其他

劉海洋 李阿玲 等 26 人贊同 上古時期的 TeX Users 都有哪些當今 TeX Users 無法想象的神級操作。 TeX 在軟體中不算最複雜的一類，TeX 代碼相比正經的程式設計語言也沒那麼複雜。何況寫文檔不是打電子遊戲，所以所謂「神級操作」其實是沒有的，這種叫法也讓我感覺怪怪的。 而且，電腦軟體的發展，總體是越來越複雜的。受限於電腦效能和人們的腦洞，二三十年前人們寫的 TeX

Lists of tables and figures A list of the tables and figures keep the information organized and provide easy access to a specific element. This article explains how to create a list of figures, a list of tables and how to change the default

在寫論文，甚至有些課程的報告的時候，latex是常用的工具。這篇博文簡單的記錄了latex常用的一些內容。 最近發現一個線上latex網站 https://www.sharelatex.com/    以後就不用在電腦上安裝CTEX了。 1 基本模組 沒用過latex的讀者，最想問的問題莫過於latex的 “hello world”程式長什麼樣。那麼下面就貼一張圖片來展示： latex就是通過一些列指令來控制排版的。

論文參考文獻的組織是一個挺麻煩的事情，剛開始寫論文的時候自己很多東西不知道，參考文獻在自己組織，自己填寫各個item，真是麻煩啊，網搜上了搜，還真找到一些好方法，google的是自己常用的，不知道還有哪些方法大家可以共用啊。 一、用Google來做Latex的bib檔案 1. 開啟scholar.google.com 2. 定製   Scholar Preferences->Bibliography Manager

該論文的作者以兩種典型的不均衡為例，系統地研究並比較瞭解決 CNN 中類別不均衡問題的各種方法，在三個常用資料集MINIST、CIFAR-10 和 ImageNet上用統一標準進行實驗，得出了綜合性的結果，富有參考和指導意義。 論文連結：https://arxiv.org/abs/1710.05381

git cherry-pick可以選擇某一個分支中的一個或幾個commit(s)來進行操作。例如，假設我們有個穩定版本的分支，叫v2.0，另外還有個開發版本的分支v3.0，我們不能直接把兩個分支合并，這樣會導致穩定版本混亂，但是又想增加一個v3.0中的功能到v2.0中，這裡就可以使用cherry-pick了,其實也就是對已經存在的commit 進行再次提交. 簡單用法： git cherry-pick <commit id>注意：當執行完 cherry-pick

書接上回，直入主題。如果你是接著上篇來的，那麼先運行git reset HEAD test.txt和git checkout test.txt來放棄當前的更改，使最新的commit回到“commit temp”，這個時候運行git status，會看到“nothing to commit, working directory clean”。這裡，“nothing to commit”說明臨時目錄是空的，“working directory clean”說明你的工作目錄也沒有任何修改。

教程3 改寫提交。 6. 用rebase -i 修改提交 為了節省時間，這個教程使用現有的記錄作為本機資料庫。 從這裡下載 我們進入stepup-tutorial/tutorial6目錄。本地端的記錄的狀態如下圖顯示。我們在這裡修改「添加commit的講解」的內容。 用rebase -i ，首先選擇要修改的提交。 $ git rebase -i HEAD~~

教程3 改寫提交。 2. revert 為了節省時間，這個教程使用現有的記錄作為本機資料庫。 從這裡下載 我們將用revert命令來取消「添加pull的講解」提交。 首先進入stepup-tutorial/tutorial2目錄。本地端的記錄的狀態如下圖顯示。 用log命令確認記錄 $ git logcommit 0d4a808c26908cd5fe4b6294a00150342d1a58beAuthor:

我們經常需要為應用程式製作chm格式的協助檔案。一般都會通過微軟提供的HTML Help Workshop這個軟體來完成。 該工具的下載地址是： http://www.microsoft.com/downloads/details.aspx?FamilyID=00535334-c8a6-452f-9aa0-d597d16580cc&displaylang=en   我下面簡單地講解一下如何製作協助檔案 1. 準備一個網站。準備好所有的網頁 &

