难得下一次棋, 水平没啥进步. 默认是五林上的对局.

最常见的是前三打: 一打偏黑, 二打平衡略偏白, 三打白小优 (结论出自 2021/9/13 漱星阁的索索夫规则开局指南). 分支太多了, 只看前几手.

参考 KataGo 和

• haisarenjuthink. (2020, Mar 26). 五目クエスト攻略～疎星の打ち方～. 連珠雑記.
• 疏星二打总谱
• 疏星三打总谱

棋谱的记号完全不明白.

由于历史遗留原因, 第一篇 Python 杂录 放在了 Language 类别下. 第二篇 Python 杂录更偏重 best practices.

入门时参考了

• Shotts, W. (2019). The Linux command line.

可在官网免费下载, 从 09 年开始, 目前已经到了第五版.

官方网站: 知我.

作为 《亲密关系》笔记 的补充, 明显重复的内容略. 另有专栏 KY 恋爱教练.

模型压缩, 用小模型向大模型学习. 神经网络最后一层通常将 logits $z_i$ 经过 softmax 函数转化为类别概率预测 $q_i$ 输出,

\[q_i = \frac{\exp(z_i/T)}{\sum_j \exp(z_j/T)},\]

其中 $T=1$. 这种概率预测称为 soft target/label (相对于 hard target, 即直接预测一个类别, 而不给与概率).

主要参考

• Boyd, S., & Vandenberghe, L. (2004). Convex optimization. Cambridge university press.

凸优化最有名 (?) 且十分易读的教材, 附录有一些线性代数的回顾. 如果不打算全读, 只读每章开头的小节可以很快地理清脉络.

COLING 2020 的文章

• Wang, Y., Yu, B., Zhang, Y., Liu, T., Zhu, H., & Sun, L. (2020). Tplinker: Single-stage joint extraction of entities and relations through token pair linking. arXiv preprint arXiv:2010.13415. [Code]

讲调包. 主问题是个凸二次规划, 找包调的时候顺便调研了 SciPy 处理一般带约束优化问题的不同算法的适用场景 (官方文档里并没有写得很明白).

An optimization problem with a quadratic objective function and linear constraints is called a quadratic program (QP). Consider the following (convex) QP,

\[\begin{align*} \min_\beta & \quad \Vert Y - X\beta \Vert_2^2, \\ \text{subject to} & \quad \boldsymbol{1}_p'\beta = 1, \\ & \quad \beta \succeq 0, \end{align*}\]

with

• an $n \times 1$ vector $Y$,
• an $n \times p$ matrix $X$, and
• a $p \times 1$ vector $\beta$.

题目真的很 “简单”, 但在缺乏提示的情况下未必容易做出, 有些在其他书是直接写在正文里的.

参考书目

• 应坚刚 & 金蒙伟. (2016). 随机过程基础 (第二版). 复旦大学出版社.
• Baldi, P. (2017). Stochastic Calculus: An Introduction Through Theory and Exercises. Springer.