本文为《复杂网络系列》文章图存储语义网络与 RDF 存储1968 年 Ross Quillian 在其博士论文中最先提出语义网络（Semantic Web），把它作为人类联想记忆的一个显式心理学模型，并在他设计的可教式语言理解器 TLC（Teachable Language Comprehenden）中用作知识表示方法。语义网络的基本思想是在网络中，用“节点”代替概念，用节点间的“连接弧”（称为联想弧）代替概念之间的关系，因此，语义网络又称联想网络。它在形式上是一个带标识的有向图。由于所有的概念节点均通过联想弧彼此相连知识推导。一个语义网络的基本构成如下：语义网络中的节点：表示各种事物、概念、情况、属性、动作、状态等，每个节点可以带有若干属性，一般用框架或元组表示。此外，节点还可以是一个语义子网络，形成一个多层次的嵌套结构。语义网络中的弧：表示各种语义联系，指明它所连接的节点间某种语义关系。节点和弧都必须带有标识，以便区分各种不同对象以及对象间各种不同的语义联系。之后 Tim Berners-Lee 又提出了语义网堆栈（Semantic Web Stack）的概念。语义网堆栈利用图示解释是不同层面的语言所构成的层级结构，其中，每一层面都将利用下游层面的能力，语义网堆栈如下图所示：资源描述框架（Resource Description Framework，RDF）是用于描述网络资源的 ...继续阅读 (48)

本文为《复杂网络系列》文章本文内容主要参考自：《网络科学引论》1网络基础算法最短路径最短路径（shortest path）算法是寻找两个顶点之间的最短路径，寻找网络中最短路径的标准算法称为广度优先搜索（breadth-first search）。算法的基本思想如下图所示：根据广度优先搜索的基本思想，不难证明距$s$最短距离为$d$的每个顶点都有一个到$s$的最短距离为$d - 1$的邻居顶点。一个简单的实现方式是，创建一个有$n$个元素的数组存储从源顶点$s$到其他所有顶点的距离，同时创建一个距离变量$d$来记录当前在搜索过程中所处的层数，算法的具体流程如下：遍历距离数组，查找到$s$的距离为$d$的所有顶点。查找上述顶点的所有邻居顶点，如果同$s$的距离未知，则距离置为$d + 1$。如果距离未知的邻居顶点数量为零，则停止算法，否则将$d$的值加一并重复上述过程。这种方法在最坏的情况下时间复杂度为$O \left(m + n^2\right)$，考虑多数网络的直径只随$\log n$增长，算法运行的时间复杂度为$O \left(m + n \log n\right)$。上述算法中步骤 1 是最耗时的部分，通过使用队列的数据结构我们可以避免每次都遍历列表来找到距离源顶点$s$距离为$d$的顶点。构造一个队列，一个指针指向下一个要读取的元素，另一个指针指向要填充的空位，这样距离为$d ...继续阅读 (55)

本文为《复杂网络系列》文章本文内容主要参考自：《网络科学引论》1分支在无向网络中，一个典型的现象是很多网络都有一个分支，该分支占据了网络的绝大部分，而剩余部分则被划分为大量的小分支，这些小分支之间彼此并不相连。如下图所示：一个网络通常不能有两个或更多占据网络大部分的大分支。如果将一个$n$个顶点的网络分解为两个分支，每个分支约为$\dfrac{1}{2} n$个顶点，则两个分支的顶点之间会有$\dfrac{1}{4} n^2$个顶点对，这些顶点对有可能一个顶点在一个大分支中，而另一个顶点在另外一个大分支中。如果在任何一个顶点对之间有一条边，那么这两个分支就会合并为一个分支。有向图中分支分为两种：弱连通分支和强连通分支。弱连通分支的定义与无向网络的分支定义类似，强连通分支是指网络顶点的一个最大子集，该子集中的顶点能够通过有向路径到达其余所有顶点，同时也能够通过有向路径从其余所有顶点到达。每个连通分支拥有外向分支（即从强连通分支中的任意顶点出发，沿着有向路径能够到达的所有顶点的集合）和内向分支（即沿着有向路径能够到达强连通分支的所有顶点的集合）。利用**“领结”图**可以很好地刻画有向网络的总体情况，万维网的“领结”图如下所示：小世界效应小世界效应（small-world effect）是指对于大多数网络而言，网络顶点之间的测地距离都惊人的小，例如：六度分隔理论。网络的数学模型显示出网 ...继续阅读 (50)

本文为《复杂网络系列》文章，本文内容主要参考自：《网络科学引论》网络（network）也称为图（graph），是一个由多个顶点（vertex）及连接顶点的边（edge）组成的集合。在网络中，我们通常用$n$表示顶点的数目，用$m$表示边的数目。在大多数网络中两个顶点之间都只有一条边，极少数情况下，两个顶点之间有多条边，称之为重边（multiedge）。在极特殊情况下，还会存在连接到顶点自身的边，称之为自边（self-edge）。既没有自边也没有重边的图称之为简单网络（simple network）或简单图（simple graph），存在重边的网络称之为重图（multigraph）。相关概念示例如下：网络表示无向网络对于一个包含$n$个顶点的无向图，可以用整数$1$到$n$对各个顶点进行标注。如果用$\left(i, j\right)$表示顶点$i$和顶点$j$之间的边，那么通过给定$n$的值及所有边的列表就能表示一个完整的网络，这种表示方法称之为边列表（edge list）。相比于边列表，邻接矩阵（adjacency matrix）可以更好地表示网络。一个简单图的邻接矩阵$\mathbf{A}$中元素$A_{ij}$的含义如下：$$ A_{ij}=\left\{\begin{array}{ll} 1 & \text{如果顶点 } i \text{ 和顶点 } j \text{ 之 ...继续阅读 (59)

