The file size (xxx MB) exceeds the configured limit (2.56MB). Code insight features are not available.

这说明默认配置是：大小不超过 2.56MB 的文件，打开才有语法高亮显示，以及代码块折叠功能（代码编辑区域左侧点击 +、- 符号折叠同一段代码）。

你可以自定义配置增大这个值，方法：
点击菜单 Help->Edit Custom Properties，如果你以前没有自定义过，那么配置文件会不存在，按提示选择创建配置文件 idea.properties，在里面填上如下内容：

#---------------------------------------------------------------------
# Maximum file size (kilobytes) IDE should provide code assistance for.
# The larger file is the slower its editor works and higher overall system memory requirements are
# if code assistance is enabled. Remove this property or set to very large number if you need
# code assistance for any files available regardless their size.
#---------------------------------------------------------------------
idea.max.intellisense.filesize=5120

5120单位为KB，表示把文件大小限制设置成5MB。
之后重新启动 IntelliJ IDEA，即可生效。
文章来源：https://www.codelast.com/
➤➤ 版权声明 ➤➤ 
转载需注明出处：codelast.com 
感谢关注我的微信公众号（微信扫一扫）：

TFRecord 文件格式是一种面向记录的简单二进制格式，很多 TensorFlow 应用采用此格式来训练数据。
TFRecord 内部有一系列的 Example ，Example 是 protocolbuf 协议下的消息体。

把一个一维的numpy数组保存为TFRecord文件很容易，但如果numpy数组是二维的可能就比较容易写错。下面是一个例子。

1. """ 
2. 本程序演示了如何保存numpy array为TFRecords文件，并将其读取出来。 
3. """  
4. import random  
5.   
6. import numpy as np  
7. import tensorflow as tf  
8.   
9. __author__ = 'Darran Zhang @ codelast.com'  
10.   
11.   
12. def save_tfrecords(state_data, action_data, reward_data, dest_file):  
13.     """ 
14.     保存numpy array到TFRecord文件中。 
15.     这里输入了三个不同的numpy array来做演示，它们含有不同类型的元素。 
16.     Args: 
17.         state_data: 要保存到TFRecord文件的第1个numpy array，每一个 state_data[i] 是一个 numpy.ndarray（数组里的每个元素又是一个浮点 
18.                     数），因此不能用 Int64List 或 FloatList 来存储，只能用 BytesList。 
19.         action_data: 要保存到TFRecord文件的第2个numpy array，每一个 action_data[i] 是一个整数，使用 Int64List 来存储。 
20.         reward_data: 要保存到TFRecord文件的第3个numpy array，每一个 reward_data[i] 是一个整数，使用 Int64List 来存储。 
21.         dest_file: 输出文件的路径。 
22.     Returns: 
23.         不返回任何值 
24.     """  
25.     with tf.io.TFRecordWriter(dest_file) as writer:  
26.         for i in range(len(state_data)):  
27.             features = tf.train.Features(  
28.                 feature={  
29.                     "state": tf.train.Feature(  
30.                         bytes_list=tf.train.BytesList(value=[state_data[i].astype(np.float32).tostring()])),  
31.                     "action": tf.train.Feature(  
32.                         int64_list=tf.train.Int64List(value=[action_data[i]])),  
33.                     "reward": tf.train.Feature(  
34.                         int64_list=tf.train.Int64List(value=[reward_data[i]]))  
35.                 }  
36.             )  
37.             tf_example = tf.train.Example(features=features)  
38.             serialized = tf_example.SerializeToString()  
39.             writer.write(serialized)  
40.   
41.   
42. def parse_fn(example_proto):  
43.     features = {"state": tf.FixedLenFeature((), tf.string),  
44.                 "action": tf.FixedLenFeature((), tf.int64),  
45.                 "reward": tf.FixedLenFeature((), tf.int64)}  
46.     parsed_features = tf.parse_single_example(example_proto, features)  
47.     return tf.decode_raw(parsed_features['state'], tf.float32), parsed_features['action'], parsed_features['reward']  
48.   
49.   
50. if __name__ == '__main__':  
51.     buffer_s, buffer_a, buffer_r = [], [], []  
52.   
53.     # 随机生成一些数据  
54.     for i in range(3):  
55.         state = [round(random.random() * 100, 2) for _ in range(0, 10)]  # 一个数组，里面有10个数，每个都是一个浮点数  
56.         action = random.randrange(0, 2)  # 一个数，值为 0 或 1  
57.         reward = random.randrange(0, 100)  # 一个数，值域 [0, 100)  
58.         # 把生成的数分别添加到3个list中  
59.         buffer_s.append(state)  
60.         buffer_a.append(action)  
61.         buffer_r.append(reward)  
62.   
63.     # 查看生成的数据  
64.     print(buffer_s)  
65.     print(buffer_a)  
66.     print(buffer_r)  
67.   
68.     # 在水平方向把各个list堆叠起来，堆叠的结果：得到3个矩阵  
69.     s_stacked = np.vstack(buffer_s)  
70.     a_stacked = np.vstack(buffer_a)  
71.     r_stacked = np.vstack(buffer_r)  
72.   
73.     print(s_stacked.shape)  # (3, 10)  
74.     print(a_stacked.shape)  # (3, 1)  
75.     print(r_stacked.shape)  # (3, 1)  
76.   
77.     # 写入TFRecord文件  
78.     output_file = './data.tfrecord'  # 输出文件的路径  
79.     save_tfrecords(s_stacked, a_stacked, r_stacked, output_file)  
80.   
81.     # 读取TFRecord文件并打印出其内容  
82.     for example in tf.io.tf_record_iterator(output_file):  
83.         print(tf.train.Example.FromString(example))  
84.         # 或者用下面的方法  
85.         # from google.protobuf.json_format import MessageToJson  
86.         # jsonMessage = MessageToJson(tf.train.Example.FromString(example))  
87.         # print(jsonMessage)  
88.   
89.     # 读取TFRecord文件并还原成numpy array，再打印出来  
90.     with tf.Session() as sess:  
91.         dataset = tf.data.TFRecordDataset(output_file)  # 加载TFRecord文件  
92.         dataset = dataset.map(parse_fn)  # 解析data到Tensor  
93.         dataset = dataset.repeat(1)  # 重复N epochs  
94.         dataset = dataset.batch(3)  # batch size  
95.   
96.         iterator = dataset.make_one_shot_iterator()  
97.         next_data = iterator.get_next()  
98.   
99.         while True:  
100.             try:  
101.                 state, action, reward = sess.run(next_data)  
102.                 print(state)  
103.                 print(action)  
104.                 print(reward)  
105.             except tf.errors.OutOfRangeError:  
106.                 break  

