python地球物理

1. 学习编程有哪些好处

编程帮助孩子培养逻辑思维能力和抽象思维能力。为了使计算机能够理解人的意图，孩子就必须要将解决的问题的思路、方法、和手段通过计算机能够理解的形式告诉计算机。

1、逻辑思维能力

因为程序就是对现实事物的抽象，而且，按照写好的逻辑运行。所以，编程能够锻炼我们的抽象思维能力和逻辑思维能力。

(1)python地球物理扩展阅读

学习方式

对于初学者来说，可以采用视频+书籍的方式进行学习。这两种方式形成互补关系。另外阅读代码也可以帮助你解决问题，了解最佳做法，这里的阅读代码是指书籍，博客文章，开源代码等等。

编程教学视频可以让你迅速掌握编程语法等等，但通常比较生动、浅显，不成系统。而书本是比较系统，深入，但是枯燥，所以最好的方法是书和视频结合。

2. 软件工程怎么样

本人是一名研究生，本科在东北农业大学电气与信息学院学习物联网工程专业，现作为一名内蒙古农业大学计算机与信息工程学院的研究生，学习的方向为计算机技术。都说计算机的很多东西都是互通的，我相信，我的专业与软件工程息息相关。当然，我也咨询了很多软件工程专业的朋友，他们在学习过程中积累了很多经验，下面简单分享一下。

3.发展前景

暂且不说软件工程在社会中的未来发展前景，咱们就看看开设这门专业的院校都有哪些吧。

开设软件工程的院校有北京航空航天大学、浙江大学、国防科技大学、北京大学、清华大学、华东师范大学、南京大学、武汉大学、天津大学、东北大学、哈尔滨工业大学、同济大学、上海交通大学、苏州大学、中国科学技术大学、四川大学、北京交通大学、复旦大学、东南大学、南京航空航天大学、山东大学、华南理工大学、重庆大学、电子科技大学、西北大学、西北工业大学、西安电子科技大学、陆军工程大学（原解放军理工大学）、北京工业大学、北京理工大学、北京邮电大学、大连理工大学、吉林大学等632所。

看明白什么了吗？这都是中国顶呱呱的学校啊，所以看到国家对这个专业的重视程度了吗，这与这个专业的发展前景就是成正比的。国家越重视，院校越重视，这个专业的发展前景就越好。所以虽然软件工程专业挺难学的，但是它的发展是真不错啊，如果你对这个专业充满了兴趣，那么选它准没错！

让我们计算机程序员成为撬动地球的那个杠杆吧！

3. 如何运用机器学习解决复杂系统的预测问题

现实生活中预测通常难做到精准，比如股市，自然灾害， 长久的天气预测。

在市场这种系统里， 有两个关键要素， 一个是个体和个体之间的互相作用（博弈），一个是系统与外部环境（地球资源）之间的相互作用（反馈），因此而形成复杂模式（Pattern）， 这种模式通常很难预测。
而这种类型的系统我们通常定义为复杂系统： 由大量单元互相作用组成的系统， 由于集体行为的非线性（总体不等于个体之和）， 而形成具备无数层级的复杂组织。或者称为涌现性。
复杂科学即研究复杂系统的一套联系不同尺度现象的数学方法。在人类试图理解那些和自身生存最相关的东西时，而经典物理学的还原论（把整体拆成部分）思维的却不适用。物理预测的核心方法是动力学方法, 即人们由实验出发抽象出引起运动改变的原因, 把这些原因量化为变量，用微分方程来描述, 从而取得对整个未来的精确解，如麦克斯韦方程组可以预测从光波的速度到磁线圈转动发电任何的电磁学现象。而你却无法通过了解市场上每个人的特性就很好的预测整个市场走势。
复杂系统难以预测的原理可以从以下几方面理解：
1， 高维诅咒: 构成现实生活的系统往往被大量未知变量决定， 比如生物由无数的细胞组成。 基因，是由无数独立的单元组成的， 市场， 由无数的交易者组成， 这些用物理的描述方法来预测， 就是极高维度空间的运动问题。维度，首先使得再简单的方程形式都十分复杂难解。
此处补充维度的科学定义： 维度是一个系统里可以独立变化的变量个数， 一个有非常多变量的系统，如复杂网络，假如每个变量不是互相独立，也可以是低维系统。 比如一个军营里的方阵，即使人数众多， 也会因为大家都做着一模一样的动作，而只有一个独立变量，成为一维系统。
2， 非线性诅咒：高维度系统的维度之间具有复杂的相互作用，导致我们不能把系统分解为单一维度然后做加法的方法研究。 高维加上非线性我们将得到对初级极为敏感的混沌系统。

非线性的一个重要推论是组织的产生， 因为非线性，1+1可以大于2或小于2， 为组织的产生提供了理论基础。
3， 反馈诅咒： 复杂系统中反馈无处不在， 即使是一个简单的一维系统， 反馈也可以使得系统的特性很丰富， 最典型的反馈是某种记忆效应， 使得系统产生复杂的路径依赖， 此刻你的现实与历史深刻关联，而关联方法导致复杂的模式产生。
反身性是一种由预测产生的特殊反馈， 当你预测股市的价格， 会引起你的交易策略变化从而影响你的预测， 是为反身性。
4， 随机诅咒: 复杂系统往往含有不包含确定规律的随机噪声，加上这些噪声， 系统的行为更加难预测， 而很多时候， 我们也无法区分一个系统里发现的模式是噪声导致还是由于元件之间的相互作用。
这四大诅咒是这些系统难以理解和预测的原因， 而这个时候， 复杂系统和机器学习的方法论可以作为一种非常有力的手段帮我们从复杂性中挖掘模式。
第一种方法叫模型驱动（Model approch）， 即想办法找到事物变化的原因， 用一种降维的思路列出微分方程， 即从非常繁复的要素中化简出最重要的一个或者两个， 从而化繁琐为简单，不管三七二十一先抓住主要矛盾。其中的范例便是非线性动力学。
注： 此处我们有两个基本假设让非线性动力学得到简化，一个是只讨论连续变量，另一个是不考虑系统内的随机性（无噪声项）。
1， 如果一个系统可以化简到一维， 那么你只需要研究其内部存在的反馈性质并描述它即可。 负反馈导致稳定定点产生， 正反馈导致不稳定性。 很多事物多可以抽象为一维系统，包括简单环境下的人口增长问题。
2， 如果一个系统可以化简到二维， 那么你需要研究两个维度间的相互作用，最终可以互为负反馈而稳定下来，互为正反馈而爆发，或者产生此消彼长的周期轨道。 比如恋爱中的男女是个二维系统， 互为负反馈就回到普通朋友， 互为正反馈在爱欲中爆发-比如罗密欧与朱丽叶， 此消彼长那是玩捉迷藏的周期游戏。
3， 如果一个系统是三维的， 则混沌可能产生。 混沌即对初值极为敏感的运动体系。 你一旦偏离既定轨道一点， 即几乎无法回去。
4， 如果一个系统大于三维， 那么你需要用一个复杂网络描述它的运动， 这个时候我们可以得到我们复杂系统的主角- collective phenomena & emergence。 复杂网络的性质主要取决于单体间相互作用的方式， 以及系统与外界交换能量的方法， 这两者又息息相关。 最终我们得到涌现。

