jaybo
# 一、硬件 根据个人偏好，记录一些我觉得还不错，值得考虑的一些硬件设备： ## **背包** - [维多利亚旅行者双肩包电脑包15.6英寸 V9006](https://item.jd.com/100013451336.html) 背起来舒服，不累 - [新秀丽（Samsonite）双肩包电脑包14英寸男女背包](https://item.jd.com/3159984.html) ## 手表 - [荣耀手表 MagicWatch2 46mm](https://item.jd.com/100010206902.html#crumb-wrap)（挺薄的，不重） - [HUAWEI WATCH 3智能手表](https://item.jd.com/100011720759.html) ## **笔记本** 1、主要从轻薄方便携带、高性能和配置、可扩展性几个方面考虑，倾向既要性能又要便携而考虑的： - ThinkPad T 系列 - [T490](https://item.jd.com/100009006220.html)（14英寸轻薄笔记本电脑...
# 二、软件 - Windows、Android 系列 ## 2.1 windows 写作和记录： - Typora（markdown写作软件，特点所输即所见，可以搭配PicGo图传上传工具，完美） - [marktext](https://github.com/marktext/marktext)（也是一款markdown写作软件，所输即所见） - 有道云笔记（支持markdown；会员才可以插入图片）、印象笔记（免费版上传流量限制） - [2020年最好用的云笔记软件推荐 - v1tx](https://www.v1tx.com/post/best-note-software/#i-4) - 提到“蚂蚁笔记” ，开源软件，适合写技术文用，可以使用自己的私有云保存笔记内容 - 幕布(会员可以插入图片) - [flomo ](https://flomoapp.com/)（像发微博一样记笔记，记录想法的川流） - CSDN、掘金、简书、语雀、GitHub -...
# 三、软件 - macOS、iOS、iPad 系列 可参考【二】中关于 Windows 和 Android 的。 ## 3.1 macOS（还未用过 Mac，来自他人分享和推荐） - Alfred - iTerm2（OS X 下一款开源免费的的终端工具）、zsh shell - TotalFinder（Finder增强工具，多标签式浏览、拷贝路径、剪切文件、显示隐藏文件、多栏窗口模式、彩色标签等功能，还可以实现 Mac 系统里多个 Finder 窗口在同一窗口中显示） - [Mathpix Snip](https://mathpix.com/)（识别数学公式，登录账户可以与电脑端同步。...
# 四、浏览器扩展和应用 ## 4.1 Chrome 浏览器： ========**Chrome 扩展和应用安装和下载：**====== - 官方安装地址：[Chrome 网上应用店 - 扩展程序](https://chrome.google.com/webstore/category/extensions?hl=zh-CN) - 非官方，Chrome 扩展下载： - 非官方：https://crxdl.com/ - 非官方，Chrome插件网：http://www.cnplugins.com/ ==================================== ### 4.1.1 Chrome 扩展： 扩展管理：（这类插件管理挺多的，主要的功能都类似，建议安装一个自己喜欢的即可） - [扩展管理器（Extension Manager）](https://chrome.google.com/webstore/detail/extension-manager/gjldcdngmdknpinoemndlidpcabkggco?utm_source=chrome-ntp-icon)（目前：100,000+ 位用户下载。特点：可以分组管理、排序、锁定等。）【荐】...
# 五、在线网站 实用的在线网站： - [搜酷站 | 搜罗全网酷站](https://www.soukuzhan.com/) （推荐设为当浏览器主页） - [TOOlFK程序员在线工具 -TOOLFK在线工具](https://www.toolfk.com/) - [FreeSSL.cn](https://freessl.cn/)（一个提供免费HTTPS证书申请的网站） - 注：[如何使用 FreeSSL 申请免费证书?](https://blog.freessl.cn/how-to-use-freessl-issue-free-certificates/) - [奶牛快传](https://cowtransfer.com/)（文件传输） 在线作图： - [draw.io](https://www.draw.io/) - [ProcessOn - 免费在线作图，思维导图，流程图，实时协作](https://www.processon.com/) 网站分析： - （可以用来查看网站及注册人的信息包括电话） 网上求医咨询：...