注意：对二维数组，需要用 tf.train.BytesList 来保存，还原成numpy array的时候，要用 tf.decode_raw() 来解析。
由于生成的数据是随机数，因此你看到的输出会和我不一样。
文章来源：https://www.codelast.com/
生成的数据：

[[56.31, 8.72, 78.21, 44.52, 98.18, 95.23, 85.89, 95.76, 63.96, 41.56], [21.78, 66.52, 17.58, 35.36, 29.25, 63.54, 49.12, 82.71, 77.38, 20.04], [65.86, 78.81, 17.64, 3.21, 60.88, 92.98, 80.63, 92.86, 80.7, 4.12]]

[1, 0, 1]

[55, 97, 89]

numpy数组写成TFRecord后再重新读取出来，并重新转成numpy数组后，数据是：

[[56.31  8.72 78.21 44.52 98.18 95.23 85.89 95.76 63.96 41.56]

 [21.78 66.52 17.58 35.36 29.25 63.54 49.12 82.71 77.38 20.04]

 [65.86 78.81 17.64  3.21 60.88 92.98 80.63 92.86 80.7   4.12]]

[1 0 1]

[55 97 89]

可见数据和生成的一样，这说明上面的程序互相转没有问题。

文章来源：https://www.codelast.com/
➤➤ 版权声明 ➤➤ 
转载需注明出处：codelast.com 
感谢关注我的微信公众号（微信扫一扫）：

文章来源：https://www.codelast.com/
➤➤ 版权声明 ➤➤ 
转载需注明出处：codelast.com 
感谢关注我的微信公众号（微信扫一扫）：

【正文】
去心邻域：把 $N(a,\delta )$ 的中心点 $a$ 去掉，称为点 $a$ 的去心邻域，记为 $N(\hat a,\delta ) = \{ x|0 < |x - a| < \delta\} = N(a,\delta )\backslash \{ a\}$
注：其中， $\backslash \{ a\}$ 表示去掉由 $a$ 这一个数组成的数集。

二、函数概念
例1. 设圆的半径为 $x(x > 0)$ ，它的面积 $A = \pi {x^2}$ ，当 $x$ 在 $(0, + \infty )$ 内任取一个数值（记为 $\forall x \in (0, + \infty )$ ）时，由关系式 $A = \pi {x^2}$ 就可以确定A的对应数值。
文章来源：http://www.codelast.com/
例2. 设有半径为 $r$ 的圆，作圆的内接正 $n$ 边形，每一边对应的圆心角 $\alpha = \frac{{2\pi }}{n}$ ，周长 ${S_n} = n \cdot 2r\sin \frac{\pi }{n}$ ，当边数 $n$ 在自然数集 $N(n \ge 3)$ 任取一个数，通过关系式 ${S_n} = 2nr\sin \frac{\pi }{n}$ 就有一个 ${S_n}$ 对应确定数值。

