十年前我刚到剑桥不久，就申请了 AMEX（美国运通）信用卡。那时候办的是返现卡，年费25英镑（首年免年费）。有一段时间花得挺猛，平均每个月都要消费两三千英镑，因为当时大部分开销都用信用卡，越刷越多，总觉得刷卡不像花自己的钱，反正先刷，50 天免息，下个月再还。 前两年因为刷 AMEX 少了，年费反而显得不划算，交着 25 英镑的年费，还不如直接取消。加上这两年经济下行，信用卡返现和积分比例都降了不少。我记得十年前还能有 1–2% 的返现，后来就只有 0.5–1.25%。要拿到高一点的返现，还要满足年度最低消费。像年费 25 英镑、返现 0.75% 的卡，算下来一年至少要刷 3333 英镑才能回本。 而且只要是有年费的卡，总会潜意识里想着多刷点，才能把年费“刷回来”。 上周我又重新申请了 AMEX，这次比较了好几个AMEX信用卡，最后选了一个不需要年费、积点也比较简单的那款：每消费 1 英镑得 1 点，积分能抵扣消费，大概相当于 0.4–0.5% 的返现，有总比没有好。 AMEX 官网申请秒批，可能和我之前是老客户有关。两三天卡就寄到了。和上次一样，我顺便给媳妇办了一张副卡，不过她激活（加到 Apple Wallet）时挺麻烦，还得打电话给客服人工处理。 我的 AMEX 在线账号还能继续用，只需要把新卡添加进去，非常方便。卡片上显示我从 2015 年起就是会员，看着挺暖心的，真好。不过媳妇的副卡就不会累积会员年限，是从头重新计数。 点这里申请 AMEX美国运通信用卡！ [caption id="attachment_70588" align="alignnone" width="590"] 网上申请AMEX卡，秒通过。[/caption] [caption id="attachment_70593" align="alignnone" width="2048"] AMEX给我寄来了两张信用卡，其中一张是媳妇的副卡。[/caption] [caption id="attachment_70592" align="alignnone" width="1515"] 我的信用积分相对较高，所以申请信用卡很容易通过。[/caption] [caption id="attachment_70591" align="alignnone" width="527"] 通过我的注册链接申请AMEX美国运通信用卡有额外的好处。[/caption] [caption id="attachment_70590" align="alignnone" width="1074"] 我申请的这张AMEX的好处，具体自己看吧。[/caption] [caption id="attachment_70589" align="alignnone" width="936"] 比较的几张AMEX卡，最后面就在这三张里面选。[/caption] [show_file file='/var/www/wp-post-common/justyy.com/amex.php'] 英文：Re-opened the AMEX credit card (Rewards)

WordPress 如何让 RSS feed 输出全文？ WordPress RSS 设置全文输出教程 教你让 WordPress 的 RSS 订阅显示全文 WordPress：让 RSS 订阅源输出完整内容的三种方法 修改 WordPress /feed 输出全文的完整指南 RSS 只显示摘要？教你改成全文（WordPress 设置/代码/插件） WordPress RSS 全文输出配置：设置、代码与插件方案 如何强制 WordPress RSS 显示完整内容（含 functions.php 方法） 提升订阅体验：WordPress RSS 输出全文的解决方案 WordPress RSS 订阅优化：开启全文输出的最佳实践

通过 WordPress 设置修改

1. 进入 WordPress 管理后台 → 设置 → 阅读。
2. 查找 “For each article in a feed, show”（每篇文章在订阅源中显示）。
3. 你会看到两个选项：Full text（完整内容）和 Summary（摘要）。
4. 选择 Full text 以确保 /feed 输出文章的完整内容。
5. 点击 保存更改（Save Changes）。

通过主题修改（当设置被覆盖时）

• 打开你主题的 functions.php 文件。
• 添加以下 PHP 代码：

// 强制 RSS 订阅源显示完整内容
function my_full_feed_content($content) {
    return get_the_content();
}

add_filter('the_excerpt_rss', 'my_full_feed_content');
add_filter('the_content_feed', 'my_full_feed_content');

通过插件修改

加入微软剑桥研究院四年半了，除了今年八月因为提前订了法国行程错过了我们组的 Team Build，我印象里几乎没有缺席过任何公司级或大组级的团建活动。 我原来在 AFO，后来因为 Re-org，大概是这两年并回到 MSR，之后又调整了一下，现在则是 100% 归在 MSRC 的组里。本月有一个冬日 Party，我记得这是我第一次参加，因为此前只参加过夏日 Party 和圣诞 Party。 这次冬日 Party 是微软剑桥研究院主办的，地点在剑桥市中心一家新开的酒吧：

MSR Cambridge Staff Winter Party at Boom Battle Bar Cambridge, on Thursday 20 November 2025. Timings Start Time: 12:00 Buffet Lunch Served Between: 12:00-13:30 End Time: 16:00

[caption id="attachment_70538" align="alignnone" width="1536"] 英伟达/Nvidia[/caption] 认识我的朋友都知道，我一直坚持面试，但现在的我只把目标放在大厂。不是大厂，不去面。这并不是傲气，而是现实：在微软剑桥研究院/MSRC之后，真正能让自己继续成长的地方确实不多。

