Fade Temple

住顺义

家搬顺义已经两月有余，屋内大大小小的细节修整了不少，家具家电也陆续置办齐全，总算看起来像一个温馨的家了。 今年算是经历丰富的一年，从年初购房，新房装修，再到后来的拍婚纱照，办婚礼。人生大事了结了一多半了。 年终如果有总结的话，今年的说头格外多。若是时间富足，定要聊聊这一年经历中的感悟，个中体会，定会娓娓道来。 今年国庆回福州，由于身上肩负着办婚礼的使命，略有期待，也略有压力和紧张。还算一切顺利，其中的一段不完美的插曲算是与不完美的生活相互呼应。 只是福州还是如此美丽，乌山，三坊，七巷与榕城。 毕竟工作北京，生活顺义，节后生活缓解许多。 虽不似在家里那样闲适安逸，与世无争，日出晒着太阳，日落冥想夕阳。 也可以说工作还算得心，新家略有温馨，朋友还是一见如故，同事也玩得开心。 这里也有满天云彩，这里还有飞机滑行！

PHPUnit

单元测试在日常的编程中占有十分重要的地位，但大部分公司为了敏捷开发的效率要求，往往都忽略了测试用例的编写，而把这部分工作丢到了QA的身上。 但做为一个开发者，测试代码先行会带来可观的收益，不仅提高了代码的质量，而且还提供了外部使用者如何使用对应接口的例子乃至文档。 而且在需要重构一个项目或者修改添加新功能时，有单元测试的项目会更加地得心应手。 作为php测试的重要组件，以下介绍PHPUnit的基本用法。 下载安装 PHPUnit的可执行文件为phar，直接下载并移动到PATH目录即可： cd ~/bin wget https://phar.phpunit.de/phpunit.phar chmod +x phpunit.phar phpuni.phar --version 使用phpunit.phar --version测试是否已经成功安装(以6.4.4版本做为测试)。 对于使用composer管理项目依赖时，使用 composer.phar require --dev phpunit/phpunit 来声明对PHPUnit的依赖关系，执行composer.phar install 之后即可在vendor/bin目录下找到可执行的phpunit。 另外的一些可选组件： composer.phar require --dev phpunit/php-invoker:...

PHP Composer的基本使用

为了更加系统地了解Composer，完整地阅读了官方文档，并记录在此，供后续参考。 Composer是一个php的包依赖管理工具，类似于nodejs的npm和ruby的bundler。 Composer安装 参考此链接 cd ~/bin php -r "copy('https://getcomposer.org/installer', 'composer-setup.php');" php -r "if (hash_file('SHA384', 'composer-setup.php') === '669656bab3166a7aff8a7506b8cb2d1c292f042046c5a994c43155c0be6190fa0355160742ab2e1c88d40d5be660b410') { echo 'Installer verified'; } else { echo 'Installer corrupt'; unlink('composer-setup.php'); } echo...

机器学习(Week11)-应用: 图片OCR(Photo OCR)

Lecture1: Applica’on example: Photo OCR 问题描述 图片OCR（Optical Character Recognition，光学字符识别），让计算机读取图片中的字符信息 Photo OCR Pineline 文字检测，找出有文字的区域 字符切分，将之前找到的矩形文字区域，切分成单个字符 字符识别，识别之前划分的单个字符 后续可能还会附加的其它处理，比如拼写校正等 滑动窗口 行人检测例子 首先选定输入特征为82x36的灰度图片，找到两组数据样本，一组有行人(y=1)，一组没有行人(y=0)，使用神经网络或者其它的学习算法训练出模型 对需要检测行人的原始照片，从左上角起，依次使用82x36的矩形裁剪，将得到的区域输入之前训练好的模型，判断此区域是否有行人 将矩形框往右滑动一点，取出另外一个矩形，执行行人判断 滑动的大小参数叫做步长(step size)，有时也称之为步幅参数(stride parameter)。 步长越小，表现越好，但计算量会比较大;一般使用步长为4或者8像素 如此重复执行，直到滑动完整张照片 等比例放大矩形框，再执行相同的动作 注意，此时得到的矩形，需要缩放到82x36大小后输入模型 文字检测 与之前的行人检测类似，使用一堆有文字和没有文字的小矩形图片样本训练出模型...

机器学习(Week10)-大规模机器学习(Large Scale Machine Learning)

Lecture1: Large scale machine learning 从大量的数据中学习 It’s not who has the best algorithm that wins. It’s who has the most data. 当算法处理过拟合状态，或者高方差时，更多的数据会有更好的学习效果。如果算法本身就处理高偏差的状态，那么大量的数据也不会有改善。 先选取较小的样本集合，画出学习曲线确认算法是处于哪种状态。 当数据量很大时，比如100000000时，根据\(\theta_j = \theta_j - \alpha \frac{1}{m} \sum_{i=1}^m(h_\theta(x^{(i)})-y^{(i)})x^{(i)}_j\)，每进行一步批量梯度下降，就要遍历所有的样本，显然计算量会特别大。...

当我们凶狠地对待这个世界时，这个世界突然变得温文尔雅了。 – 余华《在细雨中呼喊》