函数定义：设有数集 $X,Y$ ， $f$ 是一个确定的对应法则，对 $\forall x \in X$ ，通过对应法则 $f$ 都有唯一的 $y \in Y$ 与 $x$ 对应，记为 $x\mathop \to \limits^f y$ ，或 $f(x) = y$ ，则称 $f$ 为定义在 $X$ 上的函数。
其中 $X$ 称为 $f$ 的定义域，常记为 ${D_f}$ 。
$X$ ——自变量， $Y$ ——因变量。
当 $X$ 遍取 $X$ 中的一切数时，那么与之对应的 $y$ 值构成一个数集 ${V_f} = \{ y|y = f(x),x \in X\}$ ，称 ${V_f}$ 为函数 $f$ 的值域。
文章来源：http://www.codelast.com/
注意：
（1）一个函数是由 $x,y$ 的对应法则 $f$ 与 $x$ 的取值范围 $X$ 所确定的。把“对应法则 $f$ ”、“定义域”称为函数定义的两个要素。
例如， $y = \arcsin ({x^2} + 2)$ 这个式子，由于 ${x^2} + 2 > 2$ ，而只有当 $|{x^2} + 2| \le 1$ 时， $\arcsin$ 才有意义，因此这个式子不构成函数关系。
又例如， $y = \ln {x^2}$ 与 $y = 2\ln x$ 不是同一个函数，因为定义域不同。而 $y = \ln {x^2}$ 与 $y = 2\ln |x|$ 是同一个函数，因为定义域相同。

（2）函数的值域是定义域和对应法则共同确定的。

（3）确定函数定义域时，注意：若函数有实际意义，需依据实际问题是否有意义来确定。
若函数不表示某实际问题，则定义域为自变量所能取得的使函数 $y = f(x)$ 成立的一切实数所组成的数值。
函数的几何意义：设函数 $y = f(x)$ 定义域为 ${D_f}$ ， $\forall x \in {D_f}$ ，对应函数值 $y = f(x)$ 在 $XOY$ 平面上得到点 $(x,y)$ ，当 $x$ 遍取 ${D_f}$ 中一切实数时，就得到点集 $P = \{ (x,y)|y = f(x),x \in {D_f}\}$ 。点集 $P$ 称为函数 $y = f(x)$ 的图形。
文章来源：http://www.codelast.com/
三、函数的几个简单性质
1. 函数的有界性
若 $\exists M > 0,\;\;s.t.\;\;|f(x)| \le M,\;x \in I$ ，则称 $y = f(x)$ 在区间 $I$ 上有界。否则称 $f(x)$ 在 $I$ 上无界。
注： $s.t.$ 是“使得，满足于”的意思， $I$ 表示某个区间。
例如， $y = \sin x$ 在 $I = ( - \infty , + \infty )$ )上是有界的（因为 $\;|\sin x| \le 1,\;x \in ( - \infty , + \infty )$ ）。
又如， $y = \frac{1}{{{x^2} + 1}}$ 在 $( - \infty , + \infty )$ 上有界。

对任何正数 $M > 0$ （无论多么大），总 $\exists {x_1} \in I,\;\;s.t.\;\;|f({x_1})| > M$ ，则称 $f(x)$ 在 $I$ 上无界。
例如， $y = \frac{1}{x}$ 在 $(0,1)$ 内无界。
证明：
对给定的 $M > 0$ （不妨设 $M > 1$ ），无论M多么大，必存在 ${x_1} = \frac{1}{{2M}} \in (0,1)$ ，使 $f({x_1}) = \frac{1}{{\frac{1}{{2M}}}} = 2M > M$
文章来源：http://www.codelast.com/
（第2课完）

文章来源：https://www.codelast.com/
➤➤ 版权声明 ➤➤ 
转载需注明出处：codelast.com 
感谢关注我的微信公众号（微信扫一扫）：

sudo apt-get install synergy
sudo apt-get install quicksynergy

但是要注意，如果两台Ubuntu的OS版本不同，那么可能这样装上去的Synergy，在两台机器上也是不同的版本，这可能会导致它们之间由于通信协议版本不兼容导致不能用。因此，为了保险起见，可以到Synergy的官方网站上去下载deb安装包来安装：

sudo dpkg -i xxx.deb

这样就可以保证两台Ubuntu上的Synergy版本一致。

『2』配置server
两台Ubuntu上的Synergy程序要通信，就有server和client的概念。我选择了性能较强的台式机来当server，性能较弱的笔记本来当client。
在server上，你的用户的home目录下，编辑文件 .synergy.conf（一开始是不存在的，创建），填入如下内容：

section: screens
        desktop-server:
        notebook-client:
end
section: links
        notebook-client:
                right = desktop-server
        desktop-server:
                left = notebook-client