一年后再战 Nvidia：我真的变强了 从拒信到进步：与 Nvidia 的两次较量 面试是照妖镜：每一次都让我更清楚自己 被拒不是终点，而是下一次更强的开始 为什么我只面大厂：两次 Nvidia 面试的成长记录 Nvidia 两轮面试，让我看清自己的短板 来自大厂的拒信，如何成为我的成长燃料？ 技术人最真实的成长路径：不断面试，不断升级 我与 Nvidia 的两次交手：从 k8s 到 C++ 的自我进化 90 分钟技术面，三天等待：再见了 Nvidia，也谢谢你 那封 Nvidia 拒信，帮我补齐了最关键的短板 Nvidia，我又来了，这次我更硬了 大厂面试：一场持续升级的修行 被 Nvidia 拒绝两次后，我越来越强了

很遗憾，团队决定不推进您的申请。虽然反馈是积极的，但其他候选人的技能更符合要求。 Unfortunately the team have decided not to move forward with your application. The feedback was positive however there were just other candidates whose skillset was a stronger match.

Q: Is there a cool down period before I can apply to another position? A: No there isn’t, you can apply for as many roles as you wish.

这个月在媳妇的要求下，把只使用了两年的洗衣机给换了，原因是这个洗衣机并没有烘干功能，而原本的那个烘干机也太老了，在去年房子装修完厨房没有给它预留位置，于是花了5英镑让别人取走了（放在Facebook Markets上打广告）。 冬天来了，媳妇每次就抱怨，洗出来的衣服都来不太放屋子里的晾衣架上。英国的冬天又冷又湿，放在院子里晾干是不现实的，经常下雨刮风。 趁着这个月黑五，搞了一带烘干的海尔洗衣机/Haier，花费514英镑：安装30英镑，把旧的洗衣机拆下来回收25英镑，还有运费20英镑。

1x HAIER - X Series 5 HWD90BP14357TUUK WiFi-enabled 9 kg Washer Dryer - White Product code 543801 £439.00 1x Washing Machine and Washer Dryer Installation Product code 592848 £30.00 1x Remove and recycle your old appliance Product code 111302 £25.00 Standard delivery (delivery on Saturday 22 November 2025) £20.00

Parquet 文件入门 Python 读写 Parquet 文件实战 大数据存储优化：Parquet 格式解析 Python 数据分析必备：Parquet 文件处理技巧 列式存储揭秘：Parquet 文件与性能优化 使用 Python 和 PyArrow 处理嵌套 Parquet 数据 从 CSV 到 Parquet：Python 数据格式转换教程

什么是 Parquet 文件？

为什么使用 Parquet？

• 列式存储：按列存储数据，提高分析任务的查询性能。
• 压缩：支持高效的压缩技术，减少存储空间。
• 兼容性：可与多种数据处理框架配合使用。
• 模式演进：支持增加或删除列而不破坏现有数据。

安装所需库

pip install pandas pyarrow

在 Python 中读取 Parquet 文件

import pandas as pd
import pyarrow.parquet as pq

# Parquet 文件路径
file_path = "example.parquet"

# 读取 Parquet 文件到 DataFrame
df = pd.read_parquet(file_path)

# 显示前 5 行
print(df.head())

写入 Parquet 文件

import pandas as pd

# 创建示例 DataFrame
data = {
    "name": ["Alice", "Bob", "Charlie"],
    "age": [25, 30, 35],
    "city": ["London", "Paris", "New York"]
}
df = pd.DataFrame(data)

# 保存为 Parquet
df.to_parquet("output.parquet", engine="pyarrow", index=False)

处理嵌套数据

import pyarrow.parquet as pq
from io import BytesIO

# 直接读取 Parquet 文件
table = pq.read_table("example.parquet")
df = table.to_pandas()
print(df.head())

总结

使用原子 TAS 指令实现自旋锁

使用原子 TAS 指令实现自旋锁 Implementing a Spinlock Using the Atomic TAS Instruction 从零实现自旋锁：基于 TAS 的最小同步原语 Building a Spinlock from Scratch with Atomic TAS 用 test-and-set 实现最简单的互斥锁 Implementing a Minimal Mutex Using Test-and-Set 自旋锁的底层原理：TAS、原子性与忙等待 Inside Spinlocks: TAS, Atomicity, and Busy Waiting 原子操作与自旋锁：用 C 语言实现线程同步 Atomic Operations and Spinlocks: Thread Synchronization in C 从原子指令到锁：全面理解 TAS 和自旋锁 From Atomic Instructions to Locks: A Complete Guide to TAS and Spinlocks 动手写一个自旋锁：tryLock / lockAcquire / lockRelease 全实现 Hands-On Spinlock Implementation: tryLock, lockAcquire, and lockRelease 你的第一个自旋锁：基于 C 语言的 TAS 实现 Your First Spinlock: A TAS-Based Implementation in C 原子交换与线程互斥：自旋锁实现指南 Atomic Exchange and Thread Mutual Exclusion: A Guide to Implementing Spinlocks

int TAS(int* memory, int newVal) {
    int old = *memory;
    *memory = newVal;
    return old;
}

