https://furyton.github.io/2021/01/27/%E5%87%B8%E5%87%BD%E6%95%B0/

参考书 Boyd Convex Optimization
基本的概念和性质
什么是凸函数
(f:\mathbf {R}^n \rightarrow \mathbf {R}, \quad \mathbf {dom} f) 是个凸集，(0 \leq \theta \leq 1) [
f(\theta x + (1-\theta)y)\leq \theta f(x) + (1-\the

https://furyton.github.io/2021/03/17/Linear-Analysis-introductory-Series-Basic-inequalities/

凸函数
Jensen Theorem
convex function f [
f\left( \sum_{i=1}^{n}p_ix_i\right) \le \sum_{i=1}^{n}f(p_ix_i)
] (x_i \in \mathbf{dom}f) , (\mathbf{p} \in) 概率单纯形

AM-GM
(\sum t_i log x_i \le log

notes - MSR AI Seminar: Why Does Deep Learning Perform Deep Learning?

https://furyton.github.io/posts/research/MSR-AI-Seminar-Feb-8.html

notes - Total Commander Tips

https://furyton.github.io/posts/tools/tc.html

https://furyton.github.io/2021/03/04/VHDL%E8%AF%AD%E8%A8%80%E5%85%A5%E9%97%A8%E7%AC%94%E8%AE%B0/

at the beginning
the differences between VHDL and software programming languages
Serial vs. Parallel
concurrency:
​ VHDL: all the codes are execute at the same time. => parallel language
notes

https://furyton.github.io/2020/11/08/%E6%88%91%E7%9A%84%E7%AC%AC%E4%B8%80%E7%AF%87%E6%96%87%E7%AB%A0/

this is my first blog here

https://furyton.github.io/2020/11/09/Transformer%E6%A8%A1%E5%9E%8B%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0/

Transformer 模型学习笔记
论文地址Attention Is All You Need
Nice Blog for illustrating Transformer Model
seq2seq with attention
提出的特点

RNN无法并行地去处理一个序列, 因为每个hidden state (h_i)都是依赖于上一个hidden state (h_{i-1

https://furyton.github.io/2020/12/02/FFT/

note : 本文仅简要地介绍FFT以及它的简单应用, 并不会过多的进行数学推导
Background
首先我们回忆一下傅里叶级数.
实数上的情形
对于一个函数(f(x)), 我们现在关注它在([-\pi,\pi]) 这个区间上的表现.
它能够写成(在一定条件下) [
f(x) = \frac{a_0}{2} + \sum_{k=1}^{\infty} a_kcos(kx)+

about homogeneous coordinates | Furyton

这一篇博客是很无聊的东西，随便想的，毫无意义，胡说八道。
动机：图形学课中讲到了齐次坐标，提到它对于区分点和向量的重要作用，这里我并不太明白设计它的 motivation 或者出发点。
这里我胡乱思考一下这个东西
confusion
齐次坐标是

https://furyton.github.io/2021/09/30/about-homogeneous-coordinates/

https://furyton.github.io/2020/12/02/FFT/

note : 本文仅简要地介绍FFT以及它的简单应用, 并不会过多的进行数学推导
Background
首先我们回忆一下傅里叶级数.
实数上的情形
对于一个函数(f(x)), 我们现在关注它在([-\pi,\pi]) 这个区间上的表现.
它能够写成(在一定条件下) [
f(x) = \frac{a_0}{2} + \sum_{k=1}^{\infty} a_kcos(kx)+

https://furyton.github.io/2021/03/04/VHDL%E8%AF%AD%E8%A8%80%E5%85%A5%E9%97%A8%E7%AC%94%E8%AE%B0/

at the beginning
the differences between VHDL and software programming languages
Serial vs. Parallel
concurrency:
​ VHDL: all the codes are execute at the same time. => parallel language
notes

https://furyton.github.io/2021/02/15/Logistic-regression/

Logistic Regression
简介：一种简单的统计分类方法，因为使用了Logistic函数得名。称作回归(Regression)的原因是，这个模型实质是在做函数的拟合问题。
Logistic Function
[
f(x)=\frac{1}{1+e^{-x}}
]
介于(0) ~ (1)之间
二分类的Logistic模型
[
P(Y=1|x)=\frac{

https://furyton.github.io/2021/03/06/Combinatorics-course-note-Turan-problem/

课程链接 Course Link
闲来无事听的课，看看自己能坚持多久
习题解答并不能保证正确性
Turan Problem
就是求解一个数 extremal number of a graph H [
ex(n,H)=max{e(G) : |G|=n , and , G ;is ; H-free}
] 在顶点数量限制下，不包含子图H，最大化边的数量
第一个结果是tri

https://furyton.github.io/2020/11/09/%E5%A4%9A%E8%BE%B9%E5%BD%A2%E7%9A%84%E6%89%AB%E6%8F%8F%E8%BD%AC%E6%8D%A2%E4%B8%8E%E5%8C%BA%E5%9F%9F%E5%A1%AB%E5%85%85%E7%AE%97%E6%B3%95/

