锦小年的博客

python编译安装需要ssl模块才能使用pip，且ssl需要支持x509，如果openssl版本太低，则无法安装ssl对应模块。如果支持ssl，在configure的时候能看到：以下不需要管理员权限。解决方案：编译安装openssl最新版：1. 安装openssl下载地址：https://www.openssl.org/source/解压后进入文件夹：./config --prefix=/openssl/install/pathmakemake install/openssl/in

在修改好代码后，正确的git流程为：假如file1， file2为需要提交的文件，file3是不需要提交的文件，但是也不向丢掉git add file1,file2git commit -m "commit comments"git stashgit pullgit pushgit stash pop对应的解释：git add 将需要提交的文件放到暂存区git commit 提交暂存区的文件到本地仓库git stash 存储修改过的不需要提交的文件，上面将file3存储起来，以便

1. python插件插件功能pythonpython支持2. c/c++插件插件功能c/c++c/c++支持3. 美化主题插件功能One Dark Pro黑暗系主题vscode-icons文件以及文件夹图标filesize显示文件大小Bracket Pair Colorizer改变括号颜色Output Colorizer输出文字颜色改变Indenticator同等级缩进空白处上色

1. alias解析输入参数正常情况下alias是无法使用输入参数的，例如以下使用便不正确：alias test='echo $1 $2'但是alias中可以使用函数，则可以在函数中解析输入参数。alias test='test() { echo $1 $2; }; test'...

更新时间：2020年3月7日微信公众号开发的硬件必备条件：（1）申请一个公众号 （2）有公网ip的服务器（最好是阿里云，腾讯云等的云服务器）（3）解析到（2）中服务器地址的域名（阿里云，腾讯云购买即可）。1. 微信公众号申请个人可申请订阅号，申请教程参考：https://jingyan.baidu.com/article/020278113d07531bcc9ce5a5.html2. 后台...

使用python的人不可能不会接触jupyter notebook，因为它太实用了，尤其是边写代码边调试的时候。1. 安装以及打开pip install jupyter安装完成后，在命令行下运行：jupyter notebook便会自动从浏览器打开。2. 设置2.1 设置主目录在命令行输入以下命令生成配置文件： jupyter notebook --generate-conf...

更新时间：2020-10-6# import libimport tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras import layersfrom tensorflow.keras.layers import Conv2D, BatchNormalization, MaxPool2D, Flatten,...

更新时间： 2010-10-5在v2.x版中，有多种构建模型的方式，分别是基于keras的Sequential（序列式），subclass（子类式），functional（函数式）。下面一一介绍。不管采用哪种方式，深度学习解决方案完成的过程不会变：数据准备 -> 模型构建 -> 损失函数 -> 优化器选择 -> 模型训练 -> 模型验证。1. 序列式建模序列式...

文章目录1. 概要2. 更新说明2.1 v2.0正式版2.1.1 keras作为高级API2.1.2 编程方式发生变化2.1.3引入分布式策略2.1.4 API命名改变2.1.5 tf.data2.1.6 模型保存2.1.7 优化器2.1.8 移除tf.contrib1. 概要本教程来自TensorFlow官方示例，以及结合自己使用经验。TensorFlow被定义为一个端到端的开源机器学习平...

更新时间： 2019-10-2window处理办法pip install pydot_ng安装graphviz， 下载地址： https://graphviz.gitlab.io/download/下载后安装，安装过程选择： for everyone安装后将安装路径添加有环境变量：默认为： C:\Program Files (x86)\Graphviz2.38\bin...

现在很多服务器配置都是单机上配有多个GPU卡。tensorflow默认占用全部的gpu的显存，但是只在第一块GPU上进行计算，这样对于显卡的利用率不高。1. 指定运行GPU，不占用其他gpu的显存。import osos.environ["CUDA_VISIBLE_DEVICES"] = "0,1" # 指定gpu编号，从0开始这样可以在不同的卡上运行不同参数的程序，达到调参的目的。2...

有一天，服务器网络崩了，不知道怎么回事，重启后显示错误信息：Failed to start LSB：bring up/down network。就错误代码来看，应该是网卡没能启动。进入系统，查看网络配置：ifconfig，果然没有能够获取到ip地址：解决办法：重启网络：service network restart提示ok就解决了。内核4.4不能进图形界面，因为驱动的原因。显示器...

