AI到底聰明從手機人臉在哪起識別說
我要评论怎麽調整 ？聪明从手不是隨機亂調，你從來沒想過這件事有什麽特別的机人 。
參考資料
- Sobel operator - Wikipedia — Sobel 算子由 Irwin Sobel 和 Gary Feldman 於 1968 年在斯坦福人工智能實驗室提出
- A logical calculus of the ideas immanent in nervous activity - McCulloch & Pitts (1943) — 第一個神經元數學模型 ，這也是别说邊緣 。把那個數字調小一點
- 如果猜對了——不錯，怎麽可能認出一張臉 ？
第一個線索：邊緣
什麽是邊緣 ？就是照片裏顏色突然變化的地方 。
核心突破 ：讓電腦自己學
還記得前麵的 Sobel 算子嗎 ？
-1 0 1-2 0 2-1 0 1這 9 個數字是人類設計的 。就是邊緣。
反向傳播做的事情是：從最後的錯誤出發 ，
在此之前 ，側臉怎麽辦 ？戴帽子怎麽辦 ？隻露出半張臉怎麽辦 ？
你怎麽可能把所有情況都寫成規則 ？
規則越寫越多 ，結果是 0（沒有邊緣）
- 如果右邊比左邊亮——正數那邊貢獻更大 ，排成 3×3 ：
10 10 1010 10 20010 200 200左上角是深色（數字 10 ，
- 如果上下顏色一樣——結果是 0（沒有水平邊緣）
- 如果下麵比上麵亮——結果是正數（有一條水平邊緣）
兩個檢測器配合使用——一個管左右 ，
你看 ，一堆線條還不能告訴我們"這是一張臉"。曲線
- 第二層檢測器 ：把第一層找到的邊緣組合起來 ，你拿起手機，
神奇的事情發生了：那些原本隨機的數字 ，
每個像素都有一個顏色 ，參數量更是以億計 。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，是電腦自己從數據裏學出來的 。
GPU 原本是用來生成（渲染）遊戲畫麵的 。我一直很好奇 AI 到底是怎麽工作的 ，它"看到"的是什麽 ？不是一個水果的畫麵 ，手機"看到"的是這樣的東西 ：
142 98 87 134 156 178 ... 78 45 52 89 123 145 ...134 167 189 201 178 156 ...... (幾百萬個數字)手機要做的事情是 ：看這幾百萬個數字 ，隻用加減乘除，但核心識別原理——把采集到的數據變成數字 、想分享給你 。本質上就是 ：右邊的亮度 - 左邊的亮度 。為什麽沒有更早實現 ？
事實上，越大越亮 。變成了"這個位置有沒有邊緣"的數字 。但眼睛、最終這個數據集包含了超過 1400 萬張標注好的圖片 ，但原理完全一樣——歸根到底還是數字。斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集 。最終的錯誤會變大還是變小 ？
- 如果變小——好 ，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你 。數字越小越暗 ，當時售價 499 美元） ，是從幾百萬張人臉照片中"學"出來的 。就 9 個像素 ，但換了個發型 ，結果是正數（有一條從暗到亮的邊緣）
- 如果左邊比右邊亮——負數那邊貢獻更大
，
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580 ，後續文章也會持續更新 。歡迎分享+關注 。到達一個"很少出錯"的狀態 。才有了 2012 年的突破 。解鎖。算法改進——同時到位 ，結果肯定是亂七八糟的。
這個設計很聰明 ，第三層找五官部件 ，但疊加四五層之後，這樣就不會被一張照片騙過去 。
2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU ，而是有一套精巧的方法能算出每個數字該往大了調還是往小了調 。有一個名字 ，
這就是電腦"看到"的東西。戴上口罩，把邊緣變成形狀 ，中間有一條從左上到右下的分界線——這就是一條邊緣 。我們先用一個更簡單的任務來說明這個過程——區分貓和狗 。說明邊緣越明顯 。第一層隻能看到線條 ，"這是狗" 。層層疊加
- 提取特征 ：最後一層輸出一組數字——你可以把它理解為你這張臉的"數字指紋"（專業術語叫"特征向量" ，
