pierian_d的博客

1.安装locales并配置 sudo apt-get install locales sudo dpkg-reconfigure locales 2.选择语言编码，默认已选择en_US.UTF8，zh_CN UTF-8 UTF-8，用空格键将以下两项打上星号，zh_CN GB2312，zh_CN GBK GBK，回车确认。 3.选择系统默认语言为英文en_US.UTF8 4.为当前用户配置默认语言为中文zh_CN UTF-8 UTF-8 vi ~/.bashrc 在.bashrc最后添加一行, 输入i进入insert模式 export LANG=zh_CN.UTF-8 输入:wq保存退出 5.安装中文字体 sudo apt-get install fonts-wqy-zenhei 如果下载失败， 可以试试附件已下载好的字体或DEB包，然后本地安装。

一篇介绍python数据分析的文档，希望对你有用。没有密码，直接可以观看！ 包括Python教程内的所有代码升级为Python 3.6（第1版使用的是Python 2.7） 更新了Anaconda和其它包的Python安装方法 更新了Pandas为2017最新版 新增了一章，关于更高级的Pandas工具，外加一些tips 简要介绍了使用StatsModels和scikit-learn 对有些内容进行了重新排版。 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。

视频教程下载百度盘链接。 德哥的Postgresql数据库优化的培训视频，从Postgtesql的安装，配置，到数据库配置文件postgresql.conf的讲解，执行计划的查看 Mysql从入门到精通视频教程（共29集）课程目录，mysql视频教程mysql PPT，第1讲 数据库概念，第2讲 mysql入门语句，第3讲 增删改查语句介绍，第4讲 整型列的字节与存储范围，第5讲 整型列的可选属性，第6讲 浮点列，第7讲 字符型列，第8讲 日期时间列类型…… nginx 视频教程23集，包含nginx安装,虚拟主机配置，多域名配置，集群搭建。

