BTSYNC

我自己一直是拿他来接收外部的资料或文档,但我知道这个的时候是叫BTSYNC,自己上一次想安装但一直没有反应就放弃了。最近几天发现可能是安装好了,但我自己没有去设置软件以及软件一直用的是老版本就导致连接同步失败!我之前有一个Syncthing,开源倒是开源的,但移动端(Ipad,手机等等)就十分够呛无法使用了。同时同步总是有一些搞不太懂的提示,网上也没具体教程来说明,感觉有点难搞。局域网也可以用,这也意味着如果你的电脑和其它设备在同一局域网中能快速传播资源。

开源网站统计工具:matomo

缘由 我自己一直使用的Google analysis,但是有一点感觉不爽的有两点:1.当天的数据无法查看,而且感觉时间非东八区;2.细分倒是细分了,但没有很好的总览之处;或者说细分过于细节了。3.用户的信息无法了解;后来尝试过百夫长统计,但要安装时要注册信息就放弃了。国内那些就算了,估计又要备案等等。后来就看到了Piwik,研究时发现已经变成了matomo; 官网 安装 这个是PHP+MYSQL,没什么说的;值得注意的是要把PHP中的一些禁用函数打开,不然无法安装; 不错的功能 可以看到当日的信息,非常即时; 可以看到更多的用户信息,以及每个用户的操作以及停留时间等等; 支持插件; 网站中不一定要添加JavaScript来追踪网站,还可以是如下的Image Tracking,感觉网站能减少JS还是挺不错的; <!– Matomo Image Tracker–> <img src="https://xxxx.xxxx.xxxx/matomo.php?idsite=1&rec=1" style="border:0" alt="" /> <!– End Matomo –> 也支持两步验证; 也有对应的APP,比如我IPAD下载后,输入自己配置的网站分析地址、用户名和密码即可登陆APP查看信息;不够他统计图生成方式就让人吐槽了,感觉很慢,也………

系统盘中的Window.old文件是什么?能否删除?

缘由 如下图,自己的C盘基本所剩无几,但自己清楚知道自己的应用多数不再C盘,C盘最多是配置文件,但也没必要占用这么多文件吧!然后看有个Windows.old文件夹大约24G了,看到old就很好奇去搜了一下,然后发现其就是windwos升级后的备份文件 Windos.old是什么? Windows系统在更新完之后,原版的Windows系统会保留原版本的Windows系统,这个系统就整体移动到Windows.old这个文件夹里,这样的话可以让你退回去; Windows老版本的文件可以删除的,只是退不回去了而已,所以我还是比较推荐删掉的,毕竟占用空间太大了。 如何删除? 个人建议先备份为好,以防万一(我自己备份到移动硬盘里面去了); 在搜索框搜索磁盘清理 点击确定后查看是否有以前的windwos安装勾选选项,如无请点击清理系统文件后依次按步骤操作即可看到如下选项; 勾选后点击确定即可; 参考 What is the Windows.old Folder and How Do You Delete It?

Syncthing来同步服务器数据到本地

缘由 服务器端的数据有多重要我就不说了,毕竟是删过库的人,明白那种崩溃的感觉。后来我尝试把数据放到Github,但看到那令人尴尬的提交图时,感觉装逼了,然后就默默的寻找其它方法,我自己一直在用BitTorrent Sync来做分布式网盘从互联网获取好的资源,去官网发现也可以安装在自己的服务器端来进行同步使用,但苦逼的时一直找不到节点,使用了代理以及分享的DHA什么的,也是0效果。后来看使用某教程最后提到了Syncthing这个工具,然后就种草了。 官网 维基百科简介 Syncthing是一个开源的文件同步客户端与服务器软件,采用Go语言编写。它可以在本地网络上的设备之间或通过Internet在远程设备之间同步文件,使用了其独有的对等自由块交换协议。源代码托管在GitHub上 跨平台支持 使用方法 软件下载地址 | GITHUB 服务器端 服务器端配置 下载 | 没有安装GITHUB请参照GITHUB使用教程 # 进入tmp临时存放文件夹 cd /tmp # 下载syncthing,注意查看版本; wget https://github.com/syncthing/syncthing/releases/download/v1.3.1/syncthing-linux-amd64-v1.3.1.tar.gz # 解压 tar xzvf syncthing-linux-amd64-v1.3.1.tar.gz # 进入解压文件夹 cd syncthing-lin………

Seaborn

SeaBorn 官网 用matplotlib封装来显示数据显示模板 #Seaborn #用matplotlib封装来显示数据显示模板 import seaborn as sns import numpy as np import pandas as pd import matplotlib as mpl import matplotlib.pyplot as plt %matplotlib inline #inline直接把图显示在book上 整体布局风格设置 ## 整体布局风格设置 import seaborn as sns import numpy as np import pandas as pd import matplotlib as mpl import matplotlib.pyplot as plt %matplotlib inline def sinplot(flip=1): x = np.linspace(0,14,100) # 在0-14找100个点 for i in range(1,7): # 画6条线 plt.plot(x,np.sin(x + i * 0.5) * (7 – i) * flip) sinplot() # print(help(np.linspace)) 默认参数 import seaborn as sns import numpy as np import pandas as pd import matplotlib as mpl import matplotlib.pyplot as plt %matplotlib inline def sinplot(flip=1): x = np.linspace(0,14,100) # 在0-14找100个点 for i in range(1,7): # 画6条线 plt.plot(x,np.sin(x + i * 0.5) * (7 – i) * flip) sns.set() # 使用seaborn默认参数 sin………