文本相似度是指衡量两个文本的相似程度，相似程度的评价有很多角度：单纯的字面相似度（例如：我和他 v.s. 我和她），语义的相似度（例如：爸爸 v.s. 父亲）和风格的相似度（例如：我喜欢你 v.s. 我好喜欢你耶）等等。文本表示角度统计模型文本切分在中文和拉丁语系中，文本的直观表示就存在一定的差异，拉丁语系中词与词之间存在天然的分隔符，而中文则没有。I can eat glass, it doesn’t hurt me.我能吞下玻璃而不伤身体。因此针对拉丁语系的文本切分相对中文容易许多。N 元语法N-gram (N 元语法) 是一种文本表示方法，指文中连续出现的 $n$ 个词语。N-gram 模型是基于 $n-1$ 阶马尔科夫链的一种概率语言模型，可以通过前 $n-1$ 个词对第 $n$ 个词进行预测。以南京市长江大桥为例，N-gram 的表示如下：一元语法（unigram）：南/京/市/长/江/大/桥 二元语法（bigram）：南京/京市/市长/长江/江大/大桥 三元语法（trigram）：南京市/京市长/市长江/长江大/江大桥import re from nltk.util import ngrams s = '南京市长江大桥' tokens = re.sub(r'\s', '', s) list(ngrams(tokens, 1)) # [('南',), (' ...继续阅读 (54)

没几个月就步入而立之年，古有云三十岁能自立于世，诚然不易。「立」，自当有成家立业之意，在当今社会，无论是客观因素还是主观因素，大家对成家立业的看法和行动步伐都略有差异，在此就不再发表愚见了。但我认为**「立身」**是我们都应该去思考和行动的事情，我们应该对于内在的自我和外部的社会有一个比较明确的认知，知道在社会中立足应该去做什么事、喜欢去做什么事、擅长去做什么事，然后不畏惧、不妥协、勇敢去做。有时候会自嘲没有远大的志向和野心，但这样其实很真实，我认为平淡是人生的常态，脑海中记忆更深的才是平淡之外的苦难和幸福。虛泛的东西写多了容易变成鸡汤，简单整理几块内容省身克己，如于他人有益，实则万幸。三观总是在说三观，其实容易泛泛而谈，我认为三观会从很大程度上决定应该去做什么、喜欢去做什么，甚至会影响到擅长去做什么。世界观世界观是我们对于宇宙的根本看法，我认为这是进行沟通的一个基础，如果两个人在这个层面上就处在对立的位置，感觉无论沟通什么都会失去意义。世界观的两个根本对立即唯物主义和唯心主义，我自己不在任意一个极端，非要占个队，我应该会略微偏向唯物主义。毕竟鸡不打鸣太阳照常会升起，但如果我看不到，于我又有什么意义。在我认识的人中，没有遇见太过极端的，更多的可能是受到民族、信仰、地域等因素的长期影响吧，或多或少都会有些差异。我认为只要不处在完全的对立面，一切都还是可以去思考、去沟通、去辩解的。人生 ...继续阅读 (44)

**最近邻搜索（Nearest Neighbor Search）**是指在一个确定的距离度量和一个搜索空间内寻找与给定查询项距离最小的元素。更精确地，对于一个包含$N$个元素的集合$\mathcal{X} = \left\{\mathbf{x}_1, \mathbf{x}_2, \cdots, \mathbf{x}_n\right\}$，给定查询项$\mathbf{q}$的最近邻$NN \left(\mathbf{q}\right) = \arg\min_{\mathbf{x} \in \mathcal{X}} dist \left(\mathbf{q}, \mathbf{x}\right)$，其中$dist \left(\mathbf{q}, \mathbf{x}\right)$为$\mathbf{q}$和$\mathbf{x}$之间的距离。由于维数灾难，我们很难在高维欧式空间中以较小的代价找到精确的最近邻。**近似最近邻搜索（Approximate Nearest Neighbor Search）**则是一种通过牺牲精度来换取时间和空间的方式从大量样本中获取最近邻的方法。精确搜索暴力查找（Brute-force Search）最简单的最邻近搜索便是遍历整个点集，计算它们和目标点之间的距离，同时记录目前的最近点。这样的算法较为初级，可以为较小规模的点集所用，但是对于点集的尺寸和空 ...继续阅读 (54)

