QuestionYou have a graph ofnnodes. You are given an integernand an arrayedgeswhereedges[i] = [ai, bi]indicates that there is an edge betweenaiandbiin the graph.Returnthe number of connected components in the graph.AlgorithmTypical question we could utilize union find.At first, we let count = n, where all the nodes represent a tree(component), and then by doing union we could put connected nodes into same group(tree) and count minus one. Finally when all the nodes are union, the count number is the component number, in other words, the disconnected set(tree) number.CodeclassSolution{int[]parent ...继续阅读 (10)

QuestionYou have a graph ofnnodes labeled from0ton - 1. You are given an integer n and a list ofedgeswhereedges[i] = [ai, bi]indicates that there is an undirected edge between nodesaiandbiin the graph.Returntrueif the edges of the given graph make up a valid tree, andfalseotherwise.AlgorithmWe are asking to find if the given graph is a tree.A tree is a connected acyclic graph.So we could know our union find is to do this. To check if there is a cycle. When we do the union operation, we try to put vertexes of an edge into same set, then we find that they are already in a set. This indicates th ...继续阅读 (15)

QuestionThere are a total ofnumCoursescourses you have to take, labeled from0tonumCourses - 1. You are given an arrayprerequisiteswhereprerequisites[i] = [ai, bi]indicates that youmusttake coursebifirst if you want to take courseai.For example, the pair[0, 1], indicates that to take course0you have to first take course1.Returntrueif you can finish all courses. Otherwise, returnfalse.AlgorithmThis is a typical question utilizingtopological sorting. Atopological sortortopological orderingof adirected graphis alinear orderingof itsverticessuch that for every directed edgeuvfrom vertexuto vertexv, ...继续阅读 (11)

DFS-depth first searchTraverse a graph from a now and to the leaf, and then go backwards and then traverse to the leaf.Each time it goes to the deepest.BFS-bread first searchTraverse a graph level(or layer) by level. Traverse all its neighbor first, and then their neighbors one by one.BacktrackingTraverse a graph using a DFS manner while only traverse those path that's qualified(qualified means possibly has solution paths), so there actually would be aprune.Backtracing vs DFSWhy we call it a bfs with prune? Normal bfs is just traversal. But backtracking is doing something when traversal. So, ...继续阅读 (8)

...继续阅读 (38)

topicGiven a graph with nodes as Nodes, deep copy it. That is, the structure of the copied graph and the value of each node are the same as the original graph, but the nodes are all new nodes and do not refer to any original nodes.algorithmThis topic involves the entire graph, and the idea is to copy each node while maintaining their relative relationship (neighbors) during the traversal process. The graph can be traversed using DFS or BFS algorithms.code/*// Definition for a Node.class Node {public int val;public Listneighbors;public Node() {val = 0;neighbors = new ArrayList();}public Node(in ...继续阅读 (12)

...继续阅读 (24)

...继续阅读 (21)

The first idea that jumped out of my mind was using Sets to track two nodes and pick up the first intersection node between these two Sets. Hence came out the first solution:from collections import defaultdict class Solution: def bfs(self, node1: int, node2: int, conns, length) -> int: set1 = {node1} set2 = {node2} step = 0 while step <= length: inter = set1 & set2 if len(inter) > 0: return min(list(inter)) new_set1 = set() new_set2 = set() for node in set1: new_set1 ...继续阅读 (92)

