【第1532天学习随记】《隐秘的商机》听书笔记图片发自App趋势是事物未来的走向，先知先觉，改变一生。打造未来，始于理解当下。

例子：#include#includevoidPrintText(char*s){printf(s);}voidCallPrintText(void(*ptr)(char*),char*s){(*ptr)(s);}intmain(intargc,char*argv[]){CallPrintfText(PrintfText,"HelloWorld!\n");system("pause");retur

1.进程：在每个进程看来，当前主机只存在内核和当前进程，进程时程序的别名，进程是程序的实例。2.ctrl+a命令行置首ctrl+e：命令行位ctrl+u：光标至命令行首ctrl+k:光标置行尾3.history：命令历史命令历史：！n执行命令历史第n条命令4.bash支持的引号：“”：弱引用：可以实现变量替换‘’：强引用，不完成变量替换5.文件名通配：*任意长度字符？任意单个字符6.用户->计算机

tensorflow中placeholder占位符在feed_dict填入时不接受Tensorobjec，可以传入scalars,strings,lists,numpyndarrays,orTensorHandles错误如下：Thevalueofafeedcannotbeatf.Tensorobject.AcceptablefeedvaluesincludePythonscalars,string

CSS3关于怎么在html文件中使用CSS，总共有4种方法：行内样式、内嵌样式、链接样式和导入样式。1.行内样式最直观的样式，但是维护难度大。CSS学习之行内样式这里使用的是行内样式2.内嵌样式内嵌样式是指把标签内嵌到标签中CSS学习之内嵌样式p{color:#39f;font-size:30px;}这里使用的是内嵌样式3.链接样式链接样式是最常见的样式，它优点有很多，瘦身html文件、同一个cs

记录一些学习随记。

SVN&GitPS：本文所有$符号之后为在终端中执行的命令。版本控制系统版本控制版本控制（VersionControl）的作用是追踪文件的变化。为什么需要版本控制？简单说，就是当你出错了，可以很容易地回到没出错时的状态。你可能已经在不知不觉中，布置了自己的版本控制系统。比如，创建了类似下面这样的文件名：论文_0510.doc论文_0514.doc论文_0521.doc论文_修改版.doc论文_最终

推荐慕课网视频：http://www.imooc.com/video/10055另外，关于Storm并发度，已经整理到另一篇博客中，希望对读者有所帮助。请参考：http://www.cnblogs.com/quchunhui/p/8271349.html====Storm的起源。Storm是开源的、分布式、流式计算系统什么是分布式呢？就是将一个任务拆解给多个计算机去执行，让许多机器共通完成同一个任

把文件件的归属转移到其他用户上chown[-R]账号名称:用户组名称文件或目录在进行hadoop分布式部署的时候,需要生成密钥对具体的操作如下先在master的hadoop目录下创建.sshmkdir.ssh然后生成密钥对ssh-keygen-trsa然后进行copy操作,即把生成的密钥对发送到slaves节点上但是hadoop的权限限制可能导致不成功这时候需要对hadoop的权限进行修改用roo

前面Andrew Ng的讲义基本看完了。Andrew讲的真是通俗易懂，只是不过瘾啊，讲的太少了。趁着看完那章convolution and pooling， 自己又去翻了翻CNN的相关东西。 当时看讲义时，有一点是不太清楚的，就是讲义只讲了一次convolution和一次pooling，而且第一次的convolution很容易理解，针对一副图像来的，但是经过一次convolution和pooli

图像大小与参数个数： 前面几章都是针对小图像块处理的，这一章则是针对大图像进行处理的。两者在这的区别还是很明显的，小图像（如8*8，MINIST的28*28）可以采用全连接的方式（即输入层和隐含层直接相连）。但是大图像，这个将会变得很耗时：比如96*96的图像，若采用全连接方式，需要96*96个输入单元，然后如果要训练100个特征，只这一层就需要96*96*100个参数（W,b），训练时间将是前

线性解码器（Linear Decoder） 前面第一章提到稀疏自编码器（http://www.cnblogs.com/bzjia-blog/p/SparseAutoencoder.html）的三层网络结构，我们要满足最后一层的输出：a（3）≈a（1）（即输入值x）的近似重建。考虑到在最后一层的a（3）=f（z（3）），这里f一般用sigmoid函数或tanh函数等非线性函数，而将输出界定在一个范