# 六、编程学习 jdk下载：https://www.injdk.cn/ Java和大数据： - JetBrains IntelliJ IDEA ：Ultimate 版收费；Community 版免费 - Navicat Premium：SQL客户端和数据库管理工具 - DBeaver：SQL客户端和数据库管理工具 - xshell 或 MobaXterm：远程连接服务器工具 **IDEA 插件推荐：** - 必备： - [CodeGlance](https://plugins.jetbrains.com/plugin/7275-codeglance/versions)：代码迷你缩放图插件 - [Maven Helper](https://plugins.jetbrains.com/plugin/7179-maven-helper/versions)：解决 Maven...
11122
[换个角度看GAN：另一种损失函数](https://mp.weixin.qq.com/s/aAhf8GfXtndDyWnIEuSklA)
## From：[ Batch-normalized 应该放在非线性激活层的前面还是后面？ - 知乎](https://www.zhihu.com/question/283715823) **1、某个回答：** “应该”放在前面还是后面？这个“应该”其实有两种解释： 1. 放在前面还是后面比较好？ 2. 为什么要放在前面还是后面？ 对于第一问，目前在实践上，倾向于把BN放在ReLU后面。也有评测表明BN放ReLU后面效果更好。 对于第二问，实际上，我们目前对BN的机制仍然不是特别清楚，这里只能尝试做些（玄学）解释，不一定正确。 BN，也就是Batch-Normalization，这名字就能让我们想到普通的normalization（归一化），也就是将输入传给神经网络之前对输入做的normalization。这个normalization是对输入操作的，是在输入层之前进行的。那么，**从这个角度上来说，Batch-Normalization可以视作对传给隐藏层的输入的normalization**。想象一下，如果我们把网络中的某一个隐藏层前面的网络层全部砍掉，那么这个隐藏层就变成了输入层，传给它的输入需要normalization，就在这一层之间，这个位置，就是原本的BN层的位置。从这方面来说，BN层放非线性激活之后，是很自然的。 然后，我们再来考虑一些具体的激活函数。我们看到，无论是tanh  还是sigmoid  函数图像的两端，相对于x的变化，y的变化都很小（这其实很正常，毕竟tanh就是拉伸过的sigmoid）。也就是说，容易出现梯度衰减的问题。那么，如果在tanh或sigmoid之前，进行一些normalization处理，就可以缓解梯度衰减的问题。我想这可能也是最初的BN论文选择把BN层放在非线性激活之前的原因。 但是ReLU的画风和它们完全不一样啊。  实际上，最初的BN论文虽然也在使用ReLU的Inception上进行了试验，但首先研究的是sigmoid激活。因此，试验ReLU的，我猜想作者可能就顺便延续了之前把BN放前面的配置，而没有单独针对ReLU进行处理。总结一下，BN层的作用机制也许是通过平滑隐藏层输入的分布，帮助随机梯度下降的进行，缓解随机梯度下降权重更新对后续层的负面影响。因此，实际上，无论是放非线性激活之前，还是之后，也许都能发挥这个作用。只不过，取决于具体激活函数的不同，效果也许有一点差别（比如，对sigmoid和tanh而言，放非线性激活之前，也许顺便还能缓解sigmoid/tanh的梯度衰减问题，而对ReLU而言，这个平滑作用经ReLU“扭曲”之后也许有所衰弱）。 作者：论智 链接：https://www.zhihu.com/question/283715823/answer/438882036 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 **2、某个回答：** 和一位答友类似，我见过的很多网络也是都把bn放到激活前面。我做一下解释： 现在我们假设所有的激活都是relu，也就是使得负半区的卷积值被抑制，正半区的卷积值被保留。而bn的作用是使得输入值的均值为０，方差为１，也就是说假如relu之前是bn的话，会有接近一半的输入值被抑制，一半的输入值被保留。...
## 1、[混淆矩阵的绘制(Plot a confusion matrix)](https://mathpretty.com/10675.html) ``` python # 绘制混淆矩阵 def confusion_matrix(preds, labels, conf_matrix): preds = torch.argmax(preds, 1) for p, t in zip(preds, labels): conf_matrix[p, t] += 1 return conf_matrix conf_matrix...