博客园博主physcal的《从零开始山寨caffe》系列似乎不错，可以关注一下。

【搬文计划】
由于贴吧实在太落伍，不管是代码块功能还是文本缩进都没有，严重破坏代码可读性。所以我准备把之前写的一些自认为还比较有价值的文章搬到博客。
现决定搬以下两篇：
1，《mgrid慢放》
2，《一个登山的人（模拟退火算法拟人化）》

【IIPP迷你项目（一）“Rock-paper-scissor-lizard-Spock”】
1，实现两种方法，一种是将计算机的数字通过加和减，使其落入人的数字的[-2，2]区间内，然后再比较，看谁赢。
2，第二种方法是按照官网提示tip5那个图，二者相减再取模，模值为3、4则计算机赢，模值为1、2则人赢，模值为0则二者打平手。
3，联系五行相生相克画一幅环状示意图。

……为什么我要写part1？那part2在哪里？我为什么一点印象都没有了

【Ng《Machine Learning》学习笔记（week3）（part1）】
1，logistic函数将值域（range）挤压到0～1之间，这代表了“发生这件事的概率有多大”，越接近1越可能发生，越接近0越没可能发生。
2，一个用logistic函数处理后的θTx即分类问题的hypothesis，有：
h（x）=logistic（θTx）
3，利用logistic的图像，我们知道z=0是一个分界点，有：
z＜0:分类结果判为0
z＞0:分类结果判为1
而z=θTx，代入上面不等式，我们可以得到一条分界线（boundary），即：θTx=0这条分界线。
在视频中给的例子就是有两个特征x1、x2的情况，在直线上方是一类，直线下方是另一类。
4，本周的第三个视频刷新三观……过程是这样的：
（1）通过前两个例子告诉我们，填入logistic函数中的“z”可以说是给出了分界线的“框架”（框架的意思是，分界线方程已经确定了，就是自变量前的系数——也就是待学习参数还没给出来，需要之后学习得到。比如z=kx+b的框架就是kx+b=0，再比如z=ax²+bx+c的框架就是ax²+bx+c=0，再再比如z=ax1²+bx2²-4的框架就是ax1²+bx2²=4，这都是已经确定下来的框架，只不过那些参数a、b、c没有给出）。
比如说第一个例子里我们给了一个直线框架，第二个例子里就给了一个圆的框架。所需要做的仅仅是根据给定数据集确定那些参数，一旦参数确定，分界线也就确定下来了。
（2）在上面的基础上进行进一步延伸，我们事先可以给出一个非常复杂的框架及若干待确定参数，在参数不同的时候分界线的形状将会异彩纷呈，我记得高中的时候椭圆、双曲线和抛物线就有一个大框架可以把它们都囊括进去，下次写博客时查一下。
总之用这种方法将能通过调整参数得到各种奇形怪状的分界线，这样的分类器也就适应性更强了。
隐隐觉得和神经网络要并线了……不过差别还是有的，他这里是只有一个logistic里面套个z，z里面是个框架；神经网络logistic千千万万。

在《单变量微积分》第二部分的《线性化》一节中，详细讲了牛顿法，应该未来会对机器学习有帮助。
这里的应用就是估算某个数，比如估算1/a，³√a这样的数（a往往是很复杂的一个常数，比如2.71828），方法如下：
（1）构造一个f(x)。比如对³√a，我们就令x=³√a（意思是最终算出来的x就是我们想求的结果），接下来稍做变形，x³=a；然后移项，x³-a=0。我们令f(x)=x³-a。
（2）求f(x)的导数。
（3）随便选一个初始x0，代入x_(n+1)=x_n-f(x_n)/f'(x_n)，如此这般迭代直到收敛。