skystarry

1
2
3
4
5
6

typedef struct {
    int age;
    char const *name; // 8 byte，指向外部地址
    char intro[];     // 类似指针，但是指向固定的地方（结构体的末尾）    
} Person;

如何构建这个结构体呢？

1
2
3
4
5
6
7
8
9
10
11

Person *person(char const *name, int age, char const *intro) {
    size_t intro_len = (intro ? strlen(intro) : 0) + 1; // char数组以'\0'结尾
    Person *p = (Person *) malloc(sizeof(Person) + intro_len);
    p->age = age;
    p->name = name;
    if (intro) {
        strcpy(p->intro, intro);
    } else {
        p->intro[0]=0;
    }
}

什么是正则表达式？

在编写处理字符串的程序或网页时，经常会有查找符合某些复杂规则的字符串的需要。正则表达式就是用于描述这些规则的工具。换句话说，正则表达式就是记录文本规则的代码。

元字符

我的硬件环境

• Home-pc
• Intel(R) Core(TM) i7-3770 CPU @ 3.40GHz 3.70 GHz
• DDR3 1600HMz Dual 16.00 GB
• Nvidia Geforce GTX1660 Super 6G GDDR6

我的软件环境

• Ubuntu 20.04（系统自带python3.8.5）
• NV Driver 450
• CUDA 10.1 — 243_426.00
• cudnn v7.6.5（因为网速原因，暂时没装，考虑到只是替换文件，或许对环境不影响，于是就跳过这一步了，慢慢下载，来日再装）
• Miniconda3-py38_4.9.2-Linux-x86_64
  • opencv
  • pytorch

安装过程

• CUDA：https://developer.nvidia.com/cuda-toolkit-archive
• cuDNN：https://developer.nvidia.com/rdp/cudnn-archive
• Miniconda：https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/

安装过程一波三折，先说显卡驱动问题，CSDN博客90%都是错误的，Ubuntu20.04安装系统过程中如果勾选了安装第三方驱动，那么会把显卡驱动直接装好（至少我在第一次折腾的时候是这样，之后的几次都会陷入循环登录Bug）

驱动

回归到安装Ubuntu的老思路，断网、不装第三方驱动，这样是最快的。此时系统调用的是核显驱动（我很好奇如果是无核显的CPU会怎么样，回想起这4年来接触Ubuntu的场景，我似乎从未在不带核显的机子上安装过Ubuntu，显卡驱动的Bug的众多解释中，其中一条便是和核显有关，建议早日转manjaro）

进入系统以后，按照流程换源，然后在 Software Update 里鼠标勾选安装 NVIDIA 显卡驱动即可，注意系统不要设置成自动登录，按照网上的说法之一，循环登录和该设置有关。我没有时间和精力去验证。至少在安装Ubuntu20.04这一步，如果是安装过程联网安装NVIDIA显卡驱动，那么自动登录和密码登录没有区别，该循环Bug还是循环Bug，该正常启动还是正常启动。（于是，我非常好奇我第一次安装Ubuntu是如何做到自动登录+联网安装显卡驱动的）

Manjaro的口碑这两年非常好，按照网友们的说法，Manjaro对显卡驱动的支持不知道比Ubuntu高到哪里去了。但是我从来没用过Arch系的Linux，目前在自己的备用机上装了Manjaro还在感受当中，等玩熟练了，或许会转Manjaro。（我在Ubuntu16.04停留了几年之久，如今用上了Ubuntu20.04，感觉已经比以前好了许多）

CUDA

很久之前安装过CUDA，依稀记得在终端界面下复古的文字说明，以及刻在DNA里的“弹出询问是否安装显卡驱动？一定要输入No”。这次安装CUDA，终端界面是及其先进的GUI，比以前清晰很多。至于为什么安装CUDA不要再安装显卡驱动，说法很多，我没有亲自验证过。

因为网速原因，没有选择CUDA11.1_450，然而选择了CUDA10.1，下载还挺快的。但是cuDnn因为网速原因，一直没下载成功，只好暂时跳过了。

这一部分请参考：

• https://cyfeng.science/2020/05/02/ubuntu-install-nvidia-driver-cuda-cudnn-suits/
• https://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html

里面有提到gcc版本兼容问题，其实Ubuntu系统自带gcc版本高于CUDA已经是老生长谈，甚至误传已久的问题了。考虑到Linux和CUDA都在不停更新，建议只看官方文档。