Matplotlib

使用到的数据 Github/YOUTUBE_studying 画图 import pandas as pd unrate = pd.read_csv('DATA.csv') unrate['DATE'] = pd.to_datetime(unrate['DATE']) # 日期格式转换 print(unrate.head(12)) # 画图工具 import matplotlib.pyplot as plt #%matplotlib inline #Using the diffenent pyplot functions,we can create,customize,and display a plot .For example, we can use # plt.plot() # 画图 # plt.show() # 显示 first_twelve = unrate[0:12] #取值 ## 参数说明 print('\n\n—-plot(x,y,c)———-') plt.plot(first_twelve['DATE'],first_twelve['VALUE'],c='red',label='test') #分别为x,y轴对应数据,c:color,label plt.legend(loc='best') # 显示label,loc为显示位置(best为系统认为最好的位置) plt.show() # print(help(plt.plot)) ## x,y轴字体角度变化/防止字体过于拥挤在一起 print('\n\n————x,y轴字体角度变化/防止字体过于拥挤在一起——') plt.plot(first_twelve['DATE'],first_twelve['VALUE&#039………

Pandas

pandas 数据处理库 读取文件 pandas.read_csv(‘xxxx.csv’) import pandas as pd m = pd.read_csv('m0.csv') print(type(m)) print(m.dtypes) # 字符值为object # print(help(pd.read_csv)) # <class 'pandas.core.frame.DataFrame'> # noteid int64 # notebook object # username object # date object # dtype: object 显示数据 m.head() #把数据显示出来,默认显示前五条 # m.head(3) #显示前3条 # m.tail(4) # 显示后四行 # print(m.columns) # 显示列的指标 # print(m.shape) # 查看数据维度(m,n)=》表示总共有m个样本,每个样本有n个指标 取数据 # location ### 取第一个数据 print(m.loc[0]) print('———-') print(m.loc[3]) ### 取从3开始到6结束 m.loc[3:6] ### 取1,3,5 id = {1,3,5} m.loc[id] ### 一列一列取 col = m['noteid'] # 列名来定义,如无则默认为第一行为列名 print(col) ### 取多列 col = ['noteid','username'] data = m[col] print(data) # 取以什么来结尾的列 # 比如找以(kg)结尾的 import pandas as pd m = pd………

Numpy

numpy 矩阵等计算,还要了解基本的高数,概率,线代知识,这些都要用到。特别是矩阵的转换以及算法等等。 详细学习参考学习资料 NumPy 教程 | 菜鸟教程 查找xxxx的帮助文档 print(help(numpy.xxxx)) 构造多维数组 numpy.array() 注意里面的值必须为同一类型,否则有类型转换; eg: # 构造数组 # 一维数组 vector = numpy.array([5,10,15,20]) # 二维数组,注意有两个括号 matrix = numpy.array([[5,10,15],[20,25,30],[35,40,45]]) print(vector) print(matrix) 如何构造三维以上的数组是一个难点所在 mumpy/0.ipynb/13*14 查看xxx的结构/用于debug print(xxxx.shape) 查询 print(xxxx[x,y]) print(xxxxx[,1]) # 取第一列 print(xxxx[:,0:2]) #第一和第二列 切片 print(xxxx[n:m]) 判断值是否存在 xxx == m # xxx 中是否有m/会判断每一个值 整体值类型改变 v = numpy.array(["1","2","3"]) print(v.dtype) print(v) v = v.astype(float) print(v.dtype) print(v) 求极值 指定维度求值 # 对行求值 m = numpy.array([ [5,10,15], [20,25,30], [35,40,45] ]) m.sum(axis=1) # answer: # array([ 30, 75, 120]) #对列求………

学人工智能要用到的部分数学知识

个人的所有学习笔记 基础知识 矩阵算法/高数知识 线性回归算法 误差:真实值和实际值之间的误差 似然函数:由数据去推参数,什么样的参数跟我们的数据组合后恰好是真实值 对数似然:乘法难解,加法就容易了,对数里面的乘法可以转换为加法 评估方法 R^2 = xxxxxx 越接近1,拟合程度越高 梯度下降 引入 当我们得到了一个目标函数后,如何进行求解?直接求解?(并不一定可解,线性回归可以当作一个特里) 常规套路 机器学习的套路就是我交给机器一堆数据,然后告诉它什么样的学习方式是对的(目标函数),然后让它朝着这个方向去做。 如何优化? 逐步完成迭代优化,每次优化一点点。 批量梯度下降 容易得到最优解,但是由于每次考虑所有样本,速度很慢 准确度最高 随机梯度下降 每次找一个样本,迭代速度快,但不一定每次都朝着收敛的方向 小批量梯度下降法 每次更新选择一小部分数据来算,实用! 学习率(步长) 对结果会产生巨大的影响,一般小一些 如何选择:从小(一般0.01)的时候,不行再小 批处理数量: 32,63,128都可以,很多时候还得考虑内存何效率 逻辑回归(Logistic regression) 目的:分类还是回归?是经典的二分类算法………

zh-CN 简体中文
X