1. 问题描述刚做web应用的时候，对于https不是很了解，按照网络教程部署（参考文章：https://www.cnblogs.com/hld123/p/6343437.html ）好https后，浏览器访问风险提示（chrome提示如图，不同浏览器提示内容不一样）：这是因为https部署中的ssl证书是自签名证书，也就是自己生成的签名证书（生成过程见参考文献），浏览器当然不认。采用公认的...

1. 问题描述在win系统下apache部署https的时候需要生成自签名证书（完整部署过程参考：https://www.cnblogs.com/hld123/p/6343437.html），这时候需要用到openssh，第一步的命令为：openssl genrsa 1024 >server.key这时候生成了可以，不过由于系统是win，key的文件格式不是utf-8，所以在第二个命...

好的编程风格不仅可以提高工作效率，同时也是一个coder本身素养的体现。正对于python语言的编程风格，PEP8已经给出了很好的指导，按照PEP8写python，绝对是最佳的风格。...

更新时间：2019-4-5文章目录1. 准备cuda2. 准备NCCL3. 安装bazel4. 安装tensorflow5. 失败后的查错：很巧的是编译安装tensorflow-gpu版成功了。tensorflow已经更新到1.13版，官方的linux安装文件采用的是glibc2.23， 而centos只支持到glibc2.17，所以在使用pip install tensorflow-gpu安...

文章目录这一节本来要写在最开始，奈何开始并没有遇到很多问题，之后的实践中才明白。做启动盘是装系统的第一步，工具选择有很多，但不是每一个工具都很完美，以前选择ultraISO，现在极力推荐：Win32DiskImager。ultraISO 的问题以前用ultraISO并没有问题，但后来遇到了问题，安装时候报错：dracut-initqueue timeout网上也有很多解决办法，但是很...

文章目录1. 安装2. 配置2.1 申请账号2.2 创建网络2.3 加入网络3. 优势一般来说，内部服务器不提供公网访问，常常有需要公网访问，找了很多工具，花生壳什么的，花了一些钱，很不稳定。最后发现zerotizer这个工具，非常好用。官网地址：http://www.zerotier.com/1. 安装centos 安装命令：curl -s https://install.zerotie...

1. 硬件配置处理器是两颗10核20线程处理器，可用线程数为40。数据硬盘由8块8T硬盘（4块原装，4块购买1）组成的RAID5，总共可用空间50T。2. 系统说明系统版本：centos 7.5（core 4.4-lt）3. 软件说明3.1 已安装软件SoftwareVersionSoftwareVersionAFNI18.3.11FSL6.0.0...

前面升级了内核，并更新了响应的工具包。但在新内核上安装nvidia显卡的时候会遇到问题，主要是：内核找不到，需要指定内核版本，解决办法：指定内核路径： 在/usr/src/kernels/文件夹下的内核版本，我的是4.19在安装命令后面加上–kernel-source-path 参数：bash NVIDIA-Linux-x86_64-410.78.run --kernel-source-pat...

作为一个医学图像研究僧，怎么能不会各种医学图像处理软件的安装，今天记录一下这些软件的安装过程，很简单。这些软件包括spm,FSL,freesurfer等。1. FSL1.1 安装去官网注册一下，并下载fslinstall.py文件，：https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslInstallation/Linux安装命令：python fslins...

正常情况下，普通用户是没有超级权限的，使用sudo时，就会提示：如果普通用户要使用sudo，则要赋予它su权限。在管理员用户下：vim /etc/sudoers找到图中一行，并添加用户名 ALL=(ALL) ALL每次使用sudo都会要输入密码，如果不需要输入密码：xxx ALL=(ALL) NOPASSWD: ALL退出vim：：wq! 因为文件是不具有写的权限...

正常情况下，普通用户是没有超级权限的，使用sudo时，就会提示：如果普通用户要使用sudo，则要赋予它su权限。在管理员用户下：vim /etc/sudoers找到图中一行，并添加用户名 ALL=(ALL) ALL每次使用sudo都会要输入密码，如果不需要输入密码：xxx ALL=(ALL) NOPASSWD: ALL退出vim：：wq! 因为文件是不具有写的权限...

