在浏览器中运行 Python 主讲人： 韩骏 – Code Runner 作者 自我介绍 • 高级软件工程师 @ 微软开发平台事业部 • 《Visual Studio Code 权威指南》作者 • 20 多款 VS Code 插件（比如 Code Runner） • “玩转VS Code”知乎专栏 & 微信公众号 • VS Code 中文社区创始人 • https://github.com/formulahendry/955 https://github.com/microsoft/vscode-python-web-wasm One More Thing! Debug Python in browser? 在浏览器中调试 Python！ https://code.visualstudio.com/updates/v1_74#_python-execution-in-the-web • Setting breakpoints

用 Python 给 Kubernetes 写个控制器 主讲人： 张晋涛 个人介绍 Apache APISIX PMC Kubernetes Ingress NGINX maintainer Microsoft MVP 『 K8S 生态周报』发起人和维护者 GitHub：tao12345666333 Mail: zhangjintao@apache.org Agenda Agenda Kubernetes 中请求处理流程 什么是准入控制器 用 Python 实现准入控制器 与其他方案对比 Kubernetes 架构 kube-apiserver Kubernetes 集群的核心组件 处理集群内外的所有请求 Kubernetes 请求处理流程  API Handler 匹配处理链路（ /apis ）  认证 / 授权  Mutating Validating Admission ：可进行验证操作  etcd ：持久化 什么是准入控制器  在 Mutating Admission 或 Validating Admission 执行相 关操作的代码逻辑或者组件  （静态）准入控制器： Kubernetes 代码中携带，不可动 态调整的  动态准入控制器：利用 Kubernetes 提供的 MutatingAdmissionWebhook

1、语料自动生成：主要通过依存句法分析，结合启发式的规则自动生成语料 E.g., 启发式的规则包括：关系指代词是两个实体之间依存路径上的动词或动词短语。 2、分类器的训练：利用朴素贝叶斯分类器进行训练，其使用的特征包括：关系指示词的词性、实体的类 型等。 3、关系三元组的抽取：利用训练好的分类器对Web文本上的三元组进行抽取。 4、关系三元组可信度计算：将存储起来的相似三元组进行合并，然后根据网络数据的冗余性，计算合并 后的三元组在Web文本中出现的次数。 high frequency as topic words, and computes standard TF-IDF weights2 for each word. Documents under the same topic are ranked according to the TF-IDF weights of the topic words in each document. The top-k considers only those sentences with sufficiently high scores. 2https://en.wikipedia.org/wiki/Tf%E2%80%93idf 4https://github.com/letiantian/TextRank4ZH/blob/master/README.md 1https://stanfordnlp.github.io/CoreNLP/index

########################################################## | section3 ROUGE RIBES word2vec TF-IDF 机器翻译的手法 神经网络 向量化的典型手法 $ from RIBES import RIBESevaluator $ ribes = RIBESevaluator() $ score = ribes ############################################################## | section3 条文 条文内容 ROUGE RIBES TF-IDF Word2vec 第 一 条 甲乙双方确认：“秘密信息”是指甲方及其关联公司未曾公开的商业秘密、技术信息 和财务信息等，包括但不限于设计、程序、制作工艺、制作方法、管理诀窍、产品或 服务的销售 ############################################################## | section3 条文 条文内容 ROUGE RIBES TF-IDF Word2vec 第 一 条 甲乙双方确认：“秘密信息”是指甲方及其关联公司未曾公开的商业秘密、技术信息 和财务信息等，包括但不限于设计、程序、制作工艺、制作方法、管理诀窍、产品或 服务的销售

