公告
域名续费要花89元。玩不起，打算关站。
Han
iPhone 8 Plus
我于2014.10从Android叛变开始使用iPhone 6 Plus。时至今日，由于iOS 11的荼毒，6p已经不能正常用于各种日常操作了。无论是拿着扫码枪的焦急的收银员，还是不知是好是坏的ofo，等待他们的永远都有十秒左右的STW。刚好双11各种网站iPhone大促，iPhone X没啥活动，8却有不少折扣。我用惯了5.5',也出于续航考量，就在京东下手了一个8p。使用几天下来，分享一下从6p切换过来的心得。 重量尺寸 6p重量是172g，8p重量是202g，涨幅17.4%； 6p厚度是7.1mm，8p厚度是7.5mm，涨幅5.6%； 刚拿在手上的第一刻是不接受的。还好多日使用后，也就习惯了。 耳机 最操蛋的就是3.5mm耳机孔没有了，虽然送了一个"3.5mm座转Lightning头"的的转接器，然而卵用并不大。首先插拔那个3.5mm转接器的力道相当紧，两边线又非常柔弱，肯定不能经常插拔。
根管治疗
序号 日期 地点 到达医院时间 挂号时间 看病时间 号别 主治医师 治疗细节 X光辐射伤害 费用（挂号费除外） 1 2017.10.16 南京市第一医院 八点多 八点多 九点多 普通号 张凤格 被我描述左下7号牙疼误导，误诊为没毛病，让我回家观察。（实际为左下6号牙有问题） 2 2017.10.17 南京市第一医院 9:20am 9:30am 11:00am 专家号 蔡琴 拍X片，结论“髓角过高”。草草决定进行根管治疗。蔡大夫没空，马护士帮我钻掉蛀牙部分，并清理根管。 1 290.4 3
Rubiks
翻到一个古董
该统计信息由csTimer自动生成于2017年10月15日 还原/总数：48/50 单次时间 最快: 12.691 最慢: 36.516 3次平均 当前: 15.046 (σ = 2.02) 最快: 14.451 (σ = 1.22) 5次去尾 当前: 15.795 (σ = 1.13) 最快: 15.400 (σ = 0.03) 12次去尾 当前: 18.013 (σ = 4.94) 最快: 16.353 (σ = 2.
情商
2015年对情商的理解是： * 能正确敏锐察觉他人的情感； * 能控制自己的情绪。 按现在的理解，这个并不十分准确。我认为人对很多事情的认知都同时存在感性和理性的部分。 * 感性的部分是自发的，无意识的； * 理性的部分是刻意的，有意识的。 两者很可能是相悖的，在疲倦的时候更容易相悖。我认为高情商应该做到的两点都在感性层面上。 “控制自己的情感”是不对的，情商高的人的应该是自发地维持情绪在健康的状态下，不该是靠控制。人不可能时刻精力充沛，靠刻意是无法长久地展现健康情绪的。另外还有一种优良品质叫“表里如一”，刻意只会让x看起来格外扭曲。 至于，“察觉他人的情感”，从结果上来说，刻意还是自发都区别不大。所以光靠这点基本就能让我这种无处遁形了。
Kaggle 101 Digit Recognizer试水
断断续续花了好久看完了《统计学习方法》之后，虽然里面的推导绝大部分都曾经看懂过，然而却发现自己并没有入门，里面的原理要我自己手推未必能推出，而且也不能清晰地分辨出里面各种方法的从动机到适用范围的区别。反而，耳濡目染，越来越多地听说一些书中从未涉及的内容，水深令人难以想象。理论虽然重要，实践更不可缺少。所以先到著名的Kaggle上尝试一下。 Kaggle上有几道长期有效的101入门题目。有一道预测泰坦尼克号乘客获救情况的题目，里面有很多详细的工具类教程很有帮助，不过该题题意不是和算命很像，而完全就是算命，非常玄乎，知难而弃。 于是尝试另一道数字识别的题目。题意是给你42000个28x28像素图片，每张上面有一个手写的[0-9]字符，并告诉了每张上面实际的数字，作为训练集；另给28000张同样风格的图片作为测试集，求这些图片上的实际数字。识别的正确率就是队伍的分数。目前有1270个队伍参加了这次“比赛”，有1165个队伍的识别率在90%以上，非常厉害。 这题看上去似乎是一个分类的问题。《统计学习方法》里介绍了很多分类方法，考虑到逻辑回归(Logistic Regression, LR
机器学习权威入门指南
机器学习是新世纪计算机领域时下非常重要的分支，大到阿尔法狗，小到薛定谔猫都和它有千丝万缕的联系。都连这个都不会，那只能当码畜了。 而我，经过几个月的系统学习，已经成功入门了机器学习，并确认找到了一条简明、有效的进阶途径。不料这里位置太小，所以就没有办法完整叙述了。
交流
