Just for Life.

作为一个Texer，说实话对字体的设置掌握一直不是很好，今天又学习到了新姿势，分别设置中英文字体。

开学前的瞎折腾第二弹，爬取博客数据，分析作者喜好。

在写这个的时候，突然想起来开学的英文单词怎么说来？百度翻译居然是open school，我自己瞎翻译的school start，话说正确的翻译应该是啥。

然后还是闲的没事开始写起了爬虫，恩，记得是上Web编程课的时候没兴趣听，自己开始在下面瞎鼓捣爬虫技术，当时爬了几个小例子但是也没搞太明白，不如实战一下。

回归正题，本文收录内容：使用爬虫爬取我自己的博客，当然给出最通用的爬虫分析和程序，内容如下：

• 博客的主要发表时间
• 博客的数量，标题；
• 标签的数量种类，用户偏好等
• 使用matplotlib粗暴的绘图分析一下

因不蒜子暂时没有开放第三方的API，所以没办法爬取每篇博客的访问量，分析博主哪类文章写的比较受欢迎，等不蒜子开放API后再来完善此工作。

注意，以下python程序最好在jupyter lab中运行，写一句看一句，而且后面的程序还会用到前面的变量。

本来打算剩余的几天寒假是好好看会儿高数的，结果吧，可能在家里实在是一点书都看不下去，昨晚看了俩小时高数骨头差点散架，学习这种事还是回学校再说吧。

倒是有一点记忆尤甚，空间中的点$(x,y,z)$到$x$轴的距离是多少，我居然脑子有坑算了向径的模，在和向径的$\alpha$角来了个正弦操作，晚上散步才想起来，这个距离不就是$y^2+z^2$嘛。。。

无聊到玩手机，还不如玩会儿带你闹，这几天的收获也较为丰富。

• 自己没事瞎折腾，整理了windows窗口，任务栏，还安装了Mac系统下的dock栏，用(看)着很爽，但是，突然发现电脑的时间被我整没了，也就是我打开电脑看不了时间，很无语。于是就自己用所学知识(python+QT+pyinstaller)写了个图形化的小软件，可能这是我电脑上第一次运行自己安装的软件吧，当然这个过程遇到了一堆坑。

爬虫的东西准备放下一篇博客了。

优化器这种东西之前从来不去接触，以为是很高深莫测的东西。直到今天自己去亲自探测才发现，恩，其实也不是不能接受。从统计学中的加权移动平均出发列举经受时间考验的优化器，和时间序列有异曲同工之妙，探求一下优化器的神奇之处。

来整理一下在机器学习中常用的优化方法，无非是在容易出问题的地方加入人的调控，包括数据数据，数据处理，反向传播，梯度函数等方面，在各种容易出问题的地方加入调控，使得神经网络更有效，或者说神经网络的运行在你的控制之中，而不是调了一堆参数后网络没有优化，甚至调一些无关紧要的参数。

本文收录内容：

• 正则化的常用方式与实现
• 有关数据输入和传输的处理
• 优化后的梯度函数

还是在实际的背景下对于这些概念的理解，学会变通和利用已有的知识进行问题转换。

趁寒假看完了DeepLearning的前生今世之后，用了一个下午自己推导了一番，想来还是留下个电子版的整理，供他人交流和日后查阅。（其实是我纸质版整理的太丑了）。

本文收录内容：

• 循环神经网络的基本概念
• 循环网络的经典结构
• LSTM与GRU的keras实现，自行查阅keras文档喽

重点是对于这些概念的理解，尽力写下人能看懂的公式描述，知道在什么背景下调用和背后的数学观念就可以啦。

感觉一篇博客写太长也不是很好，所以把RNN拆成了两部分，在描述了经典的RNN结构之后，再来看看为了满足实际应用，RNN结构所作出的变化和适应。

本文收录内容：

• 双向循环神经网络
• 深层的RNN模型
• 序列化与注意力

还是在实际的背景下对于这些概念的理解，或者说是为了满足实际背景而产生了这些观念，学会变通和利用已有的知识进行问题转换。