技术专栏 第590页

要体验 C# 14 中的新增功能，你需要安装最新的 Visual Studio 2022 版本或下载 .NET 10 SDK。

谷歌把他们所应用的 AI 图像分层算法 DeepLab-v3+ 变成开源代码，让第三方相机 app 都可以利用借此神经网络。

 开源代码：

 import tensorflow as tf

 from deeplab.core import feature_extractor

 

 slim = tf.contrib.slim

 

 _LOGITS_SCOPE_NAME = ‘logits’

 _MERGED_LOGITS_SCOPE = ‘merged_logits’

 _IMAGE_POOLING_SCOPE = ‘image_pooling’

 _ASPP_SCOPE = ‘aspp’

 _CONCAT_PROJECTION_SCOPE = ‘concat_projection’

 _DECODER_SCOPE = ‘decoder’

 

 

 def get_extra_layer_scopes():

 “””Gets the scopes for extra layers.

 

 Returns:

 A list of scopes for extra layers.

 “””

 return [

 _LOGITS_SCOPE_NAME,

 _IMAGE_POOLING_SCOPE,

 _ASPP_SCOPE,

 _CONCAT_PROJECTION_SCOPE,

 _DECODER_SCOPE,

 ]

 

 

 def predict_labels_multi_scale(images,

 model_options,

 eval_scales=(1.0,),

 add_flipped_images=False):

 “””Predicts segmentation labels.

 

 Args:

 images: A tensor of size [batch, height, width, channels].

 model_options: A ModelOptions instance to configure models.

 eval_scales: The scales to resize images for evaluation.

 add_flipped_images: Add flipped images for evaluation or not.

 

 Returns:

 A dictionary with keys specifying the output_type (e.g., semantic

 prediction) and values storing Tensors representing predictions (argmax

 over channels). Each prediction has size [batch, height, width].

 “””

 outputs_to_predictions = {

 output: []

 for output in model_options.outputs_to_num_classes

 }

 

 for i, image_scale in enumerate(eval_scales):

 with tf.variable_scope(tf.get_variable_scope(), reuse=True if i else None):

 outputs_to_scales_to_logits = multi_scale_logits(

 images,

 model_options=model_options,

 image_pyramid=[image_scale],

 is_training=False,

 fine_tune_batch_norm=False)

 

 if add_flipped_images:

 with tf.variable_scope(tf.get_variable_scope(), reuse=True):

 outputs_to_scales_to_logits_reversed = multi_scale_logits(

 tf.reverse_v2(images, [2]),

 model_options=model_options,

 image_pyramid=[image_scale],

 is_training=False,

 fine_tune_batch_norm=False)

 

 for output in sorted(outputs_to_scales_to_logits):

 scales_to_logits = outputs_to_scales_to_logits[output]

 logits = tf.image.resize_bilinear(

 scales_to_logits[_MERGED_LOGITS_SCOPE],

 tf.shape(images)[1:3],

 align_corners=True)

 outputs_to_predictions[output].append(

 tf.expand_dims(tf.nn.softmax(logits), 4))

 

 if add_flipped_images:

 scales_to_logits_reversed = (

 outputs_to_scales_to_logits_reversed[output])

 logits_reversed = tf.image.resize_bilinear(

 tf.reverse_v2(scales_to_logits_reversed[_MERGED_LOGITS_SCOPE], [2]),

 tf.shape(images)[1:3],

 align_corners=True)

 outputs_to_predictions[output].append(

 tf.expand_dims(tf.nn.softmax(logits_reversed), 4))

 

 for output in sorted(outputs_to_predictions):

 predictions = outputs_to_predictions[output]

 # Compute average prediction across different scales and flipped images.

 predictions = tf.reduce_mean(tf.concat(predictions, 4), axis=4)

 outputs_to_predictions[output] = tf.argmax(predictions, 3)

 

 return outputs_to_predictions

 

 

 def predict_labels(images, model_options, image_pyramid=None):

 “””Predicts segmentation labels.

 

 Args:

 images: A tensor of size [batch, height, width, channels].

 model_options: A ModelOptions instance to configure models.

 image_pyramid: Input image scales for multi-scale feature extraction.

 

 Returns:

 A dictionary with keys specifying the output_type (e.g., semantic

 prediction) and values storing Tensors representing predictions (argmax

 over channels). Each prediction has size [batch, height, width].