########################################################## | section3 ROUGE RIBES word2vec TF-IDF 机器翻译的手法 神经网络 向量化的典型手法 $ from RIBES import RIBESevaluator $ ribes = RIBESevaluator() $ score = ribes ############################################################## | section3 条文 条文内容 ROUGE RIBES TF-IDF Word2vec 第 一 条 甲乙双方确认：“秘密信息”是指甲方及其关联公司未曾公开的商业秘密、技术信息 和财务信息等，包括但不限于设计、程序、制作工艺、制作方法、管理诀窍、产品或 服务的销售 ############################################################## | section3 条文 条文内容 ROUGE RIBES TF-IDF Word2vec 第 一 条 甲乙双方确认：“秘密信息”是指甲方及其关联公司未曾公开的商业秘密、技术信息 和财务信息等，包括但不限于设计、程序、制作工艺、制作方法、管理诀窍、产品或 服务的销售

Java：语法简单，面向对象，但框架较重，相对 而言较适用业务程序开发 Ø GO：语法简单，支持面向对象、函数、接口编 程，开发速度媲美Python • 平台迁移性 Ø C++：受环境和编译器影响较大 Ø Python：安装简单，服务器ubuntu、centos等都 默认兼容 Ø Java：跨平台可用 Ø GO：支持交叉编译，可在不同平台直接运行 • 运行速度 Ø C++：最快 Ø Python：最慢，但是可以通过外调 没给我提货码 小儿止咳偏方最有效的 黄疸13.5高的话吃啥药 没收到取件短信 宝宝有点咳嗽怎么食疗 退黄疸用什么药 怎么能知道取货码 各个击破－迭代 • badcase分析 • 设计有效特征 Ø IDF加权 • 强化特征语义表示能力 Ø 词袋模型语义表示能力弱 Ø 预训练词向量能提升模型的语义表示能力 Ø 深度学习网络让句子产生交互，能进一步提升语义表 示能力 Ø 领域内数据fine-tune是有效的 语法简单 易用性强 无需复杂数据结构即可快速搭建 服务 无需编译 支持C++调用 支持Java调用 优势总结 缺点举例1-内存占用高 Python：一切皆对象 • python执行由解析器解析为C语言对应的结构 • python对象取值仅对应C结构的一个属性 • 附加字段、引用指针均消耗内存 • 解决方案：c++封装kv存储，编译成so供python调用，内部采用unordered_map实现

一方面，难以排除测试环境的干扰因素。硬件配置会影响算法的性能。比如在某台计算机中，算法 A 的运行 时间比算法 B 短；但在另一台配置不同的计算机中，可能得到相反的测试结果。这意味着我们需要在各种机 器上进行测试，统计平均效率，而这是不现实的。 另一方面，展开完整测试非常耗费资源。随着输入数据量的变化，算法会表现出不同的效率。例如，在输入 数据量较小时，算法 A 的运行时间比算法 B 短；而在输 图 2‑4 递归调用深度 在实际中，编程语言允许的递归深度通常是有限的，过深的递归可能导致栈溢出错误。 2. 尾递归 有趣的是，如果函数在返回前的最后一步才进行递归调用，则该函数可以被编译器或解释器优化，使其在空 间效率上与迭代相当。这种情况被称为尾递归（tail recursion）。 ‧ 普通递归：当函数返回到上一层级的函数后，需要继续执行代码，因此系统需要保存上一层调用的上下 文。 ‧ 尾递归：求和操作是在“递”的过程中执行的，“归”的过程只需层层返回。 第 2 章 复杂度分析 hello‑algo.com 25 图 2‑5 尾递归过程 Tip 请注意，许多编译器或解释器并不支持尾递归优化。例如，Python 默认不支持尾递归优化，因此即 使函数是尾递归形式，仍然可能会遇到栈溢出问题。 3. 递归树 当处理与“分治”相关的算法问题时，递归往往比迭代的思路更加直观、代码更加易读。以“斐波那契数列”

