相比 2D 中的旋转变换，3D 中的旋转变换复杂了很多。关于 2D 空间的旋转，可以看这篇文章。本文主要粗略地探讨一下 3D 空间中的旋转。

旋转的要素

所谓旋转要素就是说，我们只有知道了这些条件，才知道怎么旋转一个物体。回忆 2D 空间中的旋转，我们需要确定旋转中心、旋转角以及旋转方向才能旋转一个图形。以此类推，到了 3D 空间，我们仍然需要确定三个要素：一个旋转轴、旋转角以及旋转方向。 下面，为了讲解的方便，旋转方向默认为：正对旋转轴正方向，按逆时针方向为旋转正方向，反之为旋转负方向。

（本文转载自「stormzhang」在微信公众号「AndroidDeveloper」发表的关于写作排版的文章。看完后，再对比「Google黑板报」以及其他一些大V的文章排版后，发现原来好排版的套路都是一样的，在此记录一波。）

最近频繁在论文中看到「PCA」的影子，所以今天决定好好把「PCA」的原理和算法过程弄清楚。

「PCA」是什么

PCA，又称主成分分析，英文全称「Principal Components Analysis」。维基百科上的解释是：「PCA」是一种分析、简化数据集的技术，经常用于减少数据集的维数，同时保持数据集中对方差贡献最大的特征。说得通俗一点，就是把数据集中重要的特征保存下来，把不重要的特征去除掉。

概念

协方差（Covariance）在概率论和统计学中用于衡量两个变量的总体误差。而方差是协方差的一种特殊情况，即当两个变量是相同的情况。 这个解释摘自维基百科，看起来很是抽象，不好理解。其实简单来讲，协方差就是衡量两个变量相关性的变量。当协方差为正时，两个变量呈正相关关系（同增同减）；当协方差为负时，两个变量呈负相关关系（一增一减）。 而协方差矩阵，只是将所有变量的协方差关系用矩阵的形式表现出来而已。通过矩阵这一工具，可以更方便地进行数学运算。

在成功将 mac 由 10.10 升级到 10.12 后，我发现除了新增一个并不怎么好用的 Siri 外，原来支持 NTFS 硬盘的驱动居然也成功失效了。我那块 500 GB 的东芝硬盘，虽不至于成砖，但一块只能读不能写的硬盘，实在让人欲哭无泪。巧的是，最近需要频繁地将一些数据文件( GB 级别)拷贝到其他电脑，而手头又仅剩一些小容量 U 盘。于是，我突然萌生了写一个文件分割器的想法，将大的压缩文件分片后，再用这些小 U 盘搬到到其他电脑上去。

有人会问，这样的软件明明网上有的是，何必自己写呢？没错，我就是这么无聊的人。

概要

这篇文章中，我们来聊聊 OpenGL 中的坐标系统以及它们之间的转换。

（⚠️阅读本文需要有线性代数基础。）

坐标变换原理

首先，我们需要运用一点线性代数的知识，了解不同坐标系统变换的原理。 由于本文针对的是三维坐标，所以讨论的空间是 \(R^3\) 空间。

最近跟着 Udacity 上的深度学习课程学了一丢丢 TensorFlow，这里记录一下用 TensorFlow搭建简单 CNN 网络的代码模板。

最近在看图像风格化的论文的时候，频繁遇到 Bilateral Filter。google 一波后，发现并不是什么不得了的东西，但它的思想却很有借鉴意义。

简介

Bilateral Filter，中文又称「双边滤波器」。相比以往那些仅仅使用位置信息进行滤波的 filter，Bilateral Filter 还考虑了颜色信息，可以保证边缘部分不会被过滤。

简单来说，一般的 filter 都是基于这样的公式进行滤波的： \[ h(x)=k_{d}^{-1}{(x)}\iint_\infty^\infty{f(\zeta)c(\zeta, x)} d\zeta \]

numpy.ndarray

numpy.ndarray(shape, dtype=None, buffer=None, offset=0, strides=None, order=None)

This is an array object represents a multidimensional array of fixed-size items（Fixed-size 意味着数组一旦创建就没法修改了）。

1. shape: tuple of ints（除了该参数必须之外，其余为可选）；
2. dtype: data-type
3. buffer: object exposing buffer interface, used to fill the array with data.
4. offset: int, offset of array data in buffer.
5. strides: tuple of ints, strides of data in memory.
6. order: {‘C’, ‘F’}, row-major (C-style) or column-major (Fortran-style).

注：

1. 如果 buffer 是 None，则只有 Shape、dtype、 order 是需要的。
2. 如果 buffer 不是 None，则所有参数都会用到。
3. buffer 的 dtype 和 ndarray 的 dtype 要保持一致。

1
2
3
4

>>> m = np.ndarray(shape=(2, 3), dtype=np.int32, buffer=np.array([1,2,3,4,5,6], dtype=np.int32))
>>> m
[[1 2 3]
 [4 5 6]]

Mac常用的命令行工具：

1. which

查看某个命令行工具的位置，比如：

1

which node