0%

将系统原来的python3.5改为当前3.7后,gnome-terminal会打不开,解决方法如下:

1
2
3
4
cd /usr/lib/python3/dist-packages/gi/
# 下面的35 改成37 表示从py3.5 改到py3.7,如果安装的是3.6就改成36
sudo cp _gi_cairo.cpython-35m-x86_64-linux-gnu.so _gi_cairo.cpython-37m-x86_64-linux-gnu.so
sudo cp _gi.cpython-35m-x86_64-linux-gnu.so _gi.cpython-37m-x86_64-linux-gnu.so

Origin Article By Shaoshan Liu and Jean-Luc Gaudiot

许多年轻的都市人不想拥有汽车,与前几代人不同的是,他们不需要依赖公共交通。相反,他们将交通出行视为一种服务。当他们需要长途旅行时,比如说超过5英里(8公里),他们会用手机叫一辆Uber(或类似的共享单车公司的车)。如果他们的行程不到一英里左右,他们要么步行,要么使用各种 “微移动 “服务,比如越来越多的Lime和Bird踏板车,或者在一些城市,共享单车。

问题是,如今移动即服务生态系统往往不能很好地覆盖中间距离,比如说几英里的距离。雇佣Uber或Lyft来进行这种短途旅行,其费用令人沮丧,而且骑着踏板车或自行车超过一英里左右的路程对很多人来说可能会很费劲。因此,将自己送到1到5英里外的目的地可能是一个挑战。然而,这样的旅行占到了乘客总里程的一半左右。

阅读全文 »

《乔乔的异想世界》(Jojo Rabbit)

今年好莱坞的六项提名,最终获得了最佳改编剧本。故事讲述了一个二战后期的纳粹德国的10岁小男孩jojo,于脑内住了个“希特勒”作为知心好友。故事的一大特色就是jojo脑内的希特勒,(代表了接收到的纳粹青年团的教育)和jojo在现实中经历了种种事情看到了纳粹没有那么美好的一幕的冲突。但是本质上来说,jojo脑内的希特勒又是和希特勒有所区分的,他只是一个希特勒在10岁孩子心中的形象,少了专制和暴戾,会坐下来和jojo谈心,多了些童趣可爱,比如离开方式是从窗户纵身跳出。

因为寡姐来看这部片子,寡姐在片中扮演了jojo的妈妈,外表上看上去是一个优雅时尚的丧夫寡妇(??噫,又是寡妇),另一方面又暗中资助犹太人,保护他们,甚至在家里的阁楼上面暗藏了一个犹太女孩。

故事的主线便从jojo一天独自在家发现了犹太女孩开始说起。一直持续到纳粹德国战败,盟军攻陷了柏林为止。最终jojo的心中那个希特勒不见了,而他和犹太女孩爱莎走出房门,在街头跳舞也成为了电影定格的最后画面,爆炸甜了。

《爱尔兰人》(The Irishman)

导演马丁·斯科塞斯的最后一部电影了,因为经费要求太高,可惜终究是没搬上大银幕,被网飞接盘。片长209分钟,三个半小时,我终究还是一口气看完了。另外一个可惜的点莫过于奥斯卡颗粒无收了www

故事讲述了货车司机法兰克·“爱尔兰人”·希兰(罗伯特·德尼罗 饰演)变成一名杀手,并与黑帮罗素·布法利诺(祖·佩西 饰演)和他的布法利诺犯罪家族有关连,包括为有势力的国际货车司机兄弟会主席吉米·霍法(艾尔·帕西诺 饰演)工作,以及之后发生的一系列故事上。本以为这个故事会趋于冗长,但实际上对我这种没有美国黑帮犯罪知识的人来说也很友好,三个半小时被一个个故事填充的满满当当。

本来是退役美国大兵的希兰战后成为了货车司机。机缘巧合结识了黑帮老大并获得了赏识,从此变成了一个刷房子的人。所谓house painter是黑帮黑话,刷房子的工具是枪,颜料是人,也就是杀人越货哈哈哈。故事的高潮则是希兰被帮派指派去保护货车司机工会主席吉米霍法,并与他成为了好朋友。但逐渐地吉米霍法不再对帮派言听计从,帮派劝说无果最终和他产生了不可避免的冲突。

