ipdb 使用小记
最近在魔改 loss function，涉及到很多矩阵运算，而矩阵运算中维度的对齐免不了要多次的调试；沿袭着之前的 print 大法弄了一段时间后，不仅代码凌乱不堪，而且心累：每次 import tensorflow as tf 都要十几秒，然后 print 完之后想进一步看其他变量的信息，又要重新执行一遍。后来找到了 ipdb 这个好用的工具，才发现自己过去调试程序的方法是多么的低效和 naive。
python 语法杂记 -- 迭代器、生成器、上下文管理器
发表于 标签 python
本文主要介绍 python 中几个重要的 “器”（迭代器、生成器、上下文管理器）的原理、实现与使用，还有一个装饰器在前面一篇文章已经进行了介绍，本文主要参考了 Python 之旅 中的相关章节。
python 语法杂记 -- 装饰器，类的特殊方法，常量类
发表于 标签 python
最近在看 python 一些语法知识，虽然 python 代码写了不少，但是对于一些高级语法的了解还不够深入；因此本文主要记录了一些比较生疏的知识点，主要包括了装饰器，类的特殊方法，常量类这三个方面的知识。
Makefile 语法详解 (2)- 变量、条件判断与函数
发表于 标签 工具使用
本文内容是之前的文章 Makefile 简介 的补充，详细介绍了 Makefile 中的变量（包括变量的定义、批量替换、局部变量等）、条件判断和函数（内置函数和自定义函数）。
Makefile 语法详解 (1)- 文件搜索、伪目标与命令执行
发表于 标签 工具使用
本文内容是之前的文章 Makefile 简介 的补充，详细介绍了 Makefile 中的文件搜索（即通过 VPATH 和 vpath 进行源文件的搜索）、伪目标（定义多个生成目标）以及执行多条命令的一些做法。
Makefile 简介
发表于 标签 工具使用
C / C++ 在 linux 下可通过 gcc 进行编译，当文件数量少，文件依赖关系简单时可通过命令进行编译，但是当文件数量庞大且关系复杂时，就要依赖于 make 和 Makefile 管理这些复杂关系了。MakeFile 类似于 shell 脚本，定义了文件的依赖关系，以及编译的先后顺序。本文主要介绍 Makefile 的基本语法，本系列文章主要参考了 跟我一起写 Makefile。
A Tour of Go 摘记
发表于 标签 go
最近在学习 golang，本文主要是 A Tour of Go 的一些摘记，涵盖了 go 的一些基本语法与数据类型、通过 struct 和 method 实现类的特性、以及 go 中重要的 concurrency 特性。
C++ 编译初步
发表于 标签 C++
文章为转载，转载自 Compiling Cpp，主要涉及到 C++ 在 linux 下通过 g++ 编译的一些基础知识，包括编译单个源文件、多个源文件、创建并使用静态库等。
Reading Notes on "Forecasting High-Dimensional Data"
“Forecasting High-Dimensional Data” is a paper by Yahoo! about traffic forecasting. In guaranteed advertising, it’s necessary to forecast the traffic volume for specific targeting in advance for reasonable selling and allocation. However, since there are many combinations of targeting (due to diverse advertiser needs), and engineering constraints don’t allow forecasting traffic for every possible targeting, this paper proposes to first forecast traffic for some basic targeting, then calculate traffic for various targeting combinations through a correlation model. This approach is highly practical and is also the traffic forecasting method used in the previously mentioned article “Budget Pacing for Targeted Online Advertisements at LinkedIn”.
《Forecasting High-Dimensional Data》阅读笔记
《Forecasting High-Dimensional Data》 是 Yahoo! 一篇关于流量预估的论文。在合约广告中，需要提前预估某个定向下的流量情况，从而进行合理的售卖和分配。但是由于定向的组合非常多（广告主的多样的需求导致的），而工程上不允许为每个可能的定向预估其流量，因此这篇论文提出了先预估一些基本定向的流量，然后通过 correlation model 从基本定向的流量计算出各种定向下的流量情况，具有较强的工程性，也是之前提到的文章 《Budget Pacing for Targeted Online Advertisements at LinkedIn》 中采用的流量预估方法。