这一个多周忙别的事去了，忙完了，接着看讲义~ 这章讲的是深度网络（Deep Network）。前面讲了自学习网络，通过稀疏自编码和一个logistic回归或者softmax回归连接，显然是3层的。而这章则要讲深度（多层）网络的优势。 Deep Network： 为什么要使用深度网络呢？使用深度网络最主要的优势在于，它能以简洁的方式来表达比浅层网络大得多的函数集合。正式点说，可以找到一些函数，

前面记到了深度网络这一章。当时觉得练习应该挺简单的，用不了多少时间，结果训练时间真够长的...途中debug的时候还手贱的clear了一下，又得从头开始运行。不过最终还是调试成功了，sigh~ 前一篇博文讲了深度网络的一些基本知识，这次讲义中的练习还是针对MNIST手写库，主要步骤是训练两个自编码器，然后进行softmax回归，最后再整体进行一次微调。 训练自编码器以及softmax回归都是利

接着看讲义，接下来这章应该是Self-Taught Learning and Unsupervised Feature Learning。  含义： 从字面上不难理解其意思。这里的self-taught learning指的是用非监督的方法提取特征，然后用监督方法进行分类。比如用稀疏自编码+softmax regression。 对于非监督特征学习，有两种类型，一类是self-ta

上一篇讲的Softmax regression，当时时间不够，没把练习做完。这几天学车有点累，又特别想动动手自己写写matlab代码 所以等到了现在，这篇文章就当做上一篇的续吧。 回顾： 上一篇最后给出了softmax regression的代价函数和其偏导数，当然要实现的话基本也就是这两个函数的实现，为方便查看，这里再写一遍： 代价函数： 偏导数： 实现： 实现过程就是对M

讲义中的第四章，讲的是Softmax 回归。softmax回归是logistic回归的泛化版，先来回顾下logistic回归。 logistic回归： 训练集为{(x(1),y(1)),...,(x(m),y(m))}，其中m为样本数，x(i)为特征。 logistic回归是针对二分类问题的，因此类标y(i)∈{0,1}，。其估值函数（hypothesis ）如下： 代价函数

我的个人建议,下边的文字都是SMARTY里经常用到的一些基础概念的东西! 写的非常细致,而且接近中国人的思维了，都是工作中做的总结. 但是更全的资料到SMARTY的官方论坛上去看吧!!!!!http://www.phpinsider.com/smarty-forum/虽然是全英文的，但是只要你能看个大概其,相信收益将会非常大，而且上边的管理员也是非常热情，可是因为是美国时间，所以一般他们活跃的时间

一、使用同步定时器 这个示例程序通过展示如何在一个定时器执行一个阻塞等待。       [cpp]  view plain copy   //makefile   #----------------------------------------------------------

最近才接触mvc，也是才接触linq语法，还有EntiyFramework，个人感觉这种开发模式还是挺不错的，随手记点笔记，简单做个增删改查吧 一、实例化上下文ObjectContext： 引用空间那些就跳过了。。 db_testEntities test = new db_testEntities(); 二、用linq语法从数据库查询数据： 使用linq语句查询返回的数据类为IQu

刚学mybatis，为防止打瞌睡,想到什么就写什么，自己看得懂就行了。其实mybatis思想和hibernate差不多，都属于数据持久层的。mybatis和hibernate都需要加载配置文件，刚开始学习，这个配置文件简单的就先配置一下数据库的信息。数据库url，用户名，密码什么的。第一步，加载配置文件。第二步，获取会话工厂。第三步，获取sqlsession对象。通过这个sqlsession对象进

如果是用Storyboard拖线,控件用weak如果用代码创建界面，控件可以用strong自定义对象，需要使用strongNSString，使用copy数字型的int，使用assign

awk的妙用：提取数字600，注意+号的特殊作用。echo "fuck600ms"|awk'{print+$NF}'结果：过滤了其他字符，只留下数字600在commad模式下使用if,for#测试ifa=200if[$a==200];thenecho"ais$a";fi##测试for循环forxin"cat""dog""pig";doecho$x;done##排除bzezt的文件，其他的输出大小。

awk的妙用：提取数字600，注意+号的特殊作用。echo"fuck600ms"|awk'{print+$NF}'结果：过滤了其他字符，只留下数字600在commad模式下使用if,for#测试ifa=200if[$a==200];thenecho"ais$a";fi##测试for循环forxin"cat""dog""pig";doecho$x;done##排除bzezt的文件，其他的输出大小。f

