方兴集

常用docker命令。 命令容器相关# 1. 启动容器docker start <容器名orID># 2. 停止容器docker stop <容器名orID># 3. 重启容器docker restart <容器名orID># 4. 杀死容器docker kill <容器名orID># 5. 查看正在运行的容器docker ps# 6. 查看所有的容器(包括已经停止的)docker ps -a # 7. 删除容器docker rm <容器名orID># 8. 删除所有容器docker rm $(docker ps -a -q) # 9. 查看容器的root用户密码docker logs <容器名orID> 2>&1 | grep '^User: ' | tail -n1# 10. 查看容器日志docker logs -f <容器名orID># 11. 后台运行，并暴露端口，便于连入容器docker run -d -p 127.0.0.1:33301:22 ce...

理解矩阵的一些基本运算定义。 转置 transpose矩阵的转置是以对角线为轴的镜像，左上到右下的对角线称为主对角线。矩阵$\bf A$的转置矩阵记为$\bf A^T$。 转置的定义为：$(A^T){i,j}=A{j,i}$ 向量是一个只有一列的矩阵，所以向量的转置是一个只有一行的矩阵。为了便于书写，有时会将向量元素作为行矩阵写在文本中，然后使用转置操作将其变为标准的列向量，来定义一个向量，比如 $\bf x \rm = [x_1,x_2,x_3]^T$。 标量可以看作只有一个元素的矩阵，所以其转置矩阵即为其本身，$a=a^T$。 矩阵的加法只要两个矩阵的形状一样，就可以把两个矩阵相加。两个矩阵相加，是指对应位置的元素相加。 $\bf C=A+B$ 即为 $C_{i,j} = A_{i,j} + B_{i,j}$ 标量与矩阵的乘法标量与矩阵做乘法即为标量与矩阵的每个元素做乘法。$\bf D \rm = a * C_{i,j}$ 标量与矩阵的加法标量与矩阵的加法即为标量与矩阵的每个元素做加法。$\bf D \rm &...

最近开始用mathjax写一些数据公式，才发现hexo虽然支持markdown但是对mathjax语法支持的不太好。综合网上的各种资料，加上自己的实践，整理出来修正的方法。 卸载默认的渲染引擎npm uninstall hexo-renderer-marked --save 安装kramed引擎npm install hexo-renderer-kramed --save 修改kramed的inline.js文件文件位于：$HEXO\node_modules\kramed\lib\rules\inline.js 更改escape的正则（第10行） // escape: /^\\([\\`*{}\[\]()#$+\-.!_>])/, escape: /^\\([`*\[\]()#$+\-.!_>])/, 更改em的正则（第21行） // em: /^\b_((?:__|[\s\S])+?)_\b|^\*((?:\*\*|[\s\S])+?)\*(?!\*)/, em: /^\*((?:\*\*|[\s\S])+?)\*(?!\*)...

理解标量、向量、矩阵、张量的含义和表达形式，目的是能理解含义，能读懂公式。 标量 scalar一个标量是一个单独的数。通常表示为小写的英文字母，如：$x$，$s$。 向量 vector一个向量是一列数。这些数是有序排列的。通过次序中的索引，可以确定每个单独的数。类似java中的数组。通常表示为粗体的小写英文字母，如：$\bf x$。 $x_1$是向量$\bf x$的第一个元素。当需要明确向量中的每一个元素时，可以使用方括号包围的一个纵列来表示，如：$\bf x \rm = \begin{bmatrix} x_1 \ x_2 \\vdots \x_n \end{bmatrix}$。有的时候需要明确的索引一个向量中的部分元素，可以先定义一个索引集合，再用索引集合做向量的下表，来表达。如：$s={1,3,6}$，然后写作$ \bf x_s$。可以通过补集的形式明确限定一组元素，如除了$x_1$之外的所有元素，表示为$\bf x_{-1}$。除了$x_1,x_3,x_6$之外的一个向量可以表示为$\bf x{-_s}$。 可以把向量看作空间上的一个点，向量中的每个...

