每个地区都有自己的本地时间，在网上以及无线电通信中时间转换的问题就显得格外突出。我自己就经常混淆于此，特地研究了一下，记录在此以备忘。
整个地球分为二十四时区，每个时区都有自己的本地时间。在国际无线电通信场合，为了统一起见，使用一个统一的时间，称为通用协调时(UTC, Universal Time Coordinated)。UTC与格林尼治平均时(GMT, Greenwich Mean Time)一样，都与英国伦敦的本地时相同。在本文中，UTC与GMT含义完全相同。
北京时区是东八区，领先UTC八个小时，在电子邮件信头的Date域记为+0800。如果在电子邮件的信头中有这么一行：
说明信件的发送地的地方时间是二○○二年十一月八号，星期五，早上九点四十二分（二十二秒），这个地方的本地时领先UTC八个小时(+0800， 就是东八区时间)。电子邮件信头的Date域使用二十四小时的时钟，而不使用AM和PM来标记上下午。
即UTC是当天凌晨一点四十二分二十二秒。如果结果是负数就意味着是UTC前一天，把这个负数加上2400就是UTC在前一天的时间。例如，本地（北京）时间是 0432 （凌晨四点三十二分），那么，UTC就是 0432 - 0800 = -0368，负号意味着是前一天， -0368 + 2400 = 2032，既前一天的晚上八点三十二分。
在四月下旬，纽约又换用夏令时，又称为日光节约时，比标准纽约时间提前一个小时，实际成为西四区的标准时间，成为 -0400。
时区差东为正，西为负。例如，东八区（北京）是 +0800，西五区（纽约）是-0500，加州是西八区，是-0800，美国中部时区是西六区，-0600，美国山地时区是西七区，-0700，太平洋时区是西八区，-0800，在夏天使用夏时制，成为-0700。德国时区是东一区，+0100，夏天变为+0200。
多数电子邮件程序，例如Outlook Express，在显示时间时，计算机程序把时间先转换成为本地时间再显示，例如，邮件的Date域为：
Date: Thur, 07 Nov 2002 08:42:22 pm，把北京时间转换成为了纽约时间，而且把二十四小时格式的时间转换成为了十二小时的格式。当然，为了时间转换正确，发送方和接受方的计算机的时区都要设置正确，在这里，发送方的时区要正确地设为北京时区东八区，而我的时区要设为西五区。
这几年越来越多的开发团队使用了Git，掌握Git的使用已经越来越重要，已经是一个开发者必备的一项技能；但很多人在刚开始学习Git的时候会遇到很多疑问，比如之前使用过SVN的开发者想不通Git提交代码为什么需要先commit然后再去push，而不是一条命令一次性搞定； 更多的开发者对Git已经入门，不过在遇到一些代码冲突、需要恢复Git代码时候就不知所措，这个时候哪些对 Git掌握得比较好的少数人，就像团队中的神一样，在队友遇到 Git 相关的问题的时候用各种流利的操作来帮助队友于水火。 我去年刚加入新团队，发现一些同事对Git的常规操作没太大问题，但对Git的理解还是比较生疏，比如说分支和分支之间的关联关系、合并代码时候的冲突解决、提交代码前未拉取新代码导致冲突问题的处理等，我在协助处理这些问题的时候也记录各种问题的解决办法，希望整理后通过教程帮助到更多对Git操作进阶的开发者。 本期教程学习方法分为“掌握基础——稳步进阶——熟悉协作”三个层次。从掌握基础的 Git的推送和拉取开始，以案例进行演示，分析每一个步骤的操作方式和原理，从理解Git 工具的操作到学会代码存储结构、演示不同场景下Git遇到问题的不同处理方案。循序渐进让同学们掌握Git工具在团队协作中的整体协作流程。 在教程中会通过大量案例进行分析，案例会模拟在工作中遇到的问题，从最基础的代码提交和拉取、代码冲突解决、代码仓库的数据维护、Git服务端搭建等。为了让同学们容易理解，对Git简单易懂，文章中详细记录了详细的操作步骤，提供大量演示截图和解析。在教程的最后部分，会从提升团队整体效率的角度对Git工具进行讲解，包括规范操作、Gitlab的搭建、钩子事件的应用等。 为了让同学们可以利用碎片化
来灵活学习，在教程文章中大程度降低了上下文的依赖，让大家可以在工作之余进行学习与实战，并同时掌握里面涉及的Git不常见操作的相关知识，理解Git工具在工作遇到的问题解决思路和方法，相信一定会对大家的前端技能进阶大有帮助。
课程分为两条主线从Tensorflow的基础知识开始，全面介绍Tensorflow和Keras相关内容。通过大量实战，掌握Tensorflow和Keras经常用到的各种建模方式，参数优化方法，自定义参数和模型的手段，以及对训练结果评估与分析的技巧。 2从机器学习基础算法开始，然后进入到图像分类领域，使用MNIST手写数据集和CIFAR10图像数据集，从简单神经网络到深度神经网络，再到卷积神经网络，最终完成复杂模型：残