作者 | Clémentine Fourrier编译 | 黄楠编辑 | 陈彩娴在我们今天的生活中，图的示例包括社交网络、例如Twitter、Mastodon、以及任何链接论文和作者的引文网络，分子，知识图、例如 UML 图、百科全书以及有超链接的网站，表示为句法树的句子以及任何的 3D 网格等，可以说图已经无处不在。近日，Hugging Face 研究科学家 Clémentine Fourrier 在文章《Introduction to Graph Machine Learning》就介绍了今天这种无处不在的图机器学习。什么是图形？为什么要使用图？如何最好地表示图？人们如何在图上学习？Clémentine Fourrier 指出，图是对由关系链接项目的描述，其中，从前神经方法到图神经网络仍然是目前人们常用的图上学习方法。此外，有研究人员近期也开始考虑将 Transformers 应用于图中，Transformer 具有良好的可扩展性，可缓解 GNN 存在的部分限制，前景十分可观。1图是对关系链接项目的描述从本质上来看，图是对由关系链接项目的描述。图（或网络）的项目称为节点（或顶点），由边（或链接）来进行连接。例如在社交网络中，节点是用户，边是用户彼此间的连接；在分子中，节点是原子，边缘是它们的分子键。一个有类型节点或类型边的图被称为异质图，举个例子，在引文网络的项目可以是论文或作者 ...继续阅读 (12)

图片也是用 OpenAI DALL-E 2 生成，并用 DALL-E 2 Outpainting 扩充的本文转载自悦数科技，作者古思为。蹭 ChatGPT 热度最近因为世界杯正在进行，我受到这篇Cambridge Intelligence的文章启发（在这篇文章中，作者仅仅利用有限的信息量和条件，借助图算法的方法做出了合理的冠军预测），想到可以试着用图数据库 NebulaGraph 玩玩冠军预测，还能顺道科普一波图库技术和图算法。本来想着几个小时撸出来一个方案，但很快被数据集的收集工作劝退了，我是实在懒得去「FIFA 2022 的维基」抓取所需的数据，索性就搁浅、放了几天��同时，另一个热潮是上周五 OpenAI 发布了ChatGPT 3服务，它可以实现各种语言编码。ChatGPT 可实现的复杂任务设计包括：● 随时帮你实现一段指定需求的代码● 模拟任意一个 prompt 界面：shell、python、virtual machine、甚至你创造的语言● 带入给定的人设，和你聊天● 写诗歌、rap、散文● 找出一段代码的 bug● 解释一段复杂的正则表达式的含义ChatGPT 的上下文联想力和理解力到了前所未有的程度，以至于所有接触它的人都在讨论新的工作方式：如何掌握让机器帮助我们完成特定任务。所以，当我试过让 ChatGP ...继续阅读 (12)

2022/06/29：感谢一些朋友的指正，更新了关于 rime 的一点信息。写在开头的话：许多年前，在我才刚刚开始用 linux 的时候，刚好赶上了 Sunpinyin 的诞生。那个时候 Yong Sun 写了 Sunpinyin 代码导读。尽管那个时候因为知识的储备不够丰富，基本上没有能够理解文章的内容，但是现在回过头来的话，终于在 2017 年的时候，自己从头写了一个类似算法的输入法引擎，来代替早已过时的 Fcitx 4 中的默认拼音和码表。虽然也许有人会有疑问，为什么要从头写这样一个输入法引擎，难道 Sunpinyin 不够好吗？我很久之前的一篇博客其实具体做出了一些功能上的解释。这里我们再重新从代码角度来解释一下 libime 的来龙去脉。libime 目前的库分为 4 个部分，其中粤拼单独在一个Git 代码仓库里，粤拼大部分的代码是和拼音类似的。之后也不会特别介绍粤拼的部分。另外一些原因是，其中很多核心的代码对我自己来说也已经不很熟悉了，也是趁此机会记录一下翻新一下自己的记忆。另外我相信这些经历的部分，对于了解 Linux 输入法和 Fcitx 的发展过程的也是很有趣的，当成一个故事来看大概也不错？核心部分（Core）在解说 Core 之前，就要说到为什么要写 libime 这件事。而这就不得不说说之前的几个前辈们，有些我只有大致的了解，所以可能有错误。首先是 fcitx ...继续阅读 (70)

