请保留此份 Cmd Markdown 的欢迎稿兼使用说明， 当然你也可以使用彩色字体。 或者使用小体字。 或者使用大体字。 如需撰写新稿件，点击顶部工具栏右侧的 新文稿 或者使用快捷键 Ctrl+Alt+N。 罗技M720鼠标连接从蓝牙换成优联的方法 最近使用罗技M720鼠标，挺不错的，可以连接三个设备，切换很方便，不过有个小问题挺困扰的，就是重设某一个连接，例如鼠标1档连接蓝牙，2档连接优联，现在想将1档换成优联，2档换成蓝牙就不知道怎么做了，搜了半天也没找到方法，最后自己摸索着切换成功，分享一下操作步骤： 安装优联配置程序。https://support.logi.com/hc/zh-cn/articles/360025297913 在优联配置程序里取消已有的优联配对，在Win系统设置里取消鼠标蓝牙配对。 （此步最好插一个usb鼠标方便操作） 拔掉优联适配器关闭蓝牙，鼠标调到1档关闭鼠标电源。 插上优联适配器，打开优联配置程序点击配对新设备，打开鼠标电源等待两三秒后1档就自动连接为优联了。 （这个方法可能不是最佳的，不过是可行的，另外罗技的其它可切换连接的鼠标应该也适用吧） 键盘鼠标共享效率工具-Synergy 鼠标跨屏工具 Synergy. 支持Linux,Mac,Windows。 v1.5 之后就是收费版本了。 word 2016 通配符（wildcard）查找和替换 使用()可以指定内容位置，然后用\1\2来操作它们。 比如对于 "9"、 "10" 这种【被英文引号的数字】，想要替换所有的左侧引号为中文的左引号“；右侧引号为中文的右引号”， 首先需要用数字通配符[0-9]找到数字。对于左引号，用"[0-9]可以找到，但是为了替换，给它加上括号，用(")([0-9])。这样，第一个括号里的内容就可以通过\1来调用， 第二个括号里的内容就可以通过\2来调用。在替换栏就填写“\2这样就只替换了左边的引号，保留了\2所代表的数字。 查找：(")([0-9]) 替换：“\2 – 查找：([0-9])" 替换：(\1)” 即可解决。 参考1：https://wordmvp.com/FAQs/General/UsingWildcards.htm 参考2：https://www.cnblogs.com/whchensir/p/5180793.html word 2016 公式的格式和编号，交叉引用 1） 关于格式：公式居中，编号靠右。使用Tabs（制表符），设置制表符的对齐方式为居中、靠右。即可解决。网上一搜一大把。 2） 关于编号：编号就Reference –> 新增caption –> New Label, 填“（” . 其他的设置自己多试几次，比如分隔符，包括上一级编号等。 3） 关于交叉引用：直接引用会把公式内容包含进去，这里使用插入书签（BookMark）的方法。选中每一个编号，新建书签。再引用书签。 这个交叉引用是比较低效，但是没找到别的办法。搞了一下午，shit! windows实时网速监控小软件traffic monitor Introduction to TrafficMonitor Traffic Monitor is a Windows platform for Internet speed monitoring hover window software, can display the current Internet speed, CPU and memory utilization, support for embedded in the taskbar display, support for changing the skin, historical traffic statistics and other functions.