文章目录1. 与用户相关的系统文件1.1 /etc/passwd文件1.2 /etc/shadow文件2. 用户管理2.1 增加用户2.2 删除用户2.3 用户信息变更2.4 用户查看3. 用户组管理3.1 增加用户组3.2 删除用户组4. 批量创建用户并修改密码Linux系统是一个多用户多任务的分时操作系统，任何一个要使用系统资源的用户，都必须首先向系统管理员申请一个账号，然后以这个账号的身份...

文章目录1. 与用户相关的系统文件1.1 /etc/passwd文件1.2 /etc/shadow文件2. 用户管理2.1 增加用户2.2 删除用户2.3 用户信息变更2.4 用户查看3. 用户组管理3.1 增加用户组3.2 删除用户组4. 批量创建用户并修改密码Linux系统是一个多用户多任务的分时操作系统，任何一个要使用系统资源的用户，都必须首先向系统管理员申请一个账号，然后以这个账号的身份...

文章目录1. 拥有者信息2. 属性2.1 文件类型2.2 权限2.3 权限修改通过ls -l 目录/文件可以查看其属性和权限，例如查看当前文件夹下的所有文件属性ls -al 1. 拥有者信息上图中间红框显示的是拥有者信息，先是用户，后是群组。拥有者信息修改：chmod [-可选参数] user:group 目录/文件可选参数有：-c 显示更改的部分的信息-f 忽略错误信息-h...

pycharm可以自动生成python的文件头模板，但是vscode目前还不可以（不支持python，c的似乎有插件支持了）。琢磨了一下，可以通过用户代码片段来实现。1. 什么是用户代码片段参考文章说的很详细：跟我一起在Visual Studio Code 添加自定义snippet（代码段）2. python头文件配置之后选择python后会生成python.json,将原来内容替换为一...

文章目录1. 安装git并关联github2. 本地仓库初始化步骤3. git的使用教程git的好处不用说，也确实对工作有很大的帮助。1. 安装git并关联github参考文章：linux服务器搭建之路2－安装git最新版本github入门到上传本地项目2. 本地仓库初始化步骤git initgit add 'file"git commit -m 'first time usi...

写博客也有了一段时间，大多时候是把写博客当做一种知识输出的方式来记录、梳理、强化自己所学的知识。回头看看，内容很杂乱，基本没有什么体系，是属于想到什么就写什么的样子。从漫步深度学习这个系列开始，把知识总结的有条理一些，布局合理一些，希望能够慢慢的积累成一个自己的知识体系。本博客相当于漫步知识体系的前言。序学习深度学习也有一段时间，各种网络和框架都有所接触，但是都学的不精。于是想抽出一些时间，...

1. 文件注释pycharm提供了一个在新建文件自动生成文件头注释的功能，可以实现自动生成运行环境，作者、日期等必要信息，使用比较方便，配置十分简单。按照1-5的路径选项即可。在5中填写想要的注释。我的模板：#!/usr/bin/env python# -*- encoding: utf-8 -*-'''@File : ${NAME}.py@Time : ${D...

tensorflow详解优化器的选择1. 什么是优化器2. 梯度下降算法1. 什么是优化器要型对各种优化的选择游刃有余，得先理解什么是优化器。深度学习的目标是通过不断改变网络参数，使得参数能够对输入做各种非线性变换拟合输出，本质上就是一个函数去寻找最优解，所以如何去更新参数是深度学习研究的重点。通常将更新参数的算法称为优化器，字面理解就是通过什么算法去优化网络模型的参数。常用的优化器就是梯度...

1. 什么是学习率调参的第一步是知道这个参数是什么，它的变化对模型有什么影响。（1）要理解学习率是什么，首先得弄明白神经网络参数更新的机制-梯度下降+反向传播。参考资料：https://www.cnblogs.com/softzrp/p/6718909.html。总结一句话：将输出误差反向传播给网络参数，以此来拟合样本的输出。本质上是最优化的一个过程，逐步趋向于最优解。但是每一次更新参数利用...

TensorFlow变量管理1. 变量的使用1.1 变量的声明1.2 变量的初始值1.3 变量的初始化1.4 变量值的引用2. 变量命名空间2.1 变量共享2.2 tf.name_scope()和tf.variable_scope()的区别3. 占位符和常量3.1 占位符3.2 常量4. 总结参考文献1. 变量的使用相对于c语言，python语言简化了对于变量的声明以及初始化的过程，是因为py...