本文为《强化学习系列》文章本文内容主要参考自：1.《强化学习》12. CS234: Reinforcement Learning23. UCL Course on RL3时序差分预测**时序差分（Temporal Difference，TD）**和蒙特卡洛方法都利用经验来解决预测问题。给定策略$\pi$的一些经验，以及这些经验中的非终止状态$S_t$，一个适用于非平稳环境的简单的每次访问型蒙特卡洛方法可以表示为：$$ V\left(S_{t}\right) \gets V\left(S_{t}\right)+\alpha\left[G_{t}-V\left(S_{t}\right)\right] \label{eq:mc-update} $$其中，$G_t$是时刻$t$真实的回报，$\alpha$是步长参数，称之为常量$\alpha$MC。MC 需要等到一幕的结尾才能确定对$V \left(S_t\right)$的增量（此时才能获得$G_t$），而 TD 则只需要等到下一个时刻即可。在$t+1$时刻，TD 使用观察到的收益$R_{t+1}$和估计值$V \left(S_{t+1}\right)$来进行一次有效更新：$$ V\left(S_{t}\right) \gets V\left(S_{t}\right)+\alpha\left[R_{t+1}+\gamma V\left(S_ ...继续阅读 (41)

本文为《强化学习系列》文章本文内容主要参考自：1.《强化学习》12. CS234: Reinforcement Learning23. UCL Course on RL3蒙特卡洛算法仅需要经验，即从真实或者模拟的环境交互中采样得到的状态、动作、收益的序例。从真实经验中学习不需要关于环境动态变化规律的先验知识，却依然能够达到最优的行为；从模拟经验中学习尽管需要一个模型，但这个模型只需要能够生成状态转移的一些样本，而不需要像动态规划那样生成所有可能的转移概率分布。蒙特卡洛预测一个状态的价值是从该状态开始的期望回报，即未来的折扣收益累积值的期望。那么一个显而易见的方式是根据经验进行估计，即对所有经过这个状态之后产生的回报进行平均。随着越来越多的回报被观察到，平均值就会收敛到期望值，这就是蒙特卡洛算法的基本思想。假设给定策略$\pi$下途径状态$s$的多幕数据，我们需要估计策略$\pi$下状态$s$的价值函数$v_{\pi} \left(s\right)$。在同一幕中，$s$可能多次被访问，因此蒙特卡洛方法分为首次访问型 MC 算法和每次访问型 MC 算法，两者的区别在于更新时是否校验$S_t$已经在当前幕中出现过。以首次访问型 MC 预测算法为例，算法流程如下：\begin{algorithm} \caption{首次访问型 MC 预测算法，用于估计 $V \approx v_{\pi} ...继续阅读 (46)

本文为《强化学习系列》文章本文内容主要参考自：1.《强化学习》12. CS234: Reinforcement Learning23. UCL Course on RL3动态规划动态规划（Dynamic Programming，DP）是一种用于解决具有如下两个特性问题的通用算法：优化问题可以分解为子问题。子问题出现多次并可以被缓存和复用。马尔可夫决策过程正符合这两个特性：贝尔曼方程给定了迭代过程的分解。价值函数保存并复用了解决方案。在强化学习中，DP 的核心思想是使用价值函数来结构化地组织对最优策略的搜索。一旦得到了满足贝尔曼最优方程的价值函数$v_*$或$q_*$，得到最优策略就容易了。对于任意$s \in \mathcal{S}$（状态集合），$a \in \mathcal{A} \left(s\right)$（动作集合）和$s' \in \mathcal{S}^{+}$（在分幕式任务下$\mathcal{S}$加上一个终止状态），有：$$ \begin{aligned} v_{*}(s) &=\max _{a} \mathbb{E}\left[R_{t+1}+\gamma v_{*}\left(S_{t+1}\right) | S_{t}=s, A_{t}=a\right] \\ &=\max _{a} \sum_{s^{\prime}, r} p\left(s^{\prim ...继续阅读 (54)

本文内容主要参考自：从高斯分布到高斯过程、高斯过程回归、贝叶斯优化A Visual Exploration of Gaussian ProcessesGaussian Process RegressionExploring Bayesian Optimization高斯分布一元高斯分布若随机变量$X$服从一个均值为$\mu$，方差为$\sigma^2$的高斯分布，则记为：$$ X \sim N \left(\mu, \sigma^2\right) $$其概率密度函数为：$$ f \left(x\right) = \dfrac{1}{\sigma \sqrt{2 \pi}} e^{- \dfrac{\left(x - \mu\right)^2}{2 \sigma^2}} $$图片来源：https://zh.wikipedia.org/wiki/正态分布二元高斯分布若随机变量$X, Y$服从均值为$\mu = \left(\mu_X, \mu_Y\right)^{\top}$，方差为$\mu = \left(\sigma_X, \sigma_Y\right)^{\top}$的高斯分布，则记为：$$ \left(X, Y\right) \sim \mathcal{N} \left(\mu, \sigma\right) $$其概率密度函数为：$$ f(x, y)=\frac{1}{2 \p ...继续阅读 (47)

本文为《强化学习系列》文章本文内容主要参考自：1.《强化学习》12. CS234: Reinforcement Learning23. UCL Course on RL3马尔可夫模型马尔可夫模型是一种用于序列数据建模的随机模型，其假设未来的状态仅取决于当前的状态，即：$$ \mathbb{P} \left[S_{t+1} | S_t\right] = \mathbb{P} \left[S_{t+1} | S_1, \cdots, S_t\right] $$也就是认为当前状态捕获了历史中所有相关的信息。根据系统状态是否完全可被观测以及系统是自动的还是受控的，可以将马尔可夫模型分为 4 种，如下表所示：状态状态完全可被观测系统状态不是完全可被观测状态是自动的马尔可夫链（MC）隐马尔可夫模型（HMM）系统是受控的马尔可夫决策过程（MDP）部分可观测马尔可夫决策过程（POMDP）马尔可夫链（Markov Chain，MC）为从一个状态到另一个状态转换的随机过程，当马尔可夫链的状态只能部分被观测到时，即为隐马尔可夫模型（Hidden Markov Model，HMM），也就是说观测值与系统状态有关，但通常不足以精确地确定状态。马尔可夫决策过程（Markov Decision Process，MDP）也是马尔可夫链，但其状态转移取决于当前状态和采取的动作，通常一个马尔可夫决策过程用于计算依据期 ...继续阅读 (42)