复杂网络的动力学往往混沌难以预测，对于高维混沌系统， 第一个方法也只能给出对事物定性的描述， 而我们可以祭出我们的第二种方法: 先不管数据背后错综复杂的动因，而是直接以数据驱动我们的预测。
这其中的哲学内涵即贝叶斯分析框架： 即先不预测， 而是列出所有可能的结果及根据以往知识和经验每种结果发生的可能性（先验概率），之后不停吸收新观测数据， 调整每种可能结果的概率大小（后验概率），将想得到的结果概率最大化（MAP）最终做出决策。
如果你把贝叶斯分析的框架自动化， 让电脑完成， 你就得到机器学习的最基本框架。
机器学习如果可以进入一个问题中， 往往要具备三个条件：
1， 系统中可能存在模式
2， 这种模式不是一般解析手段可以猜测到的。
3， 数据可以获取。
如果三点有一点不符，都很难运用机器学习。
机器学习的一个核心任务即模式识别， 也可以看出它和刚才讲的复杂系统提到的模式的关系。我们讲复杂系统难以通过其成分的分析对整体进行预测，然而由于复杂系统通常存在模式， 我们通常可以模式识别来对系统进行归类， 并预测各种可能的未来结果。比如一个投行女因为工作压力过大而自杀了， 那么在她之前的活动行为数据（比如点击手机的某些app的频率）里是否可能存在某种模式? 这种模式是否可以判定她之后的行为类型？ 并且这个过程可否通过历史数据由计算机学习？如果都可以，这就是一个机器学习问题。
刚才讲的几大诅咒， 高维， 非线性， 复杂反馈，随机性也称为机器学习需要核心面对的几大困难， 由此得到一系列机器学习的核心算法。

机器学习在现实生活中被用于非常多的方面， 最常见的如商务洞察（分类，聚类， 推荐算法）， 智能语音语义服务（时间序列处理，循环网络）， 各种自动鉴别系统如人脸识别，虹膜识别 ，癌症检测（深度卷积网络）， 阿尔法狗，机器人控制（深度强化学习算法）。 而由方法论分， 又可以分成有监督学习， 无监督学习， 和强化学习。

在八月份的巡洋舰科技的《机器学习vs复杂系统特训课》中，我着重讲了几种机器学习的基本方法：
1. 贝叶斯决策的基本思想：
你要让机器做决策， 一个基本的思路是从统计之前数据挖掘已有的模式（pattern）入手， 来掌握新的数据中蕴含的信息。 这个pattern在有监督学习的例子里， 就是把某种数据结构和假设结论关联起来的过程，我们通常用条件概率描述。 那么让机器做决策， 就是通过不停的通过新数据来调整这个数据结构（特征）与假设结果对应的条件概率。通常我们要把我们预先对某领域的知识作为预设（prior），它是一个假设结果在数据收集前的概率密度函数，然后通过收集数据我们得到调整后的假设结果的概率密度函数， 被称为后验概率（posterior），最终的目标是机器得到的概率密度函数与真实情况最匹配， 即 Maximum a posterior(MAP)， 这是机器学习的最终目标。
2， 朴素贝叶斯分类器到贝叶斯网络：
分类，是决策的基础，商业中要根据收集客户的消费特征将客户分类从而精准营销。 金融中你要根据一些交易行为的基本特征将交易者做分类。 从贝叶斯分析的基本思路出发我们可以迅速得到几种分类器。
首当其冲的朴素贝叶斯分类器，它是机器学习一个特别质朴而深刻的模型：当你要根据多个特征而非一个特征对数据进行分类的时候，我们可以假设这些特征相互独立（或者你先假设相互独立），然后利用条件概率乘法法则得到每一个分类的概率， 然后选择概率最大的那个作为机器的判定。
图： 朴素贝叶斯分类器的基本框架， c是类别， A是特征。
如果你要根据做出分类的特征不是互相独立，而是互相具有复杂关联，这也是大部分时候我们面临问题的真相， 我们需要更复杂的工具即贝叶斯网络。 比如你对某些病例的判定， 咳嗽， 发烧， 喉咙肿痛都可以看做扁条体发炎的症候， 而这些症候有些又互为因果， 此时贝叶斯网络是做出此类判定的最好方法。构建一个贝叶斯网络的关键是建立图模型 ， 我们需要把所有特征间的因果联系用箭头连在一起， 最后计算各个分类的概率。

图：贝叶斯网络对MetaStatic Cancer的诊断，此处的特征具有复杂因果联系
贝叶斯分析结合一些更强的假设，可以让我们得到一些经常使用的通用分类器， 如逻辑斯提回归模型，这里我们用到了物理里的熵最大假设得到玻尔兹曼分布， 因此之前简单贝叶斯的各个特征成立概率的乘积就可以转化为指数特征的加权平均。 这是我们日常最常用的分类器之一。 更加神奇的是， 这个东西形式上同单层神经网络。

图： logistic函数，数学形式通玻尔兹曼分布， 物理里熵最大模型的体现
3, 贝叶斯时间序列分析之隐马模型：
贝叶斯时间序列分析被用于挖掘存储于时间中的模式，时间序列值得是一组随时间变化的随机变量，比如玩牌的时候你对手先后撒出的牌即构成一个时间序列。 时间序列模式的预设setting即马尔科夫链， 之前动力学模式里讲到反馈导致复杂历史路径依赖，当这种依赖的最简单模式是下一刻可能出现的状态只与此刻的状态有关而与历史无关， 这时候我们得到马尔科夫链。
马尔科夫链虽然是贝叶斯时间序列分析的基准模型，然而现实生活中遇到的时间序列问题， 通常不能归于马尔科夫链，却可以间接的与马尔科夫链关联起来，这就是隐马过程，所谓含有隐变量的马尔科夫过程。

图： 隐马过程示意

语音识别就是一类特别能利用隐马过程的应用， 在这里语音可以看做一组可观测的时间序列， 而背后的文字是与之关联的马尔科夫链， 我们需要从可观测的量， 按照一定的概率分布反推不可观测的量， 并用马尔科夫链的观点对其建模， 从而解决从语音到文字的反推过程。 当今的语音识别则用到下面紧接讲的深度学习模型。
4， 深度学习
刚刚讲的分类问题， 只能根据我们已知的简单特征对事物进行分类， 但假设我们手里的数据连需要提取的特征都不知道， 我们如何能够对事物进行分类呢？ 比如你要从照片识别人名， 你都不知道选哪个特征和一个人关联起来。 没关系， 此时我们还有一个办法， 就是让机器自发学习特征， 因此祭出深度学习大法。通常在这类问题里， 特征本身构成一个复杂网络，下级的特征比较好确定， 而最高层的特征， 是由底层特征的组合确定的， 连我们人类自己都不能抽象出它们。
深度学习即数据内涵的模式（特征）本身具备上述的多层级结构时候，我们的机器学习方法。 从以毒攻毒的角度看， 此时我们的机器学习机器也需要具有类似的多级结构，这就是大名鼎鼎的多层卷积神经网络。深度学习最大的优势是具有更高级的对“结构”进行自动挖掘的能力，比如它不需要我们给出所有的特征，而是自发去寻找最合适对数据集进行描述的特征。 一个复杂模式-比如“人脸” 事实上可以看做一个简单模式的层级叠加， 从人脸上的轮廓纹理这种底层模式， 到眼睛鼻子这样的中级模式， 直到一个独特个体这样最高级的复杂模式， 你只有能够识别底层模式，才有可能找到中级模式， 而找到中级模式才方便找到高级模式， 我们是不能从像素里一步到达这种复杂模式的。 而是需要学习这种从简单模式到复杂模式的结构， 多层网络的结构应运而生。
图： 从具体特征到抽象特征逐级深入的多级神经网络
6， RNN和神经图灵机
如果时间序列数据里的模式也包含复杂的多层级结构， 这里和我之前说的复杂系统往往由于反馈导致复杂的时间依赖是一致的， 那么要挖掘这种系统里的模式， 我们通常的工具就是超级前卫的循环神经网络RNN，这种工具对处理高维具有复杂反馈的系统有神效， 因为它本身就是一个高维具有复杂时间反馈的动力学系统。
图： 循环神经网络， 过去的信息可以通过循环存储在神经元之间
当一个复杂时间序列的问题里面， 每个时间点的信息都可以对未来以任何方式产生复杂影响， 那么处理这种复杂性的一个办法就是用循环神经网络，让它自发学习这种复杂结构。 比如一个城市里的交通流， 或者人与人之间的对话。
神经图灵机是在多层卷积神经网络或递归网络基础上加上一个较长期的记忆单元， 从而达到处理需要更复杂时间关联的任务， 比如对话机器人。 而神经图灵机最厉害的地方在于他可以通过机器学习传统的梯度下降法反向破译一个程序， 比如你写了一个python程序， 你用很多不同的输入得到很多对应的输出， 你可以把它给神经图灵机训练， 最终本来对程序丝毫无所知的神经图灵机居然可以如同学会了这个程序。