浅谈高维数据可视化中的降维方法 来源：[link]: https://blog.csdn.net/u011001084/article/details/51396447 我们生活在三维空间中，很难直接理解三维以上的空间（爱因斯坦等牛人除外）。但是爱因斯坦这样的人毕竟在人群中是少数，对大多数人来说，高维数据如何进行可视化呢？ 聪明的人可以用其他的视觉通道对一些维度进行视觉编码，比如颜色、形状、朝向、体积、半径、表面覆盖物等等。。。不过有两个很显然的问题，1）用户理解起来，不那么方便了。可能要想半天才能反应过来，因为要对这些视觉通道进行一一的反编码，记住这些本身就挺难的。2）维度比较大，不多说，就十几维，恐怕视觉通道已经捉襟见肘，不够用了。 那咋办呢？目前，对高维数据进行可视化主要有三大类方法。 得益于机器学习的发展，降维的方法越来越多。把维度降到2或者3，就可以用非常传统的散点图来将结果进行可视化了。但是降维带来的问题也是显然的，降维的初衷是将原始维度中冗余无用的信息滤掉，不过这个过程很可能不能避免的将有用的信息也丢失掉了。 为了避免上面的问题，第二类方法决定不降维了，直接用散点矩阵把维度直接的两两关系全部展现出来，，这样用户就可以很清楚的看到维度之间的两两关系了嘛。但是你很快就头疼了，10维的散点矩阵，足足有100个小的散点图，这可咋看呀！ 第三种方法呢，是想不降维，但同时也不希望出现太多的图让用户去看，最好就一张图。典型的代表方法有平行坐标轴、RadViz、Star coordinates等，以及最近华人学者曹楠老师提出来的UnTangle Map【1】，感兴趣的可以看后面列出来的参考文献。 这篇博客主要介绍第一类方法，降维。线性和非线性各选两三种有代表性的方法讲述。降维方法的分类见下图： 线性降维方法 PCA 可能大部分人接触的第一个降维方法都是PCA，PCA是一种线性的降维方法，举一个二维特征的例子，见下图。这两个特征之间存在着很明显的线性关系，检测出这些线性关系，并且去除它是PCA的目标。具体到下面的这个图，如果我们把x1,x2坐标系换成u1，u2 ，可以看到u1反应了特征的主要变化，而u2的变化比较小，几乎可以忽略不计，那么就可以用u1一个维度代表x1，x2 两个维度，也就达到了降维的目的。 我承认，目前比较火的图像、视频、文字等多媒体数据大多是在一个非线性的流形上或者附近，PCA作为一种线性的降维方法可能不太使用了。但是PCA依然是不可替代的，比如去年IEEE Vis年会中的可视分析（VAST2015）最佳论文就颁给了一个使用PCA来做动态网络分析的工作【2】。 LDA 与PCA保持数据信息不同，LDA是为了使得降维后的数据点尽可能地容易被区分。既然是线性的，那么就是希望找到映射向量a， 使得 a‘X后的数据点能够保持以下两种性质： 同类数据点尽可能接近 不同类数据点尽可能分开 为了显示与PCA的区别，在网上找来了下面的图，PCA找到的是轴2，LDA找到的是轴1. LDA与PCA的目标不同，LDA希望降维后数据可以很容易的被分开。 近期也看了一篇Pacific Visualization 2016里利用LDA进行高维子空间的维度重建相关工作的论文【3】。 非线性降维方法 MDS MDS中文名叫多维尺度分析，主要考虑的是成对样本间的相似性，主要思想是用成对样本的相似性来构建合适的低维空间，使得样本在低维空间的距离和高位空间中的距离尽可能的保持一致。非常合理但是有很对的思想。根据样本是否可计量，可分为Metric MDS和Nonmetric MDS。目标函数是每对低维空间中的欧式距离与高维空间中相似度差的平方和，最小化目标函数，用一些数值优化方法来得到最优解。 Isomap Isomap的理论框架是MDS，但是高维空间中的距离变了，不再是欧式距离了，而是用测地线距离代替了欧式距离。所谓的测地线，就是流形上加速度为零的曲线，等同于欧式空间中的直线。如下图所示，s曲面上蓝色和红色的两点，欧式距离很小，而实际上他们之间没有路，因此必须沿着曲面走完测地线，所以他们之间的距离很大。 SNE & t-SNE 这两种方法是Hinton组【4】提出的，可以说是state-of-art的方法。SNE想法与MDS类似，也是想将高维空间中的邻居信息保存到低维空间中，不过SNE的心比较小，它不是将所有点对直接的距离都保存下来，它只想将跟附近的邻居在一起，其他的离他本来就很远的点，根本不care。他的做法是将高维空间中点与点之间的欧式距离转化成条件概率，来代表相似度。低维空间中，也同样计算出这样一个概率。现在有了两个概率分布，怎么衡量他们之间的相似度呢？用KL散度！ KL散度是不平衡的，KL(p||q)与KL(q||p)不相对，这意味着不同种类的点对之间的距离错误在低维空间中没有得到同等对待。因此，symmetric SNE被提出来了。 t-SNE对于SNE改进是将高维空间中的欧氏距离换成了高斯分布，低维空间中，使用了heavy-tailed student t-distribution。带来了两个优点： t-SNE的梯度强烈抵制不相似的点对在低维空间中被建模成距离很近。 尽管引入了不相似点对之间强烈的排斥，排斥力不会走向无穷。 t-SNE主要包括两个步骤：第一、t-SNE构建一个高维对象之间的概率分布，使得相似的对象有更高的概率被选择，而不相似的对象有较低的概率被选择。第二，t-SNE在低维空间里在构建这些点的概率分布，使得这两个概率分布之间尽可能的相似，同样也是来度量两个分布之间的相似性。 t-SNE可以将MNIST手写数字集几乎完全分开。在线尝试：http://scienceai.github.io/tsne-js/ t-SNE哪里都好，但是有一个致命的弱点，就是慢。不过，近期刚结束的WWW 2016上，华人学者唐健提出的LargeViz【5】，速度比t-SNE快了近30倍，想法很好！这种好的工作，比改改深度学习中网络的结构，调调参数，水一百篇论文更有意义！ 参考文献 【1】Nan Cao, Yu-Ru Lin, and David Gotz ，UnTangle Map: Visual Analysis of Probabilistic Multi-Label Data ，IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS, VOL. 22, NO. 2, FEBRUARY 2016