本文为《强化学习系列》文章本文内容主要参考自《强化学习》1多臂赌博机问题一个赌徒，要去摇老虎机，走进赌场一看，一排老虎机，外表一模一样，但是每个老虎机吐钱的概率可不一样，他不知道每个老虎机吐钱的概率分布是什么，那么每次该选择哪个老虎机可以做到最大化收益呢？这就是多臂赌博机问题 (Multi-armed bandit problem, K- or N-armed bandit problem, MAB)2。图片来源：http://hagencartoons.com/cartoons_166_170.html$k$臂赌博机问题中，$k$个动作的每一个在被选择时都有一个期望或者平均收益，称之为这个动作的**“价值”**。令$t$时刻选择的动作为$A_t$，对应的收益为$R_t$，任一动作$a$对应的价值为$q_* \left(a\right)$，即给定动作$a$时收益的期望：$$ q_* \left(a\right) = \mathbb{E} \left[R_t | A_t = a\right] $$我们将对动作$a$在时刻$t$的价值的估计记做$Q_t \left(a\right)$，我们希望它接近$q_* \left(a\right)$。如果持续对动作的价值进行估计，那么在任一时刻都会至少有一个动作的估计价值是最高的，将这些对应最高估计价值的动作成为贪心的动作。当从这些动作中选择时， ...继续阅读 (48)

本文为《强化学习系列》文章强化学习简介**强化学习（Reinforcement Learning，RL）**是机器学习中的一个领域，是学习“做什么（即如何把当前的情景映射成动作）才能使得数值化的收益信号最大化”。学习者不会被告知应该采取什么动作，而是必须自己通过尝试去发现哪些动作会产生最丰厚的收益。强化学习同机器学习领域中的有监督学习和无监督学习不同，有监督学习是从外部监督者提供的带标注训练集中进行学习（任务驱动型），无监督学习是一个典型的寻找未标注数据中隐含结构的过程（数据驱动型）。强化学习是与两者并列的第三种机器学习范式，强化学习带来了一个独有的挑战——**“试探”与“开发”**之间的折中权衡，智能体必须开发已有的经验来获取收益，同时也要进行试探，使得未来可以获得更好的动作选择空间（即从错误中学习）。在强化学习中，有两个可以进行交互的对象：智能体（Agnet）和环境（Environment）：智能体：可以感知环境的状态（State），并根据反馈的奖励（Reward）学习选择一个合适的动作（Action），来最大化长期总收益。环境：环境会接收智能体执行的一系列动作，对这一系列动作进行评价并转换为一种可量化的信号反馈给智能体。图片来源：https://en.wikipedia.org/wiki/Reinforcement_learning除了智能体和环境之外，强化学习系统有四个核心 ...继续阅读 (40)

工具链安装登录 NAS 控制台，在系统根目录创建toolkit目录：sudo mkdir /toolkit sudo chown -R username:users /toolkit其中username为使用的用户名，如果后续使用过程中出现磁盘空间不足的问题，可以在其他具有较大容量的分区建立toolkit，再在根目录建立软链进行使用：mkdir /xxx/toolkit sudo ln -s /xxx/toolkit /toolkit sudo chown -R username:users /toolkit之后下载相关工具脚本：cd /toolkit git clone https://github.com/SynologyOpenSource/pkgscripts-ng.git工具脚本使用 Python 3 实现，请确保 NAS 已经安装 Python 3，后续使用过程中如果提示相关 Python 扩展包未安装的情况请自行安装后重试。实验的 Synology NAS 为 DS418play，系统版本为DSM 6.2.2系统，处理器为 INTEL Celeron J3355 处理器（产品代号：Apollo Lake），首先利用EnvDeploy下载所需的编译环境：cd /toolkit/pkgscripts-ng sudo ./EnvDeploy -v 6.2 -p apollo ...继续阅读 (39)

隐马尔可夫隐马尔可夫模型（Hidden Markov Model，HMM）是一个描述包含隐含未知参数的马尔可夫过程的统计模型。马尔可夫过程（Markov Process）是因俄国数学家安德雷·安德耶维齐·马尔可夫（Андрей Андреевич Марков）而得名一个随机过程，在该随机过程中，给定当前状态和过去所有状态的条件下，其下一个状态的条件概率分布仅依赖于当前状态，通常具备离散状态的马尔可夫过程称之为马尔可夫链（Markov Chain）。因此，马尔可夫链可以理解为一个有限状态机，给定了当前状态为$S_i$时，下一时刻状态为$S_j$的概率，不同状态之间变换的概率称之为转移概率。下图描述了 3 个状态$S_a, S_b, S_c$之间转换状态的马尔可夫链。隐马尔可夫模型中包含两种序列：随机生成的状态构成的序列称之为状态序列（state sequence），状态序列是不可被观测到的；每个状态对应的观测值组成的序列称之为观测序列（observation sequence）。令$I = \left(i_1, i_2, \cdots, i_T\right)$为状态序列，其中$i_t$为第$t$时刻系统的状态值，对应的有$O = \left(o_1, o_2, \cdots, o_T\right)$为观测序列，其中$o_t$为第$t$时刻系统的观测值，系统的所有可能的状态集合为$Q ...继续阅读 (51)