4. 南京师范大学有二本专业吗

有。

五个南京师范大学二本专业

1、公共事业管理

培养具有现代化管理理论、公共经济理论、技术与方法等方面的知识及其应用能力、现代社会需要的高素质专门人才。要求学生接受管理学、公共行政学的系统训练，兼具政治学、经济学、法学等方面知识，具备较高的管理、经营、策划、调研、交际等能力。

毕业后适合到电信等公共企业部门、一般企事业单位、各级党政机关、社会组织从事管理规划、政策研究与分析、外事交流、宣传策划、机关管理、人力资源管理、高级文秘等工作。

2、计算机科学与技术

计算机科学与技术是国家一级学科，下设信息安全、软件工程、计算机软件与理论、计算机系统结构、计算机应用技术、计算机技术等专业。

主修大数据技术导论、数据采集与处理实践（Python）、Web前/后端开发、统计与数据分析、机器学习、高级数据库系统、数据可视化、云计算技术、人工智能、自然语言处理、媒体大数据案例分析、网络空间安全、计算机网络。

数据结构、软件工程、操作系统等课程，以及大数据方向系列实验，并完成程序设计、数据分析、机器学习、数据可视化、大数据综合应用实践、专业实训和毕业设计等多种实践环节。

3、地理科学专业

包括地球概论、地质学基础、地貌学、气象与气候学、地理信息系统、人文地理学、城乡规划、城市规划、植物地理学、土壤地理学、水文学、自然资源学原理、测量与地图学、中国地理、世界地理、多媒体课件制作、地理教学论、遥感概论等。

本专业以重基础、重技能、宽口径的人才培养理念为指导思想，在课程与课时设置上重视地理科学专业基础课程的教学，强化学生的地理实践与地理教学技能训练课程的教学、因学生而异开设选修课程以拓宽学生的知识领域。

4、人力资源管理

培养适应社会主义经济和社会发展需要，德、智、体、美全面发展，具备管理、经济、法律及人力资源管理等方面的知识和能力，适应知识经济时代要求，基础扎实，知识面广，综合素质高。

富有创新意识和开拓精神，能在国家机关、企事业单位、科研机构、各类国有及非国有企业从事人力资源管理及相关行政管理等方面工作的应用型高级专门人才。

5、应用化学

应用化学是一门培养具备化学方面的基础知识、基本理论、基本技能以及相关的工程技术知识和较强的实验技能。

具有化学基础研究和应用基础研究方面的科学思维和科学实验训练，能在科研机构、高等学校及企事业单位等从事科学研究、教学工作及管理工作的高级专门人才的学科。

应用化学是化学工程与技术（国家一级学科）的二级学科，下设三个三级学科分别是精细化工，高分子工程，应用电化学。

参考资料来源：网络——公共事业管理

参考资料来源：网络——计算机科学与技术

参考资料来源：网络——地理科学

参考资料来源：网络——人力资源管理

参考资料来源：网络——应用化学

5. 大数据学习一般都学什么内容

一、0基础学习打基础：java语言、 Linux
java可以说是大数据最基础的编程语言，我接触的很大一部分的大数据开发都是从Jave Web开发转岗过来的。
二、大数据Hadoop体系
Hadoop是用Java语言开发的一个开源分布式计算平台，适合大数据的分布式存储和计算平台。Hadoop是目前被广泛使用的大数据平台，本身就是大数据平台研发人员的工作成果，Hadoop是目前比较常见的大数据支撑性平台。
三、Scala黄金语言和Spark
Scala和java很相似都是在jvm运行的语言，在开发过程中是可以无缝互相调用的。
Spark 是专为大规模数据处理而设计的快速通用的计算引擎。Spark是MapRece的替代方案，而且兼容HDFS、Hive，可融入Hadoop的生态系统，以弥补MapRece的不足。
四、 大数据项目实战
数据获取、数据处理、数据分析、数据展现、数据应用

