梦家博客

PanDownload作者被抓之后，该考虑考虑怎么实现百度网盘下载加速了哦！本文介绍一种可行但不可靠的方案！ 油猴扩展 + 网盘助手脚本 油猴插件Tampermonkey 插件下载地址：Tampermonkey 下载 如果不能访问chrome 网上商店可以在此备用网站上下载：http://www.cnplugins.com/office/tampermonkey/ 网盘助手脚本 插件主要功能有： [1]百度网盘、腾讯微云、蓝奏云万能钥匙 。 [2]百度网盘生成并展示下载链接 。 [3]百度网盘分享时自定义提取码。 脚本下载地址：网盘助手脚本 下载地址 安装完成后可以进入网页版百度云盘中查看效果： IDM 下载器 进入 IDM官网下载地址 下载安装，默认设置即可； 关注微信公众号【DreamHub】回复【IDM】获取破解版下载地址！ 使用方法 进入网页版百度云； 选择需要下载的文件；（单文件下载） 点击生成链接然后点击链接下载； 如果出现显示403错误，请参考解决方案：IDM下载提示：服务器响应显示您没有权限下载此文件的解决方法 联系作者

本文先学习三种Scala的输入输出操作，待以后业务中的需求会添加其它操作方法！ 写文件：PrintWriter、 终端输入：StdIn、 读文件：Source、 源码： 12345678910111213141516171819202122232425262728293031323334package main.scala.top.dreamhomes.scalalearningimport java.io._import scala.io.{Source, StdIn}/** * 输入 输出 文件读写 */object FileIO { def main(args: Array[String]): Unit = {// // 写文件// val writer = new PrintWriter(new File("output\\test.txt"))// writer.write("scala test!")// writer.close()// // 输入// ...

Scala Collection Scala提供了一套很好的集合实现，提供了一些集合类型的抽象。 Scala 集合分为可变的和不可变的集合: 可变集合可以在适当的地方被更新或扩展。这意味着你可以修改，添加，移除一个集合的元素。 不可变集合类，相比之下，永远不会改变。可以模拟添加，移除或更新操作。但是这些操作将在每一种情况下都返回一个新的集合，同时使原来的集合不发生改变。 常用集合类型： Scala List(列表)：List的特征是其元素以线性方式存储，集合中可以存放重复对象。 Scala Set(集合)：Set是最简单的一种集合。集合中的对象不按特定的方式排序，并且没有重复对象。 Scala Map(映射)：Map 是一种把键对象和值对象映射的集合，它的每一个元素都包含一对键对象和值对象。 Scala 元组：元组是不同类型的值的集合 Scala Option：Option[T] 表示有可能包含值的容器，也可能不包含值。 Scala Iterator（迭代器）：迭代器不是一个容器，更确切的说是逐一访问容器内元素的方法。 下面将说明这六种集合类型，在jupyter中查看效果更佳哦 ...

Scala 的基础语法与 Java 类似，对于计算机专业学过 Java 的同学较为友好！对于 Python 开发者就怕写出 Pythonic Scala，还是需要简单记录一下。本文简单介绍下Scala中的基本语法和规则，后续再填充。 基本语法 Scala 基本语法需要注意以下几点： 区分大小写 Scala是大小写敏感的，这意味着标识Hello 和 hello在Scala中会有不同的含义。 类名 对于所有的类名的第一个字母要大写。如果需要使用几个单词来构成一个类的名称，每个单词的第一个字母要大写。如：class MyFirstScalaClass 方法名称 所有的方法名称的第一个字母用小写。如果若干单词被用于构成方法的名称，则每个单词的第一个字母应大写。如：def myMethodName() 程序文件名 程序文件的名称应该与对象名称完全匹配。保存文件时，应该保存它使用的对象名称（记住Scala是区分大小写），并追加".scala"为文件扩展名。 （如果文件名和对象名称不匹配，程序将无法编译）。如: 假设HelloWorld是对象的名称，那么该文件应保存为Hello ...

