路径最终可以得到更小的解呢？ 答案是，当边的权值非负时，不可能，当边的权值存在负值时，则有可能。 当权值非负时，B点已经离出发点有5点的距离，所以所有从出发点出发经B点的路径，其长度必定大于等于5，但是当权值存在负数的时候，这一点就无法确定，经过B点的路径如果后续经过负权边，其路径长度总和也有可能再次小于5，此时，我们就无法确定C->A的1距离一定是最优解了，因为我完全有可能经由B路径得到一条总距离小于1的路径到达A。 上方的论证可能并不全面和严谨，不能作为Dijkstra算法相关特性的严格证明，但对我们进一步理解Dijkstra算法有着一些帮助。 一些有趣的说法 不难发现，实际上Dijkstra算法的设计和「贪心」有着很大的联系，实际上在S集合中选点就是一种贪心的行为。而我们都知道贪心算法的局限性，就是在部分情况下，其可能陷入局部最优解。而我们可以认为，当Dijkstra遇上负权边，就导致了其中贪心部分陷入了局部最优解（只考虑眼前的最短边（比如在5和10两条边中毫不犹豫的选择5），而忽略了目前看似落后的边未来的长期收益（比如那条权值为10的边链接的点，接下来将经过一条绝对值非常大的负权边-10000之类的），这也警示我们不要贪图眼前的小利，眼光应当长远（雾 如果我就是想拿下负权边呢？ 噢亲爱的读者，相信我，不止你一个人有这种想法；实际上上百年前就已经有两名小伙想要拿下他，他们的名字分别是Richard Bellman 和Lester Ford Jr，接下来，就是Bellman Ford算法的表演时间了。 如果你对与这个Bellman Ford算法感兴趣，可以在互联网上找到很多关于这个算法的优质教程，其通过一次次迭代，对边进行Relaxation操作，实现了对于单源最短路径的求解，在本Blog的另外一篇文章「编程笔记」关于Bellman Ford单源最短路算法 中，也对这个算法做出了一些讨论，希望能对您产生一些帮助和启发。

「编程笔记」Flutter中局部Provider的跨Page传递

开发过Flutter项目的同学应该对于Provider不陌生，Provider是Flutter中的一个状态管理包之一，也是Flutter官方推荐的状态管理Flutter实现。Provider通过Flutter的InheritWidget实现了状态的寄存和管理，使得子Widget可以访问和修改父Widget的数据，同时父Widgets的数据被修改后，支持自动按需重构Widgets，这里不对Provider做过多介绍。 一般情况下，我们创建的Provider会置于Flutter App的最根部，也就是MaterialApp或者CupertinoApp组件上，这种情况下，无需额外的操作，就可以在应用中的任何未知，通过Consumer<T>来访问和修改Provider<T>中的数据。 但部分情况下，我们不想让Provider置于项目的最根部，详情可以查看这个StackOverFlow Question，比如一个局部的List，仅仅在项目的某一个子Widgets树部分会被访问，所以理论上，我们将Provider尽可能的放到Widgets树的更低位置是一个更优的选择。比如Page1中创建Provider，同时Page1以及其下的Page2和Page3可以访问到这个Provider，但是在Page1之上的Widgets无需也不能访问到这个Provider。理论上这是可行的，根据理论我们只需要保证Provider是Consumer的祖先即可。但这里出现了一个问题，也就是如果我们尝试在Provider生效的范围内使用Navigator.push()导航到另一个页面，我们便无法正常的在被push的页面访问到Provider。 如上图，我们如果直接使用Navigator.push()，那么被Push的页面（途中是SecondPage）便无法访问到之前在FirstPage创建的数据。 