先说一下，使用需求吧。最近部门需要针对几个域名注册平台完成多人域名抢注任务。就是部门有N个人，每天要抢注M个马上过期的域名。
主要分为3大块：
前端：能注册帐号，每个账号有自己的联系人信息【注册域名时要填写的】，能添加域名和需要参与抢注的日期。因为php方面不是很擅长，就简单从github上down了一个ci做的系统，自己改了改mysql字段名。 主要需要的功能有，注册帐号，更新帐号内的联系人信息，添加域名和抢注日期，删除域名记录等。
数据存储端：MySql，这个不用多说，主要是连接前端和后端用的，基本上只要满足前后端的数据需求就差不多了。
后端：也就是注册程序，负责每日定时从MySql库里找出需要注册的域名和对应的信息，添加到队列中，用多线程完成抢注任务等。
后续会详细说明每个模块的结构。
国内B2B平台主要以第三方服务商为主,按照模式可以分为四类。包括综合类B2B模式、行业类B2B模式、“小门户+联盟的模式”、“仓单模式”。
(1)综合类B2B模式
综合类B2B模式的电子商务网站是目前国内比较主流的一类B2B网站。提供综合型服务的第三方电子商务平台,其服务领域基本涵盖了整个行业,在广泛的行业范围和众多的网站用户基础上都有自身强大的优势。国内主流的综合类B2B
网站如阿里巴巴、环球资源和慧聪网,仅这三家主流综合类B2B平台在2012上半年的统计数据中就占到了整个B2B市场份额的55. 5%。可以说综合类网站在品牌知名度、用户规模数量以及行业跨度和技术研发等方面都具有明显优势。
通过多年的运营经验,阿里巴巴的流量占比最高,单条询盘成本最低,是B2B入门的最佳选择。
(2)行业类B2B模式
行业类B2B模式与综合类B2B模式最大的区别就在于它更专注于某一个行业,为买家与卖家提供更加专业化的信息服务和增值服务。由于行业间的限制,无法顺利打通上下游产业链。国内行业类B2B网站近年来的发展受到了比较大的限制。但是类似我的钢铁网、中国化工网这样的行业类B2B网站仍然能够在市场上占有一席之地,也有其独到之处。
(3)小门户+联盟模式
可以说以生意宝为代表的“小门户+联盟”模式是对综合类与行业类网站一种有力竞争模式,通过联盟的方式将不同行业类型的服务网站进行联合,充分使优势资源进行整合从而将“综合与专业有机结合”,提供整合内容的服务。
(4)仓单模式
仓单模式最为突出的一点就是不仅实现了在B2B服务平台上的企业信息交流,还实现了在线交易所需要完成的现金流和物流。这种在线交易支付由于涉及大宗商品交易往往能够有效节约成本并提高网上议价的能力。金银岛、敦煌网都是近年来异军突起的仓单模式的代表。
Docker技术近两年大行其道，如果说你不知道docker是啥，可能你已经out了。
之前提到的app.carina.com，提供免费docker测试，也被我兲朝翻墙大军用来翻墙，之前写过一篇，如何用免费docker翻墙，主要就是用carina的免费docker，后来被封号封的差不多了，只剩几个测试用的帐号还在使用。
如今岛国免费docker又出现了，就是我们今天的主角 app.arukas.io 。
arukas.io 小日本搞的一个Docker 服务。与国内的灵雀云，时速云差不多。
目前处于测试阶段可以免费使用。最多可创建10个应用。
由于这家Docker的IP线路是和樱花一样国内直连，撸点那就多了！！！
给你一个测试IP : 153.125.231.152
另外还尝试了搭建ShadowsocksR ， 带SSH的lampp， 都可以正常运行。
其他玩法大家可以自行研究，给的自由度蛮高的，硬件也还可以。
为此，Fjodor Van Veen 写出了一篇包含了大量架构（主要是神经网络）的盘点性文章，并绘制了直观的示意图进行说明。
将这些架构绘制成节点图的一个问题：它并没有真正展示这些架构的工作方式。比如说，变自编码器（VAE）可能看起来和自编码器（AE）一样，但其训练过程却相当不同。训练好的网络的使用案例之间的差别甚至更大，因为 VAE 是生成器（generator），你可以在其中插入噪声来得到新样本；而 AE 只是简单地将它们的输入映射到其所「记得」的最接近的训练样本。所以必须强调：这篇概览中的不同节点结构并不能反映出这些架构的内在工作方式。
列出一份完整的列表实际上是不可能的，因为新架构一直在不断出现。即使已经发表了，我们可能很难找到它们，而且有时候还会不自觉地忽略一些。所以尽管这份清单能为你提供人工智能世界的一些见解，但无论如何请不要认为这份清单是全面的；尤其是当你在这篇文章写出后很久才读到时（注：本文原文发表于 2016 年 9 月 14 日）。
对于本文中图片所描绘的架构，作者都写了一点非常非常简短的说明。如果你很熟悉其中一些架构，但不熟悉另一些，你可能会觉得这些说明会有用处。
前馈神经网络（FF 或 FFNN：Feed Forward neural networks）是非常简单的：它们从前向后馈送信息（从输入到输出）。神经网络常被描述为层级形式，其中的层（layer）可能是输入层、隐藏层或输出层。一个单独的层不存在什么连接（connection），而通常相邻的两个层是完全连接的（一个层的每一个神经元都连接到另一个层的每一个神经元）。其中可以说是最简单的实际网络具有两个输入单元和一个输出单元，其可用于对逻辑门进行建模。人们常常通过反向传播（back-propagation）来训练 FFNN，从而让该网络获得配对的数据集——「输入的内容」和「我们想要得到的输出」。这被称为监督学习（supervised learning），其相反的方法被称为无监督学习（unsupervised learning），其中我们只需要给出输入然后让网络自己填补空白。被反向传播的误差（error）常常是输入和输出之间差分（difference）的某种变体（如 MSE 或只是线性差分）。如果该网络有足够的隐藏神经元，那么理论上它总是能够建模出输入和输出之间的关系。实际上它们的使用存在很大的限制，但它们常被用来与其它网络结合以构建新的网络。
径向基函数（RBF: Radial basis function）网络是使用径向基函数作为激活函数（activation function）的 FFNN。没什么其它的了。但这不意味着它没有用处，但大部分带有其它激活函数的 FFNN 都没有自己的专用名称。这主要是因为人们在正确的时间发明了它。
霍普菲尔德网络（HN: Hopfield Network）是一种每一个神经元和其它每一个神经元都有连接的网络；它是完全纠缠在一起的意大利面条，其中所有的节点都是全功能的。在训练之前，每一个节点都是输入；在训练过程中，每一个节点都是隐藏；之后它们都是输出。这种网络的训练是：将神经元的值设置成我们想要的模式，从而计算出权重（weight）。之后权重便不再变化。一旦为一种或多种模式进行了训练之后，这种网络总是会收敛成其学习过的一种模式，因为这种网络只能稳定在这些状态。请注意它并不是符合预期的状态（悲伤的是它并不是魔法黑箱）。因为该网络的总「能量（energy）」或「温度（temperature）」在训练过程中会逐渐减小，所以它总会一部分接一部分地稳定下来。每一个神经元都一个可以扩展到这个温度的激活阈值，而如果该神经元的输入总和超过了该阈值，那么输入就会使神经元从两个状态（通常是 -1 或 1，有时候是 0 或 1）之中选择一个。网络的更新可以同步完成，但更常见的是一个接一个更新神经元。如果是一个接一个地更新，就会创建一个公平随机（fair random）的序列来组织哪些单元以哪种顺序更新（公平随机是指所有（n）的选择在每 n 个项中只恰好发生一次）。这样你就能分辨网络何时达到了稳定（收敛完成）：一旦每一单元都被更新后而其中没有任何改变，那么该网络就是稳定的（即退火了的（annealed））。这些网络常被称为联想记忆（associative memory），因为其会收敛到与输入最相似的状态；人类看到半张桌子就能想象出另一半，类似地，如果给这种网络提供半张桌子和一半噪声，那么该网络就能收敛出一张桌子。
马尔可夫链（MC：Markov Chain）或离散时间马尔可夫链（DTMC: discrete time Markov Chain）是 BM 和 HN 的某种前辈。可以这样理解：从我目前所处的节点开始，到达我周围任何节点的概率是多少？它们是无记忆的（即马尔可夫特性（Markov Property）），这意味着你所得到的每一个状态都完全依赖于其之前的一个状态。尽管算不上是神经网络，但它们确实类似于神经网络，并提供了 BM 和 HN 的理论基础。
玻尔兹曼机（BM：Boltzmann machines）和 HN 非常相似，除了：一些神经元被标记为输入神经元，而其它的仍然是「隐藏的」。这些输入神经网络会在整个网络更新结束时变成输出神经元。其开始时是随机权重，然后通过反向传播学习，最近也有人使用对比发散（contrastive divergence）的方法（使用一个马尔可夫链来确定两个信息增益之间的梯度）。和 HN 相比，BM 的神经元有时也有二元激活模式（binary activation patterns），但其它时间它们是随机的：一个单元处在一个特定状态的可能性。BM 的训练和运行过程非常类似于 HN：首先为输入神经元设置特定的钳位值（clamped values），然后该网络就自由了（不需要外力了）。自由了之后这些单元能得到任何值，然后我们在输入和隐藏神经元之间反复来回。它最后会在合适的温度下达到平衡。