NEU(Fst Network Embedding Enhancement via High Order Proximity Approximation) NEU：通过对高阶相似性的近似，加持快速网络嵌入 NRL的框架总结 First, Clarify the notations and formalize the problem of NRL. Then, Introduce the concept of k-order proximity. Finally, Summarize an NRL framework based on proximity matrix factorization and show that the aforementioned NRL methods fall into the category. 定义本文处理的图是无权无向图。这也是他的局限性。这是一个NEU算法的缺点! 对角阵 $D_{ii}=d_i$是$v_i$节点的度。$A=D^{-1} \widetilde A$ ，是对邻接矩阵$\widetilde A$的归一化结果。 Laplacian Matrix: $\widetilde L = D - \widetilde A$, 这是把$\widetilde A$全取反再在对角线上加上$v_i$的度数。 Normalized Laplacian Matrix: $ L = D^{-\frac{1}{2}}\widetilde L D^{-\frac{1}{2}} $ 这俩Laplacian matrix 拿来何用？

不用MathType, 如何在Mac Word中插入公式 找了好久都找不到MathType的破解版，不得不使用免费清爽的MarkDown编辑工具Typora_for_Mac. 我是很喜欢Typora的风格和功能。用它和MarkDown的LaTeX语法编辑好公式，再导出.docx文件，将需要的公式复制进word即可。趁现在Typora还在Beta版，免费，赶紧用。 找了好久都找不到MathType的破解版，不得不使用免费清爽的MarkDown编辑工具Typora_for_Mac. 我是很喜欢Typora的风格和功能。用它和MarkDown的LaTeX语法编辑好公式，再导出.docx文件，将需要的公式复制进word即可。趁现在Typora还在Beta版，免费，赶紧用。 找了好久都找不到MathType的破解版，不得不使用免费清爽的MarkDown编辑工具Typora_for_Mac. 我是很喜欢Typora的风格和功能。用它和MarkDown的LaTeX语法编辑好公式，再导出.docx文件，将需要的公式复制进word即可。趁现在Typora还在Beta版，免费，赶紧用。 Mathtype for mac 破解版怎么安装呢？Mathtype for mac 破解版序列号怎么获得？Mathtype for mac有的用户埋怨只能使用30天，今天小编就找了一个破解版的，让大家能免费的长期用下去，在上传的文件里面带有序列号生成器，下面小编就详细的教大怎么安装Mathtype。 软件名称： Mathtype for Mac 6.7build 14072800 破解版 苹果电脑版 软件大小： 12.6MB 更新时间： 2015-07-21 软件名称： Mathtype for Mac(数学学习软件) 6.7 build 14072800 苹果电脑版 软件大小： 29.6MB 更新时间： 2015-07-21 第一步：打开下载的Mathtype for mac 破解版文件。 第二步：点击左边的安装文件，会得到提示，下图所示： 第三步：选择好，然后会在弹出提示窗口，点击继续，如下图所示： 第四步：因为暂时只有英文版的，所以选择英文版，点击继续安装，如下图所示： 第五步：会弹出提示窗，要求同意软件许可协议，点击同意，选择继续，如下图所示： 第六步：输入用户密码，继续安装软件，如下图所示： 第七步：这是最重要的一步，现在打开下载文件中的MTkey文件，获取序列号，选择第二个选项，按照小编的方法粘贴复制进去，如下图所示： 第八步：继续进行安装。 第九步：会有提示，这个提示没关系，继续点击下一步，然后就会完成所有安装步骤。 第十步：安装完成，正常使用，小编亲测截图，如下图所示：