一方面，难以排除测试环境的干扰因素。硬件配置会影响算法的性能。比如在某台计算机中，算法 A 的运行 时间比算法 B 短；但在另一台配置不同的计算机中，可能得到相反的测试结果。这意味着我们需要在各种机 器上进行测试，统计平均效率，而这是不现实的。 另一方面，展开完整测试非常耗费资源。随着输入数据量的变化，算法会表现出不同的效率。例如，在输入 数据量较小时，算法 A 的运行时间比算法 B 短；而在输 图 2‑4 递归调用深度 在实际中，编程语言允许的递归深度通常是有限的，过深的递归可能导致栈溢出错误。 2. 尾递归 有趣的是，如果函数在返回前的最后一步才进行递归调用，则该函数可以被编译器或解释器优化，使其在空 间效率上与迭代相当。这种情况被称为「尾递归 tail recursion」。 ‧ 普通递归：当函数返回到上一层级的函数后，需要继续执行代码，因此系统需要保存上一层调用的上下 文。 作。 ‧ 尾递归：求和操作是在“递”的过程中执行的，“归”的过程只需层层返回。 第 2 章 复杂度分析 hello‑algo.com 25 图 2‑5 尾递归过程 � 请注意，许多编译器或解释器并不支持尾递归优化。例如，Python 默认不支持尾递归优化， 因此即使函数是尾递归形式，仍然可能会遇到栈溢出问题。 3. 递归树 当处理与“分治”相关的算法问题时，递归往往比迭代的思路更加直观、代码更加易读。以“斐波那契数列”

File: time_complexity.py === def bubble_sort(nums: list[int]) -> int: """ 平方阶（冒泡排序）""" count = 0 # 计数器 # 外循环：未排序区间为 [0, i] for i in range(len(nums) - 1, 0, -1): # 内循环：将未排序区间 [0, i] 中的最大元素交换至该区间的最右端 for 元素的场景。 ‧ 高级数据结构：比如在红黑树、B 树中，我们需要知道一个节点的父节点，这可以通过在节点中保存一 个指向父节点的指针来实现，类似于双向链表。 ‧ 浏览器历史：在网页浏览器中，当用户点击前进或后退按钮时，浏览器需要知道用户访问过的前一个和 后一个网页。双向链表的特性使得这种操作变得简单。 ‧ LRU 算法：在缓存淘汰算法（LRU）中，我们需要快速找到最近最少使用的数据，以及支持快速地添 组进程进行循环。每个进程被赋予一个时间片，当时间片用完时，CPU 将切换到下一个进程。这种循 环的操作就可以通过循环链表来实现。 ‧ 数据缓冲区：在某些数据缓冲区的实现中，也可能会使用到循环链表。比如在音频、视频播放器中，数 据流可能会被分成多个缓冲块并放入一个循环链表，以便实现无缝播放。 4. 数组与链表 hello‑algo.com 59 4.3. 列表 数组长度不可变导致实用性降低。在许多情况下，我们

图 2‑4 递归调用深度 在实际中，编程语言允许的递归深度通常是有限的，过深的递归可能导致栈溢出错误。 2. 尾递归 有趣的是，如果函数在返回前的最后一步才进行递归调用，则该函数可以被编译器或解释器优化，使其在空 间效率上与迭代相当。这种情况被称为尾递归（tail recursion）。 ‧ 普通递归：当函数返回到上一层级的函数后，需要继续执行代码，因此系统需要保存上一层调用的上下 文。 尾递归：求和操作是在“递”的过程中执行的，“归”的过程只需层层返回。 第 2 章 复杂度分析 www.hello‑algo.com 25 图 2‑5 尾递归过程 Tip 请注意，许多编译器或解释器并不支持尾递归优化。例如，Python 默认不支持尾递归优化，因此即 使函数是尾递归形式，仍然可能会遇到栈溢出问题。 3. 递归树 当处理与“分治”相关的算法问题时，递归往往比迭代的思路更加直观、代码更加易读。以“斐波那契数列” File: time_complexity.py === def bubble_sort(nums: list[int]) -> int: """ 平方阶（冒泡排序）""" count = 0 # 计数器 # 外循环：未排序区间为 [0, i] for i in range(len(nums) - 1, 0, -1): # 内循环：将未排序区间 [0, i] 中的最大元素交换至该区间的最右端 for