受限玻尔兹曼机（RBM：Restricted Boltzmann machines）类似于 BM（这毫不奇怪），所以也类似于 HN。BM 和 RBM 之间的最大不同之处是 RBM 是更受限的，所以也可被更好地使用。它们并不将每一个神经元和其它每一个神经元连接起来，而是只将每组不同的神经元和其它每一组连接起来，所以输入神经元不会直接连接到其它输入神经元，隐藏神经元之间也没有连接。RBM 可以以类似 FFNN 的方式训练，但也有一点不同：不是前向通过数据然后反向传播误差，而是前向通过数据之后再将这些数据反向传回（回到第一层）。在那之后再使用前向和反向传播进行训练。
自编码器（AE：Autoencoders）有一点类似于 FFNN，因为 AE 更像是 FFNN 的一种不用的用例，而非一种根本上不同的架构。自编码器背后的基本思想是自动编码信息，也因此得名。其整个网络有一种沙漏般的形状——其隐藏层比输入层和输出层都小。AE 也是围绕中间层对称的（根据层的数量是奇数或偶数，中间层有 1 层或 2 层）。最小层总是位于中间，这里的信息得到了最大的压缩（该网络的阻塞点（ chokepoint））。中间以上的所有部分被称为编码（encoding）部分，中间以下的所有部分则被称解码（decoding）部分，中间部分则被称为代码（code）。人们可以通过馈送输入以及将误差设置成输入和输出之间的差异的方式，使用反向传播来训练它们。当涉及到权重时， AE 还可以对称式的构建，所以编码权重和解码权重一样。
稀疏自编码器（SAE: Sparse autoencoders）在某种程度上是 AE 的反面。它不是在更少的「空间（space）」或节点中教一个网络表征一些数据，而我们试图在更多空间中编码信息。所以不再是网络在中间收敛然后扩展回输入大小，我们直接消除了中间内容。这些类型的网络可被用于从数据集中提取许多小特征。如果我们以类似于 AE 的方式训练一个 SAE，在几乎所有情况下你都只会得到一个相当无用的恒等网络（输入即是输出，没有任何变换或分解）。为了防止这种情况，我们不反馈输入，而是反馈输入加稀疏驱动器（sparsity driver）。这个稀疏驱动器可以以阈过滤器（threshold filter）的形式，其中只有一个特定的误差会被传播回去和训练，在这次通过过程中其它的误差都将是「无关的」，会被设置为 0。在某种程度上这类似于脉冲神经网络（spiking neural networks），其中并不是所有的神经元在所有时间都在放电（以及为生物合理性给出分数）。
变自编码器（VAE：Variational autoencoders ）的架构和 AE 一样，但被「教授」了不同的东西：输入样本的一个近似概率分布。这有点回到本源的感觉，因为它们和 BM 及 RBM 的联系更紧密一点。但它们确实依赖于贝叶斯数学来处理概率推理和独立（probabilistic inference and independence），以及依靠重新参数化（re-parametrisation）来实现这种不同的表征。这种推理和独立部件理解起来很直观，但它们或多或少依赖于复杂的数学。其基础可以归结为：将影响考虑在内。如果某种事物在一个位置发生，而其它地方则发生其它事物，那么它们不一定是相关的。如果它们不相关，那么误差传播应该考虑一下这一点。这是一种有用的方法，因为神经网络是大型的图（graph，从某种角度来看），所以在深入到更深的层时如果排除掉一些节点对其它节点的影响，就会带来帮助。
去噪自编码器（DAE: denoising autoencoders）是一种输入中不仅包含数据，也包含噪声（比如使图像更有颗粒感）的自动编码器。但我们以同样的方式计算误差，所以该网络的输出是与不带噪声的原始输入进行比较。这能让网络不会学习细节，而是学习更广泛的特征，因为学习更小的特征往往会被证明是「错误的」，因为更小的特征会不断随噪声变化。
深度信念网络（DBN: deep belief networks ）基本上是 RBM 或 VAE 堆叠起来的架构。事实已经证明这些网络可以堆叠起来高效地训练，其中的每一个 AE 或 REM 只必须编码编码之前的网络即可。这种技术也被称为贪婪训练（greedy training），其中贪婪是指得到局部最优的解决方案，从而得到一个合理的但可能并非最优的答案。DBN 可通过对比发散（contrastive divergence）或反向传播进行训练，以及学习将数据表征为概率模型，就像普通的 RBM 或 VAE 一样。一旦通过无监督学习训练或收敛成了一个（更）稳定的状态，该模型就可被用于生成新数据。如果采用对比发散进行训练，它甚至可以对已有的数据进行分类，因为其神经元已经学会了寻找不同的特征。
卷积神经网络（CNN：convolutional neural networks）或深度卷积神经网络（DCNN：deep convolutional neural networks）和其它大多数网络非常不同。它们主要被用于图像处理，但也可应用于音频等其它类型的输入。CNN 的一种典型的用例是让网络对输入的图像进行分类，比如，当输入的图像上有猫时输出「cat」、有狗时输出「dog」。CNN 往往开始带有一个输入「扫描器（scanner）」，其目的是不一次性解析所有的训练数据。比如要输入一张 200×200 像素的图像，你并不需要一个带有 40000 个节点的层。事实上，你只需要创建一个比如说 20×20 的扫描输入层，这样你就可以从该图像的一个 20×20 像素的部分开始输入（通常是从左上角开始）；一旦这个输入完成后（可能是用于训练），你再输入下一个 20×20 像素：将该扫描器向右移 1 个像素。注意人们不会一次性移动 20 个像素（扫描器的宽度），也不是将图像分解成 20×20 的块；相反，而是让扫描器在图像上「爬行」。然后这些输入数据被送入卷积层（convolutional layers），这和普通的层不一样，其中所有的节点并非连接到所有的节点。每一个节点仅将它自己与其近邻的单元连接起来（到底多近取决于具体的实现，但通常不止一点点）。这些卷积层往往会随着网络越来越深而缩小，大部分是按照输入可以轻松整除的因子（所以 20 后面的层可能是 10 ，然后是 5）。这方面常使用 2 的幂，因为它们可以通过 32, 16, 8, 4, 2, 1 这样的定义完全整除。除了这些卷积层，它们常常还有池化层（pooling layer）。池化是一种滤除细节的方法：一种常见的池化技术是最大池化（max pooling）——其中我们取比如 2×2 的像素，然后根据最大量的红色传递这些像素。为了将 CNN 应用到音频上，基本上是输入音频波然后缓慢移动音频片段，一段接一段。CNN 的真实世界实现往往会在末端连接一个 FFNN 以便进一步处理数据，这可以实现高度非线性的抽象。这样的网络被称为 DCNN，但这两者的名字和缩写往往可以混用。
解卷积神经网络（DNN：Deconvolutional neural networks）也被称为逆图形网络（IGN： inverse graphics networks），是反向的卷积神经网络。比如给网络输入一个词「cat」，然后训练它生成一张类似猫的图像（通过将其与真实的猫图片进行比较）。和普通的 CNN 一样，DNN 也能和 FFNN 结合使用，但我们就不给这种网络缩写了。我们也许可以将其称之为深度解卷积神经网络，但你也可以认为当你在 DNN 的前端和后端都接上 FFNN 时，你得到的架构应该有一个新名字。请注意在大多数应用中，人们实际上并不会为该网络送入类似文本的输入，而更多的是一个二元的分类输入向量。比如设 <0, 1> 是猫，<1, 0> 是狗，<1, 1> 是猫和狗。CNN 中常见的池化层往往会被相似的逆向运算替代，主要使用偏差假设（biased assumptions）做插值和外推（interpolation and extrapolation ）（如果一个池化层使用的是最大池化，你可以通过其逆向过程产生特定度更低的新数据）。
深度卷积逆向图网络（DCIGN：Deep convolutional inverse graphics networks）的名字比较有误导性，因为它们实际是 VAE，但有 CNN 和 DNN 分别作为编码器和解码器。这些网络试图在编码中将特征建模为概率，以便于它能在曾经分别看到猫和狗的情况下，学习产生同时带有猫和狗的图片。类似的，你能给它输入一张带有猫和狗的图片，要求网络去掉图片中的狗，即使之前你未曾做过这样的操作。已有演示表明这些网络也能学习模型图片上的复杂变化，比如改变光源或者 3D 目标的旋转。这些网络往往通过反向传播训练。
生成式对抗网络（GAN：Generative adversarial networks）源于不同的网络类型，它们是双胞胎：两个网络一起工作。GAN 包含任意两种网络（尽管通常是 FF 和 CNN），一个网络的任务是生成内容，另一个是用于评判内容。判别网络要么获取训练数据，要么获取来自生成网络的内容。判别网络能够多好地准确预测数据源的程度然后被用来作为生成网络的误差。这创造了一种竞争方式，判别器区别真实数据与生成数据上做得越来越好，而生成器也变得对判别器而言越来越难以预测。这效果很好的部分原因是即使相当复杂的类噪音模式最终也是可预测的，但生成的类似于输入数据的内容更难以学习进行区别。GAN 训练起来相当难，因为不仅要训练两个网络（每个解决各自的问题），两个网络的动态也要平衡好。如果预测或生成相比于对方更好，GAN 收敛不好，因为存在有内在的分歧。