背景介绍准备tools installfortioclientfortioserver测试运行测试用例收集指标信息可视化总结Ref背景介绍istio在应用时，会遇到的2个典型质疑是：istio增加了单独的数据平面，从传输的角度来说增加了2跳，势必会带来latency的增加。那么latency的增加到底是多少呢？proxy容器需要实现数据面的报文劫持、转发，以及一些策略的实施，其需要的cpu、内存，是多少呢？要回答这些问题，就要对istio的数据面进行量化。 istio社区提供了一个工具来进行具体的测试：istio tools perf benchmark为什么不需要对控制面进行量化呢？主要原因是数据面是O(n)的空间复杂度，而控制面几乎是O(1)的空间复杂度。另外一个原因是目前istio的遥测、限流等策略，均为envoy实现，不再交由mixer组件处理，因此集群规模提升后对控制面来说变化不大。准备istio tools perf benchmark需要读取Pod的监控信息，因此部署istio时，需要增加Prometheus组件。具体参考Prometheus安装。tools install安装参考readme即可。注意：资源需求比较多，要求至少32 cpu、4个node。建议使用完善的生产集群，确保硬件资源充裕。测试套依赖python3/pip3/pipenv，所以最好是在有网环境进 ...继续阅读 (57)

GrabCut是一种交互式迭代前景提取算法，这个项目是对其的实践，参考opencv的源码核心的点混合高斯模型迭代图像分割Graph Cutborder matting: 这个不是重点opencv mask四状态背景GCD_BGD：0前景GCD_FGD：1可能的背景GCD_PR_BGD：2可能的前景GCD_PR_FGD：3流程初始化用户通过直接框选目标来得到一个初始的GCD_PR_FGD为$t_f$，即方框外的像素全部作为GCD_BGD为$t_b$对每一像素n，初始化像素n的标签通过像素标签来估计目标和背景的GMM，通过k-mean算法分别把属于目标和背景的像素聚类为K类，即GMM中的K个高斯模型迭代最小化对每个像素分配GMM中的高斯分量对于给定的图像数据Z，学习优化GMM的参数分割估计（通过1中的Gibbs能量项，建立图，并求出权值t-link和n-link，通过max flow/min cut算法来进行分割）：重复步骤1-3，直到收敛对分割的边界进行border matting平滑处理思考如果GMM颜色模型换成颜色直方图https://mmcheng.net/zh/salobj/，可能对视觉显著性区域有更好的切割效果代码main.cpp: 主要的用户交互逻辑grabcut.hpp: grabcut算法的实现（含注释）及其依赖的GMM等grabcut_ref.cpp: opencv ...继续阅读 (36)

第1章 图的概念和原理 1.1 图结构定义 在计算机科学中，一个图就是一些顶点的集合，这些顶点通过一系列边结对（连接）。顶点用圆圈表示，边就是这些圆圈之间的连线。顶点之间通过边连接。顶点有时也称为节点或者结点，边有时也称为结边或链接。 图1：关于国家的图结构 图（graph）的节点（node）通常代表一个物理实体属性，结边记录了实体之间的连接关系。图通常用一系列三元组（triple）表示，基本形式主要包括： “实体1-关系-实体2”和“实体-属性-属性值”。每个实体（Entity）或概念. ...继续阅读 (32)

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 (50)

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 (56)

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 (45)

【摘要】This tool is used to generate the object graph of a Git repository. The primary purpose is to help Git learners better understand the Git data model through visualization.阅读全文 ...继续阅读 (16)

编者注：本文来自微信公众号“OReillyData”（ID：OReillyData），本文原始刊登在Pete Warden的博客里, 授权转载。在《诗人也能用TensorFlow》那篇博文中，我介绍了如何使用你自己的图片来训练一个可识别图片对象的神经网络模型。接下来就是将这个模型运用到你的移动设备中。在这篇文章中，我会介绍如何在你的iOS应用程序中运行这个模型。可以通过下面的视频及注解了解详细的操作步骤，点击查看视频。我假定你已经完成了《诗人也能用TensorFlow》的步骤。 所以你应该已经安装了Docker, 并在home路径下创建了一个tf_files的文件夹。这个文件夹里有一个包含你的模型的retrained_graph.pd文件。 如果你还没有完成以上步骤，你需要按照《诗人也能用TensorFlow》教程示例来完成你自己的模型训练。第一步，打开Docker QuickStart Terminal并利用最新的Docker镜像启动一个新的Docker容器。 本教程依赖了一些TensorFlow的新特性，所以用于《诗人也能用TensorFlow》的v0.8版镜像不能用了。docker run -it -p 8888:8888 -v $HOME/tf_files:/tf_files tensorflow/tensorflow:nightly-devel你应该可以看到自己在一个新的 ...继续阅读 (12)

