通过可信 dsl 产生程序然后运行吧。。。

更正：c# winform 。

不过 c# 确实推出过蹩脚的 webform ，作为网页的无刷新技术，hhh

@tabris17 不成体系的开发方式，和用 windows api 写 gui 有啥区别？

一个技术能够被广泛使用，解决开发的繁琐的心智负担是关键。

前端框架最重要的就是这一点。
----

背景：gui 方面，我当年高中时代就捣鼓过 windows api 、c# webform 、borland delphi (c++ builder)、c++ qt 。网页方面，我从 asp 、asp.net (c#)、python django 、python flask 。我都捣鼓过。

一直到现代的 vue.js ，所以我对这种开发难度的划时代的变化，我是非常感同身受的。

当然模板引擎 SSR 的优势在于，搜索引擎友好。

但是中文互联网环境，大家恨不得搜索引擎找不到自己。都是想自己做平台的主。

模板引擎唯一比前端框架优秀的地方，在中文互联网环境是负作用的。

那就怨不得模板引擎衰落了。

可是，稍微复杂一点的前端应用都不能用 web page 刷新那种交互形式啊。。。

举个例子，B 站你看视频，看到一半下面加个评论，难道还要中断播放嘛？

所以楼主的路线只能做一小部分功能。
----

现代前端框架是为了能和桌面应用的交互形式匹敌而设计的。

前端工程师既然有了这么强大的开发方式（而且开发也不慢），自然也能做你说的这些局限的应用。

那么既然这种开发方式吸引了更多前端工程师，那么传统的模板引擎路线，用的人就越来越少了。毕竟屠龙刀能干杀鸡的活，在无刷新模式下用户体验也比模板引擎的有刷新模式好，从用户体验到开发体验都完爆 SSR 模板引擎，高下立判。

既然用的人少了，那么新的项目自然优先用主流技术。

说白了这不是因为模板引擎不够，而是因为屠龙刀太强了已经吞噬了模板引擎的市场而已。

@FreeWong 不这就是很常见的解决方案。

只不过在比如 python 语言里面你可以用协程 asyncio ，在 node.js 里面可以用回调，把上面的逻辑实现是个很简单的事情。在 C++ 里面你就不得不用多线程或者 event loop 了。

解决方案：

1 、每个客户端给一个 shutdownRequested 变量。
2 、自己开缓冲区处理 ReadTo('#') 的逻辑，用异步 read 。
3 、read 读不到就返回，那么进入 epoll 等待队列。
4 、如果 shutdownRequested ，就唤醒这个 fd 去处理。。

总结：

需要一个完整的 event loop 。但是有了就很容易做

@zxCoder 你去把 deep learning 这本（英文书）学一遍吧求你了

更正：E_x[f(x)] 约等于 1/N sum_i f(x[i]), x[i] 是 第 i 个从 p(x) 上采到的样本。

更正：在回归任务中，l(x) = (f(x) - t[x])^2

@zxCoder 嗯，再引入一个新的记号，l(x)

在回归任务中，l(x) = f(x) - t[x]

其中 f(x) 是神经网络输出，t[x] 是 x 对应的标注（ label ）。

那么 L = E_x[l(x)]

就算是普普通通的回归任务还是有这个 E_x 。只是现在的人上手都是 pytorch 框架，直接写 loss='mse'，没看见它源代码里面的求平均而已。。。而这个求平均的数学意义是蒙特卡洛采样

E_x[f(x)] 约等于 1/N f(x[i]), x[i] 是 第 i 个从 p(x) 上采到的样本。

如果 x 是训练集数据，那么采样只需要取一个 mini-batch 就行了。

顺便 L = E_x[f(x)] 是神经网络很普适的写法，表示的是 x 从全部训练集上采样（也就是 mini-batch ），E_x 就是 mini-batch 上所有 f(x) 的平均，这个在代码里面也很常见才对。

你这形式化还是不太对劲。你能不能作业拍个照截个图。

f(x) = g(a) 这个肯定有问题。

f(x) = E_a[g(x,a)], a ~ q(a) 或者 a~q(a|x) 那我还能理解。

----

另外用 a 来表示分布变量，你这是在做 Reinforcement learning 的 action network 吗？

这样的话你需要用 REINFORCE 算法去蒙特卡洛采样 a 。当然具体请参照 RL 的最新文章，我不是专门做 RL 的。

不管怎么样如果你的目的是优化 f(x)，那么你的 loss 应该是


L = E_x[E_a[g(x,a)]]

其中 x ~ p(x) 是数据分布，a ~ q(a) 或者 q(a|x) 是 action network 导出的分布。当然一般而言我觉得 q(a) 应该是有条件概率 q(a|x) 的。

max L 就梯度下降 min -L

@zxCoder 每个 mini-batch

随机采样，计算 f(x[i]) 然后求平均。接着梯度下降 -(sum f(x[i]))/N

除非你的 f(x) 有值域，那么这个函数会被推向下界（或者上界）。

为了避免 f(x) 退化成常值函数，你的训练目标或者网络结构必须把数据之间的关联性发掘出来。。。所以你这个问题是不是真的不对头，不好说，得看你的问题数据本身是什么样子，以及神经网络是什么样子。

但是在我的经验中，for any x, max f(x) 很少见。至少也是 max E[f(x)]

@zxCoder 那这个问题的定义很奇怪，因为对于一个足够宽的、一个非线性层的神经网络，可以拟合任何实数域上的可测函数。也就是说，

对于任何 C ，f(x) 恒等于 C

是你这个神经网络可以拟合的函数。

最终你会得到一个 meaningless 的函数，C 在训练过程中不断被推向负无穷（或者正无穷）

@zxCoder 那行，所以你的问题是哪个

max sum_x f(x)
for any x, max f(x)

@zxCoder 你看，这不是 y=xxxxxx 我需要看你数学公式的形式化，而是问你，你的“最大化一个函数”到底形式化是什么意思。我给了两个形式：

max sum_x f(x)
for any x, max f(x)

所以你是哪个？

对于单独的 for any x, max f(x) 这个问题似乎就没有意义了