登陆下载

下载才能够获得下载地址，真是相当不人性化的东西（尤其是注册还得跑到’不存在的网站’上进行人机验证……）

为了让下次下载不那么麻烦，将下载地址记录在这了。

下载地址：https://download.docker.com/win/stable/Docker%20for%20Windows%20Installer.exe

镜像源

糟糕的国外镜像下载网速，windows下docker的设置与linux下也不一样

windows下操作方式是右键启动栏内的Docker图标，Setting->Daemon->Advanced->registry-mirrors

在里面添加镜像源的网站就好，如https://docker.mirrors.ustc.edu.cn

坑

windows的linux子系统跑docker并不能成功

截至这篇文章写作之前，ubuntu版本的docker的执行需要的系统调用在windows的linux子系统下无法执行。

所以还是老老实实跑Docker for Windows（或者等不知道什么时候子系统能运行系统调用？）

Error starting userland proxy

mongodb无法在windows的docker下成功run

依旧是虚拟机的锅，不过这个存在解决方法

设置一个volume然后让-v的映射为该volume而不是本地路径即可

记录

清理技巧

minGW64下载地址

（可能需要科学上网）

VSCode配置文件中加入C_Cpp.default.systemIncludePath属性，改为下载后将安装目录下的include文件夹所在

可能需要添加的部分

1
2
3

"D:/CodeEnv/MinGW64/mingw32/lib/gcc/i686-w64-mingw32/8.1.0/include/c++",
"D:/CodeEnv/MinGW64/mingw32/lib/gcc/i686-w64-mingw32/8.1.0/include/c++/i686-w64-mingw32",
"D:/CodeEnv/MinGW64/mingw32/lib/gcc/i686-w64-mingw32/8.1.0/include/c++/i686-w64-mingw32"

截止至2019/4/22为止，VSCode的语法提示存在BUG，导致using namespace std会报错，具体如下

https://stackoverflow.com/questions/44094817/why-is-visual-studio-code-telling-me-that-cout-is-not-a-member-of-std-namespace

修复方式为在设置中添加属性

"C_Cpp.intelliSenseEngine": "Tag Parser"

https://www.jianshu.com/p/927d04ef997a
https://gist.github.com/t-vi/0d0ae013072f96f50fa11fbc2287e33b
·envs{envs-name}\Lib\site-packages\torch·

(相关连接)[https://juejin.im/post/5b9f1af0e51d450e425eb32d#comment]

Mask,Positional encoding

术语：
age-related macular degeneration (AMD) 老年性黄斑变性
diabetic macular edema (DME) 糖尿病性黄斑水肿
Optical coherence tomography (OCT) 光学相干断层扫描
foveal 视网膜中央的
retinal pigment epithelium (RPE) 视网膜色素上皮细胞

子知识：
multiscale spatial pyramid 多尺度空间金字塔
空间金字塔池化(spatial pyramid pooling)之间有什么关系？

dictionary learning 字典学习
Histograms of Oriented Gradients(HOG) 方向梯度直方图
https://www.cnblogs.com/AdaminXie/archive/2018/10/31/9884096.html
https://blog.csdn.net/weixin_42647783/article/details/81454821
引申： Sobel算子

sparse coding 稀疏编码
http://www.cnblogs.com/tornadomeet/archive/2013/04/13/3018393.html
引申：
主成分分析(PCA)算法
http://www.cnblogs.com/pinard/p/6239403.html
（n维矩阵有n阶协方差矩阵，方差使用样本方差（带1/(n-1)的那个））(每个维度求各自维度的平均值，每个维度减去各自维度的平均值以中心化，X为所有x组成的矩阵，故XX^T可计算协方差（相乘再相加求出（为什么不用除以个数？）期望）)

K-SVD【K-奇异值分解】
https://zhuanlan.zhihu.com/p/45964374
http://www.cnblogs.com/salan668/p/3555871.html

