朝汐

代码书写

• 代码书写规范基本遵循 谷歌代码书写规范，中文版；
• 不使用using namespace std，不使用goto，不使用vector<bool>，使用using代替typedef；
• 谨慎使用宏定义（尽可能使用const代替宏），#代表将宏参数内容转换成字符串，##代表将两个参数内容连接成为一个字符串；
• 一个可参考的 C++ 工程目录结构：https://github.com/hattonl/cpp-project-structure
• 一些常见的注释约定：// TODO（待办），// FIXME（待修复），// HACK（临时解决方案），// NOTE（备注），// OPTIMIZE（待优化），// REVIEW（待审查），// DEPRECATED（已过时）；

https://www.bilibili.com/video/BV164411S78V

线性回归(Linear Regression)与梯度下降(Gradient Descent)

记号：

\(m\) = 训练样本数，\(n\) = 特征数，\(x\) = 输入变量/特征，\(y\) = 输出变量/目标变量

\((x, y)\) = 训练样本。第i个: \((x^{(i)},y^{(i)})\)

\(h_\theta(x)=\theta_0+\theta_1x_1+\theta_2x_2+...+\theta_nx_n\)

令\(x_0\)为\(1\)，则\(h_\theta(x) = \sum_{i=0}^{n}\theta_ix_i=\theta^T x\)

\(Minimize_{\theta}\ \ J(\theta) = \frac{1}{2m} \sum_{i=1}^m(h_\theta(x^{(i)})-y^{(i)})^2\)

（最小二乘线性回归）

https://open.163.com/newview/movie/free?pid=IEU2H8NIJ&mid=VEU2H8NKA

Supervised Learning & Gradient Descent

Notation:

• \(m\) = #training examples.
• \(n\) = #features
• \(x\) = input variables / features.
• \(y\) = output variable / target variable
• \((x, y)\) = training example
  • The i-th: \((x^{(i)},y^{(i)})\)

Makefile

• Makefile三部分：目标、依赖、执行语句；
• 递归执行：若不存在目标文件或目标文件修改时间早于依赖文件，则先产生对应依赖文件，再执行语句；
• 所有.o文件均由对应.c文件生成，$<为第一个依赖文件，$@为目标，$^为所有不重复的依赖文件，以空格分开；
• src = $(wildcard ./*.c)得到空格隔开的所有.c文件名；obj = $(patsubst %.c, %.o, $(src)) 代表将src中的所有.c替换成.o；obj = $(src: %.c=%.o) 能得到同样效果；
• .PHONY代表clean为伪目标

外部文件：

.vimrc

基础配置

系统偏好正常设置即可。

command+shift+. 显示隐藏文件。

软件：搜狗输入法，Chrome，XCode，Parallel Desktop/Toolbox，LaTeX，ForkLift，The Unarchiver，Steam，Github Desktop，Clean One Pro，WPS，MS Office，Typora，qBittorrent， ClashX

本机配置

官网下载Node.js，换成淘宝源：

1
2
3
4
5
6
7
8

# 换成淘宝源（可能需要sudo su进入root模式）：
npm install -g cnpm --registry==https://registry.npm.taobao.org
cnpm -v
cnpm install -g hexo-cli
mkdir Hexo && cd Hexo
hexo init
hexo s
# 此时可在http://localhost:4000/访问主页