分治策略 将原问题分解为若干个规模较小但类似于原问题的子问题（Divide），递归的求解这些子问题（Conquer），然后再合并这些子问题的解来建立原问题的解。因为在求解大问题时，需要递归的求小问题，因此一般用递归的方法实现，即自顶向下。 动态规划 动态规划所解决的问题是分治策略所解决问题的一个子集，只是这个子集更适合用动态规划来解决从而得到更小的运行时间。即用动态规划能解决的问题分治策略肯定能解决，只是运行时间长了。因此，分治策略一般用来解决子问题相互对立的问题，称为标准分治，而动态规划用来解决子问题重叠的问题。 动态规划一般由两种方法来实现，一种为自顶向下的备忘录方式，用递归实现，一种为自底向上的方式，用迭代实现。 贪心算法 贪心算法在每一步都做出最优的选择，希望这样的选择能导致全局最优解。 总结 分治策略用于解决原问题与子问题结构相似的问题，对于各子问题相互独立的情况，一般用递归实现； 动态规划用于解决子问题有重复求解的情况，既可以用递归实现，也可以用迭代实现； 贪心算法用于解决具有贪心选择性质的一类问题，既可以用递归实现，也可以用迭代实现，因为很多递归贪心算法都是尾递归，很容 ...

基本概念 动态规划(dynamic programming)是运筹学的一个分支，是求解多阶段决策过程(decision process)最优化的数学方法。 动态规划过程：每次决策依赖于当前状态，又随即引起状态的转移。一个决策序列是在变化的状态中产生，这种多阶段最优化策略解决问题的过程称为动态规划。 基本思想 基本思想与分治法类似，都是将待求解的问题分解为若干个子问题（阶段），按顺序求解子阶段，前一子问题的解，为后一子问题的求解提供了有用的信息。在求解任一子问题时，列出各种可能的局部解，通过决策保留那些有可能达到最优的局部解，丢弃其他局部解。依次解决各子问题，最后一个子问题就是初始问题的解。 动态规划和分治的区别： 适合于用动态规划法求解的问题，经分解后得到的子问题往往不是互相独立的（即下一个子阶段的求解是建立在上一个子阶段的解的基础上，进行进一步的求解）。由于动态规划解决的问题多数有重叠子问题这个特点，为减少重复计算，对每一个子问题只解一次，将其不同阶段的不同状态保存在一个二维数组中。 适用情况 满足以下三个性质： 最优化原理：如果问题的最优解所包含的子问题的解也是最优的，就称该问题 ...

手残更新 Pycharm 2020.1 版时将配置文件都删除了😂；在此重新记录下配置！ 安装教程参考：IntelliJ IDEA + Pycharm 2020.1 版安装 | 隐舍 编辑器字体 设置路径：File | Settings | Editor | Font Python 文件模板 设置路径：File | Settings | Editor | File and Code Templates 12345678# -*- coding: utf-8 -*-"""@Time : ${DATE}@Author : ${USER}@File : ${NAME}@Description :""" 插件 设置路径：File | Settings | Plugins 安装 直接在 Marketplace 搜索安装；【Ps：安装速度慢且很可能失败】 官网下载插件安装：https://plugins.jetbrains.co ...

更新：由于itchat模块官方不再维护，可以使用以短信的方式发送提醒，参考库：https://pypi.org/project/twilio/ 功能及消息内容 源码开源至Github：dreamhomes/daily-love 功能 本地执行脚本run.sh，扫码登录微信自动定时发送（PS：如需每日定时自动发送不能关机！）； 部署到服务器上执行脚本run.sh实现自动定时发送微信消息； PS：最好采用一个小号发送消息，微信客户端和网页端不能同时登录！ 内容包括但不限于： 日期（阳历+阴历）； 每日壹句 壹句英文（内容来源爱词霸）； 壹句情话（内容来源渣男：说话的艺术）; 如果女盆友不喜欢英文可以发送情话哦！ 天气预报（内容来源中国天气网）： 天气情况； 温度情况； 穿衣指数； 减肥指数； 空气指数； 紫外线指数； 消息效果 依赖包 requests==2.22.0 schedule==0.6.0 sxtwl==1.0.7 itchat==1.3.10 执行流程 安装依赖包 script1pip install -r requirements.txt ...