循环神经网络（RNN：Recurrent neural networks）是带有时间联结的 FFNN：它们不是无状态的，它们随时间变化在通路与连接之间有联系。神经元不只从前面层中被输入信息，也从来自它们自己的之前的通过中获得信息。这意味着你输入信息和训练网络的顺序很重要：输入「牛奶」然后是「甜饼」与输入「甜饼」然后是「牛奶」相比可能会产生不同的结果。RNN 的一个重大问题是梯度消失（或爆炸）问题，取决于使用的激活函数，信息随时间渐渐损失，就像很深的 FFNN 随深度变化消失信息一样。直观上这看起来不是大问题，因为这些只是权重，不是神经元状态，但随时间变化的权重正是来自过去信息的存储。如果权重达到 0 或 1,000,000 的值，先前的状态就不在具有信息性。RNN 理论上可被用于多个领域，因为大部分的数据形式没有时间线上的变化（也就是不像声音和视频），所以时间决定的权重被用于序列之前的东西，不是多少秒之前发生的内容。大体上，循环网络是发展或完善信息的较好选择，比如 autocompletion（自动完成）任务。
长短期记忆网络（LSTM：Long / short term memory）试图通过引入门（gate）和明显定义的记忆单元对抗梯度消失（爆炸）问题。这个思路受到电路图的启发，而不是生物学上的概念，每个神经元有一个记忆单元和 3 个门：输入、输出、遗忘（ input, output, forget）。这些门的功能是通过禁止或允许其流通确保信息。输入门决定来自上层的信息有多少被该单元存储。输出层在另一端做同样的事，并决定下一层多么了解该细胞的状态。遗忘门看起来像是一个奇怪的东西，但有时被遗忘反而更好。已有实验表明 LSTM 能够学习复杂的序列，比如像莎士比亚一样写作，或者创造交响乐。注意每个门在之前神经元中都有一个权重，所以运行起来需要更多的资源。
门循环单元（GRU：Gated Recurrent Units）是 LSTM 的一种轻量级变体。它们有一个门，连线方式也稍微不同：没有输入、输出、遗忘门，它们有一个更新门（update gate）。该更新门既决定来自上个状态的信息保留多少，也决定允许进入多少来自上个层的信息。重置的门函数很像 LSTM 中遗忘门函数，但位置稍有不同。GRU 的门函数总是发出全部状态，它们没有一个输出门。在大多案例中，它们的职能与 LSTM 很相似。最大的不同就是 GRU 更快、更容易运行（但表达力也更弱）。在实践中，可能彼此之间要做出平衡，当你需要具有更大表达力的大型网络时，你可能要考虑性能收益。在一些案例中，额外的表达力可能就不再需要，GRU 就要比 LSTM 好。
神经图灵机（NTM：Neural Turing machines）可被理解为 LSTM 的抽象化，并试图将神经网络去黑箱化（ un-black-box，让我们洞见里面到底发生了什么。）NTM 中并非直接编码记忆单元到神经元中，里面的记忆是分离的。这种网络试图想将常规数字存储的功效与永久性和神经网络的效率与表达力结合起来。这种网络的思路是有一个可内容寻址的记忆库，神经网络可以直接从中读取并编写。NTM 中的「Turing」来自于图灵完备（Turing complete）：基于它所读取的内容读取、编写和改变状态的能力，意味着它能表达一个通用图灵机可表达的一切事情。
双向循环神经网络（BiRNN：Bidirectional recurrent neural networks）、双向长短期记忆网络（BiLSTM：bidirectional long / short term memory networks ）和双向门控循环单元（BiGRU：bidirectional gated recurrent units）在词表中并未展现，因为它们看起来和各自单向的结构一样。不同的是这些网络不仅连接过去，也连接未来。举个例子，通过一个接一个的输入 fish 这个词训练单向 LSTM 预测 fish，在这里面循环连接随时间记住最后的值。而一个 BiLSTM 在后向通路（backward pass）的序列中就被输入下一个词，给它通向未来的信息。这训练该网络填补空白而非预报信息，也就是在图像中它并非扩展图像的边界，而是可以填补一张图片中的缺失。
深度残差网络（DRN：Deep residual networks）是非常深度的 FFNN 网络，有着额外的连接将输入从一层传到后面几层（通常是 2 到 5 层）。DRN 并非是要发现将一些输入（比如一个 5 层网络）映射到输出的解决方案，而是学习将一些输入映射到一些输出 输入上。大体上，它在解决方案中增加了一个恒等函数，携带旧的输入作为后面层的新输入。有结果显示，在超过 150 层后，这些网络非常擅长学习模式，这要比常规的 2 到 5 层多得多。然而，有结果证明这些网络本质上只是没有基于具体时间建造的 RNN ，它们总是与没有 gate 的 LSTM 相对比。
回声状态网络（ESN：Echo state networks）是另一种不同类型的网络。它不同于其他网络的原因在于它在不同神经元之间有随机连接（即，不是在层之间整齐连接。），而且它们训练方式也不同。在这种网络中，我们先给予输入，向前推送并对神经元更新一段时间，然后随时间观察输出，而不是像其他网络那样输入信息然后反向传播误差。ESN 的输入和输出层有一些轻微的卷积，因为输入层被用于准备网络，输出层作为随时间展开的激活模式的观测器。在训练过程中，只有观测器和隐藏单元之间连接会被改变。
液态机（LSM：Liquid state machines）看起来与 ESN 非常类似。不同的是，LSM 是脉冲神经网络（spiking neural networks）这一类型的：用阈值函数取代 sigmoid 激活函数，每个神经元也是一个累加记忆细胞。所以当更新神经元的时候，里面的值并不是被设为临近值的总和，也不是增加到它自身上。一旦达到阈值，它将能量释放到其他神经元。这就创造出了一种类似 spiking 的模式——在突然达到阈值的之前什么也不会发生。
支持向量机（SVM：Support Vctor Machines）能发现分类问题的最佳解决方案。传统上只能够分类线性可分的数据，比如说发现哪个图像是加菲猫，哪张图片是史努比，不可能有其他输出。在训练过程中，SVM 可被视为在一张图上（2D）标绘所有数据（加菲猫和史努比），并搞清楚如何在这些数据点间画条线。这条线将分割数据，以使得加菲猫在一边，史努比在一边。调整这条线到最佳的方式是边缘位于数据点之间，这条线最大化到两端。分类新数据可通过在这张图上标绘一个点来完成，然后就简单看到这个点位于线的哪边。使用核（kernel）方法，它们可被教授进行 n 维数据的分类。这要在 3D 图上标绘数据点，从而让其可分类史努比、加菲猫、Simon’s cat，甚至分类更多的卡通形象。
最后，我们介绍 Kohonen 网络（KN，也称自组织（特征）映射（SOM/SOFM：self organising (feature) map））。KN 利用竞争学习在无监督情况下分类数据。向网络输入信息，然后网络评估那个神经元最匹配该输入信息。然后调整这些神经元以更好地匹配输入，在这个过程中拖带（drag along）着临近神经元。临近神经元能移动多少取决于它们与最好的匹配单元之间的距离。
紧接着上一篇： 域名抢注系统的实现-(1) , 本篇主要讲前端的结构。 前端主要完成抢注域名的界面，多用户注册，注册信息管理等。
由于多年未碰过php代码了，所以也懒得去从0开始写一个多用户php系统了，直接从网上copy了一个基于ci的多用户登录系统。mvc结构，简单易懂。
3.域名添加。域名和需要抢注的日期。ps：如果知道特定域名的过期规则，理论上可以自动判断出需要抢注的日期，我这方面了解不多，所以没有做这个功能。
4. 域名的修改，删除。
这个前台比较简陋，仅针对现有的需求做了一些功能模块，还有很大的提升空间。 下一篇我们会介绍数据库设计和后台注册程序。
如果您居住在美国，就可以选择向主页添加两种类型的店铺。您可以让用户在您的 Facebook 主页中完成购买，也可以将用户引导至其他网站完成购买。
要添加店铺版块，并允许客户直接在您的 Facebook 主页中结账：
提示：如果 Stripe 要求提供公司网站，但您没有，则可以提供主页店铺版块的网址。例如：facebook.com/[主页用户名]/shop。了解主页帐号。
您的店铺设置已完成，您可以开始添加商品。
要添加店铺版块，并将客户引导至其他网站完成购买：
您的店铺设置已完成，您可以开始添加商品。
如果您居住在美国境外，可以选择向主页添加两种类型的店铺。您可以向主页添加店铺版块，让客户通过向您发送消息详细了解商品，或者添加店铺带客户前往其他网站完成购买。
要向主页添加店铺版块：
您的店铺设置已完成，您可以开始添加商品。
重要信息：您向店铺至少添加一个商品且商品已通过审核并获得批准后，顾客才能看到您的店铺。
邮件服务器的DNS设置
DNS记录，需要你到你的域名托管商那里进行设置或者你自己管理DNS服务器。不少域名托管商不支持txt记录或者不支持DKIM记录，所以你就无法使用SPF和DKIM的功能。
DNS的修改，需要48小时以上才能生效。
国内的万网是不支持DKIM，目前新网是支持SPF和DKIM。
1.MX记录
邮件的MX记录最好是指向机器A记录，尽量不要直接指向IP地址（不符合规范）。
1.1 添加A记录
mail.example.com 192.168.1.100
1.2 添加MX记录
example.com mail.example.com
1.3 测试MX记录
# host exmple.com
example.com mail is handled by 10 mail.example.com.