end

其中，“desktop-server”是在我的台式机（server）上，用hostname命令获取到的机器名，“notebook-client”是在我的笔记本（client）上，用hostname命令获取到的机器名。你要根据自己的情况获取到相应的名字并像上面一样填到 .synergy.conf 文件里。
在上面的配置中，“right = desktop-server”表示我的笔记本（client）屏幕的右边是我的台式机（server）的屏幕；同理，“left = notebook-client”表示我的台式机（server）的屏幕左边是我的笔记本（client）屏幕。这样设置是由我的两台计算机的屏幕摆放位置决定的。这样设置可以保证我的鼠标在移动到台式机屏幕的左边缘之后，自动“跳入”笔记本的屏幕中。你需要根据自己的屏幕摆放位置来做相应的修改。
文章来源：http://www.codelast.com/
配置好之后，在server上执行如下命令来启动server端的程序：

synergys

『3』配置client
在client上无需填写 .synergy.conf 文件，只需要运行 QuickSynergy 程序进行设置，如下图所示：

其中，192.168.1.65是server的地址，“notebook-client”是在client上用hostname命令取到的主机名。
设置好之后点击“Execute”就可以启动客户端了。启动之后，鼠标、键盘就可以共享了。
文章来源：http://www.codelast.com/
注意，如果在第『1』步中，你是通过deb包的方式来安装的Synergy，那么这里就没有quicksynergy程序，此时，在client端启动程序，只需简单地输入“synergy”命令，会弹出一个比上图稍微复杂一点的对话框，但里面的设置也是比较容易看懂的，这里就不粘上来了。

『4』client连接不上server的问题
如果你确保设置正确了，却无法让client连接上server，可以看一下server端的系统日志：

tail -f /var/log/syslog

如果里面有类似于下面这样的错误提示：

NOTE: new client disconnected#012#011/build/buildd/synergy-1.3.8/src/lib/server/CClientProxyUnknown.cpp,282

那么有可能是client端与server端的软件版本不匹配造成的。
例如，我在发生连接问题的两台Ubuntu计算机上分别用如下命令查看Synergy的版本：

synergys --version

结果，server的版本是1.3.8，而client的版本是1.4.10。
这就有问题了，因为不同的版本使用的协议可能是不兼容的，所以client无法与server通信，因此连不上server。所以，你可以到Synergy的官方网站上下载版本相同的client和server的安装包来用，就会发现问题解决了。
文章来源：http://www.codelast.com/
另外，如果client启用了SSL加密功能，而server端启动的时候没有启用SSL，也会造成client连接不上server，在client端的错误日志中会看到和SSL相关的错误信息（例如含有关键字SSL23_GET_SERVER_HELLO之类的）。
此时，你需要kill掉server端的服务程序synergys，然后启用SSL来启动服务：

synergys --enable-crypto

然后client端重新连接就OK了。

文章来源：https://www.codelast.com/
➤➤ 版权声明 ➤➤ 
转载需注明出处：codelast.com 
感谢关注我的微信公众号（微信扫一扫）：

String configFileName = "config.properties";
Properties properties = new Properties();
properties.load(MyClass.class.getClassLoader().getResourceAsStream(configFileName));

上面的代码中仅使用了配置文件名，而不是其完整路径，这就导致了可能在IntelliJ中运行一个单独的单元测试的时候，找不到该配置文件，因为你只提供文件名的话，该文件必须要在classpath中，否则是找不到它的。

所以，我们可以把该配置文件所在的目录添加到IntelliJ项目里的classpath中，让它可以在运行单元测试的时候找得到。方法如下（一图胜千言，直接看下面的演示图就明白了）：
文章来源：http://www.codelast.com/
点击菜单File→Project Structure，进入“Project Structure”对话框，点击左侧的“Modules”，然后点击中部的“Dependencies”tab，然后再点击右部的“+”号添加你指定的目录，这里要注意了，在弹出的“Attach Files”对话框中，你必须要选择“classes”（如图所示）。最后，把目录添加进来之后，再把它们对应的“Scope”设置为“Test”，表示在测试中会依赖这个目录，即可。

图片可保存下来放大查看。

以上方法在IntelliJ 12.0.4中亲测通过，对于其他版本的IntelliJ也应该类似。

【补充】
12.1.4版的IntelliJ与上面的图略有不同。在点击了“+”号之后，会弹出一个菜单：

选择“Jars or directories...”，然后会弹出对话框让你选择目录或文件，选择好之后，和上面一样，要选择“classes”，后面的操作也一样了。

文章来源：https://www.codelast.com/
➤➤ 版权声明 ➤➤ 
转载需注明出处：codelast.com 
感谢关注我的微信公众号（微信扫一扫）：