其他

深度學習中，我們經常要使用的技術之一，串連連個通道作為下一個網路層的輸入，那麼在tensorflow怎麼來實現呢。 我查看了tensorflow的API，找到了這個函數： tf.concat(concat_dim, values, name='concat')

Mantis中的BUG等級的劃分(Severity)： 　　　　新特性 Feature：首次發現的新類型問題 　　　　微不足道Trivial：比較小的問題,例如使用者介面中Button位置等 　　　　文字錯誤Text：文字上的拼字錯誤 　　　　不合理/彆扭Tweak：如： ￥123.345等 　　　　次要錯誤Minor：不能用上述分類界定的，報告人認為是嚴重程度比較輕的問題 　　　　嚴重錯誤Major：不屬於系統崩潰和死結類的，但報告人認為比較嚴重的錯誤

原文地址：http://www.cnblogs.com/imystr/p/4026639.html OSI七層模型OSI 中的層           

資料分布形態的重要性 在資料分析過程中，資料的不同分布形態將直接影響資料分析策略的選擇。因此，對資料序列分布形態的判定是非常重要的內容。常見的資料分布形態有常態分佈，隨機分布（均勻分布）、泊松分布、指數分布等，但在資料分析中，最重要的分布形態是常態分佈，很多資料分析技術都是面向常態分佈的定距變數或者高測度的定序變數。 下面我們介紹SPSS常用的三種正態性檢驗方法。 SPSS判斷資料分布策略 帶正態曲線長條圖

 降維，什麼是降維，簡單說就是將多個特徵欄位用少數的特徵欄位來表示，方便對資料的後續分析以及進行2維和3維的可視化。降維的方法有多種，主成分分析、主因子分析、隨機森林、決策樹、LASSO迴歸以及t-SNE等，其實降維可以理解成對變數的一種選擇。本文不對所有的方法進行介紹，主要介紹一下主成分分析和t-SNE這兩種方法。

前兩天有突然個壞人從QQ上發來了個rar壓縮檔，當時我肯定這個是病毒，但是在我解壓後發現，這個是一個asxarcs.txt的文字檔，隨後我進入檔案夾選項，發現隱藏已知檔案類型的副檔名的勾已經去掉了，我又猜想這個可能是個廣告吧，於是想開啟看看，右擊一下後發現，沒有開啟選項，只有測試、配置、安裝這幾個選項，此時我意識到不對，這絕對是個病毒、差一點點就開啟了，好險。。 經過我的一番研究，終於讓我找到了這個病毒的製作方法了。        

要對一組樣本進行正態性檢驗，在MATLAB中，一種方法是用normplot畫出樣本，如果都分布在一條直線上，則表明樣本來自常態分佈，否則是非常態分佈。 MATLAB中也提供了幾種更正式的檢驗方法：  kstest Kolmogorov-Smirnov 正態性檢驗，將樣本與標準常態分佈（均值為0，方差為1）進行對比，不符合常態分佈返回1，否則返回0；該函數也可以用於其它分布類型的檢驗； lillietest Lilliefors test。

下面簡單列舉幾種常用的推薦系統評測指標： 1、準確率與召回率（Precision & Recall） 準確率和召回率是廣泛用於資訊檢索和統計學分類領域的兩個度量值，用來評價結果的品質。其中精度是檢索出相關文檔數與檢索出的文檔總數的比率，衡量的是檢索系統的查准率；召回率是指檢索出的相關文檔數和文件庫中所有的相關文檔數的比率，衡量的是檢索系統的查全率。

Visio中添加、移動或刪除形狀上的連接點的方法 利用Visio畫圖時，學會使用連接點能使你的畫圖品質和速度大幅度提高。下面在Visio2010中，以一個例子講述如何使用連接點。 一. 準備 1. 開啟Visio2010，開啟一個空白頁，在基本形狀中拖入一個正方形和一個三角形。 2. 在開始欄中，選擇直線。 3. 滑鼠在兩框圖上活動，可以看出兩框圖預設連接點個數及其位置。 二. 移動示範（移動正方形框圖右上方連接點） 1.