一次制做10��名dir001,dir002..dir010的目�，它便很有用途,我��可以�@�酉乱��命令便可了seq-f'dir%03g'110|xargsmkdir或mkdir$(seq-f'dir%03g'110)它用的是printf的格式,%03g'代表以三位浮�c��,以此方法，如用bash3的printf也可作�榈�r命令printf'dir%03d\n'{1..10}|xargs

一次制做10��名dir001,dir002..dir010的目�，它便很有用途,我��可以�@�酉乱��命令便可了seq-f'dir%03g'110|xargsmkdir或mkdir$(seq-f'dir%03g'110)它用的是printf的格式,%03g'代表以三位浮�c��,以此方法，如用bash3的printf也可作�榈�r命令printf'dir%03d\n'{1..10}|xargs

1. IplImage*类型图像上的操作 CV1   1.1标识字CvFontmyfont=cvFont(1,2); sprintf(buffer,"mouseclickat[%d,%d]",x,y); cvPutText(pImage,buffer,cvPoint(winX,winY),&myfont,cvScalar(255,0,0));//标识字  1.2 画线矩形 圆cvLine(fram

1.在绝大多数情况下，数据之所以长成某个样子是因为它有特定的生成原理（比如所有长得像猫的图片和长得像狗的图片在高维空间中的分布总的来说是分开的，而各自成团），否则数据就是个噪声，没有任何学习的意义。图模型就是其中的一种，它好使的一部分原因在于可以借鉴已有的图论结论，还有一部分是因为比较能够接近人类思维推理过程，同时比较直观。2.在模型选择中，模型其实是一个概率分布，一般用estimatedKL来判

一、使用同步定时器这个示例程序通过展示如何在一个定时器执行一个阻塞等待。//makefile #---------------------------------------------------------- #makefilehelloworld测试用例 # # # # #-----------------------------------------------------------

前面AndrewNg的讲义基本看完了。Andrew讲的真是通俗易懂，只是不过瘾啊，讲的太少了。趁着看完那章convolutionandpooling，自己又去翻了翻CNN的相关东西。当时看讲义时，有一点是不太清楚的，就是讲义只讲了一次convolution和一次pooling，而且第一次的convolution很容易理解，针对一副图像来的，但是经过一次convolution和pooling后，一副

线性解码器（LinearDecoder）前面第一章提到稀疏自编码器（http://www.cnblogs.com/bzjia-blog/p/SparseAutoencoder.html）的三层网络结构，我们要满足最后一层的输出：a（3）≈a（1）（即输入值x）的近似重建。考虑到在最后一层的a（3）=f（z（3）），这里f一般用sigmoid函数或tanh函数等非线性函数，而将输出界定在一个范围内（

图像大小与参数个数：前面几章都是针对小图像块处理的，这一章则是针对大图像进行处理的。两者在这的区别还是很明显的，小图像（如8*8，MINIST的28*28）可以采用全连接的方式（即输入层和隐含层直接相连）。但是大图像，这个将会变得很耗时：比如96*96的图像，若采用全连接方式，需要96*96个输入单元，然后如果要训练100个特征，只这一层就需要96*96*100个参数（W,b），训练时间将是前面的

这一个多周忙别的事去了，忙完了，接着看讲义~这章讲的是深度网络（DeepNetwork）。前面讲了自学习网络，通过稀疏自编码和一个logistic回归或者softmax回归连接，显然是3层的。而这章则要讲深度（多层）网络的优势。DeepNetwork：为什么要使用深度网络呢？使用深度网络最主要的优势在于，它能以简洁的方式来表达比浅层网络大得多的函数集合。正式点说，可以找到一些函数，它们能够用k层网

接着上次的记，前面看了稀疏自编码。按照讲义，接下来是Vectorized，翻译成向量化？暂且这么认为吧。Vectorized：这节是老师教我们编程技巧了，这个向量化的意思说白了就是利用已经被优化了的数值运算来编程，矩阵的操作尽量少用for循环，用已有的矩阵运算符来操作。这里只是粗略的看了下，有些小技巧还是不错的。 PCA:PCA这个以前都接触过了，简单说就是两步：1.协方差矩阵 其中x（i）是输入

