博客目录

2018-02

GTD工作思想

《尽管去做 ——无压工作的艺术》

任务模式的改变:knowledgework

两个目的

  • 抓住所有一切需要处理的事情把它们统统置入一个脱离大脑的逻辑系统中。
  • 训练自己在接受一切“输入信息”的前期作出决定

新的情况

  • 工作不再有清楚的界线
  • 几乎每一件事情都可能处理得更加完善,而且现在促成这一切成为现实的信息,已数不胜数、唾手可得。
  • 工作量因需要交换信息增加
  • 工作不断变化

旧的模式和习惯已力不从心

2018-02-06 08:00 CST 阅读更多

快捷键

快捷键

Iterm2

  • ⌘; 历史命令
  • ⌘⇧h 剪贴板历史
  • ⌃u 清行
  • ⌃a 行首
  • ⌃e 行尾
  • ⌃f 前进
  • ⌃b 后退
  • ⌃p 上一条命令
  • ⌃r 搜索历史
  • ⌃d 删除当前字符
  • ⌃h 删除光标前字符
  • ⌃w 删除光标前单次
  • ⌃k 删除到文末
  • ⌃t 交换光标出文本
  • ⌘r 清屏

Vim

2018-02-02 08:00 CST 阅读更多

Pandas

Pandas Code Example

Preface

In this arcticle, I will give examples to illustrate and remind me the usage of some pandas funtion. Just a reminder.

数据读写

read_csv

data = pd.read_csv('test.csv')
data = pd.read_csv('test.csv',header = 0/[0,1,2]列名,  index_col = 0/[0,1], nrows = 100)
data = pd.read_csv('test_one.csv', squeeze = True, encoding = 'utf-8') 一列返回Series
data = pd.read_csv('test.csv', prefix = 'X'列前缀, skiprows = 3, skipfooter = 3, na_values = 'NAN')
data = pd.read_csv('test_no_NAN.csv', na_filter = 'False', parse_dates=True/{'foo':[1,3]},infer_datatime_format = True, data_parser = function)

2018-02-02 08:00 CST 阅读更多

2018-01

利用hexo搭建我的博客

Hexo

参考资料

主题

  • next 7
    • tags 启用
    • math 启用,且 per page: false
      • 修改 kramed 部分内容
    • 使用双栏 scheme
  • yilia

2018-01-20 22:50 CST 阅读更多

0001-01

Domain Adapation 相关

CNN backbones 结构介绍 LeNet5(1998) AlexNet8(2012) VGG(2014) VGG16 VGG19 GoogLeNet22(2014) Inception v1-v4 ResNet(2015) ResNet50 ResNet101 DRN-26 Semantic Segmentation $p_{ij}$: 被预测为 $j$ 类样本的 $i$ 类样本 Pixel Accuarcy: $\text{PA}=\frac{\sum_{i=0}^kp_{ii}}{\sum_{i=0}^k\sum_{j=0}^kp_{ij}}$ Mean Pixel Accuracy: $\text{MPA}=\frac{1}{k}\sum_{i=0}^k\frac{p_{ii}}{\sum_{j=0}^kp_{ij}}$ Mean Intersection over Union: $\text{MIoU}=\frac{1}{k}\sum_{i=0}^k\frac{p_{ii}}{\sum_{j=0}^kp_{ij}+\sum_{j=0}^kp_{ji}-p_{ii}}$ Frequency Weighted Intersection over Union: $\text{FWIoU}=\frac{1}{\sum_{i=0}^k\sum_{j=0}^kp_{ij}}\sum_{i=0}\frac{p_{ii}\sum_{j=0}^kp_{ij}}{\sum_{j=0}^kp_{ij}+\sum_{j=0}^kp_{ji}-p_{ii}}$ 架构 FCN-8s DeepLab V2 Adversial GAN: $\min_G\max_D V(D,G)=E_{x\sim p_{\text{data}(x)}}[\log D(x)]+E_{z\sim p_z(z)}[\log (1-D(x))]$ cGAN: $\min_G\max_D V(D,G)=E_{x\sim p_{\text{data}(x|y)}}[\log D(x)]+E_{z\sim

0001-01-01 08:05 CST 阅读更多