BM3D 三维块匹配算法
http://www.52rd.com/Blog/Detail_RD.Blog_founder0104_83511.html

中值滤波、形态学开运算、闭运算
https://blog.csdn.net/songzitea/article/details/10665893
http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/imgproc/opening_closing_hats/opening_closing_hats.html
https://jingyan.baidu.com/article/f96699bbf99d9e894f3c1b4c.html

polynomial fitting、retina aligning 这两步是怎么做的？
列的算术平均值作为点，然后进行二次项拟合……
可能的论文连接 https://www.osapublishing.org/boe/abstract.cfm?uri=boe-5-10-3568

SIFT（Scale-invariant feature transform） 尺度不变特征变换
https://blog.csdn.net/zddblog/article/details/7521424

Cross-Validation 交叉验证
https://zhuanlan.zhihu.com/p/24825503

想要弄一个舒服的配置文件路径，在src中建立了config目录，打算将所有配置文件放在config之下

(tsconfig.json属性解说)[https://www.tslang.cn/docs/handbook/tsconfig-json.html]
我希望在import的时候不需要打一长串的路径，故将tsconfig.json属性中的baseUrl（代码提示中的根目录地点）设置为了./src
这样只需要import config/config，vacode就能够识别出config目录下的config.js了

(webpack的模块路径)[https://www.webpackjs.com/configuration/resolve/#resolve-modules]
打包的时候对于模块路径(即没有/(绝对路径)或者./(相对路径)开头的路径，node_modules的中模块引用属于模块路径)会从resolve.modules中查询
要注意绝对路径和相对路径下的区别，相对路径情况下会进行逐目录的搜索，而绝对路径不会对其祖先目录进行搜索
这里我使用了[path.resolve(__dirname,”./src”),”node_modules”]作为参数
node_modules是默认参数，用于搜索node的模块
前面则是自己增加的src路径，用来方便config配置的
此处src不用相对路径而是绝对路径的原因是：相对路径会搜索祖先文件夹，而祖先文件夹含有webpack的编译输出文件夹dist
而自己使用了hot-reload，当编译结束的时候，由于dist发生了改变，又会引起下一次编译，导致编译不断进行无法结束
而使用绝对路径就不会考虑祖先文件夹，因此不会监听到dist的文件夹变化

webpack中允许使用__direname
在webpack.config.js加入以下配置

1
2
3

node: {
__dirname: true
}

typORM中出现错误Error: Entity metadata was not found时，确认注册路径的类在不同注册点的import路径相同（不能一个是模块路径，一个是相对路径）
https://blog.exceptionfound.com/index.php/2018/06/07/nestjs-basic-auth-and-sessions/

相关连接

目前对自编码器的理解

输入样本，经过隐藏层后输出同样的东西，实际上是将输入编码为了隐藏层的参数，使得隐藏层的参数和样本能够一一对应
即通过自编码器的不断学习，将样本一一编码至隐藏层向量中

目前对VAE的理解

VAE中，一个样本对应的不再是一个隐藏层参数向量，而是向量的分布（通常我们假设为正态分布……可能是因为好算？）
每个样本对应一个自己单独的向量分布
训练的时候在这个分布中采样计算loss梯度
KL散度是为了保持分布的方差$\sigma$不会趋于零（正则项，使得模型更具有泛化性），而正常loss项则是保持分布的均值$\mu$向应该在的位置靠拢，二者共同作用以训练分布）
（所以之前以为loss中KL散度是为了让隐变量z服从正态分布的想法不是那么准确，虽然z在这种情况下能推出z确实是正态分布（这也是为什么我们可以依靠随机采样正态分布作为z的依据））
之所以对应$\sigma^2$参数算出的代表为$log \sigma^2$是因为$\sigma^2$恒为正，但是网络输出可能为负数，但是取对数后可正可负，就不用特殊处理负数情况了。

二叉树已知前序、后序，求中序
关键路径定义

常用Tensor初始化

(基本的初始化)[https://pytorch.org/docs/stable/torch.html#creation-ops]
(与特定Tensor相同dtype和device的初始化，在自定义模型中使用可以不用分cpu和gpu了)[https://pytorch.org/docs/stable/tensors.html#torch.Tensor]
(说起来到底怎么判断一个模型属于cpu还是属于gpu……)

将one-hot转为token

1

torch.eye(x.size(1))[x.argmax(1)]

先生成单位向量，然后用花式索引选择其对应行
很赞的方法