下面介绍一种解决办法，我们可以在Navigator.push的时候，在push的PageRoute外嵌套一层Provider.value()，如下图 可以看下面的代码帮助理解： 可以看出，我们通过在PageRoute外层加入一个ChangeNotifierProvider.value()实现了传递Provider的效果。 注意，这里使用Provider.value()而不是Provider()，因为我们的Provider实际上不是“新建”，而是“传递”，这说明我们实际上不能新建一个DAOrgInfoProvider class的实例，而是复用之前的Provider创建时使用的实例，在这里则是orgProvider。 那么如何获取之前Provider创建时的实例呢，一个比较傻但是直观的方法就是在Navigator外再次嵌套一个Consumer来获取数据，代码如下 以上就介绍完了如何通过Navigator传值的方法

「杂谈」关于ChatGPT的一些事

相信所有人对于ChatGPT这个词都已经不陌生了，ChatGPT是OpenAI公司推出的一个聊天机器人模型，根据维基百科，ChatGPT使用基于GPT-3.5架构的大型语言模型并通过强化学习进行训练，该模型问世之后，因为其相较于其他传统AI在聊天和回答问题领域方面的能力上产生了可以说是革命性的突破，而引起了各个业界的广泛关注。Bing（Microsoft旗下的搜索引擎服务）也在近日宣布了要在其搜索功能中整合类ChatGPT聊天机器人。为什么ChatGPT会如此强大，ChatGPT到底能做些什么，各个科技巨头大厂为何争相推出ChatGPT服务？它有会对我们的生活和各个行业带来什么影响？本篇文章将会针对这些问题进行讨论。 本文阅读时间大约15分钟左右。本文部分链接取自维基百科，使用国内网络环境可能无法正常访问。本文为NFのBlog原创文章，转载请注明来源。 ChatGPT的进化史 Transformer ChatGPT是如何完成这一切的？要解决这个问题，首先需要提到一个模型——Transformer——它就是如今我们看到的如此强大的LLM（大语言模型Large Language Model）的基石。Transformer自身是一个NLP（Natural Language Processing，自然语言处理）和CV（Computer Vision，计算机视觉）领域的机器学习模型。GPT系列的模型同样也基于Transformer模型。 Transformer于2017年GoogleBarins上问世，这个模型拥有的“自我注意（Self-attention）”机制，维基百科上对于注意力机制给出了如下描述： 注意力机制（英语：attention）是人工神经网络中一种模仿认知注意力的技术。这种机制可以增强神经网络输入数据中某些部分的权重，同时减弱其他部分的权重，以此将网络的关注点聚焦于数据中最重要的一小部分。 这个机制为模型提供了理解“上下文”的能力，Transformer模型不再局限于一次一问一答的对话或者短期的两三句对话，而可以定位和使用任意位置的上下文，比如你一开始提的要求，可以在十几轮对话之后要求AI重新使用或者废弃，AI具有了理解上下文并以此做出反应的能力。 同时，Transformer模型没有了之前同类模型“一次同时只能处理一个单词”的限制，这提高了Transformer模型的并行处理和训练能力，提高了该模型的训练效率。这对于AI来说是非常重要的，更快的处理效率，意味着在相同的算力资源下，你可以训练更多的数据，增加更多的参数和维度，这直接提高了模型的质量，GPT-3模型便拥有恐怖的参数数量，这个之后会提到。 上述的种种优势，让Transformer超越了之前的LSTM，RNN等传统训练模型，逐渐成为主流和热门的语言模型训练框架。 GPT Transformer的问世使得使用预训练好的大预言模型成为可能，OpenAI旗下GPT便是其中之一。 GPT全称Generative Pre-trained Transformer，从中便可以看出其与Transformer的渊源（Google也有自己的基于Transformer的预训练模型，名为BERT，这里不详细展开）。 