近日，DeepMind 和谷歌联合进行了一项研究，该研究提出了一种执行相似性学习的新型强大模型——图匹配网络（GMN），性能优于 GNN 和 GCN 模型。该论文已被 ICML 2019 接收。 DeepMind 和谷歌的这项新研究聚焦检索和匹配图结构对象这一极具挑战性的问题，做出了两个重要贡献。 首先，研究者展示了如何训练图神经网络（GNN），使之生成可在向量空间中执行高效相似性推理的图嵌入。其次，研究者提出了新型图匹配网络模型（GMN），该模型以一对图作为输入，通过基于跨图注意力的新型匹配机制进行联合推理，从而计算它们之间的相似性分数。 研究者证明 GMN 模型在不同领域中的有效性，包括极具挑战性的基于控制流图的函数相似性搜索问题，这个问题在检索软件系统的漏洞中起着非常重要的作用。实验分析表明 GMN 模型不止能在相似性学习的环境下利用结构，还能超越针对这些问题手动精心设计的特定领域基线系统。研究主题：图相似性学习问题 图是编码关系结构的自然表征，常常出现在多个领域中。根据图结构数据定义的计算可以用在各种领域中，从计算生物学和化学的分子分析到自然语言理解中知识图或图结构解析的分析都可以。 近几年来，图神经网络（Graph Neural Network，GNN）已经成为可以有效学习结构数据表征、解决各种基于图的监督预测问题的模型了。这样的模型在迭代聚合局部结构信息的传播过程中设计并计算图节点表征，从而对图元素的排列（permutation）具有不变性。然后直接将这些节点表征用于节点分类，或者将它们合并到用于图分类的图向量中。而 GNN 在监督分类或回归以外的问题的相关研究相对较少。 DeepMind 的这篇论文研究的是图结构对象的相似性学习问题，这个问题在现实生活中有很多重要的应用，尤其是在图数据库中基于相似性的搜索。还有一个应用是涉及计算机安全的二元函数相似性搜索，给定的二元函数可能包含有已知漏洞的代码，我们要检查这个二元函数中是否有和已知易受攻击的函数相似的控制流图（control-flow-graph）。这有助于识别闭源软件中易受攻击的静态连结函式库，这是一个很常见的问题 (CVE, 2010; 2018)，现在还没有很好的解决方法。图 1 展示了一个例子，在这个例子中用汇编语言注释的控制流图来表示二元函数。这种相似性学习问题极具挑战性，因为就算是图之间细微的差别也会造成语义上极大的不同，但结构不同的图语义上可能非常相似。因此，对这个问题而言，一个成功的模型应该（1）利用图结构；（2）能从图的结构和学习到的语义中推导出图的相似性。图 1：二元函数相似性学习问题。检查两个图是否相似需要推理图的结构和语义。左边两个控制流图对应使用不同编译器编译的相同函数（因此二者比较相似），但右侧图对应的是不同函数。 解决方案 为了解决图相似性学习问题，该论文研究了 GNN 在这种情况中的使用，探讨了如何用 GNN 将图嵌入到向量空间，并学习这种嵌入模型，从而使向量空间中相似的图靠近、不相似的图分开。这个模型的一个重要特性是它可以将每一个图独立地映射到一个嵌入向量，然后在向量空间中执行相似性计算。因此，可以预先计算并索引大型数据库中的图嵌入，这样就能用快速的最近邻搜索数据结构（如 k-d 树） 或局部敏感哈希算法 (Gionis et al., 1999) 执行高效的检索。 研究者进一步扩展 GNN，提出新型图匹配网络（Graph Matching Networks，GMN）来执行相似性学习。GMN 没有单独计算每个图的图表征，它通过跨图注意力机制计算相似性分数，来关联图之间的节点并识别差异。该模型依赖成对图计算图表征，因此它比嵌入模型更强大，并在准确率和计算之间做出了很好的权衡。 研究者在三个任务上评估了 GMN 和基线模型：仅捕获结构相似性的合成图编辑距离学习任务（synthetic graph edit-distance learning tas），以及两个现实世界任务——二元函数相似性搜索和网格检索，这两项任务都需要推理结构相似性和语义相似性。在所有任务中，GMN 都比基线和结构不可知（structure agnostic）模型的性能更好。在更详细的模型简化测试中，研究者发现 GMN 始终优于图嵌入模型和 Siamese 网络。 该研究的贡献如下： 展示了如何用 GNN 产生用于相似性学习的图嵌入； 提出了新型图匹配网络（GMN），该网络基于跨图注意力匹配来计算相似性； 实验证明，该研究提出的图相似性学习模型 GMN 在多个应用中都有良好的表现，比结构不可知模型和现有的手动建立的基线模型都要好。 深度图相似性学习 给定两个图 G1 = (V1, E1) 和 G2 = (V2, E2)，我们需要一个可以计算两图之间相似性分数 s(G1, G2) 的模型。每个图 G = (V, E) 被表示为节点 V 和边 E 的集合，每个节点 i∈V 都可以和特征向量 x_i 相关联，每条边 (i, j) ∈ E 都可以和特征向量 x_ij 关联起来。这些特征可以表示节点类型、边的方向等。如果一个节点或者一条边不能关联任何特征，那么我们可以将对应向量设置成值为 1 的常量。研究者提出了两个图相似性学习模型：一个是基于标准 GNN 的学习图嵌入的模型；另一个是更为崭新也更加强大的 GMN。图 2 展示了这两个模型：图嵌入模型 图嵌入模型可以将每一个图都嵌入到向量中，然后用向量空间中的相似性矩阵衡量图之间的相似性。GNN 嵌入模型包括三个部分：编码器、传播层和聚合器。 图匹配网络 图匹配网络以一对图作为输入，计算它们之间的相似性分数。和嵌入模型相比，图匹配模型联合成对图计算相似性分数，而不是先将每个图独立地映射到向量上。因此，图匹配模型可能比嵌入模型更加强大，但它需要额外的计算效率。 图匹配网络改变了每个传播层中的节点更新模块，这样不仅可以考虑到每个图的边上的聚合信息，还可以考虑到衡量一个图中的一个节点和其他图中的一或多个节点匹配近日，DeepMind 和谷歌联合进行了一项研究，该研究提出了一种执行相似性学习的新型强大模型——图匹配网络（GMN），性能优于 GNN 和 GCN 模型。该论文已被 ICML 2019 接收。 程度的跨图匹配向量：以调整图的表征，在它们不匹配时放大它们之间的差异。 实验 研究者在三个任务上评估了图相似性学习（Graph Similarity Learning，GSL）框架、图嵌入模型（GNN）以及图匹配网络（GMN）的性能，并将这些模型与其他方法进行了对比。总体上，实验结果表明在图相似性学习任务上，GMN 表现优异，而且始终优于其他方法。 学习图编辑距离（GED) 图 G1 和 G2 之间的图编辑距离即将 G1 变换为 G2 所需的最小编辑操作。通常这些编辑操作包括添加／移除／替换节点和边。图编辑距离是衡量图之间相似性的自然指标，在图相似性搜索中有很多应用。 从下表 1 中可以看出，通过学习特定分布的图，GSL 模型的性能优于一般的基线模型，而 GMN 的性能持续优于图嵌入模型（GNN）。基于控制流图的二元函数相似性搜索 二元函数相似性搜索是计算机安全领域中的重要问题。当我们无法获取源代码时，可以通过二元函数执行分析和搜索，例如在处理商业或嵌入式软件或可疑的可执行程序时。 下图 4 展示了具备不同传播步和不同数据设置的不同模型在二元函数相似性搜索任务上的性能。从图中，我们可以看到： 图嵌入模型和图匹配模型的性能随着传播步的增加而持续提升； 在传播步足够的情况下，图嵌入模型持续优于基线模型； 图匹配模型在所有设置和传播步的情况下都优于图嵌入模型。研究者检测了GMN 模型中不同组件的效果，并将 GMN 模型与图卷积网络（GCN）、图神经网络（GNN）和 GNN/GCN 嵌入模型的 Siamese 版本进行对比。 下表 2 展示了实验结果，表明： GNN 嵌入模型是具备竞争力的模型（比 GCN 模型强大）； 使用 Siamese 网络架构基于图表征学习相似性要比使用预先指定的相似性指标（Euclidean、Hamming 等）好； GMN 优于Siamese 模型，这表明在计算过程早期进行跨图信息交流是非常重要的。