• lockAcquire()
• lockRelease()

typedef struct {
    int lock;
} lockType;

typedef struct {
    int val;
} threadArgType;

void threadFunc(void* arg) {
    lockAcquire((static_cast<lockType*>arg)->lock);
    (static_cast<threadArgType*>arg)->val++;
    lockRelease((static_cast<lockType*>arg)->lock);
}

实现 tryLock

enum {
    UNLOCKED = 0,
    LOCKED = 1
}

int tryLock(lockType* lock) {
    // 如果之前已锁定返回 1，如果之前未锁定返回 0
    int old = TAS(lock->lock, LOCKED);
    return (old == UNLOCKED);   // true (1) = 成功获取锁
}

实现 lockAcquire()

void lockAcquire(lockType* lock) {
    while (!tryLock(lockType* lock)) {
        // 自旋直到锁可用
    }
}

void lockAcquire(lockType* lock) {
    do {
       if (tryLock(lockType* lock)) {
          break;
       }
    } while (1);
}

void lockAcquire(lockType* lock) {
    do {
       int old = TAS(lock->lock, LOCKED);
       // 无论锁是否已被获取，锁都已设置为 LOCKED
       if (old == UNLOCKED) {
           break;
       }
    } while (1);
}

实现 lockRelease()

void lockRelease(lockType* lock) {
    TAS(lock->lock, UNLOCKED);
}

总结

• 一个 tryLock() 尝试
• 一个 lockAcquire() 自旋锁
• 一个 lockRelease() 解锁操作

[caption id="attachment_70506" align="alignnone" width="1946"] 偶尔换个办公室上上班其实挺好的，新鲜感。[/caption] 微软在剑桥有两个办公室：一个在火车站对面（21 Station Road），旁边就是 Amazon/亚马逊 的办公楼，苹果的新大楼也刚搬到隔壁。另一个是微软研究院在剑桥科技园的办公室，位于 198 号。这个办公室应该是微软当年收购 MetaSwitch 后沿用下来的，所以顺理成章地在科技园也有了办公室，后来火车站的一些团队就搬过去了。 我平时一周有三天会去火车站旁的办公室上班。前几周因为团队协作需要，我有一天去了科技园的办公室。中午吃完饭随便逛了逛，结果意外发现 AMD 和树莓派的办公室就在隔壁。

剑桥科技园简介与历史

微软研究院

AMD

Raspberry Pi（树莓派）

理解 Sigma 函数：因子、乘法性与公式推导

一文看懂 Sigma 函数：因子分解的终极威力！ σ(n) 完全解析：为什么求和函数能“自动”变成乘积？ 数学之美：Sigma 函数的推导、公式与 Python 实现 从几何级数到质因数：Sigma 函数的魔法公式大揭秘 搞懂 σ(n) 的那一天，我看到了数学的秩序 为什么 σ(n) = 乘积？带你走进数论的核心思想 Divisor 终极指南：Sigma 函数推导 + 代码 一篇搞定

可除性符号

质因数分解与因子的结构

关键性质：Sigma 函数是乘法性的

质数幂的 Sigma 公式

示例：计算 σ(12)

Python 实现：高效的 Sigma 函数

def sigma(n: int) -> int:
    """高效计算因子和函数 σ(n)。"""
    total = 1
    x = n

    # 处理质因数 2
    count = 0
    while x % 2 == 0:
        x //= 2
        count += 1
    if count > 0:
        total *= (2 ** (count + 1) - 1) // (2 - 1)

    # 处理奇质数
    p = 3
    while p * p <= x:
        if x % p == 0:
            count = 0
            while x % p == 0:
                x //= p
                count += 1
            total *= (p ** (count + 1) - 1) // (p - 1)
        p += 2

    # 若剩下的是质数
    if x > 1:
        total *= (x**2 - 1) // (x - 1)

    return total

结语

回英国前，在罗马火车站附近吃了顿中餐，久违的味道太治愈了！弟弟把他最爱的鸡肉炒面扫光，我们也都光盘。一桌下来才56欧元，在英国剑桥吃这样的得接近100英镑😅 英国这几年物价真是蹭蹭往上涨啊～

Amdahl 定律 vs Gustafson 定律 — 完整教程、推导、应用场景及 Python 绘图

Amdahl 定律 vs Gustafson 定律：完整教程、推导、应用场景及 Python 绘图 理解并行加速：通过代码讲解 Amdahl 定律和 Gustafson 定律 并行计算基础：Amdahl 定律、Gustafson 定律及加速建模 并行加速原理：Amdahl 和 Gustafson 定律完整指南 并行扩展解析：推导并比较 Amdahl 和 Gustafson 定律 Amdahl vs Gustafson：并行加速完整指南（含 Python 代码） 并行性能建模：Amdahl 定律、Gustafson 定律及实际应用 学习并行加速：数学、直觉、应用场景及 Python 可视化 并行计算：必须掌握的两条定律（Amdahl & Gustafson） 工程师的并行加速：Amdahl 定律、Gustafson 定律及 Python 实现 从理论到代码：用 Amdahl 和 Gustafson 建模并行加速 实用并行加速指南：Amdahl 定律、Gustafson 定律及可视化 为什么并行不是无限的：简单解释 Amdahl vs Gustafson 并行加速真相：Amdahl 限制 vs Gustafson 扩展 并行计算神话与现实：Amdahl 和 Gustafson 的教训