一方的理解能力和反应速度 和 另一方的表达能力和耐心程度 的失配，是所有交流问题产生的根源。 -- 亚历山大·赵四 出了校园这么些年，见过形形色色的人更多了些。交流起来形形色色的体验也都体验了一番，也正因为如此，在交错地和不同水平的人交流之间，体验上有很大的落差。这里不加挖掘地无脑列出几个点，以飨瓜众。 语速 && 口若悬河 现在貌似有个风气，认为语速快就是聪明；口若悬河天马行空就是思维灵活。你要是见得多了就会发现这特么就是胡几把扯。就不吐槽部分人连吐字都吐不清楚还说那么快了，我就当你是rapper好了。最大的问题是有些人其实思维的速度是跟不上说话的速度的，只不过说起话来就像子弹上了膛，停不下来的。思维跟不上来，没东西说咋整？诺，你要仔细听，就会发现他会把一个意思翻来覆去地说。有时候再在中间添加一些“你明白吗？”、“你懂我的意思吗？”。 无视对方认知背景 这次我要黑一把杭州的司机。有次晚上我在西溪印象城打车，我站在一个路口，路口满是轿车。我描述我的位置为xx路xx路路口的东南角。司机完全不鸟我的描述，并自信地给出他自己的几个描述。在我无法按照他的描述定位他之后，他非常恼火。而
关于手腕爆发力
我理解的手腕爆发力的主要表征是：掌部有阻力或无阻力时腕部瞬时弯曲能达到的速度。这个力量在很多运动中的作用都非常关键。值得一提的是掰手腕时靠的不是腕部的爆发力，而是承受力。 现在想来，很多对我来说有障碍的动作都和手腕的爆发力有关，而我的腕部爆发力太弱了。我已经发现的障碍包括而不仅限于： * 投实心球投不远。(甚至不如班上最瘦的男生。。令人大跌眼镜) * 打水漂。扔出去的石头转速超慢。。 * 飞扑克牌。同上 * 羽毛球挥拍。无论多么努力，球都压不下来，次次往上飘，喂得别人都不好意思 * 篮球，运球。腕部使不上力只能靠肩肘。最直接的后果是运球频率难以提高，变速之类更不可能。 * 篮球，投篮。篮球的质量已经让我只靠腕力无法投出必要的速度，因此我主要靠肘力，附加部分肩部力量。结果就是准度太差！压腕想都别想。球高速向后转的理想姿态完全办不到，球只能是空中各种瞎转。 * 篮球，篮下勾手。只能靠肩和肘。控制精度太差。很好解释：就好比用乒乓球拍打乒乓球和用网球拍打乒乓球的区别，力臂长度问题。 * 炒菜，翻锅。别说重一点的了，轻的炒锅也翻不快。 其他的想到再补充。看到这里看官能帮我鉴
Scala
胡扯flatMap in Scala
初识flatMap记得还是学Spark的时候，看到RDD有这么个接口函数，当时只觉得其功能和map有些像（把list的每个元素map成一个list，再把这些list合并），其名字也和这个功能很符合，其他就没什么概念了。之后，走马观花地学习了零零星星的其他FP相关的东西，又经常发现这个函数。再往后才慢慢知道这是个什么东西——flatMap没有我想象的那么普遍，也没有我想象的那么局限。简单讲一讲我对它的理解。 画外音：学过Monad的人都知道行内有一条规矩，那就是不要在网上发表自己的Monad教程，防止误导别人。。此文只是我一个菜鸟的粗浅理解，不是教程，但是此处还是应该有 Disclaimer：(如果你不知道什么是Monad，建议先去学习权威的教程) x 3，重要的事情说三遍。 flatMap没有想象的那么普遍：在Google或百度上搜，flatMap相关的网页大部分都是Scala或者Spark相关的内容。我却以为和map一样应该是个普遍的概念。虽然这个概念在其他FP里面也有涉及，但似乎发扬大的还是在Scala里（或者相同的概念在其他语言里叫其他名字或者用某某符号代替了）。 flat
Tornado跳坑记
我司有一个内部HTTP服务，提供实时的到车时间数据。虽说是内部服务，但其实我司App的请求很大一部分都经过App后台从这里获取数据，因此QPS的要求不算低，至少对活跃用户数敏感。自从去年大概10月份我接手这个服务以后，一直进行bug修复和功能上的迭代，不温不火，风平浪静。 直到去年12月4号傍晚，该服务在某个城市的部署开始出现响应时间显著增大的故障。当时分析了一下log，发现请求数是从某个分钟开始激增，几乎在一两分钟内就增大到之前的2倍，然后俺的服务就扛不住了（哭，不好意思说只是从50涨到100左右。。），响应时间开始变成数秒到十几秒不等，反应在App上已经是啥都刷不出了。不过持续一个小时之后又几乎是瞬间恢复到正常值。当时我觉得如果是晚高峰用户激增，也不至于这么直上直下的，一定是竞品在爬我们，嗯，即使用户逐渐增加，也不会很快double吧，然后就没放在心上。 不料，后来陆续有其他城市出现相同的问题，而且也是在相同的晚高峰时段。这时同事指出请求激增可能是雪崩效应——咱App不是推送的模式，要用户手动刷，用户刷一次没有响应，自然就继续刷，请求数就是突然飙起来的。结合逐渐增长的日活来看，
Python
人生苦短，你用Python?
