背景 通过 Leanote 写笔记，经过整理后可以直接发布 Blog 的这种模式比较戳我了。 不过一直有点忍受不了 Leanote 的分类逻辑和 Hexo ，Hugo ，Jekyll 等静态博客不太一样，用着主题市场中半成品的主题，就这样凑合着过了两年。 但直到看到了一款 Jekyll 的主题 Chirpy，可以说是一间钟情了，果断移植到 Leanote 上。 在移植过程中越来越忍受不了 Leanote 奇怪的分类逻辑，移植的不够完美，越想越气，忍无可忍，又想到 Leanote 官方从 2018 年就基本上停止更新了，然后就 fork 了源码修改了对应部分的逻辑。 移植后的主题：le

如图所示，计算图的反向传播从右到左传播信号。反向传播的计算顺序是，先将节点的输入信号乘以节点的局部导数（偏导数），然后再传递给下一个节点。 首先来考虑加法节点的反向传播。这里以 z=x+yz = x + yz=x+y 为对象， 观察它的反向传播。z=x+yz = x + yz=x+y 的导数可由下式（解析性地）计算出来： ∂z∂x=1∂z∂y=1\frac{\partial z}{\partial x} = 1 \\ \frac{\partial z}{\partial y} = 1 ∂x∂z​=1∂y∂z​=1 也就是说，加法节点的反向传播只乘以 1。输入的值会原封不动地流向下一

简介 迁移学习(transfer learning)通俗来讲，就是运用已有的知识来学习新的知识，核心是找到已有知识和新知识之间的相似性，用成语来说就是举一反三。由于直接对目标域从头开始学习成本太高，我们故而转向运用已有的相关知识来辅助尽快地学习新知识。比如，已经会下中国象棋，就可以类比着来学习国际象棋；已经会编写Java程序，就可以类比着来学习C#；已经学会英语，就可以类比着来学习法语；等等。世间万事万物皆有共性，如何合理地找寻它们之间的相似性，进而利用这个桥梁来帮助学习新知识，是迁移学习的核心问题。 在迁移学习中，我们已有的知识叫做源域(source domain)，要学习的新知识叫目标域

之前从 Zerotier 切换到 Tinc，但是在 ArchLinux 和创建的 Alpine 镜像中，连接成功一段时间后老是提示 Metadata socket read error for xxxxx: Connection reset by peer，搜了一圈也没有找到解决办法，干脆切换到 N2N 算了。 N2N是一款十分简单且强大的p2p组网软件。它可以实现组网和p2p直连。只需要拥有一台服务端，任何主机都可以接入进来做为客户端，功能更贴近 Zerotier。 安装 supernode 服务端 由于 VPS 的 Debian 软件仓库里的版本非常低，做了一个Dock

支持 emoji、chart.js 以及 mermaid 参考的大佬地址：https://github.com/jim3ma/leanote 下载 note.html 替换 leanote/app/views/note/note.html 下载 note-dev.html 替换 leanote/app/views/note/note-dev.html 下载 md2html.js 替换 leanote/public/libs/md2html/md2html.js 下载 main-v2.js 替换 leanote/public/md/main-v2.js 下载 default.css 替换

写这个主要是为了Mathematica的动画制作，Mathematica官方文档给出的是用Animate及相关的函数，但这并不能满足题目的要求，所以选择创建GIF图片。 题目 滑块摆由一置于光滑杆上的质量为m的滑块A、一质量为M的小球B和长度为L，质量不计的刚性杆铰接而成，不计各处摩擦，以过A点的水平面为零势能面，通过Lagrange方程建立系统的运动方程，利用Maple软件画出： 1. 滑块A的位移x随时间t的变化曲线 2. 角度φ随时间t的变化曲线 3. 滑块摆的运动动画 拉格朗日力学分析 在力学中经常使用 Lagrange 方程来分析。 在滑块摆

MiniDLNA(官网)----DLNA服务端，不支持rm、rmvb格式的文件分享，但可以自己修改源文件来支持，所以就选它了。它还自带一个Web网页，可以显示分享资源数与当前客户端名字等等，在浏览器里打开http://本机IP:8200 下载源代码 目前minidlna最新版本1.1.5， 下载地址sourceforge.net 修改源文件 附上已经修改好的源码一份。 metadata.c //line 840 else if( strncmp(ctx->iformatctx->name, "matroska", 8) == 0 ) xasprint

简介 最近从 Zerotier 切换到 Tinc，是由于公司网络的 NAT 层数太多，是 Symmetric NAT，Zerotier p2p 打洞几乎不成功，连接国内自建的 Moon 都费劲。切换到 Tinc 后目前体验良好。 附一个NAT类型测试工具：NAT类型测试.zip Tinc 是一个组建虚拟专用网络（VPN）的工具，以 GNU 协议发布，通过隧道及加密技术在互联网上点与点之间创建专有网络。tinc 在网络层工作，因此无需对现有软件进行修改和配置。您可以使用 tinc 搭建专属的低延迟、高带宽、可扩展的 P2P VPN。其数据通讯经过加密和压缩，能避免敏感数据和隐私的泄露。 无

matlab 处理好的数据想送进 Tensorflow 的神经网络中，在数据量极大的时候，全部读进内存也不是太理想，综合 tfrecord，自己构建 tfds 数据集等方式，还是生成 tf.data.Dataset 会更便捷一些。 在数据量极大的时候，期望的是 Tensorflow在使用数据的时候才读取相应的数据，则要求Matlab保存数据的时候不能将所有数据保存到一个大的 .mat 文件，而是应该分开保存： path_to_data └───────0.mat 1.mat 2.mat ...Copy 如果保

简介 ResNets要解决的是深度神经网络的“退化”问题。 什么是“退化”？ 我们知道，对浅层网络逐渐叠加layers，模型在训练集和测试集上的性能会变好，因为模型复杂度更高了，表达能力更强了，可以对潜在的映射关系拟合得更好。而“退化”指的是，给网络叠加更多的层后，性能却快速下降的情况。 如果期望的潜在映射为H(x)H(x)H(x)，与其让F(x)F(x)F(x)直接学习潜在的映射，不如去学习残差H(x)−xH(x)−xH(x)−x，即F(x):=H(x)−xF(x):=H(x)−xF(x):=H(x)−x，这样原本的前向路径上就变成了F(x)+xF(x)+xF(x)+x，用F(x)+x