引言

• Amdahl 定律 — 固定规模工作负载的性能
• Gustafson 定律 — 可扩展规模工作负载的性能

1. 什么是加速比？

2. Amdahl 定律（固定工作量）

2.1 直觉

• 总工作量保持 不变
• 部分工作是串行的，无法并行化

• f = 串行比例
• 1 - f = 可并行比例

2.2 推导

2.3 当 N → ∞ 时的极限

2.4 Amdahl 定律的实际应用场景

• GPU 内核优化固定张量大小
• 单次请求推理延迟降低
• 视频编码、压缩、排序
• 加速固定批量作业
• 数据库查询加速

3. Gustafson 定律（可扩展工作量）

3.1 直觉

3.2 推导

• f = 串行比例（按规模测量）

3.3 解释

3.4 Gustafson 定律的实际应用场景

• 天气和气候模拟
• 粒子模拟、CFD、有限元分析
• LLM 训练：更多 GPU → 更长序列或更大模型
• 大数据分析（Spark, Dask, Flink）
• 蒙特卡洛模拟

4. Amdahl 定律 vs Gustafson 定律（比较表）

5. 实际应用场景（综合视角）

Amdahl（延迟优化）

• 减少单次 LLM 查询推理时间
• 加速数据库 join 操作
• 固定张量 GPU 内核优化
• 视频编码（相同视频）

Gustafson（吞吐量 / 扩展）

• LLM 训练（扩展至更多 GPU）
• 高分辨率天气模型模拟
• 大数据 ETL 扩展
• 科学 HPC 工作负载

6. Python 绘图脚本（显示两条定律）

图示解读

• Amdahl 曲线迅速趋于平缓——受串行部分限制。
• Gustafson 曲线几乎线性上升——适用于可扩展工作负载。
• 串行比例 f 越高，两种模型差距越大。

结论

• Amdahl 定律 → 固定规模工作负载 → 收益递减
• Gustafson 定律 → 可扩展工作负载 → 近似线性加速
• 结合使用理解硬件极限与算法特性
• Python 工具使可视化直观易懂

今天的 Cloudflare 宕机：一次震撼全球的“单点故障”

18 日，全球知名的网络基础设施服务商 Cloudflare 发布公告称，其全球网络出现大范围异常，导致大量网站和应用出现访问中断。受影响的平台包括 X（前 Twitter）、ChatGPT 等多家核心互联网服务，有媒体报道称 Spotify、亚马逊部分服务也出现了故障。 受此次事故影响，Cloudflare 股价在盘前一度下跌超过 5%。 按照官网介绍，Cloudflare 是一家全球性的云网络平台，为各类规模的企业提供安全加速、内容分发、DNS、零信任等服务。其数据传输网络覆盖全球 125 个国家、330 座城市，是互联网“入口层”的关键基础设施之一。Cloudflare 于 2019 年 9 月 13 日在纽约证券交易所上市。 北京时间 19:17（伦敦时间 11:17），Cloudflare 状态页显示，其支持门户出现故障，客户在查看或回复支持工单时可能遇到错误。大约半小时后，Cloudflare 再次更新称公司正在经历“内部服务故障”，部分服务可能会出现间歇性异常。 又过了约 20 分钟，Cloudflare 表示整体中断情况已开始缓解，但仍在调查问题根源。至北京时间 21:13，官方最新状态指出，部分服务的错误率“已恢复到事件发生前的水平”，同时团队正在继续恢复其余受影响的服务。 X、ChatGPT 等多个互联网平台仍受到此次故障影响。X 上用户的帖子会显示“无法载入”等提示，访问仍不稳定。

Cloudflare 历史关键时间线

• 2009：Cloudflare 成立（创始人：Matthew Prince、Lee Holloway、Michelle Zatlyn）。
• 2010–2015：从 CDN 起家，加入 DDoS、防火墙、DNS、边缘计算等产品。
• 2019-09-13：Cloudflare 在 NYSE 上市，代码 NET。
• 2020–2024：推出 1.1.1.1、Zero Trust、Workers、R2 等，逐步成为互联网“前门”。
• 市场占有率：全球流量最高前 10,000 个网站中约三成使用 Cloudflare（各统计口径有差异，约在 30% 左右）。

技术分析：为什么会看到 Cloudflare 返回 500

1. Cloudflare 的基本工作方式

• 用户访问域名 → DNS 指向 Cloudflare Anycast 边缘/Edge节点。
• Cloudflare 作为反向代理：处理缓存、加速、TLS、WAF、Workers。
• 然后 Cloudflare 再把请求转发给源站（origin）。

2. 边缘节点返回 500 的常见原因

• 源站真实返回 500：Cloudflare 将错误透传。
• Cloudflare 内部组件异常：代理池、缓存层、Workers、WAF 崩溃导致边缘自身返回 5xx。
• 边缘与源站连接失败：握手超时或连接异常，本应返回 502/524，但部分情况可能回落为 500。
• SSL/TLS 配置冲突：证书或协议版本不匹配导致处理失败。
• Workers 运行异常：未捕获异常直接导致 500。