TensorFlow 2.0 Alpha 版现已推出 安装 TensorFlow 2.0 Alpha 版的预览版本。有关支持 CUDA® 的卡，请参阅 GPU 指南。 pip install tensorflow==2.0.0-alpha0 安装 TensorFlow 我们在以下 64 位系统上测试过 TensorFlow 并且这些系统支持 TensorFlow： Ubuntu 16.04 或更高版本 Windows 7 或更高版本 macOS 10.12.6 (Sierra) 或更高版本（不支持 GPU） Raspbian 9.0 或更高版本 # Current stable re

本文为英文版完整论文。论文摘要翻译：长期以来，人工智能算法的目标就是让机器能够学习，在具有挑战性的专业领域，从婴儿般的状态（没有经验、知识基础）发展到超人类的级别。近期，AlphaGo成为了首个打败人类围棋世界冠军的程序。AlphaGo中的树形检索（tree search）可以利用深度神经网络评估棋局并进行落子，甚至能通过自我对弈实现强化学习（reinforcement learning）。本文（nature24270）介绍一种纯粹基于强化学习的算法，无需人类数据、指导或者超出游戏规则的专业知识。AlphaGo成为了自己的老师：建立了一个神经网络来预测AlphaGo的落子选择和比赛胜负方。这个神经网络强化了树形检索的能力，求解了更优的落子选择，并为下一次迭代提供了更强的自我对弈。从“婴儿”开始，我们的新程序AlphaGo Zero表现出了超越人类的“才能”，面对旧版AlphaGo——冠军终结者，战绩是100（胜）-0（败）。