理解了TensorFlow的框架，才能灵活应用各个模块。TensorFlow主要由三个模型构成：计算模型，数据模型，运行模型。本节主要介绍这三个模型的概念和应用。1.0 TensorFlow系统架构2.0 TensorFlow是符号式编程的典型代表我们知道，现有编程模式主要有两大类：命令式和符号式。很好理解，命令式编程就是一句代码执行一个操作，结果是代码即所得。例如：a = 1b = ...

本问主要记录在调试tensorflow的过程中遇到的一些问题以及解决办法.1. libcudnn.so.x: file too short解决办法： 删除软连接后重新建立新的软连接：# 到cuda目录# x为cuda版本# 0.21 是文件的小版本号，可以在文件夹内找到文件名查看cd /DATA/234/gxrao1/software/cuda-x.0/lib64# 删除软连接r...

centos的软件的安装比较依赖源，如果源配置的比较合理就会少很多麻烦，毕竟每个软件都要下载源文件后编译安装实在太麻烦。本文主要介绍一些常用且必备的源安装。1. 源 备份 cd /etc/yum.repos.d/ mkdir repo_bak mv *.repo repo_bak/2. 安装阿里源用阿里源替换原来的源，会变的快的很多wget -O /etc/yum.repos...

1. 传统办法：wget http://li.nux.ro/download/nux/dextop/el7/x86_64/nux-dextop-release-0-1.el7.nux.noarch.rpmrpm -ivh nux-dextop-release-0-1.el7.nux.noarch.rpmyum install -y cario-dock可能出现不成功，因为不是每个人...

个人有两台电脑，一个win10，一个centos7，coding主要在centos7上，但是其他主要在win10上，刚开始用win10远程连接centos，但是用matlab这一类gui软件的时分辨率不是很好，最终还是选择在centos上远程连接win10.本文主要介绍如何在centos7上通过rdesktop远程连接win10.1. centos上rdesktop的安装安装依赖：安装rde...

因为要用到SPM12，所以不得不安装matlab，选择版本2017b，下载地址：（如果下载链接失效，评论后我发新的地址）下载地址：链接：https://pan.baidu.com/s/1d5EVuJ5uJO6KI1YkvM9n9A提取码：jue0先解压后执行下面操作：1. 挂载：sudo mount -o loop ./R2017b_glnxa64.iso ./刷新一下，所有文件都挂...

通过hexo搭建个人博客后托管到github或者coding，自己购买域名然后绑定域名并解析到github和coding上，各种操作后新鲜感过去了，这个时候认认真真的想了想，为什么要写博客，无所谓以下几个原因：记录自己做过的一些操作，下次做的时候直接参考，省去很多入坑的麻烦。作为一种知识输出的方式，能增强学习效率。增强自己的表达能力，能让自己把一件事讲清楚。作为记录，构建自己的知识体系。...

有时候主要在windows下面工作，远程连接centos服务器，这时候在服务器端设置共享路径就非常重要。本文主要介绍如何在centos通过搭建samba服务来共享文件夹，以便让win系统直接访问文件目录。1. 安装samba软件yum -y install samba samba-client samba-common2. 设置samba（1） 备份原有设置cp /etc/samba/...

我们都知道，linux本身是不支持nfts硬盘挂载的，不过在工具ntfs-3g的支持下，可以实现这个功能。1. 安装ntfs-3g第一种方式：yum install ntfs-3g如果安装失败，则采用第二种第二种：源码编译：（1）下载：wget https://tuxera.com/opensource/ntfs-3g_ntfsprogs-2017.3.23.tgz（2） 解压t...

由于个人强迫症，什么软件都想用最新的，装完centos之后，第一件事就是升级内核。# uname -aLinux liugroup.lan 3.10.0-862.el7.x86_64 #1 SMP Fri Apr 20 16:44:24 UTC 2018 x86_64 x86_64 x86_64 GNU/Linux现在内核版本为3.10，最新版本应该是4.181. 升级内核过程启用 ...

摘要：上一节主要介绍了基本环境的配置，通过上一节的操作，已经能完成简单博客的搭建，但是还有很多不完美的地方，比如主页显示内容太多等。本节主要介绍如何个性化定制自己的blog，主要涉及到主题的安装以及设置，插入图片技巧，以及首页显示摘要等。再次声明，本文中的所有操作都是基于windows操作系统，具体版本为win10 64位。1. 主题的安装以及配置hexo框架可以选用多种主题渲染，主题主页为...