6. 脚本分几种，用途都是什么

脚本（script）是使用一种特定的描述性语言，依据一定的格式编写的可执行文件，又称作宏或批处理文件。脚本是批处理文件的延伸，是一种纯文本保存的程序，一般来说的计算机脚本程序是确定的一系列控制计算机进行运算操作动作的组合，在其中可以实现一定的逻辑分支等。 脚本简单地说就是一条条的文字命令，这些文字命令是可以看到的（如可以用记事本打开查看、编辑），脚本程序在执行时，是由系统的一个解释器，将其一条条的翻译成机器可识别的指令，并按程序顺序执行。因为脚本在执行时多了一道翻译的过程，所以它比二进制程序执行效率要稍低一些。 脚本通常可以由应用程序临时调用并执行。各类脚本被广泛地应用于网页设计中，因为脚本不仅可以减小网页的规模和提高网页浏览速度，而且可以丰富网页的表现，如动画、声音等。举个最常见的例子，当点击网页上的Email地址时能自动调用Outlook Express或Foxmail这类邮箱软件，就是通过脚本功能来实现的。也正因为脚本的这些特点，往往被一些别有用心的人所利用。例如在脚本中加入一些破坏计算机系统的命令，这样当用户浏览网页时，一旦调用 这类脚本，便会使用户的系统受到攻击。所以用户应根据对所访问网页的信任程度选择安全等级，特别是对于那些本身内容就非法的网页，更不要轻易允许使用脚本。通过“安全设置”对话框，选择“脚本”选项下的各种设置就可以轻松实现对脚本的禁用和启用。 计算机语言是为了各种目的和任务而开发的，一个常见任务就是把各种不同的已有组件连接起来以完成相关任务。大多脚本语言共性是：良好的快速开发，高效率的执行，解释而非编译执行，和其它语言编写的程序组件之间通信功能很强大。 许多脚本语言用来执行一次性任务，尤其是系统管理方面。它可以把服务组件粘合起来，因此被广泛用于GUI创建或者命令行，操作系统通常提供一些默认的脚本语言，即通常所谓shell脚本语言。 脚本通常以文本(如ASCII)保存，只在被调用时进行解释或编译。 有些脚本是为了特定领域设计的，但通常脚本都可以写更通用的脚本。在大型项目中经常把脚本和其它低级编程语言一起使用，各自发挥优势解决特定问题。脚本经常用于设计互动通信，它有许多可以单独执行的命令，可以做很高级的操作，(如在传统的Unix shell (sh)中，大多操作就是程序本身。) 这些高级命令简化了代码编写过程。诸如内存自动管理和溢出检查等性能问题可以不用考虑。在更低级或非脚本语言中，内存及变量管理和数据结构等耗费人工，为解决一个给定问题需要大量代码，当然这样能够获得更为细致的控制和优化。脚本缺少优化程序以提速或者降低内存的伸缩性。 综上所述，脚本编程速度更快，且脚本文件明显小于如同类C程序文件。这种灵活性是以执行效率为代价的。脚本通常是解释执行的，速度可能很慢，且运行时更耗内存。在很多案例中，如编写一些数十行的小脚本，它所带来的编写优势就远远超过了运行时的劣势，尤其是在当前程序员工资趋高和硬件成本趋低时。 然而，在脚本和传统编程语言之间的界限越来越模糊，尤其是在一系列新语言及其集成畅出现时。在一些脚本语言中，有经验的程序员可以进行大量优化工作。在大多现代系统中通常有多种合适的脚本语言可以选择，所以推荐使用多种语言(包括C或汇编语言)编写一种脚本。 常见的脚本语言：Scala、JavaScript，VBScript，ActionScript，MAX Script，ASP，JSP，php，SQL，Perl，Shell，python，Ruby，JavaFX，Lua，AutoIt等。 [编辑本段]与其他编程语言的关系及特点 1.脚本语言(JavaScript,VBscript等)介于HTML和C,C++,Java,C#等编程语言之间。 HTML通常用于格式化和链结文本。而编程语言通常用于向机器发出一系列复杂的指令。 2.脚本语言与编程语言也有很多相似地方，其函数与编程语言比较相象一些,其也涉及到变量。与编程语言之间最大的区别是编程语言的语法和规则更为严格和复杂一些. 3.与程序代码的关系:脚本也是一种语言，其同样由程序代码组成。 注：脚本语言一般都有相应的脚本引擎来解释执行。 他们一般需要解释器才能运行。Python、JAVASCRIPT,ASP,PHP,PERL,Nuva都是脚本语言。C/C++编译、链接后，可形成独立执行的exe文件。 4.脚本语言是一种解释性的语言,例如Python、vbscript,javascript,installshield script,ActionScript等等,它不象c\c++等可以编译成二进制代码,以可执行文件的形式存在. 脚本语言不需要编译，可以直接用，由解释器来负责解释。 5.脚本语言一般都是以文本形式存在,类似于一种命令. 举个例子说,如果你建立了一个程序,叫aaa.exe,可以打开.aa为扩展名的文件. 你为.aa文件的编写指定了一套规则(语法),当别人编写了.aa文件后,你的程序用这种规则来理解编写人的意图,并作出回应.那么,这一套规则就是脚本。 计算机脚本语言程序举例 (1)JavaScript： ①用于HTML中： alert("Hello World") ②用于WSH中： WScript.Echo("Hello World") (2)ASP： <% Response.Write("Hello, world!") %> 或者： <% strHelloWorld = "Hello, world!" %> <%= strHelloWorld %> 或者简单地写成： <%= "Hello, world!" %> (3)PHP： <?php echo 'Hello, world!'; print 'Hello, world!'; ?> 或者 <?= "Hello World!"?> (4)PERL： #!/usr/local/bin/perl print "Hello, world!\n"; (5)Nuva： <.. "Hello, World!" Demo ..> <. //====================================== // Hello, World! (1) //====================================== ?? 'Hello, World!' /*====================================== Hello, World! (2) ======================================*/ function HelloWorld() ?? "Hello, World!"; end function HelloWorld(); /*====================================== Hello, World! (3) ======================================*/ class World() function Hello() ?? 'Hello, World!'; end function end class var n = World(); n.Hello(); .> (6)ActionScript： ①ActionScript 2.0版本： trace("Hello, world!"); ②ActionScript 3.0版本： package { import flash.display.TextField; import flash.display.MovieClip; import flash.filters.DropShadowFilter; public class HelloWorld extends MovieClip { public function HelloWorld() { var shad:DropShadowFilter = new DropShadowFilter(2, 45, 0x000000, 25, 3, 3, 2, 2); var txt:TextField = new TextField(); txt.textColor = 0xFFFFFF; txt.filters = [shad]; txt.width = 120; txt.x = Math.random()*300; txt.y = Math.random()*300; txt.selectable = false; txt.text = "Hello World! ["+Math.round(txt.x)+","+Math.round(txt.y)+"]"; addChild(txt); } } } (7)PostScript： PostScript是一种专门用来创建图像的语言，常用于打印机。 /font /Courier findfont 24 scalefont font setfont 100 100 moveto (Hello World!) show showpage (8)AppleScript： say "Hello World!" (9)Bash： #!/usr/bin/env bash myvar="hello" myfunc() { local x local myvar="one two three" for x in $myvar do echo $x done } myfunc echo $myvar $x (10)Ruby #!/usr/bin/env ruby puts "Hello, world!"

7. 现代计算机是如何计算圆周率的

可以用编程语言计算。以下是python语言

pi = 0.0

N = 100

for i in range(N):

pi += (1/pow(16,i) * ( 4/(8*i +1) -2/(8*i+4)-1/(8*i+5) -1/(8*i +6) ) )

print('圆周率为{:.10f}'.format(pi))

请把以上代码拷进python语言开发环境里运行，结果如下（下图是使用python开发环境Spyder运行上述代码的结果）：圆周率为3.1415926536.

(7)python地球物理扩展阅读

电子计算机的出现使π值计算有了突飞猛进的发展。1949年，美国制造的世上首部电脑－ENIAC（Electronic Numerical Integrator And Computer）在阿伯丁试验场启用了。

次年，里特韦斯纳、冯纽曼和梅卓普利斯利用这部电脑，计算出π的2037个小数位。这部电脑只用了70小时就完成了这项工作，扣除插入打孔卡所花的时间，等于平均两分钟算出一位数。

五年后，IBM NORC（海军兵器研究计算机）只用了13分钟，就算出π的3089个小数位。科技不断进步，电脑的运算速度也越来越快，在60年代至70年代，随着美、英、法的电脑科学家不断地进行电脑上的竞争，π的值也越来越精确。

在1973年，Jean Guilloud和Martin Bouyer以电脑CDC 7600发现了π的第一百万个小数位。

在1976年，新的突破出现了。萨拉明（Eugene Salamin）发表了一条新的公式，那是一条二次收敛算则，也就是说每经过一次计算，有效数字就会倍增。

高斯以前也发现了一条类似的公式，但十分复杂，在那没有电脑的时代是不可行的。这算法被称为布伦特-萨拉明（或萨拉明-布伦特）算法，亦称高斯-勒让德算法。

1989年美国哥伦比亚大学研究人员用克雷－2型（Cray-2）和IBM－3090/VF型巨型电子计算机计算出π值小数点后4.8亿位数，后又继续算到小数点后10.1亿位数。