《人工智能:智能系统指南》是一本很好的人工智能入门书籍，内容丰富、浅显易懂。作者根据自己多年的教学、实践经验，并结合实际代码、图示、案例等讲解了人工智能的基本知识。全书共分10章，主要内容包括：基于规则的专家系统、不确定性管理技术、模糊专家系统、基于框架的专家系统、人工神经网络、进化计算、混合智能系统、知识工程、数据挖掘等。 本书将帮助你实际了解智能系统的用途，发现与你的工作密切相关的工具，并最终学会如何使用这些工具。 希望读者能与我共同分享人工智能和软计算学科所带来的乐趣，并从本书中获益。

该资源为董付国老师《python可以这样学》一书对应的代码示例及讲义。原书深入浅出，讲解详细。有附件中的代码辅助，有利于对原书的理解。也可以单独作为python的联系。适合初学者。

文档介绍了如何在linux下安装使用lingoes，及安装过程中需要下载的软件，将对应的文件夹拷贝到/root/.cache/winetricks/下面即可，可省去下载时间，另外需要ie6，80M左右，由于csdn上传文件大小限制，没有上传，可自行通过网络下载。 Lingoes 灵格斯词霸 是一款简明易用的词典与文本翻译软件，支持全球超过80多种语言的词典查询、全文翻译、屏幕取词、划词翻译、例句搜索、网络释义和真人语音朗读功能。同时还提供海量词库免费下载，专业词典、百科全书、例句搜索和网络释义一应俱全，是新一代的词典与文本翻译专家。 Lingoes 支持互查互译的语种包括: 英、法、德、意、俄、汉、日、韩、西、葡、荷兰、瑞典、乌克兰、波兰、土耳其、泰、印尼、越南、波斯、希伯来、阿拉伯语 及更多...

解压即可应用，经bitdefender安全扫描。 点文库下载一款文档下载工具。无需积分就可以自由下载百度,mbalib，豆丁,hp009,max.book118文档，无需注册和登录。下载的文档最终生成高清晰度的pdf格式文档。 基本功能：1. 支持下载百度,豆丁,mbalib,hp009,max.book118文库文档。2. 无需积分也无需登录就可以自由下载百度,豆丁,mbalib,hp009,max.book118文库。3. 支持多个任务同时下载和断点续传下载。4. 生成的pdf文档与原始文档质量等同。软件使用技巧：在主界面输入需要下载的百度文库或者豆丁文库的网页地址。点击下载即可。 本软件仅供交流,请在下载24小时内删除,不得用作商业用途;如果喜欢请购买正版。

UG（Unigraphics NX）是EDS公司出品的一个产品工程解决方案，它为用户的产品设计及加工过程提供了数字化造型和验证手段。Unigraphics NX针对用户的虚拟产品设计和工艺设计的需求，提供了经过实践验证的解决方案。 NX 产品开发解决方案完全支持制造商所需的各种工具，可用于管理过程并与扩展的企业共享产品信息。 NX 与 UGS PLM 的其他解决方案的完整套件无缝结合。这些对于 CAD 、 CAM 和 CAE 在可控环境下的协同、产品数据管理、数据转换、数字化实体模型和可视化都是一个补充。 　　UG主要客户包括，通用汽车，通用电气，福特，波音麦道，洛克希德，劳斯莱斯，普惠发动机，日产，克莱斯勒，以及美国军方。几乎所有飞机发动机和大部分汽车发动机都采用UG进行设计，充分体现UG在高端工程领域，特别是军工领域的强大实力。在高端领域与CATIA并驾齐驱。 　　NX 为那些培养创造性和产品技术革新的工业设计和风格提供了强有力的解决方案。利用 NX 建模，工业设计师能够迅速地建立和改进复杂的产品形状， 并且使用先进的渲染和可视化工具来最大限度地满足设计概念的审美要求。 [编辑本段]产品设计 　　NX 包括了世界上最强大、最广泛的产品设计应用模块。 NX 具有高性能的机械设计和制图功能，为制造设计提供了高性能和灵活性，以满足客户设计任何复杂产品的需要。 NX 优于通用的设计工具，具有专业的管路和线路设计系统、钣金模块、专用塑料件设计模块和其他行业设计所需的专业应用程序。 [编辑本段]仿真、确认和优化 　　NX 允许制造商以数字化的方式仿真、确认和优化产品及其开发过程。通过在开发周期中较早地运用数字化仿真性能，制造商可以改善产品质量，同时减少或消除对于物理样机的昂贵耗时的设计、构建，以及对变更周期的依赖。 [免责声明] 本帖介绍的文本内容转自网络，如有出入则以官方站点公布之信息为准。 资源下载后请对文件做必要的安全检测，该下载内容仅限于个人测试学习之用，不得用于商业资源版权归作者及其公司所有，并且请在下载后24小时内删除。如果你喜欢，请购买正版。