想想n年之前，我也是能用numpy，pandas做一些机器学习应用的人，几年的摸爬滚打，这块东西忘完了。现在医疗领域AI如火如荼，有必要完善自己的知识结构，投入深度学习的浪潮中。这次学习，我希望能从基础出发，不求快，但求稳。我将记录下学习过程中的关键点、心得，本文是汇总目录。 深度学习入门1-线性代数-基本概念 深度学习入门2-线性代数-基本运算 深度学习入门3-线性代数-单位矩阵和逆矩阵 深度学习入门4-概率论基础 深度学习入门5-常用概率分布 深度学习入门6-常用函数

在开发环境里上传文件的功能运行正常，打包成jar后在正式环境里入库的文件成了乱码，排除了数据库、文件编码等原因后，问题通过java的启动命令参数解决。 java -Dfile.encoding=utf-8 xxx.jar 感谢前几天的H同事趟坑，他遇到的问题是在开发环境里调用服务正常，正式环境里调用服务后返回值成了乱码。

本文主要讲解，如何将Gitlab的代码管理功能和Sonar的代码审查功能结合起来，实现开发人员每次push时，自动scanner。由于服务器性能有限，未采用Jenkins。 环境介绍 centos 7 sonar cube 6.5 gitlab-ce-10.1.0 sonar-scanner-cli-3.0.3 配置sonar-scanner-cli在gitlab服务器上，部署sonar-scanner-cli，要注意的是通过二进制包安装的gitlab是在gitlab-runner用户下，所以需要将sonar-scanner-cli也部署在该用户下，否则会有权限问题。 在sonar-scanner-cli的配置文件中配置 sonar.host.url=https://sonar.lefer.cnsonar.sourceEncoding=UTF-8sonar.login=your token login可以在sonar-cube的用户-安全页面中生成。 安装gitlab-runner# 添加gitlab的repository，由于是国外网站可能不稳定，如果失败就多执行几次...

Spring Boot中使用JPA默认集成了Hibernater，当我们使用单主键的@Entity还是比较方便的，只需要加上@Id注解即可，那如果遇到两个列形成联合主键的场景，该如何定义@Entity呢？下文即为实践。 定义联合主键import javax.persistence.Embeddable;import java.io.Serializable;//要在类上使用@Embeddable注解，标识其为一个增强的主键类@Embeddable//一定要实现Serializable序列化接口public class VerifyResultPK implements Serializable{ //两个成员变量，即为联合主键列 private String cdaname; private Long cdaxh; //建议声明2个构造方法，一个无参，一个全参 public VerifyResultPK() { } public VerifyResultPK(String cdaname, Long cdaxh...

这篇文章是王昊奋老师的一次座谈会的发言稿记录，通俗易懂，提纲挈领，让人对知识图谱有了比较清晰的认识。 以下为分享实景全文： 王昊奋： 近两年来，随着开放链接数据（Linked Open Data）等项目的全面展开，语义万维网数据源的数量激增，大量RDF（ResourceDescription Framework）数据被发布。互联网正从仅包含网页和网页之间超链接的文档万维网（Web of Document）转变成包含大量描述各种实体和实体之间丰富关系的数据万维网（Web of Data）。 国内外互联网搜索引擎公司纷纷以此为基础构建知识图谱，如Google知识图谱（Google KnowledgeGraph），百度“知心”和搜狗的“知立方”，以此来改进搜索质量，从而拉开了语义搜索的序幕。所以在这次介绍中将从Google KG, 知心和知立方三方面出发来介绍知识图谱，并帮助了解其面临的各种挑战以及图谱的内部技术实现。 我将从以下几个方面简述知识图谱： 1、知识图谱的表示以及在搜索中的展现形式； 2、知识图谱的构建； 3、知识图谱在搜索中的应用等； 从而了解其面临的各种挑战以及图谱...

2017全球机器学习技术大会上阿里巴巴从什么是数据新能源说起，接着介绍了阿里目前比较成功的两款数据产品，一个是是自动化标签生产，另外一个是大规模分布式知识图谱，以及在此之上的一些重要应用，其中讲到了他们的技术架构，下文是Lefer对其架构的理解。 总体技术架构 整体分为输入，特征，识别，输出四个层次。 输入：各种用户终端产生并采集到的数据 特征：分为技术和特征两类。技术是指各种特征的提取算法，特征是指计算所输出的有价值的维度。 word2vec：解析自然语句，在向量空间内将词的向量按相似性进行分组。word2vec神经网络的输出是一个词汇表，其中每个词都有一个对应的向量，可以将这些向量输入深度学习网络，也可以只是通过查询这些向量来识别词之间的关系。Word2vec衡量词的余弦相似性，无相似性表示为90度角，而相似度为1的完全相似则表示为0度角，即完全重合；例如，瑞典与瑞典完全相同，而挪威与瑞典的余弦距离为0.760124，高于其他任何国家。 node2vec：主要用于处理网络结构中的多分类和链路预测任务，具体来说是对网络中的节点和边的特征向量表示方法。简单来说就是将原...