Scala 简介 Scala 是一门多范式（multi-paradigm）的编程语言，设计初衷是要集成面向对象编程和函数式编程的各种特性。 Scala 运行在Java虚拟机上，并兼容现有的Java程序。 Scala 源代码被编译成Java字节码，所以它可以运行于JVM之上，并可以调用现有的Java类库。 Scala 特性 面向对象特性 Scala是一种纯面向对象的语言，每个值都是对象。对象的数据类型以及行为由类和特质描述。 类抽象机制的扩展有两种途径：一种途径是子类继承，另一种途径是灵活的混入机制。这两种途径能避免多重继承的种种问题。 函数式编程 Scala也是一种函数式语言，其函数也能当成值来使用。Scala提供了轻量级的语法用以定义匿名函数，支持高阶函数，允许嵌套多层函数，并支持柯里化。Scala的case class及其内置的模式匹配相当于函数式编程语言中常用的代数类型。 更进一步，程序员可以利用Scala的模式匹配，编写类似正则表达式的代码处理XML数据。 静态类型 Scala具备类型系统，通过编译时检查，保证代码的安全性和一致性。类型系统具体支持以下特性： 泛型类 协变 ...

记录下个人远程服务器开发环境配置。 远程免密码登陆 本地生成 id_rsa, id_rsa.pub: 1ssh-keygen -t rsa 将 id_rsa.pub 拷贝到远程服务器上（可以放在任何位置）： 1scp ~/.ssh/id_rsa.pub username@hostname.com:~/.ssh/ 登陆到服务器上，将id_rsa.pub添加到authorized_keys中： 1cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys logout之后重新登录应该就不需要密码了。 以上两步合成一步： 1ssh user@host 'mkdir -p ~/.ssh && cat >> ~/.ssh/authorized_keys' < ~/.ssh/id_rsa.pub 配置ssh config文件： 12345Host vps（自定义的host简称，ssh vps） User 用户名 HostName 服务器地址 Port 服 ...

文章链接：https://papers.nips.cc/paper/8135-beyond-grids-learning-graph-representations-for-visual-recognition.pdf TL;DR 文章中介绍如何利用GCN学习图片中大范围内不同regions之间依赖关系的方法（我认为主要是利用GCN扩大了网络的receptive field）。为了将图片feature map转换为图结构，提出了Graph Convolutional Unit。 Dataset/Algorithm/Model Graph Convolutional Unit (GCU)架构如下： 大概分为三部分： Graph Projection（feature map→ graph representation(A, node features)） 对于一个feature map，相同特征的pixels构成同一个顶点（顶点的数量是预先确定的）。顶点的特征是根据各个像素点的特征聚合而成，计算公式如下： qijk=exp⁡(−∥(xij−wk)/σk∥22/2)∑kexp⁡(− ...

背景 目前的图卷积神经网络大致可以分为两种类型： 频谱域图卷积：根据频谱理论和卷积定理，将数据从从空域转换到谱域做卷积操作，理论基础扎实。 空间域图卷积：通过信息聚合的思想直接在空域上定义卷积操作来进行图卷积。 详细的理论推导可以参考其它文章： 图卷积网络 GCN（一）研究背景和空域图卷积 图卷积网络 GCN（二）图上的傅里叶变换和逆变换 图卷积网络 GCN（三）详解三代图卷积网络理论 优缺点 基于频谱域图卷积网络的缺点： 不适用于有向图。因为频谱域中傅里叶变换所使用的基是拉普拉斯矩阵的特征向量，而拉普拉斯矩阵仅在无向图中有意义。 谱域的图卷积结构是固定的，增加/删除节点/边都会使训练好的模型失效，导致其泛化能力较差。 复杂性问题。原始的谱图卷积需要对拉普拉斯矩阵做特征分解，复杂度为O(N3)O(N^3)O(N3)。后来改进的版本虽然无需矩阵分解，降低了复杂度的同时也降低了模型的表达能力。 文章 基于空间域的图卷积 GCNs 中总结可以参考。 更新中。…