著作權說明：內容來自互連網及書籍 一、主成分分析PCA 1. 基本思想 主成分分析是一類常用的針對連續變數的降維方法，選取能夠最大化解釋資料變異的成分，將資料從高維降到低維，同時保證各個維度之間正交。

前言 本文 RNN From Scratch RNN Using Theano RNN Using Keras 後記 “由簡至繁，再而至簡。” 前言 跳過廢話，直接看本文 經過一段時間的學習，我初步瞭解了RNN的基本原理和實現方法，在這裡列出三種不同的RNN實現方法，以供參考。 RNN的原理在網上能找到很多，我這裡就不說了，說出來也不會比那些更好，這裡先推薦一個RNN教程，講的很好，四個post看完基本就能自己實現RNN了。 本文

GAN 自從被提出以來，就廣受大家的關注，尤其是在電腦視覺領域引起了很大的反響。“深度解讀：GAN模型及其在2016年度的進展”［1］一文對過去一年GAN的進展做了詳細介紹，十分推薦學習GAN的新手們讀讀。這篇文章主要介紹GAN在NLP裡的應用（可以算是論文解讀或者論文筆記），並未涉及GAN的基本知識 （沒有GAN基礎知識的小夥伴推薦先看[1]，由於本人比較懶，就不在這裡贅述GAN的基本知識了J）。由於很長時間沒有寫中文文章了，請各位對文章中不準確的地方多多包涵、指教。

簡介 在商業應用中，時間是最重要的因素，能夠提升成功率。然而絕大多數公司很難跟上時間的腳步。但是隨著技術的發展，出現了很多有效方法，能夠讓我們預測未來。不要擔心，本文並不會討論時間機器，討論的都是很實用的東西。 本文將要討論關於預測的方法。有一種預測是跟時間相關的，而這種處理與時間相關資料的方法叫做時間序列模型。這個模型能夠在與時間相關的資料中，尋到一些隱藏的資訊來輔助決策。 當我們處理時序序列資料的時候，時間序列模型是非常有用的模型。大多數公司都是基於時間序列資料來分析第二年的銷售量，

今天上午，需要查看opencv的cvColor函數的原始碼，之前雖然經常使用opencv庫來做一些映像相關的處理，但是並沒有查看過opencv的原始碼，經過一些尋找，主要有下面的兩種方法： 1. 使用cmake。我們知道，我們在官網上下載的完整版的opencv一般會有build和sources兩個檔案夾，如果我們僅僅是要使用opencv庫，那麼build檔案夾足矣。而如果是要查看opencv的原始碼，則需要sources檔案夾，但是sources檔案夾中只是一些零散的檔案，用Visual

OpenFace是一個包含了landmark，head pose，Actionunions，eye gaze等功能，並包含訓練和檢測所有源碼的開源人臉架構，論文為，OpenFace: an open source facial behavior analysis toolkit   OpenFace所用到的庫包含opencv，dlib，boost，tbb 建議在vs2015下運行。 程式整體過程如下圖所示。在Action

Azure Storage的Container除了可以設定Public Access Level之外： 還可以定義一些Stored Access Policy： Stored Access Policy是屬於單個容器的，不同容器之間的Stored Access Policy是互相獨立的。 Stored Access Policy可以用於產生SAS Token(Shared Access

# # Recommended minimum configuration: # # Example rule allowing access from your local networks. # Adapt to list your (internal) IP networks from where browsing # should be allowed acl localnet src 10.0.0.0/8    #

使用ShellExW.dll中的ShellExecWait函數同步調用DOS命令  在很多項目中都需要調用外部命令，但是使用VFP的RUN命令、VB中的Shell命令或者調用Win32Api的WinExec函數這些方法都是非同步執行，不但有些命令難於控制執行視窗的外觀，而且使用後不知道執行的結果，往往要採用其他檢測的手段才能保證程式正確的運行。現在我們可以使用ShellExW.dll中的ShellExecWait函數來解決這個問題。

1.Forward Add要和Forward Base一起使用。 Tags{ "LightMode"="ForwardBase"} Tags{ "LightMode"="ForwardAdd"} 否則Forward Add在任何渲染路徑下都不被渲染。 2.Vertex list渲染路徑下，Forward的Shader，都不會被渲染出來。在向前或延後渲染路徑下，Forward 的Shader，都會被渲染出來（

CPU數，核心數，processor數的概念 CPU數獨立的中央處理單元，體現在主板上就是有多少個CPU槽位CPU cores 在每一個CPU上，都可能有多核（core）,每個核中都有獨立的ALU，FPU，Cache等組件，可以理解為CPU的物理核心數。（我們常說4核8線程中的核）processor