“攻城狮”们要使代码逼格升级，看起来舒服，而且代码跑得飞快，成为技术大神，不仅需要提升内功、还需要掌握好技巧，不断打磨代码，提升代码质量，让编码成为一门艺术。

作者简介：常遇，阿里巴巴高级技术专家，专注于机器学习、前端等领域。关注 "全栈深入" 查看更多硬核干货文章。

"同事写的代码像《九阴真经》，我的却像《辟邪剑谱》——直到我参透了设计模式！" —— 某司CRUD侠的顿悟时刻

一、设计模式：代码江湖的武学秘籍

推荐视频：

高并发技术之数据库连接池设计与实现：

几天不多说，直接来点实用的，其实，在 C++11 中，可以使用

单例模式：确保唯一实例

单例模式是一种创建型设计模式，它确保一个类只有一个实例，并提供一个全局访问点。 它是最简单和最常用的设计模式之一，本文介绍C语言及C++实现的3种单例模式代码。

根据C++/golang项目在对象设计需要，选择合适的设计模式。

一个单例模式（Singleton Pattern）的实现，使用了 C++11 的局部静态变量特性来确保线程安全。这段代码已经是单例模式的标准实现之一，不过有几个小问题和可以优化的地方。

本文较长，建议点赞收藏，以免遗失。更多AI大模型应用开发学习内容尽在

前两篇文章分别介绍了卷积层和池化层，卷积和池化是卷积神经网络必备的两大基础。本文我们将介绍一个早期用来识别手写数字图像的卷积神经网络：LeNet[1]。LeNet名字来源于论文的第一作者Yann LeCun。1989年，LeNet使用卷积神经网络和梯度下降法，使得手写数字识别达到当时领先水平。这个奠基性的工作第一次将卷积神经网络推上历史舞台，为世人所知。由于LeNet的出色表现，在很多ATM取款机上，LeNet被用来识别数字字符。

本文基于PyTorch和TensorFlow 2的代码已经放在了我的GitHub上：

在众多深度学习框架中，比如PyTorch、TensorFlow、MNN、Caffie等，PyTorch比较吃硬件性能，尤其在GPU显卡这块区分度非常大。

图卷积神经网络（Graph Convolutional Networks，简称GCN）是一种专门用于处理图数据的神经网络架构。它适用于各种基于图结构的数据分析和机器学习任务，如节点分类、图分类、链接预测等。GCN的核心思想是通过在图结构上进行卷积操作来学习节点的有效表示（embedding）。