什么是 docker docker是一个开源的应用容器引擎，基于go语言开发并遵循了apache2.0协议开源。 docker可以让开发者打包他们的应用以及依赖包到一个轻量级、可移植的容器中，然后发布到任何流行的linux服务器，也可以实现虚拟化。 容器是完全使用沙箱机制，相互之间不会有任何接口（类iphone的app），并且容器开销极其低。 下面的图片比较了 Docker 和传统虚拟化方式的不同之处，可见容器是在操作系统层面上实现虚拟化，直接复用本地主机的操作系统，而传统方式则是在硬件层面实现。 docker 优点 灵活：即使是最复杂的应用也可以集装箱化。 轻量级：容器利用并共享主机内核。 可互换：您可以即时部署更新和升级。 便携式：您可以在本地构建，部署到云，并在任何地方运行。 可扩展：您可以增加并自动分发容器副本。 可堆叠：您可以垂直和即时堆叠服务。 docker 应用场景 Web 应用的自动化打包和发布。 自动化测试和持续集成、发布。 在服务型环境中部署和调整数据库或其他的后台应用。 从头编译或者扩展现有的 OpenShift 或 Cloud Foundry 平台来搭 ...

前两篇介绍完图卷积网络的背景知识，现在正式引入 GCN！ 卷积定义 在泛函分析中，卷积是通过两个函数 fff 和 ggg 生成第三个函数的一种数学算子，表示函数 fff 与经过翻转和平移的 ggg 的乘积函数所围成的曲边梯形的面积，公式如下所示： (f∗g)(t)= def ∫Rnf(τ)g(t−τ)dτ(1)(f * g)(t) \stackrel{\text { def }}{=} \int_{\mathbb{R}^{n}} f(\tau) g(t-\tau) d \tau \quad\quad\quad (1) (f∗g)(t)= def ∫Rn​f(τ)g(t−τ)dτ(1) 下面给出两幅图来直观理解上述公式，参考 卷积解释： 以上是连续函数的卷积运算，对于离散卷积公式定义如下： (f∗g)[n]=∑m=−∞∞f[m]g[n−m]=∑m=−∞∞f[n−m]g[m](2)(f * g)[n]=\sum_{m=-\infty}^{\infty} f[m] g[n-m]=\sum_{m=-\infty}^{\infty} f[n-m] g[m] \quad\quad\quad ( ...

理解机器学习中的学术名词： 监督学习（supervised learning） 半监督学习（semi-supervised learning） 自监督学习（self-supervised learning） 主动学习（active learning） 无监督学习（unsupervised learning） 直推式学习（transductive learning） 归纳式学习（inductive learning） 监督学习 利用标签数据训练模型，目前大部分模型都是有监督的，主要瓶颈在于人工标注。 半监督学习 半监督学习特指的是学习算法不需要人工干预，基于自身对未标记数据加以利用，来提高学习模型的泛化性能。 一般认为半监督学习包含纯半监督学习 pure semi supervised learning 和直推学习 transductive learning 。 自监督学习 自监督学习主要是利用辅助任务(pretext)从大规模的无监督数据中挖掘自身的监督信息来提高学习表征的质量，通过这种构造监督信息对网络进行训练，从而可以学习到对下游任务具有价值的表征。 辅助任务：可以认为是一种为 ...