图（Graph / Network）数据类型可以自然地表达物体和物体之间的联系，在我们的日常生活与工作中无处不在。例如：微信和新浪微博等构成了人与人之间的社交网络；互联网上成千上万个页面构成了网页链接网络；国家城市间的运输交通构成了物流网络。图片来源：The power of relationships in data通常定义一个图$G = \left(V, E\right)$，其中$V$为顶点（Vertices）集合，$E$为边（Edges）集合。对于一条边$e = u, v$包含两个端点（Endpoints）$u$和$v$，同时$u$可以称为$v$的邻居（Neighbor）。当所有的边为有向边时，图称之为有向（Directed）图，当所有边为无向边时，图称之为无向（Undirected）图。对于一个顶点$v$，令$d \left(v\right)$表示连接的边的数量，称之为度（Degree）。对于一个图$G = \left(V, E\right)$，其邻接矩阵（Adjacency Matrix）$A \in \mathbb{A}^{|V| \times |V|}$定义为：$$ A_{i j}=\left\{\begin{array}{ll} 1 & \text { if }\left\{v_{i}, v_{j}\right\} \in E \text { and } i \ne ...继续阅读 (54)

本文为 Pre-trained Models for Natural Language Processing: A Survey 和相关模型的读书笔记1。在当下的 NLP 研究领域，随着计算机算力的不断增强，越来越多的通用语言表征的预训练模型（Pre-trained Models，PTMs）逐渐涌现出来。这对下游的 NLP 任务非常有帮助，可以避免大量从零开始训练新的模型。PTM 大致可以分为两代：第一代 PTM 旨在学习词嵌入。由于下游任务不在需要这些模型，因此为了计算效率，这些模型往往采用浅层模型，例如 Skip-Gram2，GloVe3等。尽管这些模型可以捕获词的语义，但由于未基于上下文环境，因此不能够捕捉到更深层次的概念，例如：句法结构，语义角色，指代等等。第二代 PTM 专注于学习基于上下文的词嵌入，例如 CoVe4，ELMo5，OpenAI GPT6和 BERT7等。这些学习到的编码器在下游任务中仍会用于词在上下文中的语义表示。预训练原理语言表示学习分布式表示的核心思想为用一个低维的实值向量表示一段文本，向量单独每个维度不具有任何实质含义，但整个向量表示了一个具体的概念。下图展示了一个 NLP 任务的一般神经网络架构：NLP 任务的一般神经网络架构词嵌入包含两种类型：上下文无关的词嵌入和基于上下文的词嵌入。两者的不同点在于一个词的嵌入是够会随着上下文的不同而随之改变。上 ...继续阅读 (52)

用户权限在产品中是一个最基础的功能，它决定了用户在产品中能做些什么。虽然用户对权限的感知并不是很明显，但作为一个系统的基础功能，用户权限可以说会影响产品设计和实现的方方面面。对于不同类型的产品，用户权限的设计也略有差异，ToC 产品中用户之间相对独立，所需要考虑的问题会比 ToB 产品简单不少，本文仅针对 ToB 产品的用户权限给出一些思考。Role-Based Access ControlRBAC (Role-Based Access Control，基于角色的访问控制) 是一种已经广泛应用于各种管理系统的权限管理模型1。在 RBAC 中，操作权限与角色之间建立关联，再通过在角色与用户之间建立关联来完成对用户的授权，大大提高了权限控制的灵活性。在 RBAC 中包含几个关键的概念：资源：所有可以访问的对象，从交互角度可以理解为：页面，按钮等一切可以操作的对象，从后台接口角度可以理解为：以 Rest 接口为例，资源即为每个 URI。权限：获取资源的方式，简单理解即为资源的增删改查。角色：一个授权等级的工作职位或职称。用户：一名使用者或自动代理人。资源，权限，角色和用户之间的关系如下图所示：资源-权限-角色-用户关系「资源」和「权限」之间为多对多的关系，「权限」和「角色」之间为多对多的关系，「角色」和「用户」之间亦为多对多的关系。RBAC0RBAC0 为 RBAC 中最简单最基础的权限 ...继续阅读 (45)