主要参考资料是Stanford教授AndrewNg的DeepLearning教程讲义：http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial。这个讲义已经有人翻译了（赞一个），可以参见邓侃的新浪博客http://blog.sina.com.cn/s/blog_46d0a3930101h6nf.html。另外，博客园里有一个前辈关

问题及处理方案：一、Cocos2d-x引擎编码格式默认为utf8,而VS开发环境默认为gbk2312,如修改编码保存格式为utf8，可以暂时解决乱码，但存在编译时错误，这跟输出的字符个数有关。（解决方案：如报错可以在字符串后加一个字符来解决！）Cocos2d-x引擎文档说可以在最后补后一个啊字符串。二、可以从utf8的文件中读取字符来解决，这个方案网络都可以搜到。好处：可以有效的国际化客户端，如翻

Boost.Locale是一个库，它提供高质量的本地化的设施在C++的方式。它最初是设计的一部分CppCMS -C++的Web框架的项目，然后促成了提升。Boost.Locale提供强大的工具，跨平台的本地化软件开发-这会谈到用户在其语言的软件。提供的功能：正确的大小写转换，大小写和规范化。整理（排序），其中包括4Unicode排序规则层面的支持。日期，时间，时区和日历操作，格式化和分析，包括对日

接着看讲义，接下来这章应该是Self-TaughtLearningandUnsupervisedFeatureLearning。 含义：从字面上不难理解其意思。这里的self-taughtlearning指的是用非监督的方法提取特征，然后用监督方法进行分类。比如用稀疏自编码+softmaxregression。对于非监督特征学习，有两种类型，一类是self-taughtlearning，一类是se

      空闲的时间学习一下Cocos2d,顺手记录一些逝去的青春。。。。。代码段如下：主要学习工程的流程以及注释解释。。。//main.cpp函数入口#include"main.h" #include"AppDelegate.h" #include"CCEGLView.h" USING_NS_CC; intAPIENTRY_tWinMain(HINSTANCEhInstance, HINS

#include #include #include #include #include #include usingnamespacestd; usingnamespaceboost; //pool内存池使用示例：pool voidpool_pool_fun() { poolpl; demo_class*p=pl.malloc(); assert(pl.is_from(p)); //P指向

#include #include #include #include #include //#include usingnamespacestd; usingnamespaceboost; //smart_ptr库 //soped_ptr智能指针示例： boolscoped_ptr_fun() { { //soped_ptr简单示例一 scoped_ptrsp(newstring("tex

//"Boost_data_Timer.h"头文件 #ifndefBOOST_TEST #defineBOOST_DATE_TIME_SOURCE #include #include #include #include #include //#include"boost/date_time/gregorian/conversion.hpp" #include"boost/date_time/g

#include #include #include #include #include #include #include"boost_test.h" usingnamespacestd; usingnamespaceboost; intmain() { //######timer处理示例，timer以处理几百小时之内，对精确度不高的时间统计。 timert; coutv(100); ofstr

Javarmi学习随记1.什么是分布式对象应用程序？ 

角色关系对照elasticsearch跟MySQL中定义资料格式的角色关系对照表如下MySQL     elasticsearchdatabase     indextable      typetableschemamappingrow       documentfield      field

在新建一个model后，记得要重载父类的构造函数方法function__construct(){ parent::__construct(); $this->load->database(); }CI中对数据库的操作的顺序有别于一般我们写db语句的顺序比如：删除操作functionuser_delete($t_name,$info){ $this->db->where($info); $

[size=large][url]http://www.w3school.com.cn/tags/index.asp[/url]HTML参考手册。[url]http://www.html5china.com/manual/html5/html5_hn.htm[/url]HTML5参考手册一、标签：1.开放标签[color=orange]openingtag[/color]2.闭合标签[color=

http://www.w3school.com.cn/tags/index.asp HTML参考手册。 http://www.html5china.com/manual/html5/html5_hn.htm HTML5参考手册 一、标签： 1.开放标签 opening tag 2.闭合标签 closing tag 3.大多数 HTML 元素可嵌套 4.没有内容的 HTML