三个老戏骨把这部剧演得很精彩,值得一看。值得一提的是,片中的演员都已经是年龄很大的人了,硬是通过脸部捕捉和cg特效 扮演了三个时期的自己,看不出破绽(经费在燃烧)。

《社交网络》(The Social Network)

马克·扎克伯格的传记电影,2010年的老片了,讲述的是Facebook的创立过程。其实这个创业史能讲的很多,电影的视角是从扎克伯格的两场官司展开,与他对簿公堂的一个是他的创始合伙人爱德华多·萨维林,另一个是温克沃斯兄弟俩。

首先,不可否认的是扎克伯格确实是码农天才,晚上8点失恋回到宿舍,10点开始写matchup网站+爬取数据,凌晨2点上线,凌晨4点搞崩哈佛大学内网服务器,全程还记录在blog上。除了说马克牛逼意外,也想吐槽一下,果然真·世界一流大学就是没人睡觉啊。

电影故事几乎没有偏袒马克,甚至他在法庭上几乎是完全不占理的一边。Facebook的最初构想是孪生兄弟卡麦隆·温克沃斯泰勒·温克沃斯,以及他们的商业伙伴迪夫亚·纳伦德拉came out的,三人邀请马克·扎克伯格到一个以哈佛大学学生旨在约会的专属社交网络——哈佛联谊网(Harvard Connection)中工作。结果马克一看 这主意不错,先假装答应,转身就去找他的朋友爱德华多·萨维林提出一个他称为The facebook的想法,那是一个常春藤学生专属的在线社交网站。爱德华多接到了1000刀,马克一边上课不分昼夜的码代码,一边故意拖延温克沃斯那边的进度时间,一会这周作业多,一会下周要考试,就是不去开组会hhhh。结果一学期过去了,网站搭好了,温克沃斯兄弟直到网站上线才发现被鸽了。

而爱德华多最终也遭遇了马克的白眼狼行为,爱德华多反对帕克(后期入股的成员,曾创立Napster,Plaxo,是Facebook的首任总裁。),为Facebook进行的商业决定,并冻结公司的银行账户,结果造成争议,在Facebook使用人数达100万人次时,萨维林发现新的投资协议让他的股份减少了,顿时感到愤怒,同时爱德华多的名字从联合创始人的栏上被移除。

电影其实塑造的马克更像是一个冷血而不近人情的人。这点上倒是和国会听证上所谓的机器人扎克伯格更加相似。

最让我唏嘘的是,其实爱德华多和温克沃斯兄弟都是哈佛里的高材生,爱德华多是哈佛最年轻的哈佛投资协会主席,而温克沃斯兄弟更是勤奋的富二代,体育还很好。最终还是被扎克伯格无情抛弃,难怪马克成为了最年轻的亿万富翁。

但是其实,他们最终仍然到达了常人难以企及的高度:

  • 温克洛夫斯兄弟获得6,500万美元的赔偿,并须签订保密协议,二人后来参加2008年夏季奥林匹克运动会,排名第六;他们俩用这笔钱在早期入场了比特币,后来的事大家都知道了。
  • 爱德华多·萨维林收到了一笔数目不明的赔偿,而他的名字重新载于Facebook的网页上,显示为“联合创始人”。截至2011年1月4日,他拥有百分之5,价值12亿美元的股份。

他们都有着光明的未来。

0. 从RNN说起

循环神经网络(Recurrent Neural Network,RNN)是一种用于处理序列数据的神经网络。相比一般的神经网络来说,他能够处理序列变化的数据。比如某个单词的意思会因为上文提到的内容不同而有不同的含义,RNN就能够很好地解决这类问题。

转自知乎陈诚专栏


1. 普通RNN

先简单介绍一下一般的RNN。

其主要形式如下图所示(图片均来自台大李宏毅教授的PPT):

这里:

$x$为当前状态下数据的输入,$h$表示接收到的上一个节点的输入。

$y$为当前节点状态下的输出,而 $h’$为传递到下一个节点的输出。

通过上图的公式可以看到,输出 h’xh 的值都相关。

y 则常常使用 h’ 投入到一个线性层(主要是进行维度映射)然后使用softmax进行分类得到需要的数据。

对这里的y如何通过 h’ 计算得到往往看具体模型的使用方式。

通过序列形式的输入,我们能够得到如下形式的RNN。


2. LSTM

2.1 什么是LSTM

长短期记忆(Long short-term memory, LSTM)是一种特殊的RNN,主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说,就是相比普通的RNN,LSTM能够在更长的序列中有更好的表现。

LSTM结构(图右)和普通RNN的主要输入输出区别如下所示。

相比RNN只有一个传递状态$h^t$,LSTM有两个传输状态,一个$c^t$(cell state),和一个 $h^t$(hidden state)。(Tips:RNN中的$h^t$ 对于LSTM中的 $c^t$ )

其中对于传递下去的 $c^t$改变得很慢,通常输出的$c^t$ 是上一个状态传过来的$c^{t-1}$加上一些数值。

而$h^t$则在不同节点下往往会有很大的区别。

2.2 深入LSTM结构

下面具体对LSTM的内部结构来进行剖析。

首先使用LSTM的当前输入$x^t$ 和上一个状态传递下来的$h^{t-1}$ 拼接训练得到四个状态。

其中, $z^f$,$z^i$ ,$z^o$ 是由拼接向量乘以权重矩阵之后,再通过一个sigmoid 激活函数转换成0到1之间的数值,来作为一种门控状态。而 $z$则是将结果通过一个$tanh$激活函数将转换成-1到1之间的值(这里使用$tanh$) 是因为这里是将其做为输入数据,而不是门控信号)。

下面开始进一步介绍这四个状态在LSTM内部的使用。(敲黑板)

$\bigodot $ 是Hadamard Product,也就是操作矩阵中对应的元素相乘,因此要求两个相乘矩阵是同型的。$\bigoplus$ 则代表进行矩阵加法。

LSTM内部主要有三个阶段:

\1. 忘记阶段。这个阶段主要是对上一个节点传进来的输入进行选择性忘记。简单来说就是会 “忘记不重要的,记住重要的”。

具体来说是通过计算得到的 $z^f$(f表示forget)来作为忘记门控,来控制上一个状态的 $c^{t-1}$ 哪些需要留哪些需要忘。

\2. 选择记忆阶段。这个阶段将这个阶段的输入有选择性地进行“记忆”。主要是会对输入 $x^t$进行选择记忆。哪些重要则着重记录下来,哪些不重要,则少记一些。当前的输入内容由前面计算得到的 $z$表示。而选择的门控信号则是由 $z^i$(i代表information)来进行控制。

将上面两步得到的结果相加,即可得到传输给下一个状态的 $c^t$ 。也就是上图中的第一个公式。

\3. 输出阶段。这个阶段将决定哪些将会被当成当前状态的输出。主要是通过 $z^o$来进行控制的。并且还对上一阶段得到的 $c^o$ 进行了放缩(通过一个tanh激活函数进行变化)。

与普通RNN类似,输出 $y^f$ 往往最终也是通过 $h^f$变化得到。


3. 总结

以上,就是LSTM的内部结构。通过门控状态来控制传输状态,记住需要长时间记忆的,忘记不重要的信息;而不像普通的RNN那样只能够“呆萌”地仅有一种记忆叠加方式。对很多需要“长期记忆”的任务来说,尤其好用。

但也因为引入了很多内容,导致参数变多,也使得训练难度加大了很多。因此很多时候我们往往会使用效果和LSTM相当但参数更少的GRU来构建大训练量的模型。

有天一个女士出门散步,路过一个建筑工地,看到三个男人在干活。她问第一个男人,“你在干什么呢?”,第一个男人被问得很烦,咆哮道,“你没看到我在码砖吗?”。她对回答不满意,然后问第二个男人他在干什么。第二个男人回答,“我正在砌墙”,然后转移注意力到第一个男人,他说,“嘿,你码过头了,你要把最后一块砖拿掉。”。她还是对回答不满意,然后问第三个男人在干什么。第三个男人仰望着天空对她说,“我正在建造世界上最大的教堂。”。当他站在那里仰望天空的时候,另外两个男人开始争论砖位置不对的问题。第三个男人转向前两个男人说,“嘿,伙计们,别担心那块砖了,那是里面的墙,它会被灰泥堵塞起来,然后没人会看到那块砖。去另一层干活吧。“

