Let’s say, we have two variables, A and B, and our task is swapping these two variables without extra space.
First, we can this:
A = A + B
and,
B = A – B = A + B – B = A (import A from Step 1)
finally,
A = A – B = A + B – A = B (import A, B from Step 1 and 2 respectively)
That’s it, Dude!
Listen, smile, agree, and then do whatever the fuck you were gonna do anyway.
最近其实挺迷茫的。
因为还有不到一年的时间就要结束自己的研究生阶段了。但是感觉还有很多事情没有实现。比如到底是继续读博还是工作；是在国内发展还是在国外发展；让体重身材变得正常；说流利的英语；老妈一直关心的找女朋友。
每件事情其实都不是一蹴而就的。我一直相信现在的自己，藏着所有走过的路，读过的书和喜欢崇拜过的人。如果让我现在就决定到底要不要读博士或者去工作的话，真的很难。所以说我只有每天都让自己变得好一点，多看看书，多去健身房运动一下，还有多参加俱乐部认识新的朋友。总有那么一天，在积累了足够多的努力之后，成功就会追上你了。
最近因为学校的事情不得不回学校上课，非常感谢小槐树可以认可我，让我可以假期再回微软玩耍。所以想一想，其实生活中还是有很多好的事情在发生的嘛。
然后是最近的规划。因为刚开学，除了上课还是比较轻松的。希望可以利用这段时间认识一些新的朋友，学一些新的知识，努力充实自己：）
其实真正的告别没有长亭古道 没有劝君更尽一杯酒 就是一个和平时一样的早晨 有的人就留在昨天了
Shadowsocks是我一直在用的一款代理软件（菜鸡不会像鱼神那样自己写一套型的协议出来）。为了发挥出SS最大的效率，我们在配置好基础的SS Server之后，可以对SS的配置进行一下优化。
其中优化主要是三个层面：1.系统层面 2.加密层面 3.网络层面
Continue reading越来越觉得，其实所谓觉得好吃，是因为那里有美好的回忆。
Continue reading
今天无意中看到了几张以前拍的照片，都是晚霞，觉得很漂亮。
所有知识，无论是过去的、现在的还是未来的。都有可能通过单个通用学习算法来从数据中获得。
前两天用简单的多层感知器搭建了一个Word-level的detector模型。在模型的最后一次是用来Softmax，将Output Layer进行了分类。
对于场景识别这个问题，我目前先规定了可选的类别（比如Forest/ Ocean/ River/ College/ Suburb/ etc.）。这样一方面来说，可以简化detector的工作流程，另外也比较适应我们组目前的资源情况（识别场景之后需要提取事先准备好的Background，如果提取出了新的element也是无法获取到background resource的）。
上周我的想法是先使用Word embedding将Sentence转化为Sequence，然后使用Bi-LSTM或者直接使用Linear CRF对Sequence进行Sequence Tagging，以提取Sentence中涉及场景的Word。最后通过Word-level detector分析所选的Word，得到Sentence-level Scenario。
不过经过实验我发现，由于我手上只有不到500个短篇的儿童故事，还是没有标注的那种。就算我全部拿来进行标注，也只能生成不到5000个Phases。因为Labeler的资源比较紧张，我先用第一版的词表Detector模型生成了Labeling data，丢到CRF里面之后发现出了Person-entities，其他的类别基本无法有效识别出来。
于是这种方法暂时宣告失败。
周五晚上在公司发呆，突然觉得可以试一试力大砖飞的方法，直接使用Sentence-level embedding来作为Input。在这个模型里加入了CNN Layer，但其实单靠Dense Full connect Layer就已经可以在这个数据集上达到同样的效果了。
# 模型构建
model = Sequential([
Conv1D(filters=5, kernel_size=5, strides=1, padding='valid', input_shape=(768, 1), name="Convolution_Layer_1"),
AveragePooling1D(pool_size=5, strides=1, padding="valid", name="Pooling_Layer_1"),
Conv1D(filters=5, kernel_size=5, strides=1, padding='valid', name="Convolution_Layer_2"),
AveragePooling1D(pool_size=5, strides=1, padding="valid", name="Pooling_Layer_2"),
Flatten(name="Flatten_Layer"),
Dense(256, input_dim=3760, name="Dense_Layer_1"),
Activation('relu'),
Dropout(0.1),
Dense(32, input_dim=256, name="Dense_Layer_2"),
Activation('relu'),
Dropout(0.1),
Dense(11, input_dim=32, name="Dense_Layer_3"),
Activation('softmax'),
])
上周换了一副新眼镜。
由于用眼习惯不好，我一直都是高度近视。眼镜在我的生活里是必需品。
之前在澳洲眼镜架突然坏了，我找了整个City和Box Hill都没有找到可以修理或者更换的地方。只好自己从国内买了维修的零件和胶水自己修理。
为了把断在眼镜架里面的鼻托支架取出来，我用电钻给鼻托支架的支撑位钻了一个小洞，之后又往里面灌了不少解胶剂。估计是因为镜架是塑钢材质的，我修好之后发现镜架居然裂了一条缝，还好我已经用胶水填了缝。
结果上周的某一天不知道怎么回事，戴上眼镜之后就觉得很不舒服。仔细一看才发现是因为之前的那个缝隙裂开了，导致镜片松动，屈光位置对不上了。
想了想再用胶水粘起来也不是长久之计，如果回了墨尔本再断了，就不是这个容易修理的了。于是果断换了一副新的眼镜。
这次配了一个比较大的镜框，据说这样看东西会明亮许多，但估计也得需要时间去适应一下。这两天戴这副眼镜的话，还是有一点晕的。还有就是，老妈一直非常关心我的视力问题，因为她身边有不少同事都因为高度近视吃了不少苦头。我自己其实也深受其害，希望自己以后可以注意用眼，少看一点电脑屏幕，少刷一点手机。
有的时候，闭上眼睛，你可以看到更多。