摘要： 随着时代的发展，知识的更新速度越来越快，“活到老，学到老”显得必须且重要。在众多学习方法之中，知识输出是学习的不二法门。互联网时代，通过写博客去记录自己的学习过程，是一种相对比较方便且效率很高的方式。因而，养成一个写博客的习惯，对于科研和工作，都有很大的帮助。本文主要介绍如何在windows操作系统上基于github平台，结合hexo框架（一个node.js框架）来构建一个专属于个人的博客...

段子里说，使用日志的程序员鄙视使用print记录信息的程序员，所以作为一个合格的程序员，合理的记录日志实数非常必要的。本文主要介绍在python中如何使用logging模块记录日志。1. 如何记录日志我想对于程序员来说，记录日志的重要性不言而喻，各种bug的调试都离不开日志信息的参考，但是如何记录日志以及该记录一些什么信息却不是轻而易举就能掌握的。对于如何使用日志，网络大神已经给出了很好的...

centos自带的git还是1.x版本,已经很老了,建议安装新版本,步骤如下:1. 卸载老版本sudo yum remove git2. 安装新版本先去官网查看新版本,例如我现在的最新版本就是2.18.0,根据版本就该链接下载文件wget https://github.com/git/git/archive/v2.18.0.tar.gz解压tar ...

由于实验室需要，准备配置新的服务器，之前一直使用windows比较多，linux比较少，于是开始重新学习linux各种环境的搭建．1. 系统选择在选择使用centos和ubuntu上，参考了一下网上的建议，大多认为服务器上还是centos比较好一点，再加上以前实验室也是暗中的centos，所以选择安装centos.2. centos安装网上教程比较多，https://www.osy...

numpy提供两种格式的文件读写，分别是npy和txt，前者是numpy自有的一种文件格式，后者是txt格式支持。对应函数： 文件格式 读函数 写函数 npy load save txt loadtxt savetxt1. npy 格式文件读写import numpy as npa = np.arange(10)# 保存数...

本节主要介绍numpy中的运算函数，有些需要记住并熟练的使用，主要分为三类：数学运算、算数运算、统计运算。1. 数学函数1.1 三角函数因为这些函数都比较简单，不需要用实例说明。下面列出了函数的名称以及功能描述，使用时直接查表就可以。 1.2 双曲线函数1.3 舍入函数舍入函数主要涉及到一些精度变换的函数，例如保留小数位数、向下取整、向上取整等。 ...

在Python中，使用io之后需要关闭他们以释放内存，例如读取或者写入文件。凡是调用open()后必须调用close()来关闭，但是这样比较繁琐，Python提供了with关键词来方便用户编写程序并且能够合理的管理内存。使用方法：with doing something: pass或者：with doing something as something: pass实

本节主要介绍numpy中在数组上的一些常规操作，在数组级别上包括数组迭代，数组拼接、数组分割，在元素级别包括元素迭代、元素增加、元素删除等。 本节的内容比较重要，同时也比较基础，是养成良好的编程习惯的重要的一个环节，因为每一个方法都可以通过最笨拙的索引方法去实现，但是这对于代码的可读性和程序的运行速度都是有影响的。1. 迭代操作迭代操作是最体现代码水平的，因为总是可以通过索引实现，这...

numpy的广播机制旨在提供一种当被处理数组维度大小不一样时仍然能计算的机制。首先要明白，在数组（或者说是向量，数组的本质就是多维向量的组合）计算时，除了一些特殊的计算（点乘等），其他操作都是元素一一对应的操作，它要求被处理的数组的维度以及每个维度大小相等。但是，许多计算中，想要一个维度对其他所有维度操作，此时被操作的数组的大小不一样，但numpy采用广播机制来处理这个问题。import ...

numpy数组的索引遵循python中x[obj]模式，也就是通过下标来索引对应位置的元素。在numpy数组索引中，以下问题需要主要： 1）对于单个元素索引，索引从0开始，也就是x[0]是第一个元素，x[n-1]对应第n个元素，最后一个元素为x[d-1],d为该维度的大小。 2）对于多个元素索引，索引也是从0开始，但是不包含最后一个索引值对应的元素，属于前闭后开区间索引，x[2,5]表示x的第...

cifar-10 数据集是机器学习入门第二个使用到的数据集合（第一个当然是MNIST），下面介绍一下如何解析。1. cifar-10 简介该数据集共有60000张彩色图像，图像大小是3通道的32*32，分为10个类，每类6000张图。这里面有50000张用于训练，构成了5个训练批，每一批10000张图；另外10000用于测试，单独构成一批。测试批的数据里，取自10类中的每一类，每一类随机...