#nslookup mail.example.com
Name:mail.example.com
Address:192.168.1.100
2.SPF记录
SPF是指Sender Policy Framework，是为了防范垃圾邮件而提出来的一种DNS记录类型，SPF是一种TXT类型的记录。SPF记录的本质，就是向收件人宣告：本域名的邮件从清单上所列IP发出的都是合法邮件，并非冒充的垃圾邮件。设置好SPF是正确设置邮件发送的域名记录和STMP的非常重要的一步。
例如：
SPF 记录指向A主机记录
example.com. 3600 IN TXT "v=spf1 mx mx:mail.example.com ~all"
SPF 记录指向IP地址
example.com. 3600 IN TXT "v=spf1 ip4:192.168.1.100 ~all"
2.1 如何查看SPF
Windows下进入DOS模式后用以下命令:
nslookup -type=txt 域名
Unix操作系统下用：
# dig -t txt 域名
2.2 SPF的简单说明如下：
v=spf1 表示 spf1 的版本
IP4 代表IPv4进行验证(IP6代表用IPv6进行验证), 注意 “ip4:” 和“IP”之间是没有空格的
~all 代表结束
2.3 SPF记录例释
我们看这条SPF:
yourdomain.com "v=spf1 a mx mx:mail.jefflei.com ip4:202.96.88.88 ~all"
这条SPF记录具体的说明了允许发送 @yourdomain.com 的IP地址是：a （这个a是指 yourdomain.com 解析出来的IP地址，若没有配置应取消）
mx （yourdomain.com 对应的mx，即 mail.yourdomain.com的A记录所对应的ip）
mx:mail.jefflei.com （如果没有配置过mail.jefflei.com这条MX记录也应取消）
ip4:202.96.88.88 （直接就是 202.152.186.85 这个IP地址）
其他还有些语法如下：
- Fail, 表示没有其他任何匹配发生
~ 代表软失败，通常用于测试中
? 代表忽略
如果外发的ip不止一个，那么必须要包含多个
v=spf1 ip4:202.96.88.88 ip4:202.96.88.87 ~all
2.4 测试SPF设置结果
设置好 DNS中的SPF记录后，发送邮件给自己的gmail，然后查看邮件的源文件，应该能看到类似的邮件头，其中有pass表示设置成功。
Received-SPF: pass (google.com: domain of test@jefflei.com designates
202.96.88.87 as permitted sender) client-ip=202.96.88.87;
需要注意的是，服务器的IP若有更改，需要同时修改SPF！！！
2.5 利用SPF记录防止垃圾邮件
在Unix下可以安装配置SpamAssassin之类的插件来防止垃圾邮件和钓鱼邮件(Phishing)
3.DKIM记录
DKIM 技术通过在每封电子邮件上增加加密的数字标志，然后与合法的互联网地址数据库中的记录进行比较。当收到电子邮件后，只有加密信息与数据库中记录匹配的电子邮件，才能够进入用户的收件箱。它还能检查邮件的完整性，避免黑客等未授权者的修改。 DKIM 的基本工作原理同样是基于传统的密钥认证方式，他会产生两组钥匙，公钥(public key)和私钥(private key)，公钥将会存放在 DNS 中，而私钥会存放在寄信服务器中。私钥会自动产生，并依附在邮件头中，发送到寄信者的服务器里。公钥则放在DNS服务器上，供自动获得。收信的服务器，将会收到夹带在邮件头中的私钥和在DNS上自己获取公钥，然后进行比对，比较寄信者的域名是否合法，如果不合法，则判定为垃圾邮件。 由于数字签名是无法仿造的，因此这项技术对于垃圾邮件制造者将是一次致命的打击，他们很难再像过去一样，通过盗用发件人姓名、改变附件属性等小伎俩达到目的。在此之前，垃圾邮件制造者通过把文本转换为图像等方式逃避邮件过滤，并且使得一度逐渐下降的垃圾邮件数目再度抬头。
注意：Amavisd-new 只有 2.6.0 及以上版本集成了 DKIM 功能。
3.1 这里可以通过iredmail.tips 获得域名的DKIM，也可以在命令行下输入
# amavisd-new showkeys
; key#1, domain example.com, /var/lib/dkim/example.com.pem
dkim._domainkey.example.com. 3600 TXT (
"v=DKIM1; p="
"MIGfMA0GCSqGSIb3DQEBAQUAA4GNADCBiQKBgQDGNVMuQRKqYeySIzqTGTm3xRzF"
"/ZzhmMnpZkEcVVjFAk+t7E388oFGu/knyh6KBKwpZxHUN5HoOYVjMudqaR2FcSvK"
"z+joFj8Vh3rXoTLa1zHDyfD7hICzxdEgmQZ8MJM5rjPPrRGZXnPowNYDsd6nDJ86"
"N38iFYU+jALBYDLBwQIDAQAB")
3.2 把上面记录添加到ISP的DNS记录
dkim._domainkey.example.com. v=DKIM1; p=MIGfMA0....（省略）DLBwQIDAQAB
3.3 添加完DNS记录后，如果记录生效，可以通过运行命令检测
# amavisd-new testkeys
TESTING: dkim._domainkey.example.com => pass
检查DNS设置
下面有几种方法，可以帮助你检测DNS是否设置生效和正常工作：
1.nslookup
#nslookup
Default Server: unknown
Address: 192.168.1.1
> server 4.2.2.1
Default Server: vnsc-pri.sys.gtei.net
Address: 4.2.2.1
> set type=mx
> example.com
Server: vnsc-pri.sys.gtei.net
Address: 4.2.2.1
Non-authoritative answer:
example.com MX preference = 20, mail exchanger = mail.example.com
> set type=txt
> example.com
Server: vnsc-pri.sys.gtei.net
Address: 4.2.2.1
Non-authoritative answer:
example.com text =
"v=spf1 ip4:192.168.1.100 -all"
> dkim._domainkey.example.com
Server: vnsc-pri.sys.gtei.net
Address: 4.2.2.1
Non-authoritative answer:
dkim._domainkey.example.com text =
"v=DKIM1; p= MIGfMA0GCSqGSIb3DQEBAQUAA4GNADCBiQKBgQCsgZaIvYHAos2jbp3CHW0
AwrTnAEwV1p4EaZP/JuF8t1BETBVg6WJr3YWN5ijCpi9vnw96nmf/u5MgtbLwZ+AzDBkbOY7Jbb/hIO+
mpmmfdJAY3w8KoXLCuQKDysXOys45YtfJEj66s51EHH3W+iXPYw3I/NWHjY3a5/mXnk4XJQIDAQAB"
2.linux dig
MX记录
# host exmple.com
example.com mail is handled by 10 mail.example.com.
SPF记录
# dig txt hotmail.com
; <<>> DiG 9.4.2-P2 <<>> txt hotmail.com
;; global options: printcmd
;; Got answer:
;; ->>HEADER<<- opcode: QUERY, status: NOERROR, id: 43130
;; flags: qr rd ra; QUERY: 1, ANSWER: 1, AUTHORITY: 0, ADDITIONAL: 0
;; QUESTION SECTION:
;hotmail.com. IN TXT
;; ANSWER SECTION:
hotmail.com. 3600 IN TXT "v=spf1 include:spf-a.hotmail.com include:spf-b.hotmail.com include:spf-c.hotmail.com include:spf-d.hotmail.com ~all"
;; Query time: 176 msec
;; SERVER: 64.71.161.8#53(64.71.161.8)
;; WHEN: Sat Dec 5 08:43:51 2009
;; MSG SIZE rcvd: 157
DKIM记录
#dig txt dkim._domainkey.example.com
NOTE: This is Simplelified Chinese Edition Document of Markdown Syntax. If you are seeking for English Edition Document. Please refer to Markdown: Syntax.