 “””

 outputs_to_scales_to_logits = multi_scale_logits(

 images,

 model_options=model_options,

 image_pyramid=image_pyramid,

 is_training=False,

 fine_tune_batch_norm=False)

 

 predictions = {}

 for output in sorted(outputs_to_scales_to_logits):

 scales_to_logits = outputs_to_scales_to_logits[output]

 logits = tf.image.resize_bilinear(

 scales_to_logits[_MERGED_LOGITS_SCOPE],

 tf.shape(images)[1:3],

 align_corners=True)

 predictions[output] = tf.argmax(logits, 3)

 

 return predictions

 

 

 def scale_dimension(dim, scale):

 “””Scales the input dimension.

 

 Args:

 dim: Input dimension (a scalar or a scalar Tensor).

 scale: The amount of scaling applied to the input.

 

 Returns:

 Scaled dimension.

 “””

 if isinstance(dim, tf.Tensor):

 return tf.cast((tf.to_float(dim) – 1.0)
scale + 1.0, dtype=tf.int32)
 else:
 return int((float(dim) – 1.0) scale + 1.0)

 

 

 def multi_scale_logits(images,

 model_options,

 image_pyramid,

 weight_decay=0.0001,

 is_training=False,

 fine_tune_batch_norm=False):

 “””Gets the logits for multi-scale inputs.

 

 The returned logits are all downsampled (due to max-pooling layers)

 for both training and evaluation.

 更多查看：
https://github.com/tensorflow/models/tree/master/research/deeplab

当用户在 GitLab 上提交代码（如 Merge Request 或 Push 操作）时，GitLab 将自动触发 webhook事件，调用本系统的接口。系统随后通过第三方大模型对代码进行审查，并将审查结果直接反馈到对应的 Merge Request 或 Commit 的Note 中，便于团队查看和处理。

　　在TIOBE发布的最新一期的编程语言排行榜中， C语言的涨幅最高，达到了6.66%，此外，Ruby也成功压下Perl，重回前十行列。

　　编程语言排行榜前20名如下：

　　目前，在前20的排行中，Objective-C和Perl下降幅度最大，都下滑了3个名次以上。

　　Objective-C下滑的原因主要是因为Swift的出现，从而导致Objective-C被苹果所抛弃。此外，App开发也在转向独立于平台的语言和框架，而Swift 只适用于Apple的系统，目前的生存环境也并不理想。

　　至于Perl，直到2005年，它还一直是最主要的脚本语言之一。在2008年，TIOBE曾预测Perl将会走向死亡，但被众多Perl的拥护者所否决。Stevan Little在2013年曾发表过一次演讲，名为“Perl没有死，它只是走进了一个死胡同”，其中就有提到一旦软件工程师放弃使用Perl语言，就不会再次选择使用它。

　　TIOBE表示，Perl语言一直止步不前，是广大开发者们寻找诸如Python和Ruby之类替代品的主要原因。直到今天，Perl社区仍然没有一个明确的未来，因此它还会继续走下坡路，如今只是苦苦挣扎罢了。

　　相关推荐：

　　
Python微课：Python快速自学入门

　　Ruby微课：Ruby轻松上手

　　值得一提的是，SQL在上上个月被重新添加到了TIOBE排行榜中，这个月排在第九

      SQL自学推荐：SQL微课

　　Top 10 编程语言 TIOBE 指数走势（2002-2018）

　　编程语言“名人榜”（ 2003-2017）

　　“年度编程语言”获奖名单如下图所示，该奖项授予一年中评分最高的编程语言：

我最近完成了一个小项目：一个由AI驱动的翻译助手 ——
LinguaLens。最有趣的是，我基本上是
在AI的帮助下完成整个开发过程的。这个经历让我想和更多对编程感兴趣、但还没有迈出第一步的朋友们分享：
现在是学习编程最好的时代，而AI正是你最值得信赖的学习伙伴。

泛型擦除本质上就是擦除与泛型相关的一切信息，例如参数化类型、类型变量等，Javac还将在需要时进行类型检查及强制类型转换，甚至在必要时会合成桥方法。

　　编程入门先学什么？相信这是很多想要自学编程的小伙伴都会有的疑惑，本文将为大家带来初学者编程入门指南。

      明确学习编程的目的

　　对于一个没有任何基础的小白来说，学习编程最重要的是要保持初心。明确自己学习编程的目的，是想开发APP、网站，还是要求解专业方向上的问题，或者完成一个游戏、制作一个交互动画效果，还是别的什么。在学习时，时刻记得自己是为什么来学习编程的，学一点用一点，感受到每天都在进步，这样就有坚持下来的动力了。