今年有幸参加了京东数科的 HIPO 培训课程，整个学习之旅可谓收货满满。由于出差没能参加 8 月份的开营仪式，看到小伙伴们各种拓展，还能自己做饭，感觉错过了展示范小厨的大好机会。同样也错过了报名的「领导力」的课程，最终换到了「情商」和「沟通」两门课程学习。情商自认为不是一个情商很高的人，果然开课前利用 6 秒钟情商1评测 (SEI) 评测之后的结果不甚理想。6 秒钟情商模型将情商划分为 3 个阶段：自我认知，包括：认识情绪、识别情绪模式；自我选择，包括：运用因果思维、驾驭情绪、运用内在动力、修炼乐观思维；自我超越，包括：增强同理心、追求超我目标。在自我认知的认识情绪和识别情绪模式上仍处于起步阶段，其他部分基本处于稳定阶段和熟练阶段。这完全符合我对自己情商的认知，不善于发现别人情绪的变化，一旦发现还是能够用自己擅长的理性思维解决问题的。不过认识情绪是整个环节的第一步，如果这一步都不能做得很好，就算后面能力不错，也很难成为一个高情商的人。情绪是很容易变向极端，但比较难恢复平静的，下图就是我们测试自己当前的情绪状况，颜色越紫表示越紧张压力越大，颜色越蓝表示越平静。课程上学习到了一个很好用的情绪管理的工具，TFA 卡片。TFA 卡片是一个实践情绪管理的工具，让我们尝试从T (Think，思考)，F (Feel，感受) 和 A (Act，行动) 三个角度对一个事件进行复盘实践。情商课程让我认 ...继续阅读 (44)

换完工作方向后的第一个假期，决定好好调整一下，休个小长假，浪完这一圈好收收心，再全身心地投入到后面的工作中去。之前一直也没有陪家里人出去玩玩，父母年岁不小了，所以选择避开十一前面，四号错峰到了杭州，妥妥的人少了不少。游西湖的时候下着零星的小雨，烟雨朦胧中的西湖别有一番韵味。想起有一日北京大雨，开完会坐在出租车上还哼起了“西湖的水，我的泪，我情愿和你化作一团火焰…..”。陪着家人玩儿完，自己一个人跑去了日本，因为剩下的年假也不长了，就选择只停留在东京先。下了飞机，打车到酒店，我擦，出租车你敢不敢再贵点儿。好吧，我承认出来之前没做任何攻略，佛系浪吧 😂。回程本想做地铁去机场的，结果各种原因又只能打车，就眼瞅着计价器越跳越多，越跳越多 😱，后面再吐槽这一段经历。住在了新宿区歌舞伎町附近，夜晚的新宿很是热闹，不得不说东京的住宿也是贵的不要不要的。没有攻略就前一天晚上简单的查了查，第一天到了必打卡的浅草寺，顺着上野公园，又去到了东京国立博物馆。天气还是很给力的，第二天依旧闲逛，在东京大学里面转了一圈愣是没转到安田讲堂那边，不过在三四郎池旁边抓拍到应该是一只小蜥蜴吧。没攻略果然还是有问题的，想去晴空塔却发现距离第一天的浅草寺很近，无奈就只能朝着那个方向又跑了一遍。之前有朋友晚上去过，风景不错，我选择了白天上去，稍微有些雾蒙蒙的，视野还是很开阔的。住 ...继续阅读 (44)

国际智慧温室种植挑战赛是一个由瓦赫宁根大学研究中心 (Wageningen University & Research)主办的旨在利用自动化、信息技术和人工智能技术控制温室以实现增加产量、降低成本等目标的大赛。第一届赛事的种植作物为黄瓜，第二届赛事为樱桃西红柿。很幸运能够在晚些时候加入到 CPlant 队伍中一同参与到这次赛事，虽然加入到队伍中比较晚，但工作之余也参与了大部分赛事的准备工作。整个赛事分为初赛和复赛两个部分，初赛采用 Hackathon 的形式通过仿真模拟进行，初赛晋级的队伍将会在后续 6 个月的时间内通过远程控制进行真实的作物种植比赛。本次赛事吸引了全球顶级的农业与 AI 领域的企业、大学和研究机构参与，组成来自 26 个国家的 21 支团队，超过 200 名专家与学生。初赛黑客马拉松评分主要由三部分组成：团队构成 （20％)、人工智能方法（30％)，以及虚拟西红柿种植净利润（50％)。仿真部分，采用了 Venlo 类型的温室，模拟时间从 2017/12/15 日至 2018/06/01，荷兰本地的外部天气，整个模拟过程并未考虑病虫害问题 (主要受到湿度影响)。仿真模型包含三个子模型：Kaspro 温室模型Intkam 作物模型经济模型Kaspro 温室模型：主要通过温室的控制器 (例如：通风口，加热管道，CO2补充器，遮阳帘，灌溉系统等) 控制温室内的环境变量 ( ...继续阅读 (43)

年中自己做出了一个重大的转变，担搁了不少时间，也没太多心情能静下心来读读写写。现在开始了新的征程，本想先总结总结前段的生活和这个我认为很重要的转变，但或许是这段时间想多了，前后也想得远了，回忆到很多小时候的事儿。开始读上《龍應台的香港筆記》，读着读着也很突然地就想起了童年，真的也很难说上有什么关系，但就是突然想起来了。然后，也就这几天，突然又听到了刘昊霖的「儿时」，之前有听过但没怎么注意，偏偏这个时候再一听，感觉所有儿时的东西就一股脑都蹦出来了。能回忆起的最早的画面是小时候妈妈给买的小蛋糕，找了很久才找到这种记忆中蛋糕的照片，蛋糕里好像就只有一层奶油。说实话记不起来是生日还是过年了，因为生日也在冬天，只是模糊地记得和妈妈冬天里赶集的时候好像也没有和妈妈开口要，但妈妈却给买了，当时应该真的是很开心。妈妈管自己比较严，从来都不太敢和妈妈要买什么，实在想要什么的时候我就会说如果我考了前几名能不能给我买个什么呀？父母的文化水平不高，尤其是妈妈，就上了一段时间的小学，但妈妈却对我们姐弟俩在学业上要求很高。或许他们知道自己没有能够接受很好的知识教育，反而想着不能也让孩子和他们一样。爸爸不善言辞，但经常会带着我出去玩，暑假总能够在前几天就把作业写完，然后爸爸就骑着大梁自行车，我坐在大梁上，带着我去捞小鱼，去摘酸枣，真的很开心，无忧无虑。小时候住在村里的瓦房中，一个前院，还有个后院，家里有好多的果 ...继续阅读 (53)