多边形的扫描转换与区域填充算法
为了完成这次算法作业, 需要C++ 图形编程. 我选择了OpenGL. 配置起来有点麻烦, 又遇到了一些Bug, 最后索性用了GL里面的一个库, glut.h 进行尝试.
Cheating Code
GLUT的学习
用的Clion, 配置了库, 但是可能有问题, 至少Glut是能正常使用的
随便找的一篇博客配置OpenGL
随便找到的一篇GLUT Tut

https://furyton.github.io/2021/06/18/BasicTopology(I)-Intuition/

build a basic intuition on some classic topology spaces
Euler's theorem
for a polyhedron P ,we have v - e + f = 2
two conditions on P need to be satisfied:

any two vertices can be connected by e

https://furyton.github.io/2020/11/11/Word2Vec/

beginning
其实用向量来表示一个单词是很常见的, 毕竟方便一个算法或模型去表示一个单词. 但表示的方法很重要, 最完美的Embedding就是能够包含单词的语义, 相似语义的单词的表示越接近, 反之表示的向量差距越大. 下面一步步的去完成我们的目标.
distance
怎么来叙述两个单词的embedding是相近的呢? 容易想到对于两个向量, 我们有一个适用于 (n) 维空间上的

https://furyton.github.io/2021/02/15/Logistic-regression/

Logistic Regression
简介：一种简单的统计分类方法，因为使用了Logistic函数得名。称作回归(Regression)的原因是，这个模型实质是在做函数的拟合问题。
Logistic Function
[
f(x)=\frac{1}{1+e^{-x}}
]
介于(0) ~ (1)之间
二分类的Logistic模型
[
P(Y=1|x)=\frac{

Notes - vim techs

https://furyton.github.io/vim-techs.html

https://furyton.github.io/2021/07/18/%E9%A2%84%E8%AE%AD%E7%BB%83%E6%A8%A1%E5%9E%8B%E5%AD%A6%E4%B9%A0-PTM/

PTM in NLP
背景
语言表示学习
一个核心的任务是对词语进行编码(称为词嵌入)以便后续其他的NLP任务，但容易想到词语的含义依赖于语境，也就是上下文。
非上下文嵌入
早期的词嵌入方法是静态的、上下文无关的。核心的想法类似于查表，通过训练得到一个embedding矩阵，最经典的就是 Word2Vec 。模型规模较小、计算效率高，但上下文无关性以及词汇表有限都是它很大的问题。如果要用

https://furyton.github.io/2021/08/05/notes-about-statistical-learning/

最近看了一点关于统计学习的知识，主要是关于knn和线性回归两种模型。两个模型算是入门级的模型了，理应是相当简单易懂的，但书中花了不小的篇幅深入地(for me)探讨了两个模型的异同，着实有趣。但有些琐碎，不得不抓紧记录下来，不然很快就忘记了[](￣▽￣)* 另外我发现我对概率统计的知识都变得很陌生了，emmm。正在恶补。 参考书是 The Elements of Statistical Lea

https://furyton.github.io/about/

Wu Shiguang.
Taishan College, Shandong University

https://furyton.github.io/2021/06/20/%E5%87%B8%E9%9B%86/

your browser does not support PDF. Please download the PDF to view it: note.pdf

未完待续。。。

参考书 Boyd Convex Optimization
Latex 模板来自 ElegentNote from ElegantLaTex

https://furyton.github.io/2021/04/10/%E5%9F%BA%E4%BA%8E%E5%BE%AE%E7%A8%8B%E5%BA%8F%E8%AE%BE%E8%AE%A1%E7%9A%84CPU%E5%AE%9E%E9%AA%8C/

微指令格式
32 bit
31: HALT 30..26 : S 25 : CN 23 : CP_PC 22 : CP_MAR 21 : CP_R 20 : CP_IR 19 : R_enable 18 : R_wen 17..15 : MUX_A 14..12 : MUX_B
11..10 : MUX_R_INA 9..8 : MUX_R_INB 7..6 : MUX_R_OUT 5 :