术语“自举”通常适用于系统依赖自身启动的情况，有点像鸡和蛋的问题。

例如:

如何编译用C编写的C编译器? 如果操作系统还没有运行，如何启动操作系统初始化进程? 如何启动一个分布式(点对点)系统，在这个系统中，客户端依赖于它们当前已知的对等点来查找系统中的新对等点?

在这种情况下，bootstrapping指的是一种打破循环依赖关系的方法，通常借助外部实体的帮助。

您可以使用另一个C编译器来编译(引导)您自己的编译器，然后您可以使用它来重新编译自己 您使用一段单独的代码来设置初始进程，而不依赖于操作系统提供的任何函数 您使用硬编码的初始对等体列表或提供对等体列表的硬编码跟踪器URL

etc.

在应用程序开发的上下文中，“引导”通常在讨论模块化和/或自动更新软件时出现。

而不是用户下载整个应用程序，包括他不需要的功能，并重新下载和手动更新它，只要有更新，用户只下载和启动一个小的“引导”可执行文件，它反过来下载和安装用户需要的应用程序的那些部分。此外，引导组件能够在每次启动时查找更新并安装它们。

就使用流行的Twitter Bootstrap而言，我觉得这种类型的Bootstrap是一种将模块化组件集成到Web应用程序中的操作，而Web应用程序甚至不必在需要或引用它之前承认模块化组件的存在。

开发人员只需将CSS Twitter Bootstrap主题的默认副本加载(引用)到Web应用程序中，就可以无缝地集成它。Vuola !然后，您可能需要重写其中的一些更改，但是您可以这样做，即资源/组件不受影响，并且完全可重用。

Web开发人员如何实现jQuery api等也是同样的概念，但开发人员并没有真正表示为引导本身。它所做的是提高灵活性和可重用性，同时允许应用程序的不同组件/资源的隔离自由驻留在同一服务器或CDN上。

注意:在计算引导处理MBR，在UNIX中，它需要一个特殊的引导加载程序或管理器，这是ROM中的一个小程序，将操作系统加载到RAM中。如果你想一下，同样的概念发生在引导加载程序检查MBR并根据这个表加载操作系统的动作中，而操作系统对此一无所知。

为了完整起见，它也是统计学中一个相当重要的(相对较新的)方法，它使用重采样/模拟从样本中推断总体属性。它在维基百科上有一篇关于自我引导(统计)的长篇文章。

“Bootstrapping”来源于“靠自己的力量把自己拉起来”这个词。这些你可以从维基百科上得到。

在计算中，引导加载程序是机器启动时运行的第一段代码，负责加载操作系统的其余部分。在现代计算机中，它存储在ROM中，但我记得PDP-11上的引导过程，你可以通过前面板开关插入位来将特定的磁盘段加载到内存中，然后运行它。不用说，引导加载程序通常非常小。

“Bootstrapping”也被用作一个术语，用于构建一个使用自身的系统——或者更准确地说，是一个前身版本。例如，ANTLR版本3使用在ANTLR版本2中开发的解析器编写。

除了它在软件开发中的应用(例如kdgregory给出的答案)和Dirk Eddelbuettel所讨论的在统计学中的应用之外，在强化学习的上下文中，Bootstrapping还有另一个对开发人员有用的含义。

来自萨顿和巴托:

Widrow, Gupta, and Maitra (1973) modified the Least-Mean-Square (LMS) algorithm of Widrow and Hoff (1960) to produce a reinforcement learning rule that could learn from success and failure signals instead of from training examples. They called this form of learning “selective bootstrap adaptation” and described it as “learning with a critic” instead of “learning with a teacher.” They analyzed this rule and showed how it could learn to play blackjack. This was an isolated foray into reinforcement learning by Widrow, whose contributions to supervised learning were much more influential.

这本书描述了各种强化算法，其中目标值是基于先前的近似作为bootstrap方法:

最后，我们注意到 DP[动态规划]方法的最后一个特殊性质。所有这些都更新了估计 基于对继承者价值的估计的状态值 州。也就是说，他们在其他数据的基础上更新估计 估计。我们把这叫做引导。许多钢筋 学习方法执行引导，即使是那些没有引导的方法 要求，正如DP要求，一个完整和准确的模型 环境。

请注意，这不同于维基百科页面上提到的自举聚合和智能爆炸。