【摘要】这个系列文章 已经进行到了实质的阶段，继上一篇介绍了如何搭建Office 365开发环境之后，我会通过这篇文章给大家介绍一个非常重要的概念：Microsoft Graph。它之所以重要，首先是因为它是未来Office 365对外的统一接口（甚至可以说是未来微软的云服务的对外统一接口），其次，Micr阅读全文 ...继续阅读 (45)

Bitsum 开发的Process Lasso是一款元老级的实时优化工具，作为 Windows 平台的进程优先级调节器，它可以自动、动态调整进程优先级，保持系统快速响应。Process Lasso首先是一个任务管理器，但它并不是任务管理器的替代品，它具有任务管理能力，但更专长于自动化管理进程，提供了各种特色功能，能够全面控制进程行为，实属一个高级进程管理器。ProBalance即 Process Balance 是 Process Lasso 的核心技术之一，这是独一无二的进程优化机制，能够动态调整进程优先级、CPU 亲和力等，主要实现方法是智能降低高负荷后台进程的的优先级，这样可以可有效避免系统假死、停止响应、持续占用 CPU 等不正常情况，从而明显提升系统性能，加快系统响应速度，提高系统稳定性。Process Lasso 引入了重要的I/O 优先级概念 (I/O Priority)，可以设置每一个进程的 I/O 优先级，由于磁盘读写操作通常是系统性能的瓶颈，如果能恰当设置进程 I/O 优先级，那么在一些操作如复制大文件时，将有非常明显的效果。制作与使用说明Process Lasso 帮助你更好地分配硬件资源，实现性能提升，是我认为目前最好的实时优化工具，非常值得一试，见证最直接有效的系统性能实时优化效果，官方也提供了免费版和便携版，虽然不是彻底便携，但也是非常不错了。下载 Pr ...继续阅读 (27)

Tensorflow入门：数据结构和编程思想引言：最近tensorflow很火，看到国内都有不少人开始玩起来了，自己最近有些想法想玩玩，于是开始入门搞一下，因为自己只有一个台式电脑，于是就装了个cpu版的tensorflow，安装过程挺顺利，一两句命令搞定，最后遇到过glibc的版本问题，直接升级了Ubuntu版本就好了。于是，开始入门了。下面是我学习的笔记，水平有限，如有不对，敬请指教。在tensorflow框架下，定义了tensor这么一个数据结构，她是可以任意n维空间的数据表达，这个n称之为tensor的阶，0阶的就是一个数，1阶的就是一个向量，2阶就是一个矩阵，3阶就是一个立方体，等等。当然，tensor中里面的数据类型可以指定，比如float32,int32等。Tensorflow的编程思想主要是如下几点：综合来说，就是用tensor定义了一堆数据，里面可以有常量也可以有变量，然后用一个个operation表示计算步骤，这些operation节点连起来构成了一个graph表示计算任务。graph可以有多个，但对于大部分程序一个graph就够了，作为初学者，可以忽略多graph的情况，tensorflow会提供一个默认的graph。graph定义好，计算并不会马上执行，需要通过session来启动graph的执行。Session中的每一次计算operation，都可以通过f ...继续阅读 (74)

Neural and Evolutionary ComputingFast Genetic AlgorithmsBenjamin Doerr,Huu Phuoc Le,Régis Makhmara,Ta Duy NguyenSubjects:Neural and Evolutionary Computing (cs.NE)For genetic algorithms using a bit-string representation of length~(n), thegeneral recommendation is to take (1/n) as mutation rate. In this work, wediscuss whether this is really justified for multimodal functions. Taking jumpfunctions and the ((1+1)) evolutionary algorithm as the simplest example, weobserve that larger mutation rates give significantly better runtimes. For the(jump_{m,n}) function, any mutation rate between (2/ ...继续阅读 (30)