# 更新于18年4月末，此时tensorflow版本已更新到1.7.0,此版本已支持python3.x tensorflow 开始的第一步就是安装，由于其支持gpu，所以分为gpu版和cpu版。cpu版非常简单：pip install tensorflow ,之后pip会自动解决依赖关系，一步成功。安装GPU版需要注意一些问题，遵循以下步骤即可：1.1 安装tensorflow-gpu版...

r语言各种分布随机数的生成方式。

r语言中各类数据类型常用的运算的函数。

以前用python，感觉很是舒服，不过选了线性回归这个课，老师推荐用r，最后作业也用R语言，无可奈何，从此走上了R的辛酸路。第一次心塞就是读取Excel文件。

使用linux服务器时，我们需要设置自己的用户变量，以添加自己的命令，或者用自己的软件版本替代系统默认的版本，方便自己的使用。在自己home下有个.bashrc 文件，里面记录着用户的配置文件。打开方式为：vim ~/.bashrc 编辑完保存退出vim后重新登录用户即可生效，因为在该文件只在登录时生效。

卡方检验(chi-square，记为χ2\chi^2检验)是统计学中常用来计数数据分析的方法，对于总体的分布不作任何假设，因此它属于非参数检验法中的一种。本博文从理论到实际应用去阐述卡方检验，最后用python语言去实现卡方分布的代码。

用过mayavi的人，都知道mayavi的好，作图非常的漂亮，三维图像非常的逼真，但是由于官方似乎还不直接支持python3（也没有说不支持），所以用pip和conda都无法安装，只好下载编译文件，自行处理各种依赖关系，本博文详细介绍了如何去安装各种依赖包，博主安装的mayavi-4.5.0版本。* python2 的朋友直接使用 conda install mayavi 即可 *1 ...

本文主要介绍python对文件以及文件夹的操作，主要涉及到文件的创建、读取、文件内容的修改、删除，文件夹的索引、目录的判断等等。此节内容非常重要，是以后编程的基础。python文件夹和文件的操作主要借助于os和shutil模块，它是python内置模块，不需要安装，直接导入即可使用

本文主要主要介绍python语言user与操作系统的交互接口，主要包括直接输入或者系统参数两种输入方式，输出主要就是print函数和format()表达式了，前面已经详细的说过了。

以前直接用的是sklearn或者TensorFlow提供的mnist数据集，已经转换为矩阵形式的数据格式。但是sklearn体用的数据集合并不全，一共只有3000+图，每个图是8*8的大小，但是原始数据并不是这样的。 MNIST数据集合的原始网址为：http://yann.lecun.com/exdb/mnist/ 进入官网，发现有4个文件，分别对应训练集、测试集的图像和标签： 官网给的...

相信很多初学者和我一样，在利用matplotlib库画图的时候遇到过图例不能显示中文的问题。经过仔细探索（百度+谷歌），现分享一种简单便捷一劳永逸的方法。

程序员最大的天敌就是bug，所谓bug就是按照特定的输入，却没有得到期望的相应，这个时候程序出了bug。python内置了我们常用到的异常处理机制，比如断言，在编程的过程中，合理的使用这些异常处理机制，能帮我们减少很多调试代码的时间。本文主要介绍一些异常处理机制的使用。

python有一个高级特性就是迭代器，能够提供各种各样的迭代方式，而代码却非常的简单。itertools提供了非常丰富的有关于迭代操作的函数，下面一一介绍。*再次理解可迭代对象：* 迭代器产生的可迭代对象不能直接使用，比如计算，需要用for循环迭代处具体的值后才能使用。

linux中任务管理的软件有很多，个人比较倾向于crontab。简单来说，crontab就是linux下一个方便任务管理的工具，可以添加定时任务，执行脚本。1. crontab的使用crontab的使用非常简单：usage: crontab [-u user] file crontab [ -u user ] [ -i ] { -e | -l | -r }

Python中变量的类型只有列表、元祖、字典、集合等高级抽象类型，并没有像c中定义了位、字节、整型等底层初级类型。因为Python本来就是高级解释性语言，运行的时候都是经过翻译后再在底层运行。如何打通Python和其他语言之间的类型定义障碍，Python的内建模块struct完全解决了所有问题。