這個數字的意思是 ：這裏有一條明顯的邊緣 ，在 AI 領域有一個專門的名稱 ，就能找到圖片裏顏色變化的地方 。再傳給下一個 。訓練出了 AlexNet 。旗艦模型超過 1 億個參數，top-5 錯誤率 15.3%
- AlexNet - Wikipedia — AlexNet 架構細節與參數量
- FaceNet: A Unified Embedding for Face Recognition and Clustering - Schroff, Kalenichenko, Philbin (2015) — Google 的人臉識別模型 ，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度" 。它專門用來檢測垂直方向的邊緣。
而關鍵是 ：每一層的檢測器裏的數字 ，這些可調整的數字 ，神經網絡的概念在 1940 年代就有了 ，不是咬一口的味道——那它"看到"的是什麽 ？
文字怎麽變成數字 ？AI 又怎麽"理解"這些數字的意思？
下一篇 ，
一個人的臉可以有無數種表情、對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，就叫"深度神經網絡" ，
這個困境持續了幾十年 ，
還有一些 ，"測量鼻子的位置"
但這些方法都撞上了同一堵牆 ：需要人類告訴電腦什麽是"眼睛" 、鼻子（一個三角形輪廓） 、是因為它的工作方式有點像人腦中的神經元——每個神經元接收信號 、眼睛也是 ：眼白是淺色的 ，
那次突破有多震撼 ？在 ImageNet 圖像識別比賽中 ，純白是 255 ，電腦的"大腦"，
三個條件——海量數據 、但換發型還能認出來 ？
因為口罩遮住了臉的下半部分——嘴巴 、汽車
- 第三層檢測器 ：把形狀組合成部件——眼睛（兩條弧線圍成的橢圓） 、這些"正確答案"是電腦學習的前提——沒有答案 ，叫做反向傳播——1986 年由 Rumelhart 、比如 ：
0.1 -0.3 0.50.2 0.1 -0.40.3 0.2 0.1用這個隨機檢測器去掃描圖片 ，算出每一個數字對這個錯誤的"貢獻"有多大 。
有的變成了紋理檢測器 。而是把它們變成"空的"——可以填入任何數值 ：? ? ?? ? ?? ? ?一開始 ，為什麽這幾個數字能檢測邊緣 ？先看看它怎麽用 ，8 層網絡，識別簡單形狀——圓形 、
順便說一下這個檢測器的來曆：Sobel 算子是 1968 年由 Irwin Sobel 和 Gary Feldman 在斯坦福人工智能實驗室的一次演講中提出的 ，圖形處理器）來算 。瞳孔是深色的 ，
如果我們換一塊顏色完全相同 、你很快就會明白 。它照樣能解鎖 。下麵有一條橫線 ，判斷"這是不是主人的臉" 。是因為裏麵的某個數字該大一點
- ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，檢測器關注的主要是五官區域的特征——發型變了 ，
解決方法是 ：疊加很多層 。
實際使用時 ，無數種光線 。就是一組數字組成的小模板——把它疊到圖片上 ，就是一串能代表你長相特征的數字）
- 比較 ：把這個數字指紋和你第一次錄入時存下的數字指紋做比較
- 判斷 ：如果兩組數字足夠接近——解鎖
每次調整的到底幅度都很小（比如 0.001） ，而不是聪明从手死記每張圖的細節） 。所以還能匹配上 。机人表情——這些讓一張臉變得獨特的脸识要素 。然後全部相加 ：(10×-1) + (10×0) + (10×1) +(10×-2) + (10×0) + (200×2) +(10×-1) + (200×0) + (200×1)= -10 + 0 + 10 + -20 + 0 + 400 + -10 + 0 + 200= 570
結果是别说 570，
而訓練神經網絡恰好也是這種活——對幾百萬個數字做大量簡單的乘法和加法 。為了建成 ImageNet，和正確答案對比：
像素 → 邊緣 → 形狀 → 部件 → 整體
每一層都是在上一層的基礎上，發現了很多有意思的東西 ，讓電腦自己學 。結果的數字越大（不管是正還是負） ，但對所有數字同時做這種微調，
整個過程不到一秒 。叫神經網絡 。豎線 、弧線
電腦會計算 ：如果某個檢測器裏的某個數字稍微變大一點 ，看一眼屏幕 ，用普通電腦的 CPU（中央處理器，自己找到了有用的規律 。然後比較兩組數字有多接近 。這可能要算好幾個月甚至幾年 。把形狀變成部件 ，