声明： 这份文档派生(fork)于繁体中文版，在此基础上进行了繁体转简体工作，并进行了适当的润色。此文档用 Markdown 语法编写，你可以到这里查看它的源文件。「繁体中文版的原始文件可以查看这里 。」--By @riku / 本项目托管于 GitCafe
注： 本项目同时也托管于 Github 上，请通过 fork＋pull request 方式来帮忙改进本项目。
Markdown 的目标是实现「易读易写」。
可读性，无论如何，都是最重要的。一份使用 Markdown 格式撰写的文件应该可以直接以纯文本发布，并且看起来不会像是由许多标签或是格式指令所构成。Markdown 语法受到一些既有 text-to-HTML 格式的影响，包括Setext、atx、Textile、reStructuredText、Grutatext 和 EtText，而最大灵感来源其实是纯文本电子邮件的格式。
总之， Markdown 的语法全由一些符号所组成，这些符号经过精挑细选，其作用一目了然。比如：在文字两旁加上星号，看起来就像*强调*。Markdown 的列表看起来，嗯，就是列表。Markdown 的区块引用看起来就真的像是引用一段文字，就像你曾在电子邮件中见过的那样。
Markdown 语法的目标是：成为一种适用于网络的书写语言。
Markdown 不是想要取代 HTML，甚至也没有要和它相近，它的语法种类很少，只对应 HTML 标记的一小部分。Markdown 的构想不是要使得 HTML 文档更容易书写。在我看来， HTML 已经很容易写了。Markdown 的理念是，能让文档更容易读、写和随意改。HTML 是一种发布的格式，Markdown 是一种书写的格式。就这样，Markdown 的格式语法只涵盖纯文本可以涵盖的范围。
不在 Markdown 涵盖范围之内的标签，都可以直接在文档里面用 HTML 撰写。不需要额外标注这是 HTML 或是 Markdown；只要直接加标签就可以了。
要制约的只有一些 HTML 区块元素――比如 <div>、<table>、<pre>、<p> 等标签，必须在前后加上空行与其它内容区隔开，还要求它们的开始标签与结尾标签不能用制表符或空格来缩进。Markdown 的生成器有足够智能，不会在 HTML 区块标签外加上不必要的 <p> 标签。
例子如下，在 Markdown 文件里加上一段 HTML 表格：
这是一个普通段落。
<table>
<tr>
<td>Foo</td>
</tr>
</table>
这是另一个普通段落。
请注意，在 HTML 区块标签间的 Markdown 格式语法将不会被处理。比如，你在 HTML 区块内使用 Markdown 样式的*强调*会没有效果。
HTML 的区段（行内）标签如 <span>、<cite>、<del> 可以在 Markdown 的段落、列表或是标题里随意使用。依照个人习惯，甚至可以不用 Markdown 格式，而直接采用 HTML 标签来格式化。举例说明：如果比较喜欢 HTML 的 <a> 或 <img> 标签，可以直接使用这些标签，而不用 Markdown 提供的链接或是图像标签语法。
和处在 HTML 区块标签间不同，Markdown 语法在 HTML 区段标签间是有效的。
在 HTML 文件中，有两个字符需要特殊处理： < 和 & 。 < 符号用于起始标签，& 符号则用于标记 HTML 实体，如果你只是想要显示这些字符的原型，你必须要使用实体的形式，像是 < 和 &。
& 字符尤其让网络文档编写者受折磨，如果你要打「AT&T」 ，你必须要写成「AT&T」。而网址中的 & 字符也要转换。比如你要链接到：
http://images.google.com/images?num=30&q=larry+bird
你必须要把网址转换写为：
http://images.google.com/images?num=30&q=larry+bird
才能放到链接标签的 href 属性里。不用说也知道这很容易忽略，这也可能是 HTML 标准检验所检查到的错误中，数量最多的。
Markdown 让你可以自然地书写字符，需要转换的由它来处理好了。如果你使用的 & 字符是 HTML 字符实体的一部分，它会保留原状，否则它会被转换成 &。
所以你如果要在文档中插入一个版权符号 ©，你可以这样写：
©
Markdown 会保留它不动。而若你写：
AT&T
Markdown 就会将它转为：
AT&T
类似的状况也会发生在 < 符号上，因为 Markdown 允许 兼容 HTML ，如果你是把 < 符号作为 HTML 标签的定界符使用，那 Markdown 也不会对它做任何转换，但是如果你写：
4 < 5
Markdown 将会把它转换为：
4 < 5
不过需要注意的是，code 范围内，不论是行内还是区块， < 和 & 两个符号都一定会被转换成 HTML 实体，这项特性让你可以很容易地用 Markdown 写 HTML code （和 HTML 相对而言， HTML 语法中，你要把所有的 < 和 & 都转换为 HTML 实体，才能在 HTML 文件里面写出 HTML code。）
一个 Markdown 段落是由一个或多个连续的文本行组成，它的前后要有一个以上的空行（空行的定义是显示上看起来像是空的，便会被视为空行。比方说，若某一行只包含空格和制表符，则该行也会被视为空行）。普通段落不该用空格或制表符来缩进。
「由一个或多个连续的文本行组成」这句话其实暗示了 Markdown 允许段落内的强迫换行（插入换行符），这个特性和其他大部分的 text-to-HTML 格式不一样（包括 Movable Type 的「Convert Line Breaks」选项），其它的格式会把每个换行符都转成 <br /> 标签。
如果你确实想要依赖 Markdown 来插入 <br /> 标签的话，在插入处先按入两个以上的空格然后回车。
的确，需要多费点事（多加空格）来产生 <br /> ，但是简单地「每个换行都转换为 <br />」的方法在 Markdown 中并不适合， Markdown 中 email 式的 区块引用 和多段落的 列表 在使用换行来排版的时候，不但更好用，还更方便阅读。
Markdown 支持两种标题的语法，类 Setext 和类 atx 形式。
类 Setext 形式是用底线的形式，利用 = （最高阶标题）和 - （第二阶标题），例如：
This is an H1
=============
This is an H2
-------------
任何数量的 = 和 - 都可以有效果。
类 Atx 形式则是在行首插入 1 到 6 个 # ，对应到标题 1 到 6 阶，例如：
# 这是 H1
## 这是 H2
###### 这是 H6
你可以选择性地「闭合」类 atx 样式的标题，这纯粹只是美观用的，若是觉得这样看起来比较舒适，你就可以在行尾加上 #，而行尾的# 数量也不用和开头一样（行首的井字符数量决定标题的阶数）：
# 这是 H1 #
## 这是 H2 ##
### 这是 H3 ######
Markdown 标记区块引用是使用类似 email 中用 > 的引用方式。如果你还熟悉在 email 信件中的引言部分，你就知道怎么在 Markdown 文件中建立一个区块引用，那会看起来像是你自己先断好行，然后在每行的最前面加上 > ：
> This is a blockquote with two paragraphs. Lorem ipsum dolor sit amet,
> consectetuer adipiscing elit. Aliquam hendrerit mi posuere lectus.
> Vestibulum enim wisi, viverra nec, fringilla in, laoreet vitae, risus.
>
> Donec sit amet nisl. Aliquam semper ipsum sit amet velit. Suspendisse
> id sem consectetuer libero luctus adipiscing.
Markdown 也允许你偷懒只在整个段落的第一行最前面加上 > ：
> This is a blockquote with two paragraphs. Lorem ipsum dolor sit amet,
consectetuer adipiscing elit. Aliquam hendrerit mi posuere lectus.
Vestibulum enim wisi, viverra nec, fringilla in, laoreet vitae, risus.
> Donec sit amet nisl. Aliquam semper ipsum sit amet velit. Suspendisse
id sem consectetuer libero luctus adipiscing.
区块引用可以嵌套（例如：引用内的引用），只要根据层次加上不同数量的 > ：
> This is the first level of quoting.
>
> > This is nested blockquote.
>
> Back to the first level.
引用的区块内也可以使用其他的 Markdown 语法，包括标题、列表、代码区块等：
> ## 这是一个标题。
>
> 1. 这是第一行列表项。
> 2. 这是第二行列表项。
>
> 给出一些例子代码：
>
> return shell_exec("echo $input | $markdown_script");
任何像样的文本编辑器都能轻松地建立 email 型的引用。例如在 BBEdit 中，你可以选取文字后然后从选单中选择增加引用阶层。
Markdown 支持有序列表和无序列表。
无序列表使用星号、加号或是减号作为列表标记：
* Red
* Green
* Blue
等同于：
+ Red
+ Green
+ Blue
也等同于：
- Red
- Green
- Blue
有序列表则使用数字接着一个英文句点：
1. Bird
2. McHale
3. Parish
很重要的一点是，你在列表标记上使用的数字并不会影响输出的 HTML 结果，上面的列表所产生的 HTML 标记为：
<ol>
<li>Bird</li>
<li>McHale</li>
<li>Parish</li>
</ol>
如果你的列表标记写成：
1. Bird
1. McHale
1. Parish
或甚至是：
3. Bird
1. McHale
8. Parish
你都会得到完全相同的 HTML 输出。重点在于，你可以让 Markdown 文件的列表数字和输出的结果相同，或是你懒一点，你可以完全不用在意数字的正确性。
如果你使用懒惰的写法，建议第一个项目最好还是从 1. 开始，因为 Markdown 未来可能会支持有序列表的 start 属性。
列表项目标记通常是放在最左边，但是其实也可以缩进，最多 3 个空格，项目标记后面则一定要接着至少一个空格或制表符。
要让列表看起来更漂亮，你可以把内容用固定的缩进整理好：
* Lorem ipsum dolor sit amet, consectetuer adipiscing elit.
