下面的内容主要是收集一些二维/三维图形变换的矩阵，并尝试理解一下为什么。

二维图形变换

显然，对一个二维图形做几何变换，就是对图形上的每一个点做相应的几何变换。
虽然有时候实际上我们并不需要全部做，比如一个直线段我们只需要把端点变换过去然后连起来就可以了。

常见的二维图形几何变换有：

• 平移
• 缩放
• 旋转

举个栗子

隐马尔可夫模型可以描述很多场景。

里面大概有这么些东西：

• 一个可以观测到的可见状态链$X_0,\dots,X_{n-1},X_n$
• 一个隐含状态链$Y_0,\dots,Y_{n-1},Y_n$
• 几个隐含状态和它们之间的转换概率
• 从隐含状态到可见状态的发射概率

介绍

LSTM-CRF是一个用于命名实体识别的内嵌CRF的LSTM模型。

好处呢

循环神经网络解决了传统神经网络只依赖于当前输入的问题。
长短时记忆网络模型解决了循环神经网络由于梯度爆炸或消失只能学习到短周期的依赖关系问题。

收集一些命名实体识别相关的知识

收集一下名词

• 条件随机场CRF
• 召回率
• F值
• viterbi算法
• 序列标注任务
• 最大似然迭代算法
• MEMM标记偏置
• 线性条件随机场
• 层叠条件随机场
• 前向后向算法
• N-最短路径的切分排歧策略
• 互信息
• 二值特征函数
• L-BGFS算法
• 牛顿方法

收集一些工具

• CRF++

先来一段废话

为了计算文本的相似度，我们需要一些算法，比如这个余弦相似度算法。

具体怎么算呢？

简单一点就是如下:

1. 分词
2. 将所有的词放在一个集合中
3. 根据集合位置给词编码
4. 将两个语句化为向量，维度为所有词的数量，每个维度的数值为这个词在此句子中出现的次数
5. 计算两个向量的余弦值，越大代表越接近

微分方程

先整理一些在下面会出现的概念或者定义…

微分方程指一个表示未知函数、未知函数的导数以及自变量之间的关系的方程.

微分方程的阶指微分方程中出现的最高阶导数或偏导数的阶.

常微分方程指自变量个数只有一个的微分方程.

偏微分方程指自变量个数大于一个的微分方程.

举个栗子:

$\frac{\partial^2{u}}{\partial{x^2}}+\frac{\partial^2{u}}{\partial{y^2}}+\frac{\partial^2{u}}{\partial{z^2}}=0$是一个二阶偏微分方程，

形如
$$
F(x,y,y’,…,y^{(n)})=0
$$
的等式称作一个以$x$为自变量,以$y(x)$为未知函数的n阶常微分方程

curl的笔记

1

curl -X POST http://balabala.com/balabala -d {\"param1\":\"value\"}

-X可以指定请求方式，比如POST或者GET.

-d可以指定参数，但是似乎默认的参数格式是"a=sss&b=c"这种格式

似乎需要额外的参数指定json格式呢

找到了

1

curl -H "Content-Type:application/json" -X POST http://balabala.com/balabala -d {\"param1\":\"value\"}

关于使用git时的分支操作。

• 创建本地分支
• 合并分支
• *本地分支和线上的分支的关系