故事的寓意是说,当你了解整个系统,理解不同的部分如何组织到一起的(砖、墙、教堂),你就能找出问题并快速解决之(砖位置不对)。

阅读全文 »

卡尔曼滤波(Kalman filter)是一种高效的自回归滤波器,它能在存在诸多不确定性情况的组合信息中估计动态系统的状态,是一种强大的、通用性极强的工具。它的提出者,鲁道夫.E.卡尔曼,在一次访问NASA埃姆斯研究中心时,发现这种方法能帮助解决阿波罗计划的轨道预测问题,后来NASA在阿波罗飞船的导航系统中确实也用到了这个滤波器。最终,飞船正确驶向月球,完成了人类历史上的第一次登月。

本文是国外博主Bzarg在2015年写的一篇图解。虽然是几年前的文章,但是动态定位、自动导航、时间序列模型、卫星导航——卡尔曼滤波的应用范围依然非常广。那么,作为软件工程师和机器学习工程师,你真的了解卡尔曼滤波吗?

转自知乎论智专栏

什么是卡尔曼滤波?

对于这个滤波器,我们几乎可以下这么一个定论:只要是存在不确定信息的动态系统,卡尔曼滤波就可以对系统下一步要做什么做出有根据的推测。即便有噪声信息干扰,卡尔曼滤波通常也能很好的弄清楚究竟发生了什么,找出现象间不易察觉的相关性。

因此卡尔曼滤波非常适合不断变化的系统,它的优点还有内存占用较小(只需保留前一个状态)、速度快,是实时问题和嵌入式系统的理想选择。

如果你曾经Google过卡尔曼滤波的教程(如今有一点点改善),你会发现相关的算法教程非常可怕,而且也没具体说清楚是什么。事实上,卡尔曼滤波很简单,如果我们以正确的方式看它,理解是很水到渠成的事。

本文会用大量清晰、美观的图片和颜色来解释这个概念,读者只需具备概率论和矩阵的一般基础知识。

我们能用卡尔曼滤波做什么?

让我们举个例子:你造了一个可以在树林里四处溜达的小机器人,为了让它实现导航,机器人需要知道自己所处的位置。

也就是说,机器人有一个包含位置信息和速度信息的状态

注意,在这个例子中,状态是位置和速度,放进其他问题里,它也可以是水箱里的液体体积、汽车引擎温度、触摸板上指尖的位置,或者其他任何数据。

我们的小机器人装有GPS传感器,定位精度10米。虽然一般来说这点精度够用了,但我们希望它的定位误差能再小点,毕竟树林里到处都是土坑和陡坡,如果机器人稍稍偏了那么几米,它就有可能滚落山坡。所以GPS提供的信息还不够充分。

我们也可以预测机器人是怎么移动的:它会把指令发送给控制轮子的马达,如果这一刻它始终朝一个方向前进,没有遇到任何障碍物,那么下一刻它可能会继续坚持这个路线。但是机器人对自己的状态不是全知的:它可能会逆风行驶,轮子打滑,滚落颠簸地形……所以车轮转动次数并不能完全代表实际行驶距离,基于这个距离的预测也不完美。

这个问题下,GPS为我们提供了一些关于状态的信息,但那是间接的、不准确的;我们的预测提供了关于机器人轨迹的信息,但那也是间接的、不准确的。

但以上就是我们能够获得的全部信息,在它们的基础上,我们是否能给出一个完整预测,让它的准确度比机器人搜集的单次预测汇总更高?用了卡尔曼滤波,这个问题可以迎刃而解。

卡尔曼滤波眼里的机器人问题

还是上面这个问题,我们有一个状态,它和速度、位置有关:

我们不知道它们的实际值是多少,但掌握着一些速度和位置的可能组合,其中某些组合的可能性更高:

卡尔曼滤波假设两个变量(在我们的例子里是位置和速度)都应该是随机的,而且符合高斯分布。每个变量都有一个均值 ,它是随机分布的中心;有一个方差 ,它衡量组合的不确定性。

在上图中,位置和速度是不相关的,这意味着我们不能从一个变量推测另一个变量。

那么如果位置和速度相关呢?如下图所示,机器人前往特定位置的可能性取决于它拥有的速度。

这不难理解,如果基于旧位置估计新位置,我们会产生这两个结论:如果速度很快,机器人可能移动得更远,所以得到的位置会更远;如果速度很慢,机器人就走不了那么远。

这种关系对目标跟踪来说非常重要,因为它提供了更多信息:一个可以衡量可能性的标准。这就是卡尔曼滤波的目标:从不确定信息中挤出尽可能多的信息!

为了捕获这种相关性,我们用的是协方差矩阵。简而言之,矩阵的每个值是第 个变量和第 个变量之间的相关程度(由于矩阵是对称的, 的位置可以随便交换)。我们用 表示协方差矩阵,在这个例子中,就是

用矩阵描述问题

为了把以上关于状态的信息建模为高斯分布(图中色块),我们还需要 时的两个信息:最佳估计 (均值,也就是 ),协方差矩阵 。(虽然还是用了位置和速度两个变量,但只要和问题相关,卡尔曼滤波可以包含任意数量的变量)

接下来,我们要通过查看当前状态(k-1时)来预测下一个状态(k时)。这里我们查看的状态不是真值,但预测函数无视真假,可以给出新分布:

我们可以用矩阵 表示这个预测步骤:

它从原始预测中取每一点,并将其移动到新的预测位置。如果原始预测是正确的,系统就会移动到新位置。

这是怎么做到的?为什么我们可以用矩阵来预测机器人下一刻的位置和速度?下面是个简单公式:

换成矩阵形式:

这是一个预测矩阵,它能给出机器人的下一个状态,但目前我们还不知道协方差矩阵的更新方法。这也是我们要引出下面这个等式的原因:如果我们将分布中的每个点乘以矩阵A,那么它的协方差矩阵会发生什么变化

把这个式子和上面的最佳估计 结合,可得:

外部影响

但是,除了速度和位置,外因也会对系统造成影响。比如模拟火车运动,除了列车自驾系统,列车操作员可能会手动调速。在我们的机器人示例中,导航软件也可以发出停止指令。对于这些信息,我们把它作为一个向量 ,纳入预测系统作为修正。

假设油门设置和控制命令是已知的,我们知道火车的预期加速度 。根据运动学基本定理,我们可得:

把它转成矩阵形式:

是控制矩阵, 是控制向量。如果外部环境异常简单,我们可以忽略这部分内容,但是如果添加了外部影响后,模型的准确率还是上不去,这又是为什么呢?

外部不确定性

当一个国家只按照自己的步子发展时,它会自生自灭。当一个国家开始依赖外部力量发展时,只要这些外部力量是已知的,我们也能预测它的存亡。

但是,如果存在我们不知道的力量呢?当我们监控无人机时,它可能会受到风的影响;当我们跟踪轮式机器人时,它的轮胎可能会打滑,或者粗糙地面会降低它的移速。这些因素是难以掌握的,如果出现其中的任意一种情况,预测结果就难以保障。

这要求我们在每个预测步骤后再加上一些新的不确定性,来模拟和“世界”相关的所有不确定性:

![imghttps://pic4.zhimg.com/80/v2-7cc51be5e269b579c4588db25daf995f_720w.jpg)

如上图所示,加上外部不确定性后, 的每个预测状态都可能会移动到另一点,也就是蓝色的高斯分布会移动到紫色高斯分布的位置,并且具有协方差 。换句话说,我们把这些不确定影响视为协方差 的噪声。

这个紫色的高斯分布拥有和原分布相同的均值,但协方差不同。

我们在原式上加入

简而言之,这里:

是基于 校正后得到的预测。

是基于 得到的预测。

现在,有了这些概念介绍,我们可以把传感器数据输入其中。

通过测量来细化估计值

我们可能有好几个传感器,它们一起提供有关系统状态的信息。传感器的作用不是我们关心的重点,它可以读取位置,可以读取速度,重点是,它能告诉我们关于状态的间接信息——它是状态下产生的一组读数。

请注意,读数的规模和状态的规模不一定相同,所以我们把传感器读数矩阵设为

把这些分布转换为一般形式:

卡尔曼滤波的一大优点是擅长处理传感器噪声。换句话说,由于种种因素,传感器记录的信息其实是不准的,一个状态事实上可以产生多种读数。

我们将这种不确定性(即传感器噪声)的协方差设为 ,读数的分布均值设为

现在我们得到了两块高斯分布,一块围绕预测的均值,另一块围绕传感器读数。

如果要生成靠谱预测,模型必须调和这两个信息。也就是说,对于任何可能的读数 ,这两种方法预测的状态都有可能是准的,也都有可能是不准的。重点是我们怎么找到这两个准确率。

最简单的方法是两者相乘:

两块高斯分布相乘后,我们可以得到它们的重叠部分,这也是会出现最佳估计的区域。换个角度看,它看起来也符合高斯分布:

事实证明,当你把两个高斯分布和它们各自的均值和协方差矩阵相乘时,你会得到一个拥有独立均值和协方差矩阵的新高斯分布。最后剩下的问题就不难解决了:我们必须有一个公式来从旧的参数中获取这些新参数!

结合高斯

让我们从一维看起,设方差为 ,均值为 ,一个标准一维高斯钟形曲线方程如下所示:

那么两条高斯曲线相乘呢?

把这个式子按照一维方程进行扩展,可得:

如果有些太复杂,我们用k简化一下:

以上是一维的内容,如果是多维空间,把这个式子转成矩阵格式:

这个矩阵 就是我们说的卡尔曼增益,easy!

把它们结合在一起

截至目前,我们有用矩阵 预测的分布,有用传感器读数 预测的分布。把它们代入上节的矩阵等式中:

相应的,卡尔曼增益就是:

考虑到 里还包含着一个 ,我们再精简一下上式:

最后, 是我们的最佳估计值,我们可以把它继续放进去做另一轮预测:

希望这篇文章能对你有用!

对于之前的MIT课的一些要点概括

Vim

  • Ctrl + d 向下滚动半屏 Ctrl + u 向上滚动半屏
  • w (next word), b (beginning of word), e (end of word)
  • gg 移动到文件头 G(shift + g) 移动到文件尾
  • 0移动到本行第一个字符上 $ 移动到行尾
  • 查找/{regex}, n / N 下一个匹配
  • u 撤销(Undo) Ctrl + r 重做(Redo)
  • 删除d{motion}
  • e.g. dw is delete word, d$ is delete to end of line, d0 is delete to beginning of line
  • 修改c{motion}
    • e.g. cw is change word

Connecting programs

读写文件:The simplest form of redirection is < file and > file. These let you rewire the input and output streams of a program to a file respectively:

1
2
3
4
5
6
$ echo hello > hello.txt
$ cat hello.txt
hello
$ cat < hello.txt > hello2.txt
$ cat hello2.txt
hello

数据传输:Pretty much any time you use the | operator, you are performing some kind of data wrangling. Consider a command like journalctl | grep -i intel.

1
2
$ ssh myserver 'journalctl | grep sshd | grep "Disconnected from"' > ssh.log
$ less ssh.log

Regular expressions

常见表达:

  • . means “any single character” except newline
  • * zero or more of the preceding match
  • + one or more of the preceding match
  • [abc] any one character of a, b, and c
  • (RX1|RX2) either something that matches RX1 or RX2
  • ^ the start of the line
  • $ the end of the line

sed usage:

1
sed 's/{{regex}}/{{replace}}/' {{filename}}

Replace all occurrences of an extended regular expression in a file, and print the result

Useful to INSTALL

1
2
3
4
5
tldr #too long don't read
rg #ripgrep
nnn #file system
tmux
fuck