Aliquam hendrerit mi posuere lectus. Vestibulum enim wisi,
viverra nec, fringilla in, laoreet vitae, risus.
* Donec sit amet nisl. Aliquam semper ipsum sit amet velit.
Suspendisse id sem consectetuer libero luctus adipiscing.
但是如果你懒，那也行：
* Lorem ipsum dolor sit amet, consectetuer adipiscing elit.
Aliquam hendrerit mi posuere lectus. Vestibulum enim wisi,
viverra nec, fringilla in, laoreet vitae, risus.
* Donec sit amet nisl. Aliquam semper ipsum sit amet velit.
Suspendisse id sem consectetuer libero luctus adipiscing.
如果列表项目间用空行分开，在输出 HTML 时 Markdown 就会将项目内容用 <p> 标签包起来，举例来说：
* Bird
* Magic
会被转换为：
<ul>
<li>Bird</li>
<li>Magic</li>
</ul>
但是这个：
* Bird
* Magic
会被转换为：
<ul>
<li><p>Bird</p></li>
<li><p>Magic</p></li>
</ul>
列表项目可以包含多个段落，每个项目下的段落都必须缩进 4 个空格或是 1 个制表符：
1. This is a list item with two paragraphs. Lorem ipsum dolor
sit amet, consectetuer adipiscing elit. Aliquam hendrerit
mi posuere lectus.
Vestibulum enim wisi, viverra nec, fringilla in, laoreet
vitae, risus. Donec sit amet nisl. Aliquam semper ipsum
sit amet velit.
2. Suspendisse id sem consectetuer libero luctus adipiscing.
如果你每行都有缩进，看起来会看好很多，当然，再次地，如果你很懒惰，Markdown 也允许：
* This is a list item with two paragraphs.
This is the second paragraph in the list item. You're
only required to indent the first line. Lorem ipsum dolor
sit amet, consectetuer adipiscing elit.
* Another item in the same list.
如果要在列表项目内放进引用，那 > 就需要缩进：
* A list item with a blockquote:
> This is a blockquote
> inside a list item.
如果要放代码区块的话，该区块就需要缩进两次，也就是 8 个空格或是 2 个制表符：
* 一列表项包含一个列表区块：
<代码写在这>
当然，项目列表很可能会不小心产生，像是下面这样的写法：
1986. What a great season.
换句话说，也就是在行首出现数字-句点-空白，要避免这样的状况，你可以在句点前面加上反斜杠。
1986\. What a great season.
和程序相关的写作或是标签语言原始码通常会有已经排版好的代码区块，通常这些区块我们并不希望它以一般段落文件的方式去排版，而是照原来的样子显示，Markdown 会用 <pre> 和 <code> 标签来把代码区块包起来。
要在 Markdown 中建立代码区块很简单，只要简单地缩进 4 个空格或是 1 个制表符就可以，例如，下面的输入：
这是一个普通段落：
这是一个代码区块。
Markdown 会转换成：
<p>这是一个普通段落：</p>
<pre><code>这是一个代码区块。
</code></pre>
这个每行一阶的缩进（4 个空格或是 1 个制表符），都会被移除，例如：
Here is an example of AppleScript:
tell application "Foo"
beep
end tell
会被转换为：
<p>Here is an example of AppleScript:</p>
<pre><code>tell application "Foo"
beep
end tell
</code></pre>
一个代码区块会一直持续到没有缩进的那一行（或是文件结尾）。
在代码区块里面， & 、 < 和 > 会自动转成 HTML 实体，这样的方式让你非常容易使用 Markdown 插入范例用的 HTML 原始码，只需要复制贴上，再加上缩进就可以了，剩下的 Markdown 都会帮你处理，例如：
<div class="footer">
© 2004 Foo Corporation
</div>
会被转换为：
<pre><code><div class="footer">
&copy; 2004 Foo Corporation
</div>
</code></pre>
代码区块中，一般的 Markdown 语法不会被转换，像是星号便只是星号，这表示你可以很容易地以 Markdown 语法撰写 Markdown 语法相关的文件。
你可以在一行中用三个以上的星号、减号、底线来建立一个分隔线，行内不能有其他东西。你也可以在星号或是减号中间插入空格。下面每种写法都可以建立分隔线：
* * *
***
*****
- - -
---------------------------------------
Markdown 支持两种形式的链接语法： 行内式和参考式两种形式。
不管是哪一种，链接文字都是用 [方括号] 来标记。
要建立一个行内式的链接，只要在方块括号后面紧接着圆括号并插入网址链接即可，如果你还想要加上链接的 title 文字，只要在网址后面，用双引号把 title 文字包起来即可，例如：
This is [an example](http://example.com/ "Title") inline link.
[This link](http://example.net/) has no title attribute.
会产生：
<p>This is <a href="http://example.com/" title="Title">
an example</a> inline link.</p>
<p><a href="http://example.net/">This link</a> has no
title attribute.</p>
如果你是要链接到同样主机的资源，你可以使用相对路径：
See my [About](/about/) page for details.
参考式的链接是在链接文字的括号后面再接上另一个方括号，而在第二个方括号里面要填入用以辨识链接的标记：
This is [an example][id] reference-style link.
你也可以选择性地在两个方括号中间加上一个空格：
This is [an example] [id] reference-style link.
接着，在文件的任意处，你可以把这个标记的链接内容定义出来：
[id]: http://example.com/ "Optional Title Here"
链接内容定义的形式为：
下面这三种链接的定义都是相同：
[foo]: http://example.com/ "Optional Title Here"
[foo]: http://example.com/ 'Optional Title Here'
[foo]: http://example.com/ (Optional Title Here)
请注意：有一个已知的问题是 Markdown.pl 1.0.1 会忽略单引号包起来的链接 title。
链接网址也可以用方括号包起来：
[id]: <http://example.com/> "Optional Title Here"
你也可以把 title 属性放到下一行，也可以加一些缩进，若网址太长的话，这样会比较好看：
[id]: http://example.com/longish/path/to/resource/here
"Optional Title Here"
网址定义只有在产生链接的时候用到，并不会直接出现在文件之中。
链接辨别标签可以有字母、数字、空白和标点符号，但是并不区分大小写，因此下面两个链接是一样的：
[link text][a]
[link text][A]
隐式链接标记功能让你可以省略指定链接标记，这种情形下，链接标记会视为等同于链接文字，要用隐式链接标记只要在链接文字后面加上一个空的方括号，如果你要让 "Google" 链接到 google.com，你可以简化成：
[Google][]
然后定义链接内容：
[Google]: http://google.com/
由于链接文字可能包含空白，所以这种简化型的标记内也许包含多个单词：
Visit [Daring Fireball][] for more information.
然后接着定义链接：
[Daring Fireball]: http://daringfireball.net/
链接的定义可以放在文件中的任何一个地方，我比较偏好直接放在链接出现段落的后面，你也可以把它放在文件最后面，就像是注解一样。
下面是一个参考式链接的范例：
I get 10 times more traffic from [Google] [1] than from
[Yahoo] [2] or [MSN] [3].
[1]: http://google.com/ "Google"
[2]: http://search.yahoo.com/ "Yahoo Search"
[3]: http://search.msn.com/ "MSN Search"
如果改成用链接名称的方式写：
I get 10 times more traffic from [Google][] than from
[Yahoo][] or [MSN][].
[google]: http://google.com/ "Google"
[yahoo]: http://search.yahoo.com/ "Yahoo Search"
[msn]: http://search.msn.com/ "MSN Search"
上面两种写法都会产生下面的 HTML。
<p>I get 10 times more traffic from <a href="http://google.com/"
title="Google">Google</a> than from
<a href="http://search.yahoo.com/" title="Yahoo Search">Yahoo</a>
or <a href="http://search.msn.com/" title="MSN Search">MSN</a>.</p>
下面是用行内式写的同样一段内容的 Markdown 文件，提供作为比较之用：
I get 10 times more traffic from [Google](http://google.com/ "Google")
than from [Yahoo](http://search.yahoo.com/ "Yahoo Search") or
[MSN](http://search.msn.com/ "MSN Search").
参考式的链接其实重点不在于它比较好写，而是它比较好读，比较一下上面的范例，使用参考式的文章本身只有 81 个字符，但是用行内形式的却会增加到 176 个字元，如果是用纯 HTML 格式来写，会有 234 个字元，在 HTML 格式中，标签比文本还要多。
使用 Markdown 的参考式链接，可以让文件更像是浏览器最后产生的结果，让你可以把一些标记相关的元数据移到段落文字之外，你就可以增加链接而不让文章的阅读感觉被打断。
Markdown 使用星号（*）和底线（_）作为标记强调字词的符号，被 * 或 _ 包围的字词会被转成用 <em> 标签包围，用两个 * 或_ 包起来的话，则会被转成 <strong>，例如：
*single asterisks*
_single underscores_
**double asterisks**
__double underscores__
会转成：
<em>single asterisks</em>
<em>single underscores</em>
<strong>double asterisks</strong>
<strong>double underscores</strong>
你可以随便用你喜欢的样式，唯一的限制是，你用什么符号开启标签，就要用什么符号结束。
强调也可以直接插在文字中间：
un*frigging*believable
但是如果你的 * 和 _ 两边都有空白的话，它们就只会被当成普通的符号。
如果要在文字前后直接插入普通的星号或底线，你可以用反斜线：
\*this text is surrounded by literal asterisks\*
如果要标记一小段行内代码，你可以用反引号把它包起来（`），例如：
Use the `printf()` function.
