举两个例子，为什么有时候需要加标注，可以多想想为什么不允许修改，为什么只读引用没还回去而影响了修改。

第一个例子是一个很常见的情况，这个就是标注的意义
第二个例子举了一个编译器自动加 'a 会导致无法编译，必须手动加标注的例子

https://gist.github.com/misdake/364f00d6d7c43d88b5a5d2e7ba1144b9

fn index_t_words(sentence: &String) -> HashMap<&str, usize>，其实隐含了输入和输出各自唯一的引用都是'a 。
认为唯一的输出引用的生命周期和唯一的输入引用的生命周期一致，绝大多数情况下是正确的。

fn index_t_words(sentence: &String, bias: &str) -> HashMap<&str, usize>，不能直接确定 sentence 和 bias 的生命周期是一致的，也不知道返回值的生命周期是什么样子：返回值引用了 sentence 还是 bias 还是'static ？，函数返回的时候，sentence 和 bias 能不能释放输入的引用？如果返回的引用还没释放时，bias 被修改了，允不允许？
在代码稍微复杂一点的情况下，假定所有引用的生命周期相同是非常危险的。

过充过放会减少寿命。我感觉过放影响更大，以前我和老婆用同款手机，2 年后换机的时候删掉她手机的 app ，续航仍然是她的两倍。

我的方法：
如果文件能打开，打开然后用打开的软件分享，分享到支持 smb 的文件管理器上，存到电脑硬盘里
如果不能打开，就“保存到手机”，打开支持 smb 的文件管理器，默认是 Download ，点开 weixin 文件夹，长按复制文件，复制到电脑硬盘里

一次性的镜头 /眼镜纸

local history 救过我好几命

有小的电热锅的话，可以买两板鸡蛋，直接蒸或煮，或者蒸鸡蛋羹

大也有副作用，延迟会增大，命中率的提高可能陷入瓶颈导致弥补不了延迟损失，导致性能降低。
L1 都是那么一小点，就是为了保证几个周期内一定能拿到。

开启优化，如果函数内部很容易推断出不可能修改长度的话，是会优化掉的

尽量同频率，混插频率会用较低的那个，买高了费钱。
如果牌子大一点的话，主板和内存厂商的兼容性测试会做得多一些。
可以更新一下主板 bios ，可能包含新的内存兼容性支持。

做好物理报废的准备。我曾经有一个 u 盘用了两年多，突然就写保护了，又过了 4 到 5 年，偶然看一眼又变正常了，接着用 😂

@LeeReamond
服务器端读取图片：比如服务器根据用户头像生成一个海报发个动态，比如给图片加水印，都是很常见的需求
执行脚本：我查了查基本都是图片和文本直接拼在一起，具体的搜一下吧，比如 https://backwallkid.github.io/2017-08/php-vs-python-detect-malicious-img.html

“整个过程完全不涉及可能运行代码的操作” 实际情况并没有那么绝对。脚本语言服务器没做好区分的话可能会在运行时执行图片里藏的脚本，也可能针对图片解码库的错误而达成缓冲区溢出之类的。
浏览器是 to C 的，内核种类数量很少，活下来的都是老兵，更新也相对频繁，危险都防住了。很早的时候漏洞一大堆，被攻击算是挺常见的。
服务器端折腾好了经常几年不升级，每个服务器都不一样，很多也不会针对漏洞进行主动防御。如果看的是老教程或者选了老版本，完全有可能在解析图片的时候被攻击，完全有可能执行服务器脚本的时候不小心被嵌入脚本。

神经网络很难做取模运算吧。可以试试输入二进制化后的一堆 0 和 1 ，输出改成分类而不是直接输出 1 个数字。

调用下一层 count 的时候，因为 count 类型是 number ，是基本类型，所以内层拿到的是一个复制。内外层的 count 不是同一个，内层减了，外层并不会变。
改动的话，可以尝试包一层，把外层变成非基本类型，比如 number[1]，{inner: number}这种。这样调用 count[0]或者 count.inner 的时候内外层的 number 就是指向同一个数据了。

如果 markdown 能算是 word 的轻量级替代，我感觉 csv 也可以算是 excel 的轻量级替代，毕竟都能看能改，复杂一点点的功能也全都不支持。

要想支持公式的话，这一整套函数语法体系就要先标准化，我觉得需要的时间太长了。现在 excel 竞品也不少，感觉再来一套用处没有那么大。自定义的私有语法我觉得 csv 也可以胜任。

变量数据总要保存到一个地方，比如_value 这种。setter 里设置到同一个 setter 上肯定不行呀。

翻译一下两个式子
sum = sum * 127/128 + input * 8
output = round(sum / 1024)

第二个式子可以看出 sum 是当前平均值的 1024 倍

sum / 1024 = (sum * 127 + input * 1) * 8 / 1024
第一个式子可以看出每次迭代中旧值和新值的比例为 127:1

跨域的跨，是指从一个到另一个。没有来源，就无所谓跨