Python Tricks

Enumerate

enumerate 枚举的用法:

1
2
3
4
5
6
7
8
9

colors = ['red','green','yellow']
for i, name in enumerate(colors,0):
    print(i,name)


out：    
0 red
1 green
2 yellow

enumerate的第二个参数 代表 产生的index的起始

1
2
3
4
5
6
7
8
9

colors = ['red','green','yellow']
for i, name in enumerate(colors,1):
    print(i,name)


out：    
1 red
2 green
3 yellow

Zip

zip的用法：可以将两个list里的内容一一对应。

1
2
3
4
5
6
7
8
9
10
11

fruits = ['apple', 'orange']
colors = ['green','yellow']

for fruit, color in zip(fruits, colors):
    print(fruit, color)
    
    
    
out：
apple green
orange yellow

Numpy Tricks

numpy.clip

np.clip(a, a_min, a_max , out=None)

a为数组，

当数组中的数小于a_min，则小于a_min的部分会被替换成a_min，

当数组中的数大于a_max，则大于a_max的部分会被替换成a_max。

若out指定为np.array a，则输出将会保存在a中

1
2
3
4
5
6
7
8
9
10
11
12
13

>>> a = np.arange(10)
>>> np.clip(a, 1, 8)
array([1, 1, 2, 3, 4, 5, 6, 7, 8, 8])
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
np.clip(a, 3, 6, out=a)
>>>a
array([3, 3, 3, 3, 4, 5, 6, 6, 6, 6])
>>> a = np.arange(10)
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> np.clip(a, [3, 4, 1, 1, 1, 4, 4, 4, 4, 4], 8)
array([3, 4, 2, 3, 4, 5, 6, 7, 8, 8])

Bert全名Bidirectional Encoder Representations from Transformers. 顾名思义，Bert最关键的在于Transformer.

Transformer是谷歌大脑在2017年底发表的论文attention is all you need中所提出的seq2seq模型. 现在已经取得了大范围的应用和扩展, 而BERT就是从transformer中衍生出来的预训练语言模型，Bert主要用到了Transformer的encoder部分. Transformer的具体介绍 在后面transformer_model 部分会详细介绍。

图形学问题

最近在做毕设时，遇到 判断线段是否经过矩形障碍物的图形学问题。

为了解决这一问题，我们先看看 如何判断两线段是否相交

线段与线段是否相交

具体解决办法大致可以分为两个步骤。

a.快速排斥实验

若以该线段为对角线的矩形A与该障碍物矩形B不重合，则显然这两线段不相交。

但，若矩形A与矩形B重合，则并不一定代表这两线段相交。

最近，在做毕业设计，有关Ros这方面的。于是，利用空余时间，简单的探索了一下。

环境Ubuntu 16.04 LTS + ROS kinetic

首先为catkin创建一个工作空间

如果已装好了catkin，并且初始化好了变量环境，且创建好了工作空间，则该步骤可以跳过。

若没有，则可以按照下面步骤进行。

在Hexo博客中书写LaTex公式时遇到渲染问题，一开始无法识别LaTex公式，然后就是无法正常渲染矩阵。

结合网上不清晰的教程，得出结论要在Hexo上渲染LaTex，要通过MathJax来渲染，摸索了一晚，终于成功了。

NG深度学习中用到的函数

sigmoid函数

$$
\text{For } x \in \mathbb{R}^n \text{, } sigmoid(x) = sigmoid\begin{pmatrix}
x_1 \
x_2 \
… \
x_n \
\end{pmatrix} = \begin{pmatrix}
\frac{1}{1+e^{-x_1}} \
\frac{1}{1+e^{-x_2}} \
… \
\frac{1}{1+e^{-x_n}} \
\end{pmatrix}\tag{1}
$$

python代码实现：

1
2
3
4

import numpy as np
def sigmoid(x):
  s = 1 / (1 + np.exp(-x))
  return s

Sigmoid gradient(梯度，求导)

经过dS = ds/dx的求导运算发现dS = s*(1-s)
$$
sigmoid_derivative(x) = \sigma’(x) = \sigma(x) (1 - \sigma(x))\tag{2}
$$

1
2
3
4

def sigmoid_derivative(x):
  s = sigmoid(x)
  ds = s*(1-s)
  return ds

在IDEA中 利用Maven 来构造Struts2的配置环境。

由于，大多数都使用的是Eclipse or MyEclipse，而IDEA的 环境配置教程相对较少，也为了自己日后使用方便，在此简单讲解下如何利用IDEA配置 Maven+Struts2。

• ln -s abc cde 建立abc的软连接
• ln abc cde 建立硬连接(不可以对文件夹进行硬连接)

abc 为源文件 ，cde为目标指向文件，既就是建立cde -> abc

软链接与硬链接的区别 ：

Linux 软连接与硬连接

对于一个文件来说，有唯一的索引接点与之对应，而对于一个索引接点号，却可以有多个文件名与之对应。因此，在磁盘上的同一个文件可以通过不同的路径去访问该文件。注意在Linux下是一切皆文件的啊，文件夹、新加的硬盘 …都可以看着文件来处理的啊。

连接有软连接和硬连接(hard link)之分的，软连接(symbolic link)又叫符号连接。符号连接相当于Windows下的快捷方式。

不可以对文件夹建立硬连接的，我们通常用的还是软连接比较多。

返回函数与匿名函数：

以下是两种相同作用的两个函数，一个是利用lambda表达式，一个没有，可以看出lambda的简洁之处。

通过下面代码一与代码二的对比，可以看出：

当返回lambda表达式为无参数时，其式中的x,y为外部变量，其具体数据由外部的所给定的x,y所决定，如代码一

代码一：

1
2
3
4
5
6
7
8
9
10
11

def build_return_lambda(x, y):
    return lambda: x ** 2 + y ** 2


def build_return(x, y):
    def g():
        return x ** 2 + y ** 2
    return g

f = build_return_lambda(2, 2)
print(f())

当返回的lambda表达式为有参时，则由用户输入的决定

代码二：

1
2
3
4
5
6
7
8
9
10
11

def build_return_lambda2():
    return lambda x, y: x ** 2 + y ** 2


def build_return1():
    def g(x, y):
        return x ** 2 + y ** 2
    return g

f = build_return_lambda2()
print(f(2, 2))

在了解SSH中Hibernate之后，与另一SSM框架中的Mybatis相比确实缺少一定的灵活性。根据各种大神反馈来看，Hibernate与Mybatis的优缺点如下：

整体比较两者相同点

• Hibernate与MyBatis都可以是通过SessionFactoryBuider由XML配置文件生成SessionFactory，然后由SessionFactory 生成Session，最后由Session来开启执行事务和SQL语句。其中SessionFactoryBuider，SessionFactory，Session的生命周期都是差不多的。

• Hibernate和MyBatis都支持JDBC和JTA事务处理。

  阅读全文 »