电车难题在西方讨论颇多，但在中哲中却鲜有明确提及，故突发奇想胡言乱语一番

Github笔记任务管理和 BUG 报告可以通过 Issue 进行交互，如果想让特定用户来看，只要用“@ 用户名”的格式书写，对方便会接到通知（Notifications）GitHub 中可使用的描述方法并不止“@ 用户名”一种。输入“@ 组织名”可以让属于该 Organization（组织）的所有成员收到通知注 a。输入“@ 组织名 / 团队”可以让该团队的所有成员收到通知。这就是同时向多人发送通知的方法。输入“# 编号”，会连接到该仓库所对应的 Issue 编号。输入“用户名 / 仓库名 # 编号”则可以连接到指定仓库所对应的 Issue编号。只要按照这类特定格式书写便会自动创建链接。 Gitgit设置123456789101112131415161718git config --global user.name "Firstname Lastname"git config --global user.email "your_email@example.com"命令会在~/.gitconfig下添加[user] name ...

用来记录Hexo的各种设置

记录一下前端技术，尚为草稿，写完会公开

相关研究KE模型首先使用预定义的规则或模板来选择一组候选短语。然后，根据监督方法或无监督算法对候选人对其进行重新排序，模型返回前n个短语作为关键短语 KGCopyRNN为例，提出seq2seq一些改进： 语义覆盖解决关键词重叠（one2set效果不错） 自适应奖励函数控制关键词生成数量 出发点远距离建模对于社交媒体和开放域文本，当前的KG模型很难关注文本的关键部分。纯粹基于RNN的方法可以更好地建模相邻单词之间的依赖关系，但不能很好地建模那些具有距离跨越的依赖关系结构。这些信息的本质是隐性的，是言语交叉的，而不是明确的。 生成与源文档意思一致的词，而非频率最高的词KG任务的另一个关键挑战是确保源和目标关键字之间的一致性，因为它们应该在语义上相互依赖。与基于Seq2Seq的文本摘要类似，KG模型通常通过最大化似然估计（beamsearch）进行训练。由于模型不能确保文档与其相应的关键短语之间的一致性，因此它们倾向于生成与源无关的高频短语。为了解决文档及其生成的关键字之间的一致性问题 建图在这项工作中，我们的目标是通过将由图卷积网络（GCN）获得的依赖信息与上下文信息相结合来解决信息分 ...

pytorch的TensorBoard使用备忘

Wir müssen wissen. Wir werden wissen. 我们必须知道，我们将会知道 ——Hilbert

收集的一些天津中继台频率，中继资源珍贵，请珍惜使用

KNN代码实现

将虚拟环境的python解释器添加到jupyter notebook的内核