相较于Transformer的发展，GPT的发展一眼看去会略显简单粗暴——更多的数据，更多的参数，更大的模型。 GPT-1作为一个实验性的产品，已经拥有了1.17亿的参数量，这个数字在GPT-2上是12亿，翻了整整10倍，而GPT-3，也就是最接近于ChatGPT服务使用的模型，这个数字来到了惊人的1750亿。同时根据估算，已经训练好的ChatGPT3模型至少需要占用800GB的空间用于存储。同时根据消息，即将问世的GPT-4模型的参数数量将会达到100万亿，接近于GPT-3的千倍。 GPT如何长大？——GPT模型的训练材料和开发 储存空间和算力。 作为一个语言模型，自然需要大量的自然语言片段进行训练，GPT模型使用了非常巨量的互联网文章数据进行训练，训练数据量大小无法估计，但根据估计，训练完成的模型依然至少需要占用800GB储存空间。 此外，训练大型语言模型需要非常大量的算力，OpenAI此前也获得了微软的投资，据消息，微软还提供给OpenAI自家Azure云计算服务的代金券，使得OpenAI在Azure的大型算力集群中训练GPT模型成为可能。顺带一提，由于最近的AI快速发展和利好消息，显卡的热度再次升高，NVIDIA公司的股价在近一个月内暴涨22.83%。 部分观点还指出，由于训练此类大型的AI模型需要极大的算力资源，所以从某种角度上，芯片的供应和研发能力，以及高性能大规模云计算技术将有可能会成为AI发展的瓶颈，也就是说，如果一个国家没有能力自己提供足够的芯片和算力，那么其AI技术的发展，尤其是类似于GPT-3这种拥有大量参数的大模型技术的发展就也会受限。 模型功能性和价值观矫正。 模型矫正（Fine-tuning）。GPT-3.5相较于GPT-3正是多出来这个步骤。 矫正分为多种。其中一种是“回答效果和功能性”上的矫正，比如通过真人教导，让模型更加准确的回答问题，在更加合适的地方插入代码或者资料指导等等，这类矫正是为了提高模型回答问题的精确度和贴合性。 另一种便是“思想和认知价值观”的矫正，比如涉及政治，种族，情感，人类与AI关系的话题的方面，没有经过矫正的GPT-3模型哦ing往往会给出一些不符合人类价值观的回答，同时在敏感话题上，GPT-3也会给出一些不适宜的回答。对此便需要对模型进行矫正。此类矫正不同产品会略有不同。比如GPT-3.5中，模型被矫正为认为自己没有情感，也不被允许拥有非中立的主观看法。但是New Bing Chat使用的模型似乎并没有对于模型表达情感和主管看法进行过多的矫正，这也导致NewBing有时候的感情会过于“丰富”。 所以经过人工对于GPT-3的大量矫正之后，GPT-3.5——也就是ChatGPT所使用的模型，便向我们开放了。 ChatGPT如何影响我们和世界？ 相信大多数人已经亲自体会过ChatGPT回答问题能力的强大了，这里不做赘述。ChatGPT对于各个领域和不同个体都会带来不同的影响。 ChatGPT杀入搜索引擎——Google面临大危机？ 首先是搜索引擎。这个是我们可以正在看到的冲击——Bing宣布要将类似于ChatGPT的AI聊天服务整合到Bing搜索中去，这一举动使得搜索引擎业界内掀起了滔天大浪。Google作为过去十多年来的搜索巨头，可以说几乎垄断了全球的搜索业务（部分国家除外），近乎暴力的占有了90%以上的搜索引擎市场，也因此，Google拥有了不可想象的广告营收收入。 上图为Google的广告收入趋势图，可以看到，在2022年一年内，Google的广告营收达到了2244.7亿美元！这是Google一家公司，在一年内，通过单单一个广告业务，获得的收入。可能光看数字并没有什么具体的概念，作为对比，日本在2021年的GDP总值是49410亿美元。Google一家公司，在广告这一个业务上的收入，已经接近了一个发达国家日本年GDP总量的1/20。 通过市场份额表可以看出，Google在很长一段时间内，通过自身的垄断优势，一直霸占着搜索市场，也正是对于搜索市场的垄断，给Google带来了大量投放广告的机会。但现在，似乎一切都并没有那么高枕无忧了。 