This copy is a PMI Member benefit, not for distribution, sale, or reproduction.

《项目管理知识体系指南（PMBOK指南）（第5版）》是美国项目管理协会（PMI）的权威经典著作，已经成为美国项目管理的国家标准之一，也是当今项目管理知识与实践领域的事实上的世界标准。本书中文简体字版由PMI独家授权在中国出版发行，其内容与第4版相比有一定更新，以精辟的语言更新了项目管理5大过程组的定义并介绍了项目管理10大知识领域与47个过程，是项目管理从业人员的极为重要的工具书

本书全面地介绍了Linux的世界。全书共分为6个部分，从讲述基本的Linux概念、shell基本命令以及图形用户界面开始，一直到最后介绍Linux编程环境，每一部分都提供了主要命令的详细解释和流程说明。本书另外一个特别之处在于安排了很多章节来介绍各种流行的最新Linux发行版（多达12个）。另外，本书最后提供的大量参考资料可帮助您获得所需的各种知识。 本书不仅可作为Linux新手的入门指南，而且对于Linux专业人员也极具参考价值。

Prezi，是一种主要通过缩放动作和快捷动作使想法更加生动有趣的演示文稿软件。它打破了传统Powerpoint的单线条时序，采用系统性与结构性一体化的方式来进行演示，以路线的呈现方式，从一个物件忽然拉到另一个物件，配合旋转等动作则更有视觉冲击力。通过多终端（web网页端、Windows和Mac桌面端、ipad和iphone移动端）创建、编辑文稿，从而帮助你开拓思路、并使想法之间的联系更加明确清晰。 该公司由 Adam Somlai-Fischer, Peter Halacsy和 Peter Arvai于2009年在匈牙利布达佩斯创建。

Prezi，是一种主要通过缩放动作和快捷动作使想法更加生动有趣的演示文稿软件。它打破了传统Powerpoint的单线条时序，采用系统性与结构性一体化的方式来进行演示，以路线的呈现方式，从一个物件忽然拉到另一个物件，配合旋转等动作则更有视觉冲击力。通过多终端（web网页端、Windows和Mac桌面端、ipad和iphone移动端）创建、编辑文稿，从而帮助你开拓思路、并使想法之间的联系更加明确清晰。 该公司由 Adam Somlai-Fischer, Peter Halacsy和 Peter Arvai于2009年在匈牙利布达佩斯创建。

Prezi，是一种主要通过缩放动作和快捷动作使想法更加生动有趣的演示文稿软件。它打破了传统Powerpoint的单线条时序，采用系统性与结构性一体化的方式来进行演示，以路线的呈现方式，从一个物件忽然拉到另一个物件，配合旋转等动作则更有视觉冲击力。通过多终端（web网页端、Windows和Mac桌面端、ipad和iphone移动端）创建、编辑文稿，从而帮助你开拓思路、并使想法之间的联系更加明确清晰。 该公司由 Adam Somlai-Fischer, Peter Halacsy和 Peter Arvai于2009年在匈牙利布达佩斯创建。

可实现将文件夹及文件的目录显示在excel中。喜欢用excel的朋友可以试一下。

天堂小子的撒手不管版。仅供学习研究用。我也是从网上转过来的，酱油

nod32的winpe版，小巧好用，可在用winpe装系统时用它检查一下挺不错的。