　　语言怎么选择？

　　语言选择是由学习的目的决定的，比如你想做Andriod应用开发，那么就学Java；想做iOS应用开发则是Objective-C或者Swift，做网页学JavaScript，大数据考虑Python或者R，想做游戏得花可以学C/C++。

　　其实对于零基础的爱好者，随大流才是明智的，哪种语言流行学哪种，至于哪种语言最流行的，可以参考TIOBE发布的编程语言排行榜。

　　如果只有泛泛的兴趣，一律推荐学JavaScript，其实如果纯考虑语言的话，Java其实更好，学习单，容易上手。不过JavaScript拿来做页面效果，比较容易有成就感，环境依赖也比较小。

      推荐阅读：
　　JavaScript教程，JS轻松快速入门
　　JavaScript微课，边学边实践

　　语言怎么入门？

　　那么语言本身怎么入门呢？对初学者，我喜欢推荐
W3Cschool上的教程，尤其是里面的微课教程更是强烈推荐。这些教程让你在学习的同时，又可以动手进行实例演练，同时又省去了配置环境麻烦。别小看最后一点，软件开发的环境配置实在是一个比较烦人的事儿，非常容易掉坑里。

　　所以，零基础的爱好者尽量选择解释型语言学起，用好的集成开发环境( IDE )工作，比如学习Windows应用开发用Visual Studio，学习PHP考虑Zend Studio或者PHPStorm，学web开发的WebStorm/Sublime/Visual Studio Code等。

　　实践比理论更重要

　　埋头学理论是不可取的，编程是个手艺活，手熟是一切的基础。学一点就要写写练手的程序，当然一下子叫你写复杂的大程序那是给自己找坑，从简单的hello world开始最适合。

　　其实视频教程非常具有欺骗性，看这视频中老师行云流水地演示，然后自己抄一遍顺利出了正确结果，就以为自己也学会了。但是关了视频后，你看还记得多少？自己出个题目写一下试试？立即就发现记忆里缺很多细节。

　　所以拿新学的语言元素写练习程序是学会编程的非常重要的途径，对于心急的初学者，学到能够自己不查书写出在字符串数组里找到输入的字符串，基本就有足够的表达能力去书写所需要的逻辑了。

　　语言入门之后，就可以试着写点自己感兴趣的东西，语言肯定还不够熟，所以手边准备一本语言参考书随时备查吧。要自己写点东西，难免碰到一大堆平台、系统相关的背景知识，有时间找本入门本书或者课程系统学一下基本概念最好。

　　刚开始动手写程序时，出错是必然的，不要怕出错，要学会看出错信息，有不明白的地方就拿着完整的出错信息去网上查，问别人的时候尽可能提供详细的信息，尽最大努力不要让别人猜，这样得到帮助的可能性会大很多。

　　总结一下，学编程是为了解决问题，把你的问题分解细化，让它一步一步驱动你的学习过程，学起来就没那么难啦。

LangChain4j 和 Spring AI 的功能是比较类似的，甚至两者可以配合使用，例如使用 Spring AI 实现 MCP 服务器端，再使用 LangChain4j 实现 MCP 客户端调用 Spring AI，二者可以无缝对接。那二者的区别是啥呢？

　　对于哪种语言好这种问题，其实并没有固定的答案，最重要的还是
兴趣！兴趣！兴趣！重要的事情说三遍。无论做什么开发，永远要以兴趣来驱动自己学习。

      先大致的说一下，Java学习是一个需要耗费长周期的过程，考验一个人的逻辑能力，如果你现在还在学校，时间比较充裕，建议从学习Java开始。

　　选择学java，后面你有两条路可以走，第一个是javaweb做各种网站软件开发，第二个是android开发。

      java相关教程：
　　java入门教程
　　java微课

　　而相比较而言，javascript属于纯前端页面开发，门槛较低，入门稍快，可以在短时间内看到收益，但是由于前端变化特别快，需要永远保持积极学习的态度，如果你急需找工作，没太多时间，可以选择javascript。

　　如果你选择前端，往后面学可以学jQuery、easy UI等各种基于js的扩展。你还可以学HTML5，现在HTML5前景很广的。

      javascript相关教程：
　　javascript入门教程
　　javascript微课
      javascript实战演练

　　当然，最终不管你选择哪个方向，只要用心学，到最后都会有一个好的发展。