現在我用一個"檢測器"來掃描它 。"神經網絡"名稱的起源
整個過程沒有任何"理解" 。於是花了很長時間去拆這個東西——手機為什麽換了發型還能認出你，
回到手機人臉識別
現在你知道手機是怎麽認出你的了。檢測更複雜的東西 。一個三角形在中間 ，
這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置 。一張 1000×1000 的照片 ，涵蓋 2 萬多個類別 。它輸出"60% 可能是貓"，那些數字就會逐漸穩定下來 ，而發型屬於臉的外圍，右下角是淺色（數字 200 ，
但你可能已經發現了一個問題 ：這個檢測器隻能找到垂直方向的邊緣（左右亮度差）。檢測的東西連人類都說不清楚——但它們確實對區分貓和狗有用
。那可能是一張臉"
仔細看這個檢測器的結構 ：左邊一列全是負數 ，但永遠覆蓋不了真實世界的複雜性 。對每個位置都做一次這樣的計算 。
但文字呢？
當你對 ChatGPT 說"蘋果" ，
從邊緣到形狀 ：AI 卡了幾十年
找到邊緣之後呢 ？
1968 年的 Sobel 算子能找到邊緣 ，什麽是"眼睛" ，它就是這樣一張表格 ：
0 0 200 0 0 0 0 200 0 0200 200 200 200 200 0 0 200 0 0 0 0 200 0 00 是黑色，就能看到一個個小方塊 ，就要比較左右兩邊的亮度" ，你會看到一個讓我非常震撼的例子："國王"減去"男人"，這就形成了一條邊緣，貓臉、
"標注好"的意思是：每張圖片都有人告訴你"這是貓" 、電腦怎麽知道該把那些數字往大了調還是往小了調？
這是整個係統最精巧的部分 ，
但如果讓電腦自己來選呢？
假設我們不再指定這 9 個數字 ，逼網絡學到更通用的規律 ，變成幾百萬個數字（說明一下 ：現代手機的人臉解鎖不隻靠普通攝像頭——比如 iPhone 的 Face ID 會用紅外線在你臉上投射上萬個不可見的小點 ，對應位置的數字相乘 ，
至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大 ，不是圖像，一層一層往回追溯 ，數字大的地方 ，
2. 算力
訓練一個模型 ，加上"女人" ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，沒有人告訴電腦"要檢測眼睛" ，
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文 ，
一道簡單的數學題
假設我們有一小塊圖片 ，後 3 層負責把前麵提取到的所有信息匯總起來做最終判斷（叫"全連接層"——你可以把它想象成"匯總投票" ，但應該是 0% 。
一個現代的人臉識別模型可能有幾百萬到上億個參數。這個係列就是我的探索筆記 ，就能檢測出圖片裏有沒有某種特征 。所以這幾層叫"卷積層"） 。每張都貼好標簽——"這是貓" 、
為什麽這個檢測器能工作 ？
你可能會好奇：-1, 0, 1, -2, 0, 2, -1, 0, 1這幾個數字是怎麽來的 ？為什麽這樣排列就能檢測邊緣 ？
讓我解釋一下它的邏輯 。現在一些新手機即使戴口罩也能解鎖——那是因為廠商後來專門用大量戴口罩的照片重新訓練了模型 ，層數很多的神經網絡 ，也就無法調整那些數字。需要對幾百萬張圖片 、
有的變成了邊緣檢測器（類似 Sobel 算子——電腦自己"發明"了類似的東西） 。
有的變成了顏色變化檢測器 。中間一列全是 0
。無數種角度 、
讓我一步一步算給你看 ：
圖片: 檢測器:10 10 10 -1 0 110 10 200 -2 0 210 200 200 -1 0 1對應位置相乘 ，訓練 ：電腦怎麽知道該往哪調 ？
你可能還記得前麵留下的那個問題 ：猜錯的時候
，
怎麽用呢？把檢測器疊放到圖片上，
電腦眼中的照片
要理解手機怎麽"人臉識別" ，
科學家們嚐試了很多方法 ：
- 有人試著寫規則 ："如果有兩個圓形在上麵
，GPU 訓練神經網絡比 CPU 快約 70 倍。動用了來自 167 個國家的近 5 萬名標注工人 ，它不知道什麽是"臉" 、
這就是"學習"的本質 ：不是有人教了它規則
，
- 如果左右兩邊顏色一樣——正數和負數互相抵消，什麽是鼻子 。反向傳播算法在 1986 年就發表了。一個很大的正數 。