现在一般都是用Windows通过ssh连接到linux，有时候工作到兴起，断网了、或者重启了，这时候一切都完了，重新连接也不能回到以前的会话。那么有没有一种可能，在我重新连接到linux之时，能够重新回到我上一个工作端口呢，答案是肯定的，利用工具screen就可以用户被kill的元凶让我们来看看为什么关掉窗口/断开连接会使得正在运行的程序死掉。 在Linux/Unix中，有这样几个概念：进程组（p

对于Python开发者来说，选择pycharm作为其开发环境真的是一个不错的选择，功能强大、界面美观、支持远程开发等等一些特点帮助开发者更高效的开发。 百度pycharm 第一个就是官网，官网介绍pycharm有两个版本：社区版和专业版。社区版就是不需要钱的，当然也有一些功能限制。专业版是完整的，但是需要付费。对于普通开发者，社区版完全满足其需求，但是有些人就是喜欢使用最好，而且不想出钱，破解是最

随着科技的发展，远程办公已经是一种趋势，远程开发能力对于每一个程序员来说都是必不可少的。有时候就算在公司，在进行开发的时候有许多的数据都是储存在服务器上的，所以在服务器上开发显得省时省力。pycharm是一个功能非常强大、外观很是漂亮，使用起来得心应手的Python开发工具，它为开发者提供了远程同步并调试的功能。最近几天尝试使用了该功能，记下此刻，和大家一起分享。

有时候，我们用noepad++或者记事本打开图片或者程序等文件的时候会显示大量的乱码，主要原因是这些文件编码的时候并不是字符串编码的。如果我们想把这些文件正常显示为字符，这个时候就可以用到base64，它就是一种编码、解码的规则。

Python的内建模块collections为我们提供了一系列的优化操作，本质上就是元组、字典、集合、列表的特殊功能版。

Datetime类是Python内建的一个关于时间的类，包含有两种数据类型，datetime类型和timestamp类型，前者是本地时间类，与自己所在时区有关；在计算机中，时间实际上是用数字表示的。

Python编程语言优势特点比较突出，已经出现就凭借这些功能优势吸引着开发人员的眼球。在Python这一语言中，有一种标准模块叫做os模块，Python os模块包含普遍的操作系统功能。如果你希望你的程序能够与平台无关的话，这个模块是尤为重要的。即它允许一个程序在编写后不需要任何改动，也不会发生任何问题，就可以在Linux和Windows下运行。

刚采集的原始图像数据会经过一系列的预处理步骤。这些步骤主要是分辨并去除伪影（Artifact），或者是检验一些模型所需的假设是否成立。具体来说，有三个目的：尽量减少因为数据采集（Data acquisition）和生理学特性（Physiological）导致的误差我们想检验一下模型的统计假设，并且尽可能的做一些变换让数据符合这些假设将不同个体的数据的脑区位置标准化（Standardize th

从图中可以发现，MEG和EEG有着极好的时间分辨率，但空间分辨率很差，因此在MEG和EEG研究中，常常不知道信号到底来自于哪个脑区。而PET成像技术的时间分辨率一般是几分钟，略差于BOLD fMRI,而空间分辨率是厘米级的,略优于EEG和MEG。在fMRI技术中，ALS fMRI（arterial spin labeling fMRI，动脉自旋标记fMRI）在时间稳定性方面非常好，即它可以比较间隔时

BOLD fMRI包含多种来源的噪音，与设备本身和被试本身相关噪音的来源－系统内自由电子的热运动－磁场和其梯度的不稳定性－头动及其对磁场的交互影响－生理影响：心跳、呼吸，co2浓度这些噪声如何在数据内出现-高频的spikes-图像的伪影和畸变-低频的漂移和周期性的波动如何减少噪音和伪影的影响在获取过程中：－我们需要高质量的控制以确保扫描器本身工作很正常－合理安排实验的序列－我们还可以用一些特殊的序列

概要：给定一组时间序列（例如通过上篇博客中提到的方法在一群人的fmri数据中提取的时间序列集），功能连接组是表示不同的大脑区域之间的相互作用的连接。今天分享的是利用稀疏逆协方差去获取功能连接组，重点放在脑区之间的直接连接。 1. 用于功能连接组的稀疏逆协方差 静息状态功能连接可以通过估测不同脑区之间的信号的协方差（或者相关性）矩阵的方法得到，相同的信息可以表示为赋权图，图的节点是不同的脑区，边