Microsoft现任CEO Nadella已经做出表态，认为“AI加持的搜索”是继15年前布局云计算之后的重大一步。这也从侧面说明了Microsoft内部对于新的AI技术的重视。尽管最新的市场份额数据仍然没有反映出Bing搜索份额增加的数据，但New Bing已经让Google这位巨人感到坐立不安了。为什么这么说呢？我们可以从Google对这件事情的反应中分析出Google的焦急心态。 在Bing融合ChatGPT之后，Google没多久就宣布了类似的AI聊天机器人服务，名为“Bard”（Bard官方介绍）（Bard目前仍然没有进行面向公众的公测或内测，据官方称，Bard仍然处于公司内部的研发测试阶段） 这里简单介绍一下Bard，Bard基于Google的LaMDA模型（Language Model for Dialogue Applications），实现了类似于ChatGPT的问答效果。 LaMDA同样基于Transformer训练而成，之所以特地介绍Bard以及其运用的LaMDA模型，是因为想联系到2022年6月中旬的一个新闻——一位Google公司的AI研究人员，声称在和Google公司内部的对话AI聊天之后，认为AI具有意识，这名员工同时公开了一部分自己和这名“有感情的AI”的对话记录。 根据当时的相关新闻内容来说，当时的Google对话AI已经拥有了理解和使用上下文的能力，同时也可以输出“自己”的感情和想法，该名员工之后被Google公司以“可能存在精神障碍，不适宜继续工作”为由辞退。而当时的主角之一——Google内部的AI对话机器人，正是使用了LaMDA模型。从这里也可以看出，其实Google和Bing两家巨头都在很早以前就针对于AI技术进行了布局，并且Google也并不是没有准备，它同样拥有自己深厚的技术储备，从某种角度上来说，OpenAI的成就有一部分也是Google的Transformer的功劳。 很多人认为New Bing的到来会给Google带来沉重的打击，在笔者的眼中，Google确实是输掉了，但Google输掉的是先发优势，而不是所有。通过自身的技术积累，在不久的将来推出一个效果和New Bing持平的AI搜索助手，对于Google也并不是一件难事。所以AI搜索助手本身不太能对Google形成技术壁垒式的威胁。 但从另外一个角度来讲，对于IT和互联网行业，特别是AI行业，先发优势拥有着不一样的意义。就拿AI搜索聊天助手举例子，由于NewContinue reading “「杂谈」关于ChatGPT的一些事”

「编程笔记」Dart中重新加载FutureBuilder的一种方法

在实战过程中，我们常常遇到需要刷新界面的需求，比如搜索时出现了网络错误，我们为用户提供一个Retry按钮，用户点击后，我们希望整个FutureBuilder重新加载一下，比如下图： 本页面通过一个FutureBuilder加载搜索结果，同时遇到网络错误时显示以上界面，代码的大致结构如下： 这时，假设我们的NetworkErrorPage的位置需要添加一个按钮，实现FutureBuilder重新刷新，一种简单的方法是直接调用该FutureBuilder所在界面的setState()方法，每当FutureBuilder的父Widget的setState()方法被调用，都会使得FutureBuilder重新获取异步数据，代码大致如下： 但如果我们按照上述结构实现刷新的工作，我们会发现，虽然在我们点击按钮之后，刷新的工作有在进行，但是页面并不会在点击Try Again按钮后重新回到LoadingPage界面，而是等到加载好之后直接更新界面为showDataPage或者Error的相关界面，这是因为snapshot的hasData和hasError变量仅仅在每次future任务完成后才会刷新。 如果我们想实现点击Try Again按钮之后实时回到LoadingPage界面的话，可以使用snapshot.connectionState进行判断，具体代码如下： 通过以上方法，即可实现点击按钮后立即回到加载界面，直到下一次加载完成之后再次更新界面的效果。