给定一个有向无环图$G=(V,E)$，边权重为实数，给定图中的两个顶点$k,t$，设计动态规划算法，求从k到t的最长简单路径，子问题图是怎样的？算法的效率如何？算法分析：该问题不能够用贪心求解，假设从k出发，每一步取得weight最大的边，按这样的路径，并不能够保证能走到终点t。所以考虑动态规划算法。该问题满足动态规划算法的两个特征：一、最优子结构：从k出发到t的最优路径，一定是$max(best , path , A_1 , to ,, t+weightA_0)$，其中$A0-->A1-->cdots t$和$B0-->B1-->cdots t$等等的诸多方案中的最优方案，构成了最优解。符合“剪贴”性质。二、重叠子结构有上面的公式可知，子问题：$A0-->A1-->cdots t$会被反复求解。状态转移函数：int q=weight[k][t]; for(int i=k+1;i<=t && weight[k][i];i++) { q=max(q,weight[k][i]+Find_longest_path(weight,numVertexes,i,t,r)); } r[k]=q; return q;算法实现Graphic_longest_path.h#include#includeusing namespace std; #define INITWEIGHT 0 // ...继续阅读 (25)

雷锋网按：本文原载于Qunar技术沙龙，原作者已授权雷锋网发布。作者孟晓龙，2016年加入Qunar，目前在去哪儿网机票事业部担任算法工程师。热衷于深度学习技术的探索，对新事物有着强烈的好奇心。一、前言目前，深度学习已经广泛应用于各个领域，比如图像识别，图形定位与检测，语音识别，机器翻译等等，对于这个神奇的领域，很多童鞋想要一探究竟，这里抛砖引玉的简单介绍下最火的深度学习开源框架 tensorflow。本教程不是 cookbook，所以不会将所有的东西都事无巨细的讲到，所有的示例都将使用 python。那么本篇教程会讲到什么？首先是一些基础概念，包括计算图，graph 与 session，基础数据结构，Variable，placeholder 与 feed_dict 以及使用它们时需要注意的点。最后给出了在 tensorflow 中建立一个机器学习模型步骤，并用一个手写数字识别的例子进行演示。1、tensorflow是什么？tensorflow 是 google 开源的机器学习工具，在2015年11月其实现正式开源，开源协议Apache 2.0。下图是 query 词频时序图，从中可以看出 tensorflow 的火爆程度。2、 why tensorflow?Tensorflow 拥有易用的 python 接口，而且可以部署在一台或多台 cpu , gpu 上，兼容多个平台，包括但 ...继续阅读 (10)

前言今天晚上无意翻到一个图的文章，查了一下感觉网上实现和其他都好复杂，所以自己按理解搞了一下，不知道是我实现是不是错了...感觉还好～进入正题，先还是来点理论知识，不过大多是自己的想法，不一定都对，可以纠正。内容来源来自《JavaScript 数据结构和算法》。图图是一种数学模型，和数学挂勾一般都会比较复杂，所以形象的理解成最简单的模型，点-线模型。其实最简单的是 1 个点的模型，涉及 2 个点还好，3 个点过后模型就会作出相应的改变。这里用简单的语言来说图中的二元关系，不过还是先假设一点数学符号：G => 表示所有的顶点集合V => 表示顶点E => 表示边，抽象意义上是无向边那么用数学来表示就是：G=<V, E>其实根本不用理解数学的模型，我这里理解是只需要知道这是一个点-线模型就可以了。如何表示图呢？这里有两种表示方法：表和矩阵，其间都是邻接关系这里我有一个测试图，在网上弄的，虽然是无向图，其实在我们代码中，肯定是有向的，是入口的问题：图的结构确定过后，就可以做出表的结构了，这里我没有用方向，因为我理解的图是一个不能简单表示的，理解成坐标系更好理解一点。分为：x, y 轴的方式。其中，x0 表示开始，后面表示相邻的点，按顺时针排列（不一定按这个顺序）。代码中的图在代码中表示，没有图形那么直观，所以需要映射成代码模型，这里简单实现一下，但是不具备很 ...继续阅读 (12)