有关智慧，我想对他们说的是：不管你是在研究什么事物，还是在思考任何观点，只问你自己，事实是什么，以及这些事实所证实的真理是什么。永远不要让自己被自己所更愿意相信的、或者认为人们相信了、会对社会更加有益的东西所影响。只是单单地去审视，什么才是事实。这是我想说的，关乎智慧的一点。 我想对他们说的有关道德的一点，十分简单。我要说：爱是明智的，恨是愚蠢的。在这个日益紧密相连的世界，我们必须学会容忍彼此，我们必须学会接受这样一个事实：**总会有人说出我们不想听的话。只有这样，我们才有可能共同生存。**而假如我们想要共存，而非共亡，我们就必须学会这种宽容与忍让，因为它们对于人类在这个星球上的存续，是至关重要的。 ——伯特兰.罗素

Install Python on Mac (Pip & Conda) 标签（空格分隔）： 运维 PIP 1. Update macOS Before you start, make sure your macOS is up-to-date: Click on the Apple menu in the top-left corner. Select “System Preferences” > “Software Update”. Install any available updates. 2. Install Homebrew Homebrew is a package manager for macOS that simplifies the installation of software. Open Terminal. Install Homebrew by running: /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)" Follow the on-screen instructions to complete the installation. 3. Install Python Install Python:

Install Python (Pip & venv) 标签（空格分隔）： 运维 在VSCode中使用/usr/bin/python3创建一个虚拟环境(venv)，并在该虚拟环境中安装所需依赖包，步骤如下： 创建虚拟环境 首先，打开VSCode中的终端并导航到项目目录（即包含main.py脚本的目录）。然后运行以下命令以使用/usr/bin/python3创建虚拟环境： /usr/bin/python3 -m venv my_venv 这将在当前目录中创建一个名为my_venv 的虚拟环境。 激活虚拟环境 在终端中激活虚拟环境： 如果你使用的是Linux或macOS，运行以下命令： source my_venv/bin/activate 如果你使用的是Windows，运行以下命令： .\my_venv\Scripts\activate 激活成功后，你会在终端提示符前看到 (my_venv) 的标志，表示你已经进入虚拟环境。 安装所需依赖包 激活虚拟环境后，在终端中运行以下命令来安装所需的依赖包（如 pandas 和 openpyxl）： pip install pandas openpyxl 这会在虚拟环境中安装pandas和openpyxl包。 在VSCode中选择虚拟环境 打开VSCode后，按下Ctrl + Shift + P（macOS上是Cmd + Shift + P），然后输入Python: Select Interpreter，并选择它。 在弹出的列表中，选择你刚刚创建的虚拟环境。通常会显示为./my_venv/bin/python或类似路径。 选择成功后，VSCode将在编辑器的底部状态栏中显示当前使用的Python解释器。 运行脚本 现在你可以在VSCode中打开main.py脚本，并在终端中运行： python main.py 或直接在VSCode中按F5启动调试，脚本会在你刚刚设置的虚拟环境中运行。 这样，你就可以使用虚拟环境来运行和管理你的Python项目。