因工作需要，近几个月在使用Python。场景主要是一些后端服务和离线数据分析任务。作为一个写了几年Java的码农，稍微分享一些体验。YMMV。 Feels good: 1. 语法简洁。的确和传闻一样同样功能的代码，长度大概可以做到Java一半; 2. 功能丰富，用法灵活。生成器、函数式编程等 为 复用、解耦提供了新思路; 3. 发布方便，无需编译，从决定部署到完成部署，可能5~10秒就能搞定(rsync大法好)。 4. 想到再说 ... == --未完待续--
Hangzhou
一天
Virtuous circle & Self-driven
When I was working in Amazon several years ago, I attended internal training lectures, many of which mentioned well-known Amazon flywheels. It's been guiding Amazon towards right direction for years successfully. Obviously it's a typical instance of virtuous circle of a company. This model should work
HUST
写于毕业之际
三年五个月的研究生生活转眼间落下帷幕。这几年的经历对我的影响是潜移默化的，隐约感觉到了自己在各个方面或多或少的的改变。一直以来心情也各种起伏变化，但若干年后终究难免变成浮云，唯有看得见摸得着的经历才是真正积累下来的财富。 本科期间，我极少玩游戏，也很少参加社会活动，专业课程也只是马马虎虎，把大多数时间花在了编程竞赛上，觉得编程是自己真正喜欢的领域。我一向不善于做出选择，直到大三，还没有想好毕业后工作还是读研。当时因为觉得水平有限找不到好工作、能够轻松的保研、加之马上要和携手几年的队友在ICPC赛场上背水一战，最后选择了在本校读研。在选择实验室的的方面，我不是太主动。电信系的大多数实验室都和“通信”有点关系，which我并不太感兴趣。我也深感自己数学太弱，难以在学术领域有所造诣。RCN当时是是本科班上编程方面比较出色的同学，也曾和我一同在ACM基地学习过一段时间，他当时向我推荐了比较偏向工程的W老师的实验室，介绍了实验室的主要工作，涉及的技术。我比较感兴趣，不久就向W老师发送了简历。 第一次进实验室的时候，实验室的整洁有序给我留下了深刻的印象。但是正式进入实验室工作以后还是有些不习惯
Virtual Judge
Virtual Judge新功能——比赛回放导入
尽管能任意挑选题目建立比赛，你是否还因没有人陪做而兴致索然？vjudge因此设置了Time Machine功能，使你能够在比赛中实时看到过去的使用相同题目的比赛的同步Ranklist。 但有些时候一套题目并没有人在vjudge上加过，或者做的人较少，就比较郁闷。好在有些题目是别的OJ的比赛题，或者来自现场赛，那些原版Ranklist并可以拿来使用。 若将其按时间拆成提交，同样可用做virtual contest。本次更新就加入了导入原始Ranklist的功能，导入结果简称为“回放”。 那些Ranklist大多以网页形式存在，且格式各式各样，为便于导入，vjudge对导入数据的格式进行简单的约定: 1. xls或csv文件 2. 无表头。一行代表一个队，第一列是队名，第二列是A题提交信息，第三列是B题提交信息，以此类推 3. 不允许跨行或跨列的单元格出现 4. 文件不得大于2MB 因此导入前需要对其预处理。我的方法是，用Firebug将数据复制进Office Excel，然后完成处理(删除无用行、无用列等. PS:确认你粘贴进Excel的数据没有被转义成其他意义，如果发生这种