Conda

我是先练手安装的Win10，后安装的Ubuntu20.04。在原来的Win10 上，Anaconda遇到了一些难以描述的问题（和openssl有关，总之不要太推崇Anaconda这个东西，包管理太乱），于是我直接卸载干净，选择了miniConda，世界清净了。

在Ubuntu20.04上我也选择了miniConda，等于就是一个只含有python的环境，啥额外的软件包都没有，很干净，体积很小。现在回头仔细想，我已经使用Vscode开发项目很久了，python也用的是VScode，唯一留在Anconda的理由就是有个jupyter、jupyter NoteBook。其实miniConda可以安装一切，又到再装也一样。（在这里吐槽一下Ancodna的卸载速度，可能是因为软件包全是小文件，卸载极慢）

安装路径

我要吐槽一下miniconda的默认安装路径是/root/miniconda/，这样其实不是不行，但是用vscode的时候，因为不是root权限，没办法选择到root目录下的python解释器，于是我硬着头皮用root权限来运行vscode这么一个代码编辑器，发现不行，至少需要折腾一下，这种方法是在是太不优雅了。于是我卸掉了/root/miniconda/，重新装了一次，按照惯用路径，选择/opt/miniconda/（安装过程中会询问你选择路径）。

镜像源

我自以为从清华源下载的miniconda默认的源就是https://mirrors.tuna.tsinghua.edu.cn/，这么想没什么不对，但是唯一的源在装软件的时候就遇到问题，是源的问题。查看conda源，使用命令：

1

conda info

1

vim ~/.condarc

1
2
3
4
5
6

channels:
  - https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
  - https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
  - defaults
show_channel_urls: true

目前有中科大源https://mirrors.ustc.edu.cn/和清华源https://mirrors.tuna.tsinghua.edu.cn/可以用，末尾需要加上：

• /anaconda/pkgs/main/
• /anaconda/pkgs/free/
• /anaconda/cloud/

这个可以网页打开镜像源的文件目录，自己看着添加进去，尽量不要抄别人的博客，可能会错。我参考的是：https://blog.csdn.net/wujialaoer/article/details/84977796

Pytoch

值得一提的是，你可以从网页端把对应的包下载下来，然后离线安装。比如我在安装pytorch的时候，死活下载不下来，要么慢，那么卡住。于是我用浏览器打开网页找到对应的包pytorch-1.7.1-py3.8_cuda10.1.243_cudnn7.6.3_0.tar.bz2下载，发现清华源的下载逻辑和百度云很像，会限制你的流量和网速，我以40MB/s的网速下载几秒就会断，必须等一两分钟，才允许你继续下载。盲猜是为了减小服务器负担。

离线安装可以输入：

1

conda install --offline pytorch-1.7.1-py3.8_cuda10.1.243_cudnn7.6.3_0.tar.bz2

1

conda install pytorch torchvision torchaudio cudatoolkit = 10.1 -c pytorch

注意： Python 3.9用户将需要添加’-c = conda-forge
进行安装 conda install pytorch torchvision torchaudio cudatoolkit = 10.1 -c pytorch

类似的安装指南，请官网找 https://pytorch.org/，不要抄博客。不是说别人的博客写的不对，而是配环境这种事情，你看别人的博客就是刻舟求剑，即使这篇博客在几个月、几年前无比正确。但是现在它就不对了，可能只需要微调某个指令，但你照搬就是会出错。

使用国内源，就把-c pytorch去掉，一开始我并不知道-c pytorch依然会使用国外官方源，但是敲完这行指令，会显示出每个要安装的软件包来自的源，所有的包都是清华源，但是pytorch这几个源和上面一堆长得不一样，就足以引起思考了。盲猜在安装过程中，显示安装包所来自的源可以通过~/.condarc的show_channel_urls: true来控制显示or不显示，我没有验证过，也没有看过文档，仅仅是经验推测。

在安装过程中，遇到的其他犄角旮旯的问题，大多数都可以从这里找到：https://tools-platform-guide.readthedocs.io/zh_CN/latest/

Opencv

其实，到了上一步已经可以用了，CUDA + CuDnn + Pytorch 三件套已经OK。但是项目需要用到opencv，于是就必须继续往下装。这一步遇到了很多蛋疼的问题：源有问题、conda有问题、opencv有问题、python有问题。最后总结：我有问题。