启发式算法 (Heuristic Algorithms)启发式算法 (Heuristic Algorithms)是相对于最优算法提出的。一个问题的最优算法是指求得该问题每个实例的最优解. 启发式算法可以这样定义1：一个基于直观或经验构造的算法，在可接受的花费 (指计算时间、占用空间等) 下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度不一定事先可以预计。在某些情况下，特别是实际问题中，最优算法的计算时间使人无法忍受或因问题的难度使其计算时间随问题规模的增加以指数速度增加，此时只能通过启发式算法求得问题的一个可行解。利用启发式算法进行目标优化的一些优缺点如下：优点缺点1. 算法简单直观，易于修改2. 算法能够在可接受的时间内给出一个较优解1. 不能保证为全局最优解2. 算法不稳定，性能取决于具体问题和设计者经验启发式算法简单的划分为如下三类：简单启发式算法 (Simple Heuristic Algorithms)，元启发式算法 (Meta-Heuristic Algorithms)和超启发式算法 (Hyper-Heuristic Algorithms)。简单启发式算法 (Simple Heuristic Algorithms)贪心算法 (Greedy Algorithm)贪心算法是指一种在求解问题时总是采取当前状态下最优的选择从而得到最优解的算法。贪心算法 ...继续阅读 (50)

有舍，方有得。弱水三千，我只取一瓢饮。前不久买重了一本书《断舍离》，新版的装帧挺小清新的，就买了，到家盖完私印后才发现角落里躺着另一本。去年如实有些“买书如山倒，读书如抽丝”了，工作忙是客观原因，不过更多的还是要怪自己懒散了。书不厚，其实之前也没想着买这本书，因为总感觉书名透露着机场里面琳琅满目的成功学书籍的味道，发现买重了之后，用几天零散的时间也就翻完了。书里的道理自己都清楚，但又为什么没有明白地去做呢？我想这本书对于我最重要的就是激发了我去认真理解什么是“执念”，如何放下自己的“执念”。或许从我妈那继承了“勤俭持家”的“优良传统”，我也不是很喜欢把东西丢掉，想着总还会有用上的时候，于是就慢慢的东西越堆越多。但毕竟还是年轻的一代，读完书，按照其中的建议整理了下租住的屋子，还真丢掉了不少东西，完事后多少有种轻松的感觉。其实我还是很愿意去收拾房间的，只不过之前更多的是“整理”，而现在则开始尝试“舍弃”。屋子整理完了，第二天上班，打开电脑，才发现，更需要收拾的地方在这里，再具体写就是我的浏览器。标签页的数量已经多到连每个标签页的关闭按钮都显示不出来了，而且还是有 3 个这样的浏览器实例在那躺着，好在本子性能不错，不然 Chrome 这种吃内存大户早就把电脑搞瘫了。拖延症主观之上说白了我就是“拖延症”犯了，没有什么好狡辩的。如果网页打开了，看完了，内容理解吸收了亦或开怀一笑，那么这个标签 ...继续阅读 (48)

知道贝塞尔曲线 (Bézier Curve)这个名字已经有很长一段时间了，但一直没有去详细了解一番。直到最近想要绘制一个比较复杂的曲线，才发现很多工具都以贝塞尔曲线为基础的，这包括 Adobe 全家桶中的钢笔工具，还有 OmniGraffle 中的曲线。迫于仅靠猜其是如何工作的但一直没猜透的无奈，只能去详细了解一下其原理再使用了。数学表示贝塞尔曲线 (Bézier Curve) 是由法国工程师皮埃尔·贝兹 (Pierre Bézier)于 1962 年所广泛发表，他运用贝塞尔曲线来为汽车的主体进行设计1。贝塞尔曲线最初由保尔·德·卡斯特里奥 (Paul de Casteljau)于 1959 年运用德卡斯特里奥算法 (De Casteljau’s Algorithm)开发，以稳定数值的方法求出贝塞尔曲线。线性贝塞尔曲线给定点$P_0, P_1$，线性贝塞尔曲线定义为：$$ B \left(t\right) = \left(1 - t\right) P_0 + t P_1, t \in \left[0, 1\right] $$不难看出，线性贝塞尔曲线即为点$P_0$和$P_1$之间的线段。对于$P_0 = \left(4, 6\right), P_1 = \left(10, 0\right)$，当$t = 0.25$时，线性贝塞尔曲线如下图所示：整个线性贝塞尔曲线生成过程 ...继续阅读 (60)

