其实之前想整理一下 Linux 系统的使用技巧的，但想想还是算了，第一工程量大；第二，很多命令打多了也就记住了，这玩意还得靠熟练；第三，个人使用期间也时常维修各种驱动问题，时常换源，每次解决步骤也没有保留下来，电脑出错因人而异，修理方式也不尽相同，所以考虑再三就没有记录。随着使用时间的累计，相信各位会有一定的排查经验的。
GCN的通俗理解，无复杂公式
近期在鼓捣图神经网络，发现直接读state-of-art的论文基本读不懂，于是先决定搞懂图神经网络的最基本概念，即工作原理、处理数据流程等。因网上的众多文章（包括原论文）都有复杂的数学公式，我不是否认数学公式不好，而是胡乱的堆公式对讲明白原理没有丝毫帮助。于是决定做一篇GCN的简单阐述，意在用最简单的语言，表达最清晰的思路。
一盆绿植
关于读研还是工作
背景：近期有较多的学弟学妹问我关于保研的事情，每次都回答一遍显得很累，所以整理在这里了，希望对学弟学妹有帮助。全文高能，歧视低学历（如我的外省二本院校），歧视高学历（如我之前的各种同学大多认为学历没用），这两类人自行忽略本文，没在一个世界。且，以下内容更多的针对我这种二本院校出身的，且身在热门专业的学生，如计算机、金融等。对于不是很热门的专业，或者211，985的学生可一笑而过。
最重要的：我校的大多专业都是一个专业只有一个保研名额，竞争激烈，且我校很多学院承认一些水平较低的论文，如国家级、省级的期刊，而这些论文是可以花钱买的，所以还请各位善良。多学学我，保研前一年丝毫没心思提成绩搞论文整比赛，反而天天在宿舍睡觉。二本双非的保研到211、985已经很不容易了，请不要再给他们添乱，把机会留给专业里真正有水平的人。
从AutoEncoder到VAE
在研究 Life Long Learning 的过程中，普遍要解决三个问题：(1)知识的保留问题，不能忘记之前学过的知识，但也要接收新的知识；(2)知识的迁移，与迁移学习不同的是，持续学习要做到学习新知识的同时能巩固旧知识，而不是单纯的从旧知识迁移到新知识；(3)模型的扩