cmake 是一个跨平台的自动化构建系统，它可以产生不同系统平台的构建文件（例如：类 Unix 系统的 Makefile，Windows 系统的 .vcproj ）。开发者只要根据 cmake 的命令规则编写好 CMakeLists.txt 文件，就可以用对应平台的 cmake 程序生成相应的构建文件，再根据构建文件编译代码。它的好处是，开发者只要学会 cmake 自身的语法规则即可，至于平台本身的项目构建文件，则交由 cmake 开发人员处理。总而言之，cmake 是高级版的 Makefile，是优秀的 C/C++ 程序员必不可少的技能（当然后面这句是我自己说的）。
下面，我们就一步一步地来学习 cmake 吧🤓。本系列教程基于 cmake 3.8 版本。
（注：本教程大部分内容取自 Introduction to CMake by Example ）
TensorFlow 更新频率实在太快，从 1.0 版本正式发布后，很多 API 接口就发生了改变。今天用 TF 训练了一个 CNN 模型，结果在保存模型的时候居然遇到各种问题。Google 搜出来的答案也是莫衷一是，有些回答对 1.0 版本的已经不适用了。后来实在没办法，就翻了墙去官网看了下，结果分分钟就搞定了～囧～。
这篇文章内容不多，主要讲讲 TF v1.0 版本中保存和读取模型的最简单用法，其实就是对官网教程的简要翻译摘抄。
今天要介绍一个翻墙工具 SwitchHosts。
说真的，这个工具我已经听说很久了，但由于我一直都用着 Shadowsocks 纸飞机翻墙，就没怎么理睬它。直到今天，不得不去 TensorFlow 官网查点资料，却发现纸飞机也飞不到那里去，因此尝试了下 SwitchHosts，结果真是太感人了。
SwitchHosts 的原理其实很简单，就是通过修改 host 文件，指定 IP 地址。只要 GFW 没有对 IP 进行封锁，那么我们就可以直接通过 IP 访问服务器，避开敏感词检测。
SwitchHosts 提供多种平台的版本，详情请移步官网。
最近想做一个识别验证码的程序。目标其实很简单，就是识别出某网站验证码的字母和数字。
这种类型的验证码已经被做烂了，相应的破解程序也很多。但我只是想学习消遣一下。
我已经通过爬虫收集了某网站的大量验证码图片，并通过图像处理的方法把字母和数字分割出来（好在这类验证码比较简单，切割工作相对容易）。之后，便是要对这些图片进行标记并训练。我总共爬了 20000 张，每张上面有四个数字或字母，相当于要对 80000 张图片做标记分类。嗯，这很有趣！
今天发现一个用 numpy 随机化数组的技巧。
我有两个数组（ ndarray ）：train_datasets 和 train_labels。其中，train_datasets 的每一行和 train_labels 是一一对应的。现在我要将数组打乱并用于训练，打乱后要求两者的行与行之间必须保持原来的对应关系。
关于决策树，想必大部分人都已经耳熟能详了，这是一种用来预测行为的树状分叉结构。本文主要想总结一下最常用的决策树生成算法：ID3，C4.5 以及 CART。
熟悉决策树的你一定记得，决策树每个非叶子结点对应的其实是一个属性。比方说，想判断一个男生是不是 gay，我们首先需要判断他的性别是不是男的，是的话继续判断他的性取向，之后继续判断他的其他行为……这里的「性别」，「性取向」就是属性，而决策树的生成其实是依次挑选这些属性组成自己的节点，到最终可以明确得出结论的时候（也就是叶子结点），整棵树便生成了。所以，我们的目标就是按照某种方法依次挑选出这些属性。
我们挑选的原则是：每次选出这个属性后，可以最大限度地减小分类的可能性。回到 gay 这个问题，如果摆在我们眼前的属性有：「性取向」，「是否喜欢日漫」，「是否长发披肩」，那么，选择「性取向」这个属性，对我们之后的判断，帮助无疑是最大的。因为得知「性取向」之后，基本也就得到结论了。所以，对这个例子而言，「性取向」是我们优先挑选的属性。
那么，我们如何衡量这种帮助的大小呢？请往下看👇。
Bagging 和 Boosting 都属于机器学习中的元算法（meta-algorithms）。所谓元算法，简单来讲，就是将几个较弱的机器学习算法综合起来，构成一个更强的机器学习模型。这种「三个臭皮匠，赛过诸葛亮」的做法，可以帮助减小方差（over-fitting）和偏差（under-fitting），提高准确率。
狭义的理解：Bagging，Boosting 为这种元算法的训练提供了一种采样的思路。
今天写 OpenGL 时，发现一个 C/C++ 中可能很实用但出现频率较低的函数： offsetof(type, member)。
严格来说，这只是一个宏定义。其中的 type 表示一个数据结构（ struct 或者 class ），member 表示这个结构的成员。这个函数会返回一个 size_t 类型的数值，表示这个 member 在这个数据结构中的位置（以字节为单位）。
本文翻译自 What is the most valuable programming skill at the moment? 中的一个回答，其中谈及的对编程能力的看法很有借鉴意义，希望自己未来的时间能够静下心来，不忘初心，持续积累。由于这是我第一次翻译英文文章，其中难免有翻译不恰当的地方，还望指正😁。
最具价值的技能，你可能都不会想到
（图片来自 collider.com）
老实说，我觉得线性代数可能是大学里最重要的数学，没有之一。无论是机器学习、计算机视觉，抑或是计算机图形学等等，都需要靠线性代数这门工具作支撑。这篇文章主要总结一下线性代数中那些很重要的矩阵们。