3. Cloudflare 常见错误码对照

4. 工程上如何确认是 Cloudflare 问题

1. 绕过 Cloudflare 测试源站：

   curl -I -H "Host: yourdomain.com" http://YOUR_ORIGIN_IP

2. 看响应头是否含 server: cloudflare 或 cf-ray。
3. 查看 Cloudflare 状态页：https://www.cloudflarestatus.com/
4. 如使用 Workers，检查日志与堆栈信息。
5. 必要时暂停 Cloudflare（“Pause Cloudflare on Site”）并确认源站可用性。

5. 为什么故障影响面巨大

• 大量网站的 DNS + 代理都托管在 Cloudflare。
• Cloudflare 是“入口层”，入口挂了源站再健康也没办法。
• 对许多服务来说，Cloudflare 就是互联网对外公开的“唯一入口”。

工程建议（可实践）

• 多 DNS、多 CDN 架构：降低对单一供应商的依赖。
• 开启缓存 fallback：为内容站点提供 Always Online 类体验。
• 健康检查 + 自动切换：重要 API 建议多云部署。
• 边缘脚本不要走关键路径：Workers 出错会影响所有请求。
• 制定应急回滚流程：包括 DNS 回滚、IP 直连、信息通告模板等。

快速诊断手册（给工程师）

1. 绕过 Cloudflare 访问源站：确认是否是源站本身故障。
2. 查看响应头是否含 Cloudflare 标识。
3. 查看 status 页面是否有大规模宕机。
4. 用不同地区的 curl/Pingdom/UptimeRobot 对比确认是否是区域性还是全球性问题。

组合简介（组合数学入门）

格子行走示例 — 从左下到右上路径

R R U R U U R R R U R U R R U R R R U U U U R R R 

二项式系数（组合）表示法

组合公式 — 基于阶乘的推导

把公式应用到格子示例

为什么这个公式直观上合理

• 视角一 — 选择位置：从 [math]n[/math] 个位置中选择放置 U 的 [math]m[/math] 个位置；这就是 [math]C(n,m)[/math]。
• 视角二 — 用排列除以顺序：先计算 n 步的所有排列，然后除去相同步序的重排（比如相同类型步的交换）。

帕斯卡三角与递推关系

 1 1 1 1 2 1 1 3 3 1 1 4 6 4 1 1 5 10 10 5 1 

from functools import cache

@cache
def C(n, m):
    if m == 0:
        return 1  # C(n, 0) = 1
    if m == n:
        return 1  # C(n, n) = 1
    return C(n-1, m-1) + C(n-1, m)

def C_bottom_up(n, m):
    dp = [[0]*(m+1) for _ in range(n+1)]
    for i in range(n+1):
        dp[i][0] = 1  # C(i, 0) = 1
        for j in range(1, min(i, m)+1):
            if j == i:
                dp[i][j] = 1  # C(i, i) = 1
            else:
                dp[i][j] = dp[i-1][j-1] + dp[i-1][j]
    return dp[n][m]

def C_one_dim(n, m):
    dp = [0] * (m+1)
    dp[0] = 1  # C(i, 0) = 1

    for i in range(1, n+1):
        # 从右往左更新，避免覆盖上一行数据
        for j in range(min(i, m), 0, -1):
            dp[j] = dp[j] + dp[j-1]
    
    return dp[m]

print(C_one_dim(5, 2))  # 输出 10

• 空间复杂度 O(m)
• 时间复杂度 O(n*m)
• 可以方便扩展计算整行或整列组合数

组合证明 — 采苹果

递推关系的格子解释

常见的小值与说明

 C(5,0)=1 C(5,1)=5 C(5,2)=10 C(5,3)=10 C(5,4)=5 C(5,5)=1 

结语

性能隐藏的引擎：数据存放在哪里决定一切

1. 性能的真正秘密：数据放在哪里决定一切 2. 决定系统快慢的不是 CPU，而是数据的距离 3. 缓存才是现代计算性能的核心 4. 忽视数据局部性，一切性能优化都是徒劳 5. 性能瓶颈不在算力，而在内存层级 6. 数据局部性：被低估的性能决定因素 7. CPU 在等你的内存：缓存层级的真实代价 8. 系统速度快的真正原因：一切都与缓存有关 9. 别再关注 CPU 速度了——数据局部性才是制胜关键 10. 为什么缓存是所有高性能系统的幕后引擎 11. 性能的关键不在于 GHz，而在于距离 12. 你的 CPU 正在等待内存：缓存不为人知的故事 13. 数据局部性：计算机领域最重要却鲜为人知的因素 14. 数据存储位置决定一切 15. 缓存主宰一切：性能指南 16. 内存层次结构：性能的隐形杀手（或救星） 17. 为什么现代性能之战是与延迟的较量，而非与计算能力的较量