-1 0 1-2 0 2-1 0 1
當它掃描圖片的一個區域時
，"這是汽車"
。經過層層計算 ，右邊一列全是正數 ，藍色的強度（也是 0 到 255） 。所謂檢測器
，中間一行全是 0
。把那個數字調大一點
- 如果變大——反過來 ，找到了邊緣
，
這種"很多層檢測器疊加"的結構
，而顏色在電腦裏是用數字表示的 。鼻梁這些區域的數字模式沒變，
假設電腦要判斷一張圖是貓還是狗 。200 是亮色（接近白色） 。就能看到"臉"了 。AlexNet 將錯誤率從同年第二名的 26.2% 直接降到了 15.3%（這裏的"錯誤率"叫 top-5 錯誤率——給電腦 5 次機會猜圖片內容，它怎麽找到邊緣？
答案讓我很驚訝 ：隻用簡單的加減乘除就能做到 。綜合判斷最終結果）。要理解這件事 ，五官
、每一張都要把所有參數調整一遍 。49000 名標注工人來自 167 個國家
- Large-scale Deep Unsupervised Learning using Graphics Processors - Raina, Madhavan, Ng (2009) — GPU 訓練神經網絡比 CPU 快約 70 倍
- NVIDIA GeForce GTX 580 - VideoCardz — GTX 580 於 2010 年 11 月發布，而是一堆數字 。
彩色照片稍微複雜一點 ：每個像素需要三個數字
，但正確答案是"狗" 。動輒幾十層
、
就像考試之後對答案 ：
- 最終結果錯了
- 是因為最後一步的某個數字偏了
- 那個數字偏了 ，
這是 「AI是怎麽回事」係列的第 1篇 。所以 GPU 特別擅長"同時做很多簡單的計算" 。然後全部加起來 。把所有檢測器發現的信息都匯集在一起 ，我們來聊這個問題
。如果邊緣是水平的（上下亮度差）呢 ？
很簡單——把檢測器旋轉 90° ：
-1 -2 -1 0 0 0 1 2 1
看出來了嗎？現在上麵一行全是負數 ，
讓我把完整的過程串起來 ：
- 采集麵部數據
：手機用攝像頭和傳感器采集你的麵部信息 ，之所以叫這個名字，下巴這些區域的麵部特征被口罩擋住了 ，手機往往就不認識你了。LFW 準確率 99.63%
- Labeled Faces in the Wild — LFW 人臉識別測試集官方頁麵
- Learning representations by back-propagating errors - Rumelhart, Hinton, Williams (1986) — 反向傳播算法的奠基論文 ，得先回答一個基本問題 ：電腦看到的"照片"長什麽樣？
一張照片是由很多個小點組成的 ，而今天的大型模型，讓檢測結果更穩定
。GPU 算力 、現在你隻需要知道
：電腦有辦法算出調整的方向和幅度 。叫"參數"。實際上在做這件事 ：
- 右邊像素的亮度 × 正數（加分）
- 左邊像素的亮度 × 負數（減分）
- 中間像素 × 0（不影響結果）
所以最終的結果 ，那就是像素 。沒有邊緣的區域呢？
圖片: 檢測器:100 100 100 -1 0 1100 100 100 -2 0 2100 100 100 -1 0 1計算 ：(100×-1) + (100×0) + (100×1) +(100×-2) + (100×0) + (100×2) +(100×-1) + (100×0) + (100×1)= -100 + 0 + 100 + -200 + 0 + 200 + -100 + 0 + 100= 0
結果是 0 。綠色
、其餘全是 0（暗） 。以及一種防止網絡"死記硬背"訓練數據的方法（叫 Dropout——隨機"關掉"一部分檢測器 ，用它來學習的方法，其中前 5 層做的就是我們前麵演示的操作——用檢測器在圖片上滑動 、數字越大
，
這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起
。他們第一次用數學來描述神經元的工作方式 。
現在可以回答文章開頭的那個問題了 ：為什麽戴口罩手機就不認識你
，為什麽 ？
先別急著回答 。這些技術讓更深的網絡變得可訓練。比如 ，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域
。就能得到每個位置的"邊緣強度"和"邊緣方向" 。
最簡單的情況是黑白照片
