最近看了一些 Python 装饰器的用法，记录下来

乔治·桑塔亚纳说过，“那些遗忘过去的人注定要重蹈覆辙。”这句话放在问题求解过程中也同样适用。不懂动态规划的人会在解决过的问题上再次浪费时间，懂的人则会事半功倍。那么什么是动态规划？这种算法有何神奇之处？本文作者给出了初步的解答。

首先，我们分析一下什么是感知机，

所谓感知机就是：假设输入空间(即特征空间)是，输出空间是，输入表示实例的特征向量，对于输入空间的点，输出表示实例的类别。由输入空间到输出空间的映射如下所示：

$$ f(x)=\text{sign}(w \cdot x+b) ​$$

其中 $\text{sign}$ 是符号函数，$w$ 和 $b$ 是感知机参数。

什么是范数？

我们知道距离的定义是一个宽泛的概念，只要满足非负、自反、三角不等式就可以称之为距离。范数是一种强化了的距离概念，它在定义上比距离多了一条数乘的运算法则。有时候为了便于理解，我们可以把范数当作距离来理解。

方法：递归法

为了解决这个问题，我们需要理解 “中位数的作用是什么”。在统计中，中位数被用来：

将一个集合划分为两个长度相等的子集，其中一个子集中的元素总是大于另一个子集中的元素。

如果理解了中位数的划分作用，我们就很接近答案了。

0. intro

很有意思的问题。以往见过许多教材，对动态规划（DP）的引入属于“奉天承运，皇帝诏曰”式：不给出一点引入，见面即拿出一大堆公式吓人；学生则死啃书本，然后突然顿悟。针对入门者的教材不应该是这样的。恰好我给入门者讲过四次DP入门，迭代出了一套比较靠谱的教学方法，所以今天跑过来献丑。

现在，我们试着自己来一步步“重新发明”DP。

最近在做一个新的声学模型，其中遇到一个点就是每个sentence的长度不一样的花，直接用dataloader的读取是有问题的。查了下中文资料，大家大多数这个问题都是趋于用torch.nn.utils.rnn.PackedSequence来打包的，这个在dataloader里面其实就不太适用，pytorch论坛上提到用dataloader的collate_fn来处理的，所以想写个资料总结下 。

牛客网 腾讯算法实习面试总结—论面试官虐我的一百种方式

廖雪峰的 Git 教程

少用 Pull 多用 Fetch 和 Merge

见到很多人说过这个经验，原因就是 git pull 把过程的细节都隐藏了起来，大部分时候是没有问题的，但是当代码出错时可能会造成损失。很多时候我们宁愿做的慢一些，也不愿意返工重来

一般的做法是：

1
2

git fetch origin  # 下载远程分支的更新
git merge origin/master  # 合并远程分支到当前分支

如果你想在合并前查看本地分支和远程分支的差异，可以使用下面的命令：

1

git diff master origin/master

单独进行下载和合并是一个好的做法，你可以先看看下载的是什么，然后再决定是否和本地代码合并，方便使用。

奇怪的错误

今天在安装 PANet 时遇到了一个奇怪的错误：

1
2

Compiling nms kernels by nvcc...
cc1plus: fatal error: cuda_runtime.h: No such file or directory