为什么缓存主导一切

真正的设计问题： 它能放进缓存吗？

抽象失灵的地方

• 独占核亲和（core pinning） —— 保持线程在同一 CPU 上以维持缓存热度
• 中断合并（interrupt coalescing） —— 降低中断率但以延迟为代价
• NUMA 局部性 —— 跨插槽访问会严重削弱性能
• 物理网卡与虚拟网卡 行为不同

AI 也碰到同样的问题

• 数组优于指针密集的结构，因为内存是连续的
• 硬件预取器只有在访问可预测时才有用
• 当内存布局合理时，缓存行被更高效地利用

在机器人控制中也能看到

IBM Telum：不同量级的缓存

• 十个 36 MB 的 L2 缓存
• 360 MB 的虚拟 L3
• 2.8 GB 的虚拟 L4

结论

我们经常谈论 CPU 速度，却很少关注数据存储的位置。 性能主要取决于数据存储的便利程度。寄存器、L1 缓存、L2 缓存、L3 缓存、主内存——每一步都会增加延迟并降低吞吐量。访问主内存可能需要 200 个时钟周期，比 L1 缓存慢 50 倍。 当工作集能够放入缓存时，代码运行速度极快。否则，CPU 只能等待。 在数据包处理中，这种差异决定了一切。每个数据包都会触发表查找。如果这些表保存在 缓存 中，您可以每秒处理数百万个数据包。否则，吞吐量将急剧下降。 所以，下次设计数据结构时，请问问自己： 它能放进缓存吗？ 因为在对性能要求极高的系统中，缓存不仅仅是一种优化手段，它定义了整个系统。 而且不仅是数据，指令也一样！我见过高频交易工程师讨论他们的策略，他们将热路径编程为始终处于激活状态，并且只在数据包需要离开系统时才启用网卡。这样也能保持指令缓存处于热状态。 保持指令缓存处于热状态与保持数据缓存处于热状态同样重要，尤其是在对可预测性要求很高的工作负载中。优化热路径，使 CPU 始终保持在指令缓存中至关重要，因为即使是很小的停顿也可能导致尾延迟显著增加。这很好地提醒我们，架构设计的真正目的是尽可能地将指令和数据都放在靠近核心的位置。 很多技术决策者都固守一刀切的策略：例如……万物皆可云——他们认为任何虚拟化工作负载都可以在任何虚拟化环境中运行，底层硬件和虚拟化技术都只是商品而已。但这并不适用于虚拟化网络功能，因为厂商们早就知道，独占线程核心绑定可以让执行线程独占使用 CPU 缓存。厂商们也知道，在虚拟化环境中，中断合并可以降低“CPU 使用率”，但会增加延迟。他们了解 NUMA 局部性，甚至把这些都写进了文档里。当然，销售人员来了之后，他们希望与高层战略保持一致，使用最佳优化基准测试，然后就云或虚拟机管理程序支持的问题展开另一场不加任何细节的讨论。没错，这行得通*但附注：你需要三倍的许可证/硬件，而且仍然无法获得最佳性能。人们对底层性能如此缺乏兴趣，技能差距如此之大，以至于似乎只能通过增加抽象层和厂商来掩盖责任。如果珠穆朗玛峰是检验技术领导力还是厂商责任的试金石，那么我们很想知道，究竟是哪一方会坚持到底，还是会在山脚下卖羽绒服。完全正确。一旦你依赖缓存行为、核心绑定和NUMA局部性，平台就不再具有可互换性了。底层细节远比大多数高层策略重要得多。 大多数繁重的AI工作负载仍然会遇到相同的内存层次结构限制。模型规模不断扩大，但芯片内部数据传输的物理机制并没有发生太大变化。理解局部性仍然是获得良好性能的关键。 数组能够为CPU提供它真正需要的东西：连续的内存和可预测的访问模式。这意味着预取器可以真正发挥作用，缓存行可以得到高效利用，并且避免了分散结构带来的指针追踪惩罚。这是保持缓存友好性的最简单方法之一。 机器人多轴运动控制也是如此。第一个轴预热缓存并承受缓存未命中的影响，下一个轴的计算时间缩短了一半。 IBM Telum处理器可以验证这一点，它能够按需将L2缓存转换为L3缓存，并且L4缓存可以被任何其他CPU访问。此外，该芯片的时钟频率始终保持在 5.5 GHz。它包含十个 36 MB 的二级缓存¹，以及扩展的虚拟三级缓存（360 MB）和四级缓存（2.8 GB）。 这是一款令人着迷的芯片。与大多数架构相比，其缓存容量巨大，这让我不禁好奇这会对各级缓存的访问延迟产生怎样的影响。可惜的是，我找不到任何关于 Telum 缓存的公开延迟数据，否则我很想了解 IBM 在实际应用中是如何平衡缓存容量、交换空间距离和命中延迟的。

[caption id="attachment_70386" align="alignnone" width="2017"] Q Learning强化学习算法(机器学习/人工智能)[/caption] 强化学习（Reinforcement Learning, RL）是一种让智能体/Agent通过与环境交互、试错学习来获得最优行为策略的机器学习方法。本文用一个简单的 Q-learning 迷宫示例，帮助你快速理解强化学习的基本原理。