会产生：
<p>Use the <code>printf()</code> function.</p>
如果要在代码区段内插入反引号，你可以用多个反引号来开启和结束代码区段：
``There is a literal backtick (`) here.``
这段语法会产生：
<p><code>There is a literal backtick (`) here.</code></p>
代码区段的起始和结束端都可以放入一个空白，起始端后面一个，结束端前面一个，这样你就可以在区段的一开始就插入反引号：
A single backtick in a code span: `` ` ``
A backtick-delimited string in a code span: `` `foo` ``
会产生：
<p>A single backtick in a code span: <code>`</code></p>
<p>A backtick-delimited string in a code span: <code>`foo`</code></p>
在代码区段内，& 和方括号都会被自动地转成 HTML 实体，这使得插入 HTML 原始码变得很容易，Markdown 会把下面这段：
Please don't use any `<blink>` tags.
转为：
<p>Please don't use any <code><blink></code> tags.</p>
你也可以这样写：
`—` is the decimal-encoded equivalent of `—`.
以产生：
<p><code>&#8212;</code> is the decimal-encoded
equivalent of <code>&mdash;</code>.</p>
很明显地，要在纯文字应用中设计一个「自然」的语法来插入图片是有一定难度的。
Markdown 使用一种和链接很相似的语法来标记图片，同样也允许两种样式： 行内式和参考式。
行内式的图片语法看起来像是：
详细叙述如下：
!参考式的图片语法则长得像这样：
![Alt text][id]
「id」是图片参考的名称，图片参考的定义方式则和连结参考一样：
[id]: url/to/image "Optional title attribute"
到目前为止， Markdown 还没有办法指定图片的宽高，如果你需要的话，你可以使用普通的 <img> 标签。
Markdown 支持以比较简短的自动链接形式来处理网址和电子邮件信箱，只要是用方括号包起来， Markdown 就会自动把它转成链接。一般网址的链接文字就和链接地址一样，例如：
<http://example.com/>
Markdown 会转为：
<a href="http://example.com/">http://example.com/</a>
邮址的自动链接也很类似，只是 Markdown 会先做一个编码转换的过程，把文字字符转成 16 进位码的 HTML 实体，这样的格式可以糊弄一些不好的邮址收集机器人，例如：
<address@example.com>
Markdown 会转成：
<a href="mailto:addre
ss@example.co
m">address@exa
mple.com</a>
在浏览器里面，这段字串（其实是 <a href="mailto:address@example.com">address@example.com</a>）会变成一个可以点击的「address@example.com」链接。
（这种作法虽然可以糊弄不少的机器人，但并不能全部挡下来，不过总比什么都不做好些。不管怎样，公开你的信箱终究会引来广告信件的。）
Markdown 可以利用反斜杠来插入一些在语法中有其它意义的符号，例如：如果你想要用星号加在文字旁边的方式来做出强调效果（但不用 <em> 标签），你可以在星号的前面加上反斜杠：
\*literal asterisks\*
Markdown 支持以下这些符号前面加上反斜杠来帮助插入普通的符号：
\ 反斜线
` 反引号
* 星号
_ 底线
{} 花括号
[] 方括号
() 括弧
# 井字号
+ 加号
- 减号
. 英文句点
! 惊叹号
感谢 leafy7382 协助翻译，hlb、Randylien 帮忙润稿，ethantw 的汉字标准格式・CSS Reset， WM 回报文字错误。
当你为如何获取国外优秀文章的时候，是否会很烦恼呢？别急，这里有一种快速获取国外文章的好方法。步骤很简单：
1 登录 过期域名网站 http://www.expireddomains.net 这里长期有大量过期域名。
2 查询你想要的关键字，比如说，搜索cars，得到了5000多个结果。
3 点PR排序，让PR从高到低排序，精细挑选高PR又和你网站主题较为相关的过期域名。
4 把挑选好的域名到搜索引擎中site:www.sbc.com，挑选出没有收录的域名。
5 进入快照网站 http://archive.org/web/web.php 网站历史博物馆, 搜索你的域名，点take me back，查看历史快照。
6 查看过期域名网站的早期快照，不仅可以看到首页，还能看到很多内容页的快照。
7 尽情复制快照中的文章吧。
In November 2016, Google launched their mobile-first index experiment and hoped to do enough testing to launch it sometime in the near future. Well, it seems this mobile-first index has proven to be a challenge for Google, and they may not even launch it this year.
At the Next10x Conference in Boston yesterday, Gary Illyes from Google said that while the team is hopeful that they will launch the mobile-first index by the end of the year, he feels that it is unlikely.
We asked Gary to confirm, and he told us that he did indeed say that at the event. He said the team working on the mobile-first index at Google “would like to launch by end of the year,” but Gary added he thinks “that’s unlikely to happen, at least fully.”
So if you are anxious about the mobile-first index going live with Google, there’s no need to panic right now — you have some time to get ready.
Facebook今天宣布为媒体人提供全新的认证计划，从而能够帮助他们任何更好的使用Facebook来强化工作。Facebook联合Poynter推出了三节每节15分钟的课程，皆在于向记者传授技巧--如何在撰写报道或者文章的时候引入Facebook提供的各项工具，包括Instagram，Facebook Live，360度照片和视频。
访问:媒体人利用 Facebook 和 Instagram 挖掘有新闻价值的内容、创作故事和吸引受众
需要明确的是：这些课程并不是传授如何成为一名合格的记者；而是引导记者如何更好的使用Facebook。这其中包括如何验证文章的来源，如何确认事实，以及如何开拓你的采访技能等等。而最终的考试主要基于技术和一些琐事来考察你是否真的能熟练的使用这些互联网资源。
今天，Google增加了一种快速提交url索引的方法。 在google搜索框中输入 “submit url to google“ ， 并点击搜索，在0号位置，会有一个快速提交给google的表单，当然，提交的url还是会接受google正常流程的审查。
如果你不会seo，也不想花推广费在付费网络上推广自己的offer，引流平台绝对是你的不二选择。
今天就跟大家谈谈4大主流自媒体的玩法。
①新浪博客16级博客发8篇相关的文章，昵称、描述、头像都与所注册自媒体号对应，别问我16级博客怎么来，某宝很多很便宜;
②微信公众号辅助，比如企鹅号就需要此类辅助，一个身份证能注册5个公众号，发8篇相关文章，辅助通过率也是很高;
③F12(又名审核元素)，很多平台要截图后台，假如要用头条号作为辅助，你只需要有一个已经注册的tou条号(或者找朋友借)，登陆后台，然后随便从头条找个不错的号，F12后台各种改，伪装成此号后台，你懂得，熟练的话30秒搞定。此方法也是万能辅助方法，可以批量注册。
一、一点资讯自媒体
1、注册方法：无论个人还是企业，通过率都不过半，无需邀请码，最多的问题就是定位与主题不符，就需要辅助材料尽可能的贴近，领域尽可能清晰。
2、主要用途：吸粉，一点资讯的流量个人觉得可以排前三，发软文通过率是50%，不过已经够了，不过一次处罚后，第二次就直接封号了。至于收益，貌似没几个人能开通收益。
二、UC自媒体
1、注册方法：无需邀请码，无需辅助材料，申请基本当天就通过。
2、主要用途：收益以及吸粉，个人觉得uc的收益和吸粉都不强，很多人都是0推荐0阅读，我的几个大号过了500万阅读后就再无推荐了，留广告方法有两种，一种是自带的支持留公众号，还有文章中也可添加，基本都会通过，uc的原创检测机制也不强，不多言。
三、凤凰自媒体
1、注册方法：辅助材料ok就行，不用邀请码也能过，但是审核时间超长，半个月到一个月之久。
2、主要用途：收益，个人觉得凤凰号的阅读偏低，至于凤凰号如何做高收益，欢迎给我留言;凤凰号广告检测机制很强，软文通过率只有20%。
四、今天头条自媒体
1、注册方法：今日头条注册通过率70%，可以不用邀请码，辅助材料用方法①②③皆可，不过市面上手持基本被用完了。
2、主要用途：收益和吸粉，今日头条流量巨大毋庸置疑，不过头条的检测原创机制很强，要原创或者彻底洗文才行，如果是做收益，要坚持原创或者彻底洗文一个月左右，基本能开通;如果是吸粉，新手号直接发软文那就行，流量一样可观，不过软文要软，广告最好留在图片内，不然很容易检测出来，并且封号。
写在结尾：后续还会分享吸粉与收益方法，大神见了勿喷，愿意同广大互联网朋友交流一起交流技术!