2010年1月7日——法国工程师法布里斯·贝拉将圆周率算到小数点后27000亿位。2010年8月30日——日本计算机奇才近藤茂利用家用计算机和云计算相结合，计算出圆周率到小数点后5万亿位。

2011年10月16日，日本长野县饭田市公司职员近藤茂利用家中电脑将圆周率计算到小数点后10万亿位，刷新了2010年8月由他自己创下的5万亿位吉尼斯世界纪录。56岁的近藤茂使用的是自己组装的计算机，从10月起开始计算，花费约一年时间刷新了纪录。

8. 生态模拟的生态模拟常用的电脑软件

当前模拟软件很多，而生态模拟软件则有限，常用模
拟软件如下：Simile、Stella、Madonna、Swarm、SimuLink、Matlab、Scilab、Simcreator、BuildSim等。另外有些研究者使用一些编程语言编制特殊的生态软件，如：C、Basic、Fortran、Pascal、Java、VBA、Python、Perl等。下面介绍几种常用的生态模拟软件： Simile是个图形化的建模环境，主要用在生态学，生物学，环境科学方面的研究。最突出的特点是它是一个公开的建模环境，也就是说，simile的可视化建模界面只是创建simile模型的一种方式，可以用其它的建模界面（如：文本编辑器）来创建simile模型，只是它是非可视化的而已。Simile 提供了一系列工具用来显示模拟过程，同时也允许用户根据需要加入自己的内容 。
Simile主要特点：
(1)
对象的表示法， 以便快速、方便地创建、处理复杂的结构；
(2)比其它的可视建模软件更具表现力，动态效果明显；
(3)自动生成C++模型代码，以便快速执行；
(4)子模型（submodel）有多种用法和作用：将模型图的元素合成一个子模型，可以实现整体移动；以子模型为单位处理复杂模型的主要组成部分；即插即用模块，允许模型的任何部分单独截取、使用。使模型的一部分生成一个独立的模型；支持模的模型结构，这样的模块可以作为编译后的C程序来运行，还能作为独立的子模块嵌入其他模型中；
(5)公开的模型表示法，使用合成方法处理模型容易实现；
(6)比电子制表软件更好的结构圈；
(7)可以更快地准备、更容易地共享、更有效地维护模型。 Stella运行在Macintosh和Windows环境下，主要有8大类模型：生命科学，自然科学，社会科学，数学，物理学，化学，经济学，文学。Stella 是生态建模中一个强
有力的模拟软件，如气候的变化如何影响生态系统，当臭氧层被破坏了地球生物会怎样之类无穷性问题，都可用其进行可视化模拟。Stella的特点：
(1)提供图形用户界面（GUI）以便迅速地收集系统组分间的关系。图3显示了构建动态模拟模型的关键组分。矩形代表一个系统的状态值，此处为种群。于双线相连的圆控制了种群增加，与管线没有连接的圆仅仅持有公式和变量，弧线表示箭头处的圆是弧线另一端图符的函数圆；
(2)其Storytelling特性支持不同方面的知识风格。图表，图解和动画使等式中变量关系形象化，同时还能
通过在模型周围进行注释解说或者附上文档来说明一个新环境量对整体的影响。支持step-by-step模型显示；
(3)包含三个关联层，层上附带有详细的结构信息和模型的功能．最高层和输入输出层提供显示模型结构的工具，下一层创建模型结构，最低层用图形和代数形式说明模拟系统成分和初始条件，参数值之间的关系。子模型也支持分层模型结构；
(4)Stella通过计算所有的公式进行模拟，然后更新状态变量。使用以基础水平的代数学和基本逻辑写的差分方程，方程不必是连续的。如果没适宜的方程或用数学语言描述太困难，或者公式直接由测量支持，建模者可以在Stella界面上画出图形关系来描述两个变量之间的关系，易于理解；
(5)库和流程图表支持一般的系统语言，并且能动态地显示复杂的系统和思路如何运行；
(6)通过灵敏度分析揭示关键作用点和最佳状况条件；
(7)多媒体含有在建模环境中触发曲线图、电影、声音和文本信息的功能；
(8)结果以曲线图、表、动画、QuickTime电影或文件的形式表示；
(9)可保存为全屏运行模式；
(10)建模安全问题上，提供了锁定和密码保护的功能。

9. 《自然》评选改变科学的10个计算机代码项目

从Fortran到arXiv.org，这些计算机编码和平台让生物学、气候科学和物理学等学科的发展达到了真正“日新月异”的速度。

2019年，事件视界望远镜团队让世界首次看到了黑洞的样子。不过，研究人员公布的这张发光环形物体的图像并不是传统的图片，而是经过计算获得的。利用位于美国、墨西哥、智利、西班牙和南极地区的射电望远镜所得到的数据，研究人员进行了数学转换，最终合成了这张标志性的图片。研究团队还发布了实现这一壮举所用的编程代码，并撰文记录这一发现，其他研究者也可以在此基础上进一步加以分析。

这种模式正变得越来越普遍。从天文学到动物学，在现代每一项重大科学发现的背后，都有计算机的参与。美国斯坦福大学的计算生物学家迈克尔·莱维特因“为复杂化学系统创造了多尺度模型”与另两位研究者分享了2013年诺贝尔化学奖，他指出，今天的笔记本电脑内存和时钟速度是他在1967年开始获奖工作时实验室制造的计算机的1万倍。“我们今天确实拥有相当可观的计算能力，”他说，“问题在于，我们仍然需要思考。”

如果没有能够解决研究问题的软件，以及知道如何编写并使用软件的研究人员，一台计算机无论再强大，也是毫无用处的。如今的科学研究从根本上已经与计算机软件联系在一起，后者已经渗透到研究工作的各个方面。近日，《自然》（Nature）杂志将目光投向了幕后，着眼于过去几十年来改变科学研究的关键计算机代码，并列出了其中10个关键的计算机项目。

这台CDC 3600型计算机于1963年交付给位于科罗拉多州博尔德的国家大气研究中心，研究者在Fortran编译器的帮助对其进行了编程

语言先驱：Fortran编译器（1957年）

最初的现代计算机并不容易操作。当时的编程实际上是手工将电线连接成一排排电路来实现的。后来出现了机器语言和汇编语言，允许用户用代码为计算机编程，但这两种语言都需要对计算机的架构有深入的了解，使得许多科学家难以掌握。

20世纪50年代，随着符号语言的发展，特别是由约翰·巴克斯及其团队在加州圣何塞的IBM开发的“公式翻译”语言Fortran，这种情况发生了变化。利用Fortran，用户可以用人类可读的指令来编程，例如x = 3 + 5。然后由编译器将这些指令转换成快速、高效的机器代码。

不过，这一过程仍然很不容易。早期的程序员使用打孔卡来输入代码，而复杂的模拟可能需要数万张打孔卡。尽管如此，新泽西州普林斯顿大学的气候学家真锅淑郎（Syukuro Manabe）还是指出，Fortran让非计算机科学家也能编程，“这是我们第一次能够自己给计算机编程”。他和同事们利用这种语言开发的气候模型是最早取得成功的模型之一。

Fortran发展至今已经到了第八个十年，它仍然广泛应用于气候建模、流体动力学、计算化学等学科，这些学科都涉及到复杂线性代数并需要强大的计算机来快速处理数字。Fortran生成的代码速度很快，而且仍然有很多程序员知道如何编写。古早的Fortran代码库仍然活跃在世界各地的实验室和超级计算机上。“以前的程序员知道他们在做什么，”美国海军研究院的应用数学家和气候模型师弗兰克·吉拉尔多说，“他们非常注重内存，因为他们拥有的内存非常少。”

