お前はどこまで見えている

1. 快捷绘图技巧 高清 PDF 版链接 2. 绘图手册 2.1 初级 高清 PDF 版链接 2.2 中级 高清 PDF 版链接 2.3 高级 高清 PDF 版链接 附录 matplotlib cheatsheets

1. 通用 谷歌学术：https://scholar.google.com/ 谷歌学术镜像 http://scholar.hedasudi.com/ https://ac.scmor.com/ 2. CS 专业 DBLP Computer Science Bibliography：https://dblp.uni-trier.de/ The Collection of Computer Science Bibliographies：https://liinwww.ira.uka.de/bibliography/index.html 2.1 相关会议 NIPS：https://papers.neurips.cc/ 机器学习相关会议：http://proceedings.mlr.press/

1. Numpy 库 官方文档 Numpy 可谓数据处理的利器，它的底层是用 C 语言写的，并且做了很多优化，速度非常快。因此，在 Python 代码中，能用 Numpy 数组操作的尽量用 Numpy 数组操作，不到万不得已不要使用 Python 的循环。 2. Numba 库 官方文档 如果你的代码不能用 Numpy 来优化，或者不能/想使用 Numpy，则可以考虑使用 Numba 库。Numba 是直接针对 Python 代码作优化的， 而且兼容常用的科学计算包。 附录 参考资料： 如何用numba加速python？

1. 课件 CS295: Convex Optimization by Department of Computer Science, University of California, Irvine. 2. 书籍 Convex Optimization by Stephen Boyd, Lieven Vandenberghe

1. 简介 琴生不等式（Jensen’s inequality）是数学中重要的不等式之一，其给出了凸组合的函数值和函数值的凸组合之间的关系。 2. 表述 以函数 f:Rn→Rf:\mathbb{R}^n \rightarrow \mathbb{R}f:Rn→R 为例： 2.1 凸凹函数 函数 fff 为凸函数，当 fff 的定义域 domf\mathrm{dom} fdomf 是凸集，且满足以下不等式： ∀x,y∈domf,0≤θ≤1f(θx+(1−θ)y)≤θf(x)+(1−θ)f(y)\begin{array}{c} \forall x, y \in \mathrm{dom} f, 0 \leq \theta \leq 1 \\ f(\theta x + (1-\theta)y) \leq \theta f(x) + (1-\theta) f(y) \\ \end{array} ∀x,y∈domf,0≤θ≤1f(θx+(1−θ)y)≤θf(x)+(1−θ)f(y)​ 函数 fff 为凹函数，当 −f-f−f 是凸函数。 2.2 琴生不等式 当 fff 为凸函数时，对 ∀x1 ...

1. 简介 柯西-施瓦茨不等式（Cauchy-Schwarz inequality，简称为 CS 不等式）被认为是数学中使用最广泛的不等式之一。 2. 表述 对于一个定义在域 F\mathbb{F}F（F\mathbb{F}F 为 R\mathbb{R}R 或 C\mathbb{C}C）上的内积空间 V\mathbf{V}V 中的任意两个向量 u,v\mathbf{u}, \mathbf{v}u,v，有以下 CS 不等式成立： ∣⟨u,v⟩∣2≤⟨u,u⟩⋅⟨v,v⟩\begin{array}{lll} |\langle \mathbf{u}, \mathbf{v} \rangle|^2 \leq \langle \mathbf{u},\mathbf{u} \rangle \cdot \langle \mathbf{v},\mathbf{v} \rangle \end{array} ∣⟨u,v⟩∣2≤⟨u,u⟩⋅⟨v,v⟩​ 其中，⟨⋅,⋅⟩\langle\cdot,\cdot\rangle⟨⋅,⋅⟩ 表示两个向量之间作内积。 证明 设变量 t∈Rt \in \mathbb{R}t∈ ...