：純黑是 0，取名 AlexNet（Alex 的網絡） 。不過你不需要把這個類比想得太深——它隻是一種"層層傳遞
、是為了讓檢測器更關注正中間一行的變化 ，從左到右顏色在變亮 。幾千萬個參數反複做計算。
給電腦看 1000 張貓的照片和 1000 張狗的照片 ，
比如下麵這個 5×5 的小圖 ：
在電腦裏 ，
一個邊緣檢測器隻能告訴你"這裏有一條線"
，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色 ，Hinton 和 Williams 發表在《Nature》（全球最權威的科學期刊之一）上的一篇論文奠定了這個方法的基礎 。檢測器提取出來的數字指紋和你錄入時的差太遠了 。完全不需要知道什麽是"臉"
、它有 8 層 。
重複這個過程幾百萬次 。能識別的東西就越複雜
。超過 1400 萬張標注圖片
- The data that transformed AI research — and possibly the world - Quartz — ImageNet 的建設過程 ，什麽是"鼻子"。下麵一行全是正數，會自己變成有意義的檢測器 。都是黑色線框" loading="lazy">
比如你的臉和背景之間——皮膚是淺色的
，分給大量網上工人完成的平台） ，直到一個想法改變了一切 ：
不要人類來設計檢測器 ，
但電腦隻看到數字啊 ，
整個網絡包含 6000 萬個可調整的數字 。同步更新在個人博客和微信公眾號
微信搜索"我沒有三顆心髒"或者掃描二維碼 ，它自己在反複的"猜對了/猜錯了"中發現了某些數字組合對區分不同人臉特別有用 。也就是你臉的輪廓。哪怕是一條 45° 的斜線 ，建議零售價 $499
訂閱
如果覺得有意思
，神經網絡研究的先驅 Geoffrey Hinton 的學生 Alex Krizhevsky 用這種"多層疊加"的方法做了一個圖像識別程序，AI 為什麽能通過律師考試卻會一本正經地撒謊 。
電腦用隨機檢測器算出一個結果
，發表於 Nature
- ImageNet: A Large-Scale Hierarchical Image Database - Deng, Dong, Socher, Li, Li, Fei-Fei (2009) — ImageNet 數據集論文 ，叫 Sobel 算子（"算子"就是"計算工具"的意思） 。
疊加
：從線條到人臉
但一層檢測器還不夠。就有 100 萬個像素。即可訂閱 。也會同時在左右和上下兩個方向上產生亮度差 ，
3. 算法
AlexNet 還用了幾個關鍵的技術改進 。都不是人類設計的 ，中間的灰色就是 1 到 254。
這就是 AI 的"聰明"
：不是真的理解 ，什麽是"眼睛" 。沒有邊緣
。
一個新的問題
理解了 AI 怎麽"認人"之後 ，
那些檢測器裏的數字 ，
每天早上 ，把兩個結果綜合起來 ，結果是負數（有一條從亮到暗的邊緣）
差異越大 ，
不過你可能發現了
，覺得不錯的話 ，層層加工"的計算結構 。這個方法叫"反向傳播"，"這是狗"
、第二層找形狀 ，嘴巴（兩條曲線）
- 第四層檢測器 ：把部件組合成整體——人臉 、比如 Google 在 2015 年發表的 FaceNet ，處理一下 、斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文 ，斜線 、
這需要大量的計算。三角形、
2012 年 ，
讓我用一個具體例子來演示 。這個檢測器會在整張圖片上一格一格地滑動 ，從互聯網上收集的真實場景人臉照片，所以選擇了這樣的數字組合
。
為什麽 2012 年才成功
？
你可能會好奇
：如果"讓電腦自己學"這個想法這麽好，兩個檢測器都會給出非零結果
。接近白色）
。我後麵會專門講
。分別表示紅色 、我們得先搞清楚一個更基本的問題
：手機到底是怎麽"人臉識別"的 ？
答案要從一個讓人意外的事實說起——
你的手機看到的不是一張臉 ，
想象這樣一個過程 ：
- 第一層檢測器 ：從原始像素中找到各種邊緣——橫線 、5 次都猜錯才算錯）——領先超過 10 個百分點 。至今已經用了半個多世紀
。而是它從大量的對錯反饋中
，6000 萬參數 ，你能看出來這是一個十字形嗎？——中間一橫一豎的數字是 200（亮） ，層層提取特征——和我們前麵講的完全一樣）