信号处理器：快速傅立叶变换（1965）

当射电天文学家扫描天空时，他们捕捉到的是随时间变化的复杂信号杂音。为了理解这些无线电波的本质，他们需要看到这些信号作为频率的函数时是什么样的。一种名为“傅里叶变换”的数学过程可以帮到研究人员，但它的效率很低，对于一个大小为N的数据集需要N^2次计算。

1965年，美国数学家詹姆斯·库利和约翰·杜基想出了一种加速该过程的方法。快速傅里叶变换（FFT）通过递归（一种通过重复将问题分解为同类的子问题而解决问题的编程方法）将计算傅里叶变换的问题简化为N log2（N）步。随着N的增加，速度也会提高。对于1000个点，速度提升大约是100倍；100万个点则是5万倍。

这个“发现”实际上是一个再发现，因为德国数学家高斯在1805年就对此进行了研究，但他从未发表过。而詹姆斯·库利和约翰·杜基做到了，他们开启了傅里叶变换在数字信号处理、图像分析、结构生物学等领域的应用，成为应用数学和工程领域的重大事件之一。FFT在代码中的应用已有很多次，近年一个流行的方案是FFTW，被认为是世界上最快的FFT。

保罗·亚当斯是加州劳伦斯伯克利国家实验室分子生物物理学和综合生物成像部门的主任，他回忆称，当他在1995年改进细菌蛋白质凝胶的结构时，即使使用FFT和超级计算机，也需要“很多个小时，甚至数天”的计算。“如果在没有FFT的情况下尝试做这些，我不知道在现实中应该如何做到，”他说，“那可能要花很长时间。”

分子编目：生物数据库（1965年）

数据库是当今科学研究中不可或缺的组成部分，以至于人们很容易忘记它们也是由软件驱动的。过去的几十年中，数据库资源的规模急剧膨胀，影响了许多领域，但或许没有哪个领域的变化会比生物学领域更引人注目。

蛋白质数据库Protein Data Bank拥有超过17万个分子结构的档案，包括这种细菌的“表达子”（expressome），其功能是结合RNA和蛋白质合成的过程。

今天，科学家所用的庞大基因组和蛋白质数据库源于美国物理化学家玛格丽特·戴霍夫的工作，她也是生物信息学领域的先驱。20世纪60年代初，当生物学家们致力于梳理蛋白质的氨基酸序列时，戴霍夫开始整理这些信息，以寻找不同物种之间进化关系的线索。她与三位合着者于1965年发表了《蛋白质序列和结构图谱》，描述了当时已知的65种蛋白质的序列、结构和相似性。 历史 学家布鲁诺·斯特拉瑟在2010年写道，这是第一个“与特定研究问题无关”的数据集，它将数据编码在打孔卡中，这使得扩展数据库和搜索成为可能。

其他“计算机化”的生物数据库紧随其后。蛋白质数据库Protein Data Bank于1971年投入使用，如今详细记录了超过17万个大分子结构。加州大学圣地亚哥分校的进化生物学家拉塞尔·杜利特尔在1981年创建了另一个名为Newat的蛋白质数据库。1982年，美国国立卫生研究院（NIH）与多个机构合作，成立了GenBank数据库，这是一个开放获取的DNA序列数据库。

这些数据库资源在1983年7月证明了其存在价值。当时，由伦敦帝国癌症研究基金会蛋白质生物化学家迈克尔·沃特菲尔德领导的团队，与杜利特尔的团队各自独立报道了一个特殊的人类生长因子序列与一种导致猴子出现癌症的病毒蛋白质之间的相似性。观察结果显示了一种病毒诱发肿瘤机制——通过模仿一种生长因子，病毒会诱导细胞不受控制地生长。美国国家生物技术信息中心（NCBI）前主任詹姆斯·奥斯特尔说：“这一结果让一些对计算机和统计学不感兴趣的生物学家头脑里灵光一闪：我们可以通过比较序列来了解有关癌症的一些情况。”

奥斯特尔还表示，这一发现标志着“客观生物学的到来”。除了设计实验来验证特定的假设，研究人员还可以挖掘公共数据集，寻找那些实际收集数据的人可能从未想到的联系。当不同的数据集连接在一起时，这种力量就会急剧增长。例如，NCBI的程序员在1991年通过Entrez实现了这一点；Entrez是一个可以让研究人员在DNA、蛋白质和文献之间自由检索和比对的工具。

预测领先者：大气环流模式（1969年）

在第二次世界大战结束时，计算机先驱约翰·冯·诺伊曼开始将几年前用于计算弹道轨迹和武器设计的计算机转向天气预测问题。真锅淑郎解释道，在那之前，“天气预报只是经验性的”，即利用经验和直觉来预测接下来会发生什么。相比之下，冯·诺伊曼的团队“试图基于物理定律进行数值天气预测”。

新泽西州普林斯顿的美国国家海洋和大气管理局（NOAA）地球物理流体动力学实验室的建模系统部门负责人Venkatramani Balaji表示，几十年来，人们已经熟知这些方程式。但早期的气象学家无法实际解决这些问题。要做到这一点，需要输入当前的条件，计算它们在短时间内会如何变化，并不断重复。这个过程非常耗时，以至于在天气状况实际出现之前还无法完成数学运算。1922年，数学家刘易斯·弗莱·理查森花了几个月时间计算德国慕尼黑的6小时预报。根据一段 历史 记载，他的结果是“极不准确的”，包括“在任何已知的陆地条件下都不可能发生的”预测。计算机使这个问题变得很容易解决。

20世纪40年代末，冯·诺伊曼在普林斯顿高等研究院建立了天气预报团队。1955年，第二个团队——地球物理流体动力学实验室——开始进行他所谓的“无限预测”，也就是气候建模。

真锅淑郎于1958年加入气候建模团队，开始研究大气模型；他的同事柯克·布莱恩将这一模型应用在海洋研究中。1969年，他们成功将二者结合起来，创造了《自然》杂志在2006年所说的科学计算“里程碑”。

今天的模型可以将地球表面划分为一个个25公里 25公里的正方形，并将大气层划分为数十层。相比之下，真锅淑郎和布莱恩的海洋-大气联合模型划分的面积为500平方公里，将大气分为9个层次，只覆盖了地球的六分之一。尽管如此，Venkatramani Balaji表示，“这个模型做得很好”，使研究团队第一次能够通过计算机预测二氧化碳含量上升的影响。

数字运算机：BLAS（1979年）

科学计算通常涉及到使用向量和矩阵进行相对简单的数学运算，但这样的向量和矩阵实在太多了。但在20世纪70年代，还没有一套普遍认可的计算工具来执行这些运算。因此，从事科学工作的程序员会将时间花在设计高效的代码来进行基本的数学运算，而不是专注于科学问题。

加州劳伦斯利弗莫尔国家实验室的Cray-1超级计算机。在BLAS编程工具于1979年问世之前，并没有线性代数标准可供研究人员在Cray-1超级计算机等机器上工作

编程世界需要一个标准。1979年，这样的标准出现了：基本线性代数程序集（Basic Linear Algebra Subprograms，简称BLAS）。这是一个应用程序接口（API）标准，用以规范发布基础线性代数操作的数值库，如矢量或矩阵乘法。该标准一直发展到1990年，为向量数学和后来矩阵数学定义了数十个基本例程。