最近由于项目需要，开始接触jointJS，妥妥不停刷文档模式，先写一下对于jointjs的粗浅认识吧。我们可以使用JointJS已提供的图元素绘图，也可根据需求自定义一些图元素。除此之外，JointJS创建的图表就是SVG图形，想改变图形样式，就去GoogleSVG相关语法就好啦。另外，它极易上手且操作简单，并且支持所有的现代浏览器。下面先通过一个小的demo来展示jointjs的使用~首先先去官网下载一下这些文件，详见HTML代码块head里的内容：一切准备好就绪，我们就开始了。先看HTML代码，body就一个div#myholder用来盛放我的画板graph，这里肯定有人会问什么是graph，憋急，请往下看。<!DOCTYPE html> <html> <head> <meta charset="UTF-8"> <title></title> <link rel="stylesheet" type="text/css" href="css/joint.css" /> <script src="js/lib/jquery.min.js" type="text/javascript" charset="utf-8"> ...继续阅读 (18)

深度学习八大开源框架导读：深度学习（Deep Learning）是机器学习中一种基于对数据进行表征学习的方法，深度学习的好处是用非监督式或半监督式的特征学习、分层特征提取高效算法来替代手工获取特征（feature）。作为当下最热门的话题，Google、Facebook、Microsoft等巨头都围绕深度学习重点投资了一系列新兴项目，他们也一直在支持一些开源深度学习框架。目前研究人员正在使用的深度学习框架不尽相同，有 TensorFlow、Torch 、Caffe、Theano、Deeplearning4j等，这些深度学习框架被应用于计算机视觉、语音识别、自然语言处理与生物信息学等领域，并获取了极好的效果。下面让我们一起来认识目前深度学习中最常使用的八大开源框架：一．TensorFlowTensorFlow是一款开源的数学计算软件，使用数据流图（Data Flow Graph）的形式进行计算。图中的节点代表数学运算，而图中的线条表示多维数据数组（tensor）之间的交互。TensorFlow灵活的架构可以部署在一个或多个CPU、GPU的台式以及服务器中，或者使用单一的API应用在移动设备中。TensorFlow最初是由研究人员和Google Brain团队针对机器学习和深度神经网络进行研究所开发的，目前开源之后可以在几乎各种领域适用。Data Flow Graph: 使用有向图的节点 ...继续阅读 (25)

原文链接 :Core Plot Tutorial: Getting Started原文作者 :Attila Hegedüs译文出自 :掘金翻译计划译者 :llp0574校对者:yifili09,cdpath注意：本篇教程已被 Attila Hegedüs 更新，可适用于 iOS 9 和 Swift 2.2。原始教程出自教程组成员 Steve Baranski。如果你曾经想在自己的 app 中引入图表或图形，那么你应该已经考虑过下面两种选项：自己写。通过使用 Core Graphics 或者 Quartz 这样的框架编写全部的绘制代码。然而，这显然要花费大量的功夫。买一个！购买一个像ShinobiControls这样的商业型框架。这或许可以节省你的时间，但就要花钱啦。但是如果你不想花费时间和精力从零开始写(代码)，也不想花那么多钱，该怎么办呢？这时候第三个选项就派上用场了：使用开源库Core Plot！Core Plot 是一个2D绘制库，适用于 iOS，Mac OS X 和 tvOS。它使用了像 Quartz 和 Core Animation 这样的苹果应用框架，同时有着全面的测试覆盖，而且是遵照BSD这个比较宽松的许可证进行发布的。在这个教程中，你将学习到如何使用 Core Plot 来创建饼图和柱状图，同时还会实现一些很酷的图表交互！开始之前，你需要安装好Xcode 7.3，同 ...继续阅读 (14)