Finally, I’d use English for excercise and for conveniently type in the equations without switch. Table of content: [TOC] Recall, Implement and Experiment for Logistic Regression 1. Recall the Linear Model Linear regression is for learing the parameter of $\boldsymbol{w}$ and $\boldsymbol{b}$ for: $$ f(x_i) = wx_i + b,,,, \mathrm{and ,, let ,,} f(x_i) \simeq y_i$$ 2. Logistic regression Logistic regression is a linear model for classfy data. The generalized linear model equation: $$ y = g^{-1} (\boldsymbol{w}^T\boldsymbol{x} +b) $$ the $g(\cdot)$ is called the link function.

  经历了1周的徘徊，还是强迫自己把LINE的算法继续钻研下去。 困难就是看不懂。坚持看论文和代码，一定要执着地钻研下去。 1. 问题定义   定义1：Information Network: An information network is defined as $G = (V, E)$ , V是节点集，E是边集。每条边 $e\in E$ 是一个对 $e = (u,v)$ ，还分配了一个权重 $w_{uv} > 0 $用来表示连接的强度。如果G是无向图，我们有$(u,v) \equiv (v,u)$ and $w_{uv} \equiv w_{vu}$ ，如果G是有向图，我们有$(u,v) \not\equiv (v,u)$ and $w_{uv} \not\equiv w_{vu}$ .   定义2：First-order Proximity: 一阶相似度：2个节点的本地相似性，即，对每个连接对，节点被一条边$(u,v)$连接。而这个链接的权重$ w_{uv} $ 就表示了一阶相似度。如果没有连接，那么它们的一阶相似度就为0. 但光有了一阶相似度还不够，比如有的节点之间本来有关系，但它们没有连接，而是通过 share similar neighbors 的方式。所以有了二阶相似度定义。   定义3：Second-order Proximity: 二阶相似度： 一对节点$(u,v)$的二阶相似度是在他们邻居网络上的结构相似性。（关注的邻居网络的结构相似性）. Mathematically, let $p_u = ( w_{u,1},w_{u,2}, ... ,w_{u,|V|} )$ 表示了节点$u$ 与其他所有节点的一阶相似度。let $p_v = ( w_{v,1},w_{v,2}, ... ,w_{v,|V|} )$ 表示了节点$v$ 与其他所有节点的一阶相似度。那么，节点$u$和$v$的二阶相似度就决定于$p_u$ 和 $p_v$之间的相似度。如果没有节点既连接$u$又连接$v$,那么$u,v$之间的相似度就为0.

  编辑器截图：       行内公式：\(  f(x,y,z) = 3y^2 z \left( 3 + \frac{7x+5}{1 + y^2} \right)  \) 行间公式：\\(  f(x,y,z) = 3y^2 z \left( 3 + \frac{7x+5}{1 + y^2} \right)  \\) 行内公式： $ f(x,y,z) = 3y^2 z \left( 3 + \frac{7x+5}{1 + y^2} \right) $ 行间公式：$$ f(x,y,z) = 3y^2 z \left( 3 + \frac{7x+5}{1 + y^2} \right) $$   $$是行间公式，$是行内公式   当然，设置一下这个是必要的。