美国田纳西大学计算机科学家、BLAS开发团队成员杰克·唐加拉表示，事实上，BLAS把矩阵和向量数学简化成了和加法和减法一样基本的计算单元。

美国德克萨斯大学奥斯汀分校的计算机科学家Robert van de Geijn指出，BLAS“可能是为科学计算定义的最重要的接口”。除了为常用函数提供标准化的名称之外，研究人员还可以确保基于BLAS的代码在任何计算机上以相同方式工作。该标准还使计算机制造商能够优化BLAS的安装启用，以实现在其硬件上的快速操作。

40多年来，BLAS代表了科学计算堆栈的核心，也就是使科学软件运转的代码。美国乔治·华盛顿大学的机械和航空航天工程师洛雷娜·巴尔巴称其为“五层代码中的机械”。而杰克·唐加拉说：“它为我们的计算提供了基础结构。”

显微镜必备：NIH Image（1987年）

20世纪80年代初，程序员韦恩·拉斯班德在马里兰州贝塞斯达的美国国立卫生研究院的脑成像实验室工作。该实验室拥有一台扫描仪，可以对X光片进行数字化处理，但无法在电脑上显示或分析。为此，拉斯班德写了一个程序。

这个程序是专门为一台价值15万美元的PDP-11小型计算机设计的，这是一台安装在架子上的计算机，显然不适合个人使用。然后，在1987年，苹果公司发布了Macintosh II，这是一个更友好、更实惠的选择。拉斯班德说：“在我看来，这显然是一种更好的实验室图像分析系统。”他将软件转移到新的平台上，并重新命名，建立了一个图像分析生态系统。

NIH Image及其后续版本使研究人员能在任何计算机上查看和量化几乎任何图像。该软件系列包括ImageJ，一个拉斯班德为Windows和Linux用户编写的基于Java的版本；以及Fiji，这是ImageJ的分发版，由德国德累斯顿的马克斯普朗克分子细胞生物学和遗传学研究所的Pavel Tomancak团队开发，其中包括关键的插件。“ImageJ无疑是我们所拥有的最基础的工具，”布洛德研究所（由麻省理工学院和哈佛大学联合创立）成像平台的计算生物学家贝丝·契米妮说，“我从来没有和一个使用过显微镜，但没有使用过ImageJ或Fiji的生物学家说过话。”

拉斯班德表示，部分原因可能是这些工具是免费的。但威斯康星大学麦迪逊分校的生物医学工程师Kevin Eliceiri指出，另一个原因是用户可以很容易地根据自己的需求定制工具。自拉斯班德退休后，Kevin Eliceiri的团队一直领导着ImageJ的开发。ImageJ提供了一个看似简单、极简主义的用户界面，自20世纪90年代以来基本上没有改变。然而，由于其内置的宏记录器（允许用户通过记录鼠标点击和菜单选择的序列来保存工作流）、广泛的文件格式兼容性和灵活的插件架构，该工具具有无限的可扩展性。该团队的编程主管柯蒂斯·鲁登表示，有“数以百计的人”为ImageJ贡献了插件。这些新添加的功能极大扩展了研究人员的工具集，例如在视频中跟踪对象或自动识别细胞的功能。

Kevin Eliceiri说：“这个程序的目的不是做到一切或终结一切，而是服务于用户的目标。不像Photoshop和其他程序，ImageJ可以成为你想要的任何东西。”

序列搜索器：BLAST （1990年）

可能没有什么能比把软件名称变成动词更能说明文化的相关性了。提到搜索，你会想到谷歌；而提到遗传学，研究者会立刻想到BLAST。

通过诸如替代、删除、缺失和重排等方式，生物将进化中的改变蚀刻在分子序列中。寻找序列之间的相似性——特别是蛋白质之间的相似性——可以让研究人员发现进化关系，并深入了解基因功能。在迅速膨胀的分子信息数据库中，想要快速而准确地做到这一点并不容易。

玛格丽特·戴霍夫在1978年提供了关键的进展。她设计了一种“点接受突变”矩阵，使研究人员不仅可以根据两种蛋白质序列的相似程度，还可以根据进化距离来为评估它们的亲缘关系。

1985年，弗吉尼亚大学的威廉·皮尔森和NCBI的大卫·利普曼引入了FASTP，这是一种结合了戴霍夫矩阵和快速搜索能力的算法。

数年后，利普曼与NCBI的沃伦·吉什和斯蒂芬·阿特舒尔，宾夕法尼亚州立大学的韦伯·米勒，以及亚利桑那大学的吉恩·迈尔斯一起开发了一种更强大的改进技术：BLAST（Basic Local Alignment Search Tool）。BLAST发布于1990年，将处理快速增长的数据库所需的搜索速度，与提取进化上更为遥远的匹配结果的能力结合起来。与此同时，该工具还可以计算出这些匹配发生的概率。

阿特舒尔表示，计算结果出来得非常快，“你可以输入搜索内容，喝一口咖啡，搜索就完成了。”但更重要的是，BLAST很容易使用。在一个通过邮寄更新数据库的时代，沃伦·吉什建立了一个电子邮件系统，后来又建立了一个基于网络的架构，允许用户在NCBI计算机上远程运行搜索，从而确保搜索结果始终是最新的。

哈佛大学的计算生物学家肖恩·艾迪表示，BLAST系统为当时处于萌芽阶段的基因组生物学领域提供了一个变革性的工具，即一种根据相关基因找出未知基因可能功能的方法。对于各地的测序实验室，它还提供了一个新颖的动词。“它是众多由名词变成动词的例子之一，”艾迪说，“你会说，你正准备BLAST一下你的序列。”

预印本平台：arXiv.org （1991年）

20世纪80年代末，高能物理学家经常将他们已投稿的论文手稿副本邮寄给同行，征求他们的意见——但只发给少数人。物理学家保罗·金斯帕格在2017年写道：“处于食物链较低位置的人依赖于一线研究者的成果，而非精英机构中有抱负的研究人员则往往身处特权圈以外。”

1991年，当时在新墨西哥州洛斯阿拉莫斯国家实验室工作的金斯帕格编写了一个电子邮件自动应答程序，希望建立一个公平的竞争环境。订阅者每天都会收到预印本列表，每一篇都与文章标识符相关联。只需通过一封电子邮件，世界各地的用户就可以从实验室的计算机系统中提交或检索论文，并获得新论文的列表，或按作者或标题进行搜索。

金斯帕格的计划是将论文保留三个月，并将内容限制在高能物理学界。但一位同事说服他无限期地保留这些文章。他说：“就在那一刻，它从布告栏变成了档案馆。”于是，论文开始从比各个领域如潮水般涌来。1993年，金斯伯格将这个系统迁移到互联网上，并在1998年将其命名为arXiv.org，沿用至今。

arXiv成立已近30年，拥有约180万份预印本，全部免费提供，而且每月有超过1.5万份论文提交，下载量达3000万次。十年前，《自然-光子学》（Nature Photonics）的编辑在评论arXiv创立20周年时写道：“不难看出为什么arXiv的服务会如此受欢迎，这个系统让研究人员能快速而方便地插上旗帜，显示他们所做的工作，同时避免投稿传统同行评议期刊时的麻烦和时间成本。”

arXiv网站的成功也促进了生物学、医学、 社会 学和其他学科同类预印本网站的繁荣。在如今已出版的数万份关于新冠病毒的预印本中就可以看到这种影响。“很高兴看到30年前在粒子物理学界之外被认为是异端的方法，现在被普遍认为是平淡无奇和自然而然的，”金斯伯格说，“从这个意义上说，它就像一个成功的研究项目。”