强化学习入门：从试错中学习的艺术 Reinforcement Learning 101: The Art of Learning by Trial and Error 深度解析强化学习：Q-Learning算法详解 Deep Dive into Reinforcement Learning: Understanding the Q-Learning Algorithm 机器如何学会自己做决定？强化学习告诉你答案 How Do Machines Learn to Make Their Own Decisions? Reinforcement Learning Explained 从奖励中学习：人工智能的“试错智慧” Learning from Rewards: The Trial-and-Error Intelligence Behind AI

一、什么是强化学习？

• Agent（智能体）：做决策、执行动作的主体
• Environment（环境）：智能体所处的世界
• State（状态）：当前环境的描述
• Action（动作）：智能体可采取的操作
• Reward（奖励）：环境反馈，用来衡量动作的好坏

二、Q-Learning 原理

• [math] \alpha [/math]：学习率（Learning Rate）
• [math] \gamma [/math]：折扣因子（Discount Factor）
• [math] r [/math]：奖励（Reward）
• [math] s' [/math]：下一状态（Next State）

三、迷宫环境设计

• 0：空地
• -1：墙
• 1：出口（目标）

四、完整 Python 实现代码

import numpy as np
import random

# 1️⃣ 定义迷宫
maze = np.array([
    [0,  0,  0, -1,  1],
    [0, -1,  0, -1,  0],
    [0,  0,  0,  0,  0]
])

n_rows, n_cols = maze.shape
actions = ['up', 'down', 'left', 'right']
Q = np.zeros((n_rows, n_cols, len(actions)))

# 2️⃣ 超参数
alpha = 0.1
gamma = 0.9
epsilon = 0.1
episodes = 500

# 3️⃣ 辅助函数
def is_valid(state):
    r, c = state
    return 0 <= r < n_rows and 0 <= c < n_cols and maze[r, c] != -1

def next_state(state, action):
    r, c = state
    if action == 'up': r -= 1
    elif action == 'down': r += 1
    elif action == 'left': c -= 1
    elif action == 'right': c += 1
    return (r, c)

def get_reward(state):
    r, c = state
    if maze[r, c] == 1: return 10
    elif maze[r, c] == -1: return -1
    return -0.1

# 4️⃣ 训练循环
for episode in range(episodes):
    state = (2, 0)
    done = False

    while not done:
        if random.uniform(0, 1) < epsilon:
            action_idx = random.randint(0, len(actions)-1)
        else:
            action_idx = np.argmax(Q[state[0], state[1]])

        action = actions[action_idx]
        next_s = next_state(state, action)

        if not is_valid(next_s):
            reward = -1
            next_s = state
        else:
            reward = get_reward(next_s)

        Q[state[0], state[1], action_idx] += alpha * (
            reward + gamma * np.max(Q[next_s[0], next_s[1]]) - Q[state[0], state[1], action_idx]
        )

        state = next_s
        if maze[state[0], state[1]] == 1:
            done = True

print("✅ 训练完成！")

# 5️⃣ 查看学到的路径
state = (2, 0)
path = [state]

while maze[state[0], state[1]] != 1:
    action_idx = np.argmax(Q[state[0], state[1]])
    next_s = next_state(state, actions[action_idx])
    if not is_valid(next_s) or next_s in path:
        break
    state = next_s
    path.append(state)

print("🗺️ 学到的路径:", path)

五、运行结果

六、总结

• Q 表：保存每个状态-动作的价值
• ε-greedy 策略：平衡探索与利用
• 奖励函数设计：引导智能体形成目标导向行为
• 强化学习思想：通过试错和奖励反馈不断改进策略

罗马四天三晚：顺路去看那座“歪着也能成地标”的塔

奇迹广场

• 🕍 比萨主教座堂（Duomo di Pisa / Cathedral of Santa Maria Assunta）—— 就在斜塔旁边，是一座宏伟的罗曼式风格大教堂，建于11世纪，是整个广场的中心建筑。比萨斜塔其实就是它的钟楼。
• 🔔 比萨斜塔（Torre Pendente di Pisa）—— 教堂的独立钟楼，因为地基松软而倾斜，成了全世界最有名的“意外建筑”。
• 🚿 洗礼堂（Battistero di San Giovanni）—— 教堂正对面，一个圆顶建筑，是欧洲最大的洗礼堂，以音响效果奇妙闻名。导览员有时会在里面演示回音，特别震撼。
• ⚰️ 纪念墓园（Camposanto Monumentale）—— 位于广场一侧，外观像一堵长长的白墙，里面是修士们的墓地，据说用的是从耶路撒冷运回来的圣土建成的。

《金融杠杆：从股票到加密货币的放大效应》 《用杠杆撬动财富：传统市场与币圈的机会与风险》 《杠杆交易全解析：小资金如何放大收益，也放大风险》 《金融杠杆揭秘：股票、房地产到加密货币》 《杠杆的魔力与陷阱：跨越传统金融与加密世界》 《币圈杠杆交易：高收益背后的高风险》 《用杠杆玩加密货币，你准备好了吗？》 《Crypto 杠杆揭秘：如何放大收益，也放大风险》 《小本金撬大财富？币圈杠杆的利与弊》 《杠杆在币圈：赚钱快还是亏得快？》