其实有了conda，安装任何东西都是conda insatll xxx，无脑一行指令的事情。但是当一切方法都不管用，我提供一个不是办法的办法：打开 Links for opencv-python：https://pypi.tuna.tsinghua.edu.cn/simple/opencv-python/ 找到对应的版本下载，比如opencv_python-4.2.0.34-cp38-cp38-manylinux1_x86_64.whl

注意：opencv是有版本的，比如opencv3.x、opencv4.x，python也是有版本的，在这里，请选择和你conda内的python一样的版本，也就是python3.8，另外注意是linux_x86_64，这三个版本都对了才能装。话说回来：

• CUDA和cuDNN之间也是有版本对应关系的，写全了就是 cudnn v7.6.5 for CUDA10.1
• 显卡驱动和CUDA之间也有对应关系，比如CUDA 10.1_243_426.00，要求显卡驱动版本不低于243

最后，怎么装这个opencv_python-4.2.0.34-cp38-cp38-manylinux1_x86_64.whl？用pip install，而且注意了，是给conda的python装，不是给系统自带的python装。

Docker

配环境最优雅的方式： https://www.jianshu.com/p/da1c7dc4217a

ST-GCN 搭建

参考：

• https://zhuanlan.zhihu.com/p/143969876
• https://www.pythonf.cn/read/104012

ST-GCN 理解

• https://blog.csdn.net/qq_41727666/article/details/84640549
• https://www.zhihu.com/question/54504471/answer/611222866
• https://zhoef.com/2019/08/24/14_ST-Gcn/

数据介绍

本次练习所用的数据集有5000个训练样本，每个样本对应于20x20大小的灰度图像。这些训练样本包括了9-0共十个数字的手写图像。这些样本中每个像素都用浮点数表示。加载得到的数据中，每幅图像都被展开为一个400维的向量，构成了数据矩阵中的一行。完整的训练数据是一个5000x400的矩阵，其每一行为一个训练样本（数字的手写图像）。数据中，对应于数字”0”的图像被标记为”10”，而数字”1”到”9”按照其自然顺序被分别标记为”1”到”9”。数据集保存在NN_data.mat.

本次作业的目的是建立一个逻辑回归模型，用于预测一个学生是否应该被大学录取。

简单起见，大学通过两次考试的成绩来确定一个学生是否应该录取。你有以前数届考生的成绩，可以做为训练集学习逻辑回归模型。每个训练样本包括了考生两次考试的成绩和对应的录取决定。

你的任务是建立一个分类模型，根据两次考试的成绩来估计考生被录取的概率。
本次实验需要实现的函数

• plot_data 绘制二维的分类数据。
• sigmoid函数
• cost_function 逻辑回归的代价函数
• cost_gradient 逻辑回归的代价函数的梯度，无正则化
• predict 逻辑回归的预测函数
• cost_function_reg 逻辑回归带正则化项的代价函数
• cost_gradient_reg 逻辑回归的代价函数的梯度，带正则化

了解ROS的几种通信方式以后，对于ROS通信延迟有一些困惑，更多的是想追究背后原理，这篇博客《ROS之topic和service通信比较》起到了抛砖引玉的作用。

更多可以参考2013年的这一篇论文《A lightweight Opensource communication framework for native integration of resource constrained robotics devices with ROS》，目前网上关于ROS通信模型的中文资料大部分都是对这篇文章的翻译。

ROS之前看过一遍，但是过于复杂，我就很快忘记了；现在重新梳理一遍。
http://wiki.ros.org/cn/ROS/Tutorials

这篇文章数学公式推得有点儿长。。。。提前预警= =

频率学派 - Frequentist - Maximum Likelihood Estimation (MLE，最大似然估计)
贝叶斯学派 - Bayesian - Maximum A Posteriori (MAP，最大后验估计)

频率学派和贝叶斯学派对世界的认知有本质不同：
频率学派认为世界是确定的，有一个本体，这个本体的真值是不变的，我们的目标就是要找到这个真值或真值所在的范围；
而贝叶斯学派认为世界是不确定的，人们对世界先有一个预判，而后通过观测数据对这个预判做调整，我们的目标是要找到最优的描述这个世界的概率分布。

约束规划问题一般形式：