1. 《数字图像处理》——冈萨雷斯 官方网址 这本书中涉及到的图像数据，软件教程以及相关的前置知识资料都能在上面的官方网站上找到并下载。

1. 简介 在 Arch Linux 的默认配置下，用户在登录系统时如果在 15 分钟内输错密码 3 次，则会被锁定 10 分钟。对于个人电脑来说，只有 3 次输错机会有点少，因为有时候总是会突然多按或少按一个键，或者由于 Capslock 开启的缘故，导致连续几次都出错，很容易被锁定。而一旦被锁定，就要等 10 分钟，除非重启，对于个人用户来说实在太长了。 2. 配置 2.1 相邻两次登录间隔 Arch Linux 默认在一次登录失败后，需要等待一段时间的延迟才能进行下一次的登录，默认设置下个人感觉还可以接受。如果需要修改，则可以在配置文件 /etc/pam.d/system-login 中增加以下一行设定： 1auth optional pam_faildelay.so delay=4000000 上述设定是 4 秒，如果需要其它时间，只需修改 delay 字段，它的单位是毫秒。 2.2 登录失败次数和锁定时间 Arch Linux 默认在 15 分钟内登录失败 3 次就锁定 10 分钟，可以修改 /etc/security/faillock.conf 来更改默认设定，主要修改其中 ...

1. 简介 本文主要介绍 Linux Shell 下常规压缩与解压，即独立的单个压缩包。对于分巻压缩与解压，请出门左拐至LinuxShell下分卷压缩与解压。 2. 常用压缩 & 解压 压缩包 压缩程序 压缩命令 解压命令 .gz gzip tar -czvf tar -xzvf .tgz gzip tar -czvf tar -xzvf .taz gzip tar -czvf tar -xzvf .Z compress tar -cZvf tar -xZvf .taZ compress tar -cZvf tar -xZvf .bz2 bzip2 tar -cjvf tar -xjvf .tz2 bzip2 tar -cjvf tar -xjvf .tbz2 bzip2 tar -cjvf tar -xjvf .tbz bzip2 tar -cjvf tar -xjvf .lz lzip tar --lzip -cvf tar --lzip -xvf .lzma lzma tar --lzma -cvf tar --lzm ...

1. 简介 tar 是 GNU 项目中的一个归档工具，其创建可以追溯到磁带机的年代，可谓历史悠久。虽然 tar 工具最初是用于磁带机的数据归档，但其现在也支持磁盘的数据归档，而且仍然保留着对磁带机的兼容。tar 工具一路发展过来，经过很多大佬的打磨，功能强大，现在已经是 Linux 系统上默认的数据归档工具。 需要注意的是，tar 只是一个归档工具，本身并不具有强大的压缩功能。不过可以通过给 tar 指定合适的选项，让其间接调用其它压缩工具来实现强大的压缩功能。 2. 格式 tar 工具的参数主要分为两种： 操作：共有 8 个，用来指定具体执行什么操作。 选项：用来在基础操作上，执行一些可选的扩展操作。 2.1 操作 操作 功能 -c、--create 创建新的归档 -t、--list 列出归档中的内容 -x、--extract、--get 提取归档中的内容 -r、--append 追加内容到归档 -u、--update 更新归档中的成员 -A、--catenate、--concatenate 拼接多个归档 -delete 删除归档中的成员 ...

Study notes from Convex Optimization by Stephen Boyd, Lieven Vandenberghe. 1. Affine and convex sets 1.1 Lines and line segments \qquadSuppose x1≠x2x_1 \neq x_2x1​=x2​ are two points in Rn\boldsymbol{R}^nRn. Points of the form y=θx1+(1−θ)x2(1.1.1)\begin{array}{c} y = \theta x_1 + (1-\theta) x_2 \tag{1.1.1} \end{array} y=θx1​+(1−θ)x2​​(1.1.1) where θ∈R\theta \in \boldsymbol{R}θ∈R，form the line passing through x1x_1x1​ and x2x_2x2​. The parameter value θ=0\theta = 0θ=0 corresponds to y=x2y = x_ ...

Study notes from Convex Optimization by Stephen Boyd, Lieven Vandenberghe. 1. Mathematical optimization \qquadA mathematical optimization problem has the following form minimizef0(x)subjecttofi(x)≤bi,i=1,⋯ ,m(1.1){\begin{array}{ll} \mathrm{minimize} & f_0(x) \\ \mathrm{subject to} & f_i(x) \leq b_i, i = 1, \cdots, m \tag{1.1} \end{array}}minimizesubjectto​f0​(x)fi​(x)≤bi​,i=1,⋯,m​(1.1) Here the vector x=(x1,⋯ ,xn)x = (x_1, \cdots, x_n)x=(x1​,⋯,xn​) is the optimization variable of the p ...