金融杠杆: 借钱也能赚钱, 但风险也要小心

什么是金融杠杆？

杠杆如何放大风险？

杠杆的实际应用与案例

股票投资案例

房地产杠杆案例

风险控制很重要

总结

人生不停的折腾，对喜欢的事和物不断袪魅。来英21载，终于拥有了一个私人牌照。8核SUV，性能强劲，值得拥有！[旺柴]

我的新车牌：X8 CPU 的故事

从 X86 CPU 到 X8 CPU：一次有意义的车牌之旅 X8 CPU：属于极客的私人车牌 求而不得的 X86，意外收获的 X8 CPU 一块写着“X8 CPU”的车牌，圆了我的极客梦 给人生加个“X8 CPU”：一块车牌的情绪价值 当极客买车牌：我与 X8 CPU 的故事 8核SUV，性能与情怀的双重升级 不是处理器，是我的车牌——X8 CPU

从 X86 CPU 到 X8 CPU

购买与过户

我很高兴地确认，您车辆登记号为 X8 CPU 的证书已于今日送达，并且我已经为您完成了合法过户手续。附件是英国车辆牌照管理局 (DVLA) 出具的两份过户确认文件，供您存档。 接下来会发生什么？ - 您现在必须合法地将新车牌悬挂在车辆上——您有充足的时间完成这项工作（所以如果您当天无法完成，也无需担心！）。 - DVLA 已收到通知，并正在为您寄送新的 V5 车辆登记证，以确认新的车辆登记信息。该登记证将在未来 7-14 天内送达。 - 您的车辆路税/Road Tax和 MOT（车辆年检）将自动转移到新的车辆登记信息上，您无需更新。请注意，如果您在线查询状态，DVLA 最多需要 72 小时才能在其数据库中更新车辆的新登记信息。 - 请通知您的保险公司您已更改车辆登记信息。您还需要更新任何停车费、拥堵费、伦敦交通局 (TFL)、超低排放区 (ULEZ) 或收费公路服务信息。 希望您对所享受的服务感到满意，如有任何疑问，请随时与我联系。 I am pleased to confirm that the certificate for your registration X8 CPU arrived today and I have now completed the legal transfer for you. Attached are 2 documents from the DVLA confirming the transfer for your records. What Happens Next? - You must now legally display the number plates on the vehicle - you have reasonable time to do this (so don’t worry if you cannot do this the same day!). - The DVLA have been notified and are processing you a new V5 logbook to your home address confirming the new registration. This will arrive in the next 7-14 days - Any TAX & MOT will automatically roll over to your new registration, you do not need to update this. Please note it takes upto 72 hours for DVLA to update across their databases to show this new registration on the vehicle if checking the status online. - Please notify the insurance company you have changed the vehicle registration. You will also need to update any parking, congestion, TFL, ULEZ or toll services. I hope you are pleased with the service received, and if you have any questions do not hesitate to contact me.

DVLA 系统与保险更新

• 尽快更换新车牌；
• 通知保险公司。

关于私人车牌的那些小趣事

• 投资属性：好的车牌就像域名，具有稀缺性，可以再次出售或拍卖；
• 隐私性：自定义车牌看不出车辆是哪一年注册的；
• 比如广告性用途：我在剑桥经常看到一些以 CDA 结尾的车牌，代表 Cambridge Driving Academy（剑桥驾驶学院）。这是一个学车机构购买的车牌，车上还贴着相应的标语，一眼就能看出是教练车。
• 情绪价值：每次看到它，心情都会变好。

8核SUV，值得拥有

网友评论

我在英国申请HSBC Overdraft的全过程与心得 什么是HSBC Overdraft？我的申请经验与使用体会 英国银行Overdraft详解：以HSBC为例的真实申请经历 英国HSBC Overdraft申请记：为啥我也办了个透支额度 账户差点扣不上学费，我才去申请了HSBC Overdraft 英国银行透支服务（Overdraft）到底有啥用？我的真实体验 理财角度看HSBC Overdraft：短期周转的小帮手 透支不是坏事？谈谈HSBC Overdraft的利与弊

这次意大利之行，我在 Booking.com 上选择了一家私人房东的住宿。以前出行通常都会住酒店，这次想换个体验，于是选了一套距离罗马市中心火车站 Rome Termini 步行仅五分钟的两居一厅公寓，也是通过 Booking.com 预订的。 我们从 FCO 机场 下飞机后，买了三张成人票和一张儿童票（12 岁以下），乘坐火车（45欧元）大约 40 分钟就到了罗马。下车后拖着行李没走多久，就接到了房东的电话询问位置。步行五分钟左右，房东已经在门口等我们。房东非常热情，不仅介绍了房子的使用方法，还贴心地提醒我们在罗马需要注意的一些事项，其中包括必须缴纳的 城市税（City Tax） —— 每人每晚 6 欧元，我们一家四口共住三晚，总计 72 欧元。房东让我们在最后一天退房时，把税金和钥匙一起放在桌上即可。 以前住酒店时从未特别注意过这笔费用，可能是酒店在结账时已经帮忙代收并上缴了。

欧洲的城市税（City Tax）