本文为《如何阅读一本书》的简要总结，附加部分个人理解，仅供参考和快速查阅。楷体引用部分多为书中原话，其他部分多为总结和个人理解。阅读的层次第一提醒读者，阅读可以是一件多少主动的事。第二要指出的是，阅读越主动，效果越好。读书，不是非做不可的事，而是想要去做的事。——《女王的教室》阅读的目标：为获得资讯而读，以及为求的理解而读。也就是说，阅读类似学习，知其然，知其所以然。阅读就是学习：指导型的学习，以及自我发现型的学习之间的差异。独立的思考与思辨。阅读的层次分为：基础阅读 (Elementary Reading)检视阅读 (Inspectional Reading)分析阅读 (Analytical Reading)主题阅读 (Syntopical Reading)基础阅读基础阅读的四个阶段：阅读准备阶段，相当于学前教育或幼稚园的学习经验。认字，相当于一年级学生典型的学习经验。字汇的增长及对课文的运用，通常是四年级结束时学会的方法。“成熟”的阅读者，小学或初中毕业时的读写能力。无限制的受教育机会是一个社会能提供给人民最有价值的服务。检视阅读有系统的略读或粗读略读 (Skimming) 和粗读 (Pre-reading) 是检视阅读的第一个层次，用不着花太多时间，如何去做，建议如下：先看书名页，然后如果有序就先看序。研究目录页，对书的基本架构做概括性的理解。如果书中附有索引，也要检阅一下。 ...继续阅读 (48)

相似性度量 (Similarity Measurement) 用于衡量两个元素之间的相似性程度或两者之间的距离 (Distance)。距离衡量的是指元素之间的不相似性 (Dissimilarity)，通常情况下我们可以利用一个距离函数定义集合$X$上元素间的距离，即：$$ d: X \times X \to \mathbb{R} $$同时，对于集合$X$内的元素$x, y, z$，距离函数一般满足如下条件：$d \left(x, y\right) \geq 0$(非负性)$d \left(x, y\right) = 0, \text{当且仅当} \ x = y$(同一性)$d \left(x, y\right) = d \left(y, x\right)$(对称性)$d \left(x, z\right) \leq d \left(x, y\right) + d \left(y, z\right)$(三角不等式)明可夫斯基距离 (明氏距离, Minkowski Distance)对于点$x = \left(x_1, x_2, ..., x_n\right)$和点$y = \left(y_1, y_2, ..., y_n\right)$，$p$阶明可夫斯基距离定义为：$$ d \left(x, y\right) = \left(\sum_{i=1}^{n} |x_i - y_i|^p ...继续阅读 (52)

传统机器学习算法 (例如：决策树，人工神经网络，支持向量机，朴素贝叶斯等) 的目标都是寻找一个最优分类器尽可能的将训练数据分开。集成学习 (Ensemble Learning) 算法的基本思想就是将多个分类器组合，从而实现一个预测效果更好的集成分类器。集成算法可以说从一方面验证了中国的一句老话：三个臭皮匠，赛过诸葛亮。Thomas G. Dietterich12指出了集成算法在统计，计算和表示上的有效原因：统计上的原因一个学习算法可以理解为在一个假设空间$\mathcal{H}$中选找到一个最好的假设。但是，当训练样本的数据量小到不够用来精确的学习到目标假设时，学习算法可以找到很多满足训练样本的分类器。所以，学习算法选择任何一个分类器都会面临一定错误分类的风险，因此将多个假设集成起来可以降低选择错误分类器的风险。计算上的原因很多学习算法在进行最优化搜索时很有可能陷入局部最优的错误中，因此对于学习算法而言很难得到一个全局最优的假设。事实上人工神经网络和决策树已经被证实为是一 个NP 问题34。集成算法可以从多个起始点进行局部搜索，从而分散陷入局部最优的风险。表示上的原因在多数应用场景中，假设空间$\mathcal{H}$中的任意一个假设都无法表示 (或近似表示) 真正的分类函数$f$。因此，对于不同的假设条件，通过加权的形式可以扩大假设空间，从而学习算法可以在一个无法表示或近似表示真 ...继续阅读 (45)

计算复杂性计算复杂性 (Computational Complexity)是用于对一个问题求解所需的资源 (通常为空间和时间) 的度量。在评估一个算法的时候，除了算法本身的准确性以外，同时需要关注算法运行的时间以及占用的内存，从而根据实际情况选择合适的算法。函数的增长计算复杂性中的空间和时间的评估方法类似，在此我们更多的以时间复杂度为例。算法的运行时间刻画了算法的效率，对于一个输入规模为$n$的问题，定义一个算法求解该问题最坏情况下的运行时间为$T \left(n\right)$，我们可以使用一些渐进记号更加方便地对其进行描述。$\Theta$记号对于一个给定的函数$g \left(n\right)$，$\Theta \left(g \left(n\right)\right)$可以表示如下函数的集合：$$ \Theta \left(g \left(n\right)\right) = \left\{f \left(n\right): \exists c_1 > 0, c_2 > 0, n_0 > 0, s.t. \forall n \geq n_0, 0 \leq c_1 g \left(n\right) \leq f \left(n\right) \leq c_2 g \left(n\right) \right\} $$也就是说当$n$足够大时，函数$f \left(n\right ...继续阅读 (58)