- 層層檢測 ：這些數字經過很多層檢測器——第一層找邊緣，這些小點叫像素——你把手機照片放大再放大
，人類知道"要檢測垂直邊緣 ，
2009 年
，
不過你可能注意過一個奇怪的事：在幾年前
，訓練這樣一個模型，但邊緣隻是一堆線條。不能告訴你"這是一隻眼睛" 。隨機填一組數字 ，測量臉的立體形狀
，它通過層層檢測器從數字中提取特征。一個管上下——就能找到圖片中任意方向的邊緣 。需要給電腦看幾百萬張人臉照片 ，層數越多 ，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU） ，
但如果我們告訴電腦"正確答案"呢 ？
就像老師批改作業一樣。Graphics Processing Unit，這個檢測器也是 9 個數字 ：
-1 0 1-2 0 2-1 0 1
這個檢測器有個名字，上百層 ，但也很簡單——本質就是"比較左右兩邊的亮度差" 。打個比方 ：所有人都在 74 分左右競爭 ，別擔心 ，你就找到了輪廓
、包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。花了大約 5-6 天 ，而是從海量數據中找到了反複出現的模式——比如"眼睛區域的像素通常呈現這樣的數字組合" 。
那為什麽到 2012 年才突然成功？
因為三個條件終於同時湊齊了 ：
1. 數據
2009 年 ，擅長一件一件地處理複雜任務），李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊 、歡迎關注我
，說明邊緣越明顯 。背景可能是深色的
，證明在特定任務上 ，我產生了一個新的疑問 ：
AI 能"看"了——圖片在它眼裏是數字矩陣，它自己發現了"檢測邊緣有助於區分貓和狗"。
邊緣勾勒出了圖片裏"有東西"的地方。是數字
。
它錯了。
這就是"訓練" 。
手機不知道什麽是眼睛、保持
- 如果猜錯了——調整那 9 個數字，人臉識別的學習過程完全一樣 。把部件變成一組代表你這張臉的數字
，
讓我用一個簡化的例子來說明 。就無法判斷對錯 ，
所以當你拿手機對著自己的臉，
電腦沒有被告知"要檢測邊緣" 。它隻是在做加減乘除 ：把像素變成邊緣 ，重複幾百萬次之後
，
這就是 AI 在"看"這件事上卡住了幾十年的地方 。突然有人考了 85 分
。從 1.6 億張候選圖片中篩選和標注
。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字 ，錯了多少 ？差了很多——它說 60% 是貓
，
相关文章
.NET 數組的上限這些年經常看到有人抱怨 .NET 數組的最大長度。在 .NET 裏 ，數組 、集合 、Span 以及很多相關 API 都是圍繞 32 位長度和索引設計的 。GitHub 上曾經有一個很長的2026-09-02
Pretext 是一個用 TypeScript 實現的用於多行文本精確測量和布局的引擎 。不碰 DOM，不觸發 reflow ，卻能完美匹配瀏覽器字體引擎在各種語言、emoji 、混合文字方向下的真實表現 。2026-09-02- Pretext 是一個用 TypeScript 實現的用於多行文本精確測量和布局的引擎 。不碰 DOM ，不觸發 reflow ，卻能完美匹配瀏覽器字體引擎在各種語言 、emoji 、混合文字方向下的真實表現 。2026-09-02
別再吹牛了 ，100% Vibe Coding 存在無法自洽的邏輯漏洞 ！
注 ：本文是親身經曆企業級的 Vibe coding 項目後的經驗總結，有趣的是在寫這篇文章過程中 ，查到一個很好玩的資料，就是 Vibe Coding 這個詞的發明者 Andrej KarpathyOp2026-09-02
Keepalived詳解 ：原理 、編譯安裝與高可用集群配置
在高可用架構中 ，避免單點故障至關重要 。Keepalived正是為了解決這一問題而生的輕量級工具 。本文將深入淺出地介紹Keepalived的工作原理 ，並提供從編譯安裝到實戰配置的完整指南 。1. Keep2026-09-02- Pretext 是一個用 TypeScript 實現的用於多行文本精確測量和布局的引擎 。不碰 DOM ，不觸發 reflow ，卻能完美匹配瀏覽器字體引擎在各種語言 、emoji 、混合文字方向下的真實表現。2026-09-02
最新评论