数据浏览器：IPython Notebook （2011年）

2001年，费尔南多·佩雷斯还是一位希望“寻找拖延症”的研究生，当时他决定采用Python的一个核心组件。

Python是一种解释型语言，这意味着程序是逐行执行的。程序员可以使用一种称为“读取-评估-打印循环”（read–evaluate–print loop，简称REPL）的计算调用和响应工具，在其中输入代码，然后由解释器执行代码。REPL允许快速 探索 和迭代，但佩雷斯指出，Python的REPL并不是为科学目的而构建的。例如，它不允许用户方便地预加载代码模块，也不允许打开数据可视化。因此，佩雷斯自己编写了另一个版本。

结果就是IPython的诞生，这是一个“交互式”Python解释器，由佩雷斯在2001年12月推出，共有259行代码。十年后，佩雷斯与物理学家布莱恩·格兰杰和数学家埃文·帕特森合作，将该工具迁移到web浏览器上，推出了IPython Notebook，开启了一场数据科学革命。

与其他计算型Notebook一样，IPython Notebook将代码、结果、图形和文本合并在一个文档中。但与其他类似项目不同的是，IPython Notebook是开源的，邀请了大量开发者社区的参与其中。而且它支持Python，一种很受科学家欢迎的语言。2014年，IPython演变为Jupyter，支持大约100种语言，允许用户在远程超级计算机上 探索 数据，就像在自己的笔记本电脑上一样轻松。

《自然》杂志在2018年写道：“对于数据科学家，Jupyter实际上已经成为一个标准。”当时，在GitHub代码共享平台上有250万个Jupyter Notebook；如今，这一数字已经发展到1000万个，在2016年引力波的发现，以及2019年的黑洞成像工作中，它们都发挥了重要的作用。佩雷斯说：“我们对这些项目做出了很小的贡献，这是非常值得的。”

快速学习器：AlexNet（2012年）

人工智能有两种类型。一种是使用编码规则，另一种则通过模拟大脑的神经结构来让计算机“学习”。加拿大多伦多大学的计算机科学家杰弗里•辛顿表示，几十年来，人工智能研究人员一直认为后者是“一派胡言”。但在2012年，他的研究生亚力克斯·克里泽夫斯基和伊尔亚·苏茨克维证明了事实并非如此。

在一年一度的ImageNet比赛中，研究人员被要求在一个包含100万张日常物体图像的数据库中训练人工智能，然后在一个单独图像集上测试生成的算法。辛顿表示，当时最好的算法错误分类了大约四分之一的图像。克里泽夫斯基和苏茨克维的AlexNet是一种基于神经网络的“深度学习”算法，它将错误率降低到了16%。辛顿说：“我们基本上把错误率减半了，或者说几乎减半了。”

辛顿还指出，该团队在2012年的成功反映了足够大的训练数据集与出色的编程，以及新出现的图形处理单元的强大能力的结合。图形处理单元是最初设计用来加速计算机视频性能的处理器。“突然之间，我们可以将（算法）运行速度提高30倍，”他说，“或者说，学习多达30倍的数据。”

真正的算法突破实际上发生在三年前，当时辛顿的实验室创建了一个神经网络，可以比经过几十年改进的传统人工智能更准确地识别语音。“只是稍微好一点，”辛顿说，“但这已经预示了某些东西。”

这些成功预示着深度学习在实验室研究、临床医学和其他领域的崛起。通过人工智能的深度学习，手机能够理解语音查询，图像分析工具能够很容易地在显微照片中识别出细胞；这就是为什么AlexNet会成为众多从根本上改变科学，也改变世界的工具之一。（任天）

10. 用python做一个地球围绕太阳转的图形

平台: python2.7.10 + wxpython 3.0.2

#!/usr/bin/env python
#-*- coding: utf-8 -*-

from __future__ import unicode_literals
import wx

__version__ = '0.1'
app_title = 'Temperature Translator - {}'.format(__version__)

class TempTranslator(wx.Frame):
def __init__(self, parent=None, size=(620, 200), title=app_title):
super(TempTranslator, self).__init__(parent, size=size, title=title)
self.SetMinSize(self.GetSize())
self.panel = wx.Panel(self)

self.init_layout()
self.panel.Layout()
self.Centre(wx.BOTH)
self.Show()

def init_layout(self):
font = self.GetFont()
font.SetWeight(wx.BOLD)
font.SetPointSize(15)
self.panel.SetFont(font)

vbox = wx.BoxSizer(wx.VERTICAL)
self.add_label(vbox, f2c=True)
self.f_tc1, self.c_tc1 = self.add_input(vbox, f2c=True)
self.f_tc1.Bind(wx.EVT_TEXT, self.on_f_text)

line = wx.StaticLine(self.panel, -1, style=wx.LI_HORIZONTAL)
style = wx.GROW | wx.ALIGN_CENTER_VERTICAL | wx.RIGHT | wx.TOP
vbox.Add(line, 0, style, 5)

self.add_label(vbox, f2c=False)
self.c_tc2, self.f_tc2 = self.add_input(vbox, f2c=False)
self.c_tc2.Bind(wx.EVT_TEXT, self.on_c_text)

self.panel.SetSizer(vbox)

def add_label(self, vbox, f2c=True):
if f2c:
text1 = 'Fahrenheit'
text2 = 'Celsius'
else:
text1 = 'Celsius'
text2 = 'Fahrenheit'

hbox = wx.BoxSizer(wx.HORIZONTAL)
label = wx.StaticText(self.panel, -1, text1, size=(-1, 30),
style=wx.ALIGN_CENTER)
hbox.Add(label, 1, wx.EXPAND, 10)

label = wx.StaticText(self.panel, -1, text2, size=(-1, 30),
style=wx.ALIGN_CENTER)
hbox.Add(label, 1, wx.EXPAND, 10)
vbox.Add(hbox, 0, wx.EXPAND, 10)

def add_input(self, vbox, f2c=True):
hbox = wx.BoxSizer(wx.HORIZONTAL)
tc1 = wx.TextCtrl(self.panel, -1, size=(260, 40), style=wx.TE_CENTER)
tc1.Bind(wx.EVT_TEXT, self.on_f_text)

label = wx.StaticText(self.panel, -1, ' = ')

tc2 = wx.TextCtrl(self.panel, -1, size=(260, 40), style=wx.TE_CENTER)

hbox.Add(tc1, 1, wx.EXPAND, 10)
hbox.Add(label, 0, wx.ALL | wx.EXPAND, 10)
hbox.Add(tc2, 1, wx.EXPAND, 10)
vbox.Add(hbox, 1, wx.EXPAND, 10)
return tc1, tc2

def on_f_text(self, evt):
f = self.f_tc1.GetValue()
self.c_tc1.SetValue('{}'.format(self.f2c(f)))

def on_c_text(self, evt):
c = self.c_tc2.GetValue()
self.f_tc2.SetValue('{}'.format(self.c2f(c)))

def f2c(self, f):
return (float(f) - 32) / 1.8 if f else ''

def c2f(self, c):
return float(c) * 1.8 + 32 if c else ''

if __name__ == '__main__':
app = wx.App()
TempTranslator()
app.MainLoop()