亚马逊上最近畅销的书，书名为《投票给民主党的理由：综合指南》价值6.23美元，作者Michael J. Knowles，据说是政界的一位神人，对政党和局势有着惊人的见解。虽然不认识此人是谁（没文化真可怕），但一出书就让美国人沦陷，全五分好评啊全五分好评，他一定是美国的“诸葛亮”。
No.9还是一本书
《小屋》作者William P. Young，这本书同样成为纽约时代周刊 bestseller，2千万的印刷量。原价15美元，现价平装本是7.05美元，Kindle版价格是3.45美元，亚马逊评论超过12000条。
光这么多评论也让人心动啊
No.8乐高复活节小鸡
乐高的玩具娱乐了几代人，连川普美丽的大女儿为父亲拉选票时都有提到它。这款乐高复活节小鸡包含了110个可以移动的零件，身体头部都可以动，翅膀和脚趾也可以。
你一定想象不到，亚马逊上best selling products上榜的居然有ps的礼品卡。不错，这张卡片在PlayStation商店使用，PlayStation商店有150美金使用限制的钱包。这个卡片只能针对美国当地人使用，并且不可退回。
No.6富士拍立得白边相纸40张套装
盒子里有包含20张白色槊料片，该产品在亚马逊收到了3300个评论，4.5星评级。价格12.49美元，当月购买量超过5个还有5%的折扣。
No.5 旅行收纳包套装
亚马逊自营，收纳套装内含4个，两大两小，6色可选，可以使旅行收纳整洁有序。原价22.99美元现在打4.3折，折后价仅13.11美元。
No.4 Fidget Cube魔方
这个玩具大人小孩都适用，它是由高质量的塑料制成。用于专注注意力的联系、价格2.97美元
No.3反人类卡牌游戏
这种游戏卡片在亚马逊上卖25美元，每一套都共有550张卡片，可供6方参与。该游戏卡片共有35000个评论，超过90%都是五星好评。
No.2鞋服首饰类-嘉宝婴儿连体衣（5件装）
这套Gerber婴儿连体衣套装不分性别，内有五件，有不同颜色和款式可选。100%纯棉，可机洗，方便妈咪们换尿布，适于新生儿到9个月大的宝宝，亚马逊售价31.17美元。
平时用python写函数时，难免遇到要返回多个值的情景，这里总结了几个常用的方法，仅供参考：
1、使用tuple
def f(x):
y1 = x + 1
y2 = x + 2
y3 = x + 3
return (y1, y2, y3)
2、使用dict
def g(x):
y0 = x + 1
y1 = x + 2
y2 = x + 3
return {'y0':y0, 'y1':y1 ,'y2':y2 }
3、使用 class
class ReturnValue(object):
def __init__(self, y0, y1, y2):
self.y0 = y0
self.y1 = y1
self.y2 = y2
def g(x):
y0 = x + 1
y1 = x + 2
y2 = x + 3
return ReturnValue(y0, y1, y2)
4、使用list
def h(x):
result = [x + 1]
result.append(x + 2)
result.append(x + 3)
return result
5、直接返回list
def j(x): return x+1,x+2,x+3 y1, y2, y3 = j(1)
6、使用global关键词
def k(x):
global y1
global y2
global y3
y1 = x + 1
y2 = x + 2
y3 = x + 3
工欲善其事必先利其器，以下收集了一些amazon的营销工具利器。
http://www.camelcamelcamel.com/ (best seller rank 历史数据分析)
http://www.amzhelper.com/ (管理Top reviewer,Reviewer,提高营销效率的平台。)
http://www.fanzle.com/amazon-keyword-rich-url-generator (amazon关键词联想分析工具)
http://www.asinspector.com/ (分析销量的工具)
http://www.amztracker.com/ (分析关键词排名，获取reviewer)
http://www.merchantwords.com (amazon关键词搜索量分析工具)
http://www.merchantwords.com (amazon关键词分析流量工具)
https://adwords.google.cn/KeywordPlanner （google 关键词分析工具）
http://www.1688.com/ 找产品资源的平台
http://www.camelcamelcamel.com/ 分析对手历史时期的价格变化。
http://barcodestalk.com/ 购买正规UPC码的网站
http://tmsearch.uspto.gov/ 查询品牌是否被注册（美国）
http://tess.indoors.cc/ 批量查询品牌是否被注册（美国）
https://amzshark.com/ 查amazon某个产品的排名
http://teas.uspto.gov/forms/teasplus 注册美国商标专利（国内要几千几千的，其实真心不要那么多钱。）
https://sellercentral.amazon.com/hz/fba/profitabilitycalculator/index?lang=en_US ( FBA 费用计算器 )
以下是获取评论平台： （没有一一审查，来源网址：http://vonbeau.com/offer/get-free-and-discounted-products-to-review-on-amazon.htm ）
http://www.yourpremierdeals.com/
https://www.amzreviewtrader.com/
http://www.dollardealreviews.com
https://www.giveawayservice.com/
http://homeproducttesting.org/
https://www.ilovetoreview.com/
http://productelf.com/daily-deals/
http://www.reviewsforfree.com/
http://www.secretdealsclub.com/
http://platinum.skivatech.com/
http://www.trustreviewnetwork.com/
其它工具持续收集中
某客户：“我们收集和整合了很多客户数据，包括历史采购，社交媒体，营销反馈…我们为了处理和运营这些数据投入的资源越来越多，到底收集和运营数据的边界在哪里？”
笔者：“直到这些数据建立的客户画像能支撑您的业务应用场景为止”
什么是客户画像？
客户画像在B2C被称为“Persona”，B2B被称为“Customer Profiling”，以前也被称为“360度客户视图”。
作为广告主有很多渠道收集到各种客户数据，大致包括：
在收集了大量数据后，再通过客户识别（同人技术）打通数据源，以客户为中心建立各种标签体系，帮助广告主能更深度的了解客户。
客户画像有什么用？
根据以上的定义，似乎客户画像和普通数据的差别只是不同数据源的打通，在实际应用的时候，手上只有历史采购数据同样可以做客户细分，只收集到客户电子邮件地址一个字段同样可以eDM营销，那为什么要花精力去建客户画像呢？
这是客户画像存在的最大意义，如同本文标题所列，为了让业务侧（决策层，营销人员，销售人员，产品经理等）读懂和会使用客户数据，将对数据的应用上升到“洞察”的层面。
如图所示，技术和业务侧人员对于数据的理解往往南辕北辙，之间的沟通也大多是鸡同鸭讲。技术侧人员往往会热衷于
而对于业务侧的人员来说，天生没有数据解读能力，需要把复杂的技术侧数据语言对于客户的描述，通过数据挖掘等手段简化成业务侧能理解的客户标签（洞察）。
比如，如表所列的两条客户数据，业务侧人员需要判断哪个客户更有价值，如果只从前面几个字段，业务侧人员是很难做出判断，但是如果通过数据挖掘，最后数据分析人员给出单一的指标“客户价值”，在实际使用的时候，业务侧人员可以简单的要求“这次营销只针对A和B级别客户”，而不用去搞懂背后的复杂逻辑。
对于B2B客户的描述往往会由于口径的不同而造成误解，比如行业的划分，就有GB（中国国标代码），SIC（美国政府标准），IDC（某IT咨询公司自编码）等。
例如“中国银行“毫无疑问是“金融业”的客户，但是互联网金融的客户呢？现在没有一套标准会对这一新出现的事物进行编码，有的广告主把互联网金融客户归类到“金融业”，有的划分到“互联网行业”甚至“服务业”。当广告主的决策层决定营销重点是“金融业”的时候，其实存在着是否包含互联网金融这一细分领域的重大歧义
在客户画像的建立过程中，有一个核心步骤是制定各种标准，保证在广告主内部各部门对于同一客户描述有着同样的理解。
对比B2C的客户采购决策链，B2B更加复杂而且个性化，没有一个专家敢说自己了解每个细分行业的所有客户特征。客户画像的建立是一个长期的积累过程，在业务侧不断发生人员变动的时候，每一代人员对于行业的理解都会在客户画像中体现。
例如医疗行业的“X康公司”，直接隶属于某省国资委，负责该省除了三甲医院以外的所有医疗系统的设备采购。这种非常个性化的行业理解，很难直接从数据层面得到，需要业务侧的专家输入后在客户画像中体现。
B2B客户画像的三个组成部分
这是大部分B2B广告主谈及客户画像所指的部分，并且有最多的数据收集源。技术侧的原始数据包括：
收集完以上信息后进行简化，最终业务侧需要的标签包括
这是B2B客户画像中最重要的部分，也是最难建立的。通常大型企业以及政教医疗客户的采购决策链收到大量自身不可控的因素影响，包括：
从数据角度能收集到描绘采购决策链影响因素的数据包括
在获取以上数据后，对于业务侧的人来说，最终产出的客户标签只有两个：
虽然B2B的营销主体是客户（Account），但是在营销落地的时候仍然需要面对具体的负责人（Contact），常规用于营销的数据包括：
最终产生的业务侧标签包括
建立B2B客户画像的步骤
7. 应用及调试：客户画像要做到精准不是一日之功，需要长期经历业务侧人员的反馈，寻找新的应用场景，寻找新的数据源，新的模型这个闭环。