08年9月入學，12年7月畢業，結束了我在軟體學院愉快豐富的大學生活。此系列是對四年專業課程學習的回顧，索引參見：http://blog.csdn.net/xiaowei_cqu/article/details/7747205 尋找演算法 尋找演算法是在存在的序列（list） 中尋找特定的目標（target），要求序列中每個記錄必須與一個關鍵詞（key）關聯才能進行尋找。  

《Linux多線程服務端編程——使用muduo C++網路程式庫》這本書是我自己用LaTeX排版的，在排版過程中也積累了一些小工具，今天把其中幾個發布出來。這幾個工具都直接基於開源的 iText 庫，可從 http://itextpdf.com/ 下載。 下載 Groovy 版本位於 https://github.com/chenshuo/typeset/tree/master/tools Java

今天的《30天學習30種新技術》，我決定去學習如何寫一個 Chrome 擴充程式。在做了一些搜尋之後，我發現一個 Yeoman 產生器可以用來寫 Chrome 擴充程式。我們在這篇要寫的擴充程式是一個可以在工作時間內，把 Facebook、Twitter、LinkedIn 等等的社交網站屏蔽掉的外掛程式。這篇文章不會說到 Yeoman 的基本知識，你可以閱讀第 24 天的內容瞭解一下 Yeoman。 Chrome 擴充程式用例 我們會寫一個在辦公時間內（早上 9 點到下午 6

到目前為止，我們這個系列討論了Bower、AngularJS、GruntJS、PhoneGap、Meteor、Ember和TimelineJS等JavaScript技術。今天的《30天學習30種新技術》，我決定學習前端開發的效率工具Yeoman。本文將首先介紹Yeoman的基本情況，接著我們會使用Yeoman開發一個Ember應用。本文不會介紹EmberJS的基本知識，所以請參考day 19。 Yeoman是什麼。

幾個月以前，紅帽（Red Hat）宣布了在 Docker 技術上和 dotCloud 建立合作關係。在那時候，我並沒有時間去學習關於 Docker 的知識，所以在今天，趁著這個 30 天的挑戰，我決定去學習一下 Docker 究竟是怎樣的。這篇博文並不是說以後怎麼在 OpenShift 上用 Docker 的。請閱讀由 Mike McGrath 撰寫的 "關於 OpenShift 和 Docker 的技術思考"。也可以看看這個Stackoverflow 的問題，瞭解一下 Docker 和

我並不是一個機器學習（Machine Learning）、自然語言處理（Natural Text Processing，NLP）等的狂熱者，但我總會想到一些需要用到它們的主意。我們今天在這篇博文中要實現的目標是：利用 Twitter 資料建立一個即時的職位搜尋。每個單獨的搜尋結果要包括提供職位的公司名稱、工作的地點、去公司應聘時聯絡的人。這需要我們從

MATLAB Modules MATLAB Modules Sparse autoencoder |sparseae_exercise.zip checkNumericalGradient.m - Makes sure that computeNumericalGradient is implmented correctly computeNumericalGradient.m - Computes numerical gradient of a function (to be

資料預先處理 Contents [hide] 1概要 2資料歸一化 2.1簡單縮放 2.2逐樣本均值消減 2.3特徵標準化 3PCA/ZCA白化 3.1基於重構的模型 3.2基於正交化ICA的模型 4大映像 5標準流程 5.1自然灰階映像 5.2彩色映像 5.3音頻 (MFCC/頻譜圖) 5.4MNIST 手寫數字 6中英文對照 7中文譯者 概要

獨立成分分析 Contents [hide] 1概述 2標準正交ICA 3拓撲ICA 4中英文對照 5中文譯者 概述 試著回想一下，在介紹 稀疏編碼演算法中我們想為樣本資料學習得到一個超完備基（over-complete basis）。具體來說，這意味著用稀疏編碼學習得到的基向量之間不一定線性獨立。儘管在某些情況下這已經滿足需要，但有時我們仍然希望得到的是一組線性獨立基。獨立成分分析演算法（ICA）正實現了這一點。而且，在 ICA

Exercise:Learning color features with Sparse Autoencoders Contents [hide] 1Learning color features with Sparse Autoencoders 1.1Dependencies 1.2Learning from color image patches 1.3Step 0: Initialization 1.4Step 1: Modify your sparse