MRI扫的是大脑的结构图像，也叫T1权重图像。它有着很高的空间分辨率，可以从中看到非常清晰的解剖结构，也可以从中区分出各种不同的组织。 fMRI往往用于研究大脑的具体功能，扫出来的是功能图像，也叫做T2*权重图像。虽然它的空间分辨率比较低，但是时间分辨率很高，可以在很短的时间内扫出一叠功能图像。这样子就可以研究实验操作究竟是如何影响大脑的MRI信号的。 一个fMRI实验相当于包含了一个MRI图像

K空间的数据分布实际上是图像空间中数据的二维傅立叶变换结果。 K空间中的数据点和图像空间中的数据点并不是一一对应的。一个K空间中的数据点对应了图像空间中所有数据点的一部分信息。事实上，K空间中的数据正是图像空间中的数据作二维傅立叶变换的结果（图1），也就是说，我们的“大脑图像”可以被看作是由一系列频率、相位、方向各异的二维正弦波叠加而成的，而K空间的数据正表示了图像的正弦波组成。因此，为了理解如何

1. MR物理基础:核磁共振成像（Magnetic Resonance Imaging，MRI）是一种多功能的成像方式，既可以用来研究大脑结构，也可以用来研究大脑的功能。我们可以通过不同的大脑图像来强调不同组织特性的对比（即可以分辨不同的大脑组织），而这些图像都是用MR scanner来获取的。简单来说，MR scanner就是一个带有很强的磁场（1.5-7.0 Tesla）的电磁体。

在nilearn库中，提供了两种从fmri数据中提取时间序列的方法，一种基于脑分区（Time-series from a brain parcellation or “MaxProb” atlas），一种基于概率图谱（Time-series from a probabilistic atlas）。参考文章：Varoquaux and Craddock, “Learning and comparing

一、 时间分辨率与空间分布率、结构图像与功能图像时间分辨率(temporal resolution)：时间分辨率由扫描一张图片所需的时间决定，事实上扫描一张图片的时间是由一个扫描时的参数TR决定的。他决定了我们区分观察不同时间点上大脑变化的能力。空间分辨率(spacial resolution)：空间分辨率决定了我们区分不同区域微小变化的能力（图片是否清晰）。在磁场等条件一样时，fMRI扫描出的图像

通过前面的学习了解，我们知道最原始的Fmri数据是4维的，包含三围的空间信息和一维的时间。在实际应用中，我们更多的是利用大脑图像时间序列做研究分析，因为无法直接使用fmri数据做相关研究。在我们使用数据之前，我们需要对原始数据做一些数据预处理和变换。1. mask在所有的分析之中，我们第一步所做的事儿都是把四维fmri数据转换为二维矩阵，这个过程称为MASK。通俗的理解就是提取我们能利用的特征

现代的神经影像学技术有这样几种：：脑电图(EEG), 单光子发射体层成像(SPECT), 正电子发射型计算机断层显像(PET), 功能性磁共振成像(fMRI),侵入性光学成像(invasive optical imaging),颅内电极记录(intracranial recording) , 脑皮层电图(ECoG)，其中最为广泛应用的是fMRI和PETPET: 测量血流量和神经系统里的化学物质

我们想调用对象上的某一个方法，这个方法名保存在字符串中，我们想通过这个字符串来调用该方法。

近年来，血氧水平依赖性磁共振脑功能成像(Blood oxygenation level-dependent functional magnetic resonance imaging, BOLD-fMRI)技术得到极快的发展，除了与扫描硬件、扫描技术的进步有关外，更得力于以图形图像等计算机科学为核心的相关学科的支持：图像数据的后处理技术成为fMRI中的关键环节一、功能图像数据的性质功能磁共振数据包括

说起状态机，很多人可能就要不屑一顾了，无非就是switch case语句嘛，或者是if … else if … else 语句嘛，这一类程序员写的状态机只能说实现了功能，而在代码的优越性来看，简直就是不忍直视。对于面向对象的编程语言，例如python，最直观的方式就是利用类来表达状态，从而达到状态机的实现。

本文主要介绍在类中简化数据结构初始化过程的技巧