Technology Comes First

2020.3∼2020.62020.3 \sim 2020.62020.3∼2020.6 上了《BS体系软件设计》这门课，但我对 web 一无所知。最终决定用 Django + Vue 的架构完成课程设计，所以这篇文章是对 Django 做一个初步的学习和总结。 命令行操作 12345django-admin startproject mysite # 创建叫做 mysite 的 projectpython manage.py startapp learn # 创建叫做 learn 的应用python manage.py makemigrations # 生成迁移文件python manage.py migrate # 将结构变化应用到数据库python manage.py runserver <ip:port> # 运行 urls.py 里指定的网页 简单的网页请求处理 views.py & urls. ...

记录了 初中 的记忆片段。由于初中有写日记的习惯，这篇文章总能慢慢地更新。 缘定绍初 我的初中原名是绍兴一中初中部，最初由绍兴市北海中学、府山中学合并而成。后来为了落实九年制义务教育，强调初高中的分离，就改名为 绍兴市第一初级中学教育集团龙山校区。教育集团还有一个镜湖校区。 绍初位于越城区市中心，城市广场的对面，紧挨着原市府大楼，周围建筑密集，门口的车道常年堵车。附近有一条护城河，观赏性还是很强的——可惜那会儿满脑子都是赶路和学习。 如果按照小升初考试的常规途径，我当时只能去上虞市内（当时上虞市还没有改成区）的初中。上虞市里最厉害的中学是春晖中学，有俗语 北有南开，南有春晖，是一个十分不错的选择（升入大学的时候我特意问了一个来自南开中学的同学，他坦言并没有听说过这个俗语哈哈哈）。 不过我最终是通过了绍初龙山的借读生考试，以 借读生 的身份进入绍初龙山。小学到初中为什么跨区读书呢？这中间还有段机缘巧合。小学五六年级信息学比较强势（其实那会儿就是学学选择、循环、分支结构，算法设计主要依靠数学功底），我不希望这个特长从此失去了。春晖虽是上虞人的不二选择，但是春晖有关信息学竞赛的培训寥寥无 ...

我在大三春夏学期上了张国川老师的《应用运筹学基础》这门课。 张国川老师坚持板书讲解，课上干货满满，是不可多得的好老师。 我本来是在 TSR 学长的博客 的基础上补充知识点的。张老师在期末时把“上课笔记整理”也作为了考核方式之一，于是我把 TSR 学长的部分内容也结合进来了。 这篇文章是系列之一，还有两个系列分别是： 线性规划应用 近似算法选讲 凸集、凸函数、凸优化 凸集：任取 x,y∈Sx, y \in Sx,y∈S 和 ∀θ∈[0,1]\forall \theta \in [0,1]∀θ∈[0,1] 满足 θx+(1−θ)y∈S\theta x + (1-\theta)y \in Sθx+(1−θ)y∈S，称集合 SSS 凸集（Convex Set）。 凸集的交仍然是凸集。 如果没有 ∀θ∈[0,1]\forall \theta \in [0,1]∀θ∈[0,1] 的条件，称集合 SSS 仿射集（Affine set）。 凸函数：对于定义在凸集 SSS 上的函数 f(x)f(x)f(x)，若对于 ∀θ∈[0,1]\forall \theta \in [0,1]∀θ ...

我在大三春夏学期上了张国川老师的《应用运筹学基础》这门课。 张国川老师坚持板书讲解，课上干货满满，是不可多得的好老师。 我本来是在 TSR 学长的博客 的基础上补充知识点的。张老师在期末时把“上课笔记整理”也作为了考核方式之一，于是我把 TSR 学长的部分内容也结合进来了。 这篇文章是系列之三，还有两个系列分别是： 线性规划理论 线性规划应用 稳定婚姻问题（stable marriage problem） 问题描述 有 NNN 位男生和 NNN 位女生，每个男生都对 NNN 个女生的喜欢程度做了排序，每个女生都对 NNN 个男生的喜欢程度做了排序，现在需要确定一个稳定的约会状态（匹配）。 若存在两对匹配 A=(u,v)A=(u,v)A=(u,v)，B=(p,q)B=(p,q)B=(p,q) ，满足男生 uuu 比起女生 vvv 更喜欢女生 qqq，且女生 qqq 比起男生 ppp 更喜欢男生 uuu，那么我们称这组方案是不稳定的。 Gale–Shapley 算法 首先选择一个单身男生，他会按照他的喜欢程度对一个还没有表白过的女生表白。 如果女生此时处于单身状态，则他们 ...

我在大三春夏学期上了张国川老师的《应用运筹学基础》这门课。 张国川老师坚持板书讲解，课上干货满满，是不可多得的好老师。 我本来是在 TSR 学长的博客 的基础上补充知识点的。张老师在期末时把“上课笔记整理”也作为了考核方式之一，于是我把 TSR 学长的部分内容也结合进来了。 这篇文章是系列之二，还有两个系列分别是： 线性规划理论 近似算法选讲 原始对偶方法 基本思想： 灵活运用了互补松弛条件 (y∗TA−cT)x∗=0(y^{\ast {\rm T}}A-c^{\rm T})x^\ast=0(y∗TA−cT)x∗=0 且 y∗T(Ax∗−b)=0y^{\ast {\rm T}}(Ax^\ast-b) = 0y∗T(Ax∗−b)=0. 给出一组对偶的解，强行去满足互补松弛条件。每次观察 xxx 是否满足原问题的约束，若不满足就不断地修正 yyy。 原始对偶算法 流程 我们先列出原问题（P）的对偶问题（DP），并找到 yyy 的一组可行解。 如果 c≥0c \ge 0c≥0，直接取 y=0y=\pmb{0}y=00 即可。 否则我们给原问题增加一个变量与一条约 ...

在此记录一下我在 2020.3∼2020.62020.3 \sim 2020.62020.3∼2020.6 在浙江大学上的《编译原理》这门课的知识点。 整一个编译的流程包括如下两个阶段： front end: scanner →\to→ parser →\to→ semantic analyzer →\to→ source code optimizer back end: code generator →\to→ target code optimizer 编译原理就是围绕这两个阶段展开的知识点。 词法分析 lexical analysis Regular Expression Rules R* zero or more strings from L®: R(R*) R+ one or more strings from L®: R(R*) R? optional R: (R|ε) [abce] one of the listed characters: (a|b|c|e) [a-z] one character from this range: (a|b|c|d|e|… ...

在此记录一下我在 2020.3∼2020.62020.3 \sim 2020.62020.3∼2020.6 在浙江大学上的《计算机网络》这门课的知识点。 计算机网络概述 A protocol is an agreement between the communicating parties on how communication is to proceed. A protocol is a set of rules governing the format and meaning of the packets, or messages that are exchanged by the peer entities within a layer. A service is a set of primitives (operations) that a layer provides to the layer above it. Service interface defines which primitive operations and services the lowe ...

记录了 幼儿园 和 小学 的记忆片段。 第一段幼儿园：新建庄幼儿园 我在生活上单纯傻笨。有一次去亲戚家吃饭，四爷爷突然疑惑地对我说：“咦，你的碗怎么漏了？”于是我翻过碗查看，饭全都洒在桌上了。雨天我也不会躲水坑，我妈就干脆给我买了双靴子，让我尽情地在水中踏步（直到现在我都一直很喜欢靴子）。 刚上幼儿园的时候年纪小。大家都欺负我、排挤我，总是抓我脸，可我不敢和老师说。我没有朋友，只喜欢一个人静静地在幼儿园的“毛毛虫”（里面可以钻人）里玩。不过我那会儿真是慷慨大方。 外婆常常笑着和我提起，以前接送我上学时会路过一个叫做 “城市花园” 的别墅群。我会指着别墅对她说“长大后也给你买一幢”。现在看来有心无力啊（哭哭）。 我妈经常给我买玩具，巅峰时候整整装了一麻袋。如果有小朋友来我家玩并且看上了我的玩具，我就会送给他们。最终送的送、丢的丢，整个麻袋都没了。 去别人家玩的时候我却不会拿任何东西。有一次去同村的一个男孩子家里玩，我对一辆拇指大的小车爱不释手，那户人家就送给我了——这件事让我高兴了好几天。 隔壁的一个亲戚（比我大三岁）送了我很多神奇宝贝卡片，我一直很感激他。后来妈妈才告诉我，他来我家 ...

打算在近期看完 “解简单几何题” 相关的论文工作并做个总结。 Diagram Understanding in Geometry Questions AAAI 2014 论文地址 本文提出了一个叫做 G-ALIGNER 的 Image Parse 的工具，并证明了它使用的估价函数是次模函数。 估价函数介绍 设 T={T1,T2,…,Tm}T=\{T_1,T_2,\dots,T_m\}T={T1​,T2​,…,Tm​} 表示题目文本中提到的元素集合，LLL 是图片中初步提取后的所有 primitives 集合。本论文默认 LLL 已经得到，现在要找一个最优的子集 L^\hat{L}L^ 以准确地表达图片信息。 引入一个 W∈{0,1}∣L∣×∣T∣W \in \{0,1\}^{|L| \times |T|}W∈{0,1}∣L∣×∣T∣ 表示该图上的 primitive 是否与指定文本元素对应。 L^=L×(W×1∣T∣×1)\hat{L}=L \times (W \times 1_{|T| \times 1})L^=L×(W×1∣T∣×1​)，可以将求一个最优子集 L^\hat{L ...

这是 Professor Bo Li 推荐我的一篇 paper，有关 Adversarial Attacks 的内容。 Arxiv 传送门 什么是 Sensing-Reasoning pipelines 对于 Sensing 层面，我们用若干种不同的模型去感知，得到很多组 010101 的随机变量。 对于 Reasoning 层面，我们把之前的若干个结果汇总，利用领域知识（domain knowledge）和概率模型去矫正和逼近真实答案。常见的概率模型有： 基于无向图的 Markov logic networks（MLN） 基于有向图的 Bayesian networks （其实就是条件概率构建在图上） 论文里介绍了一个有趣的例子：假设我们想判断一张图 XXX 的信息。 我们在 Sensing 层面设了 Dog Sensor，Cat Sensor 和 Animial Sensor 三个神经网络模型去感知，从而能得到三个概率 p1,p2,p3p_1, p_2, p_3p1​,p2​,p3​，pip_ipi​ 表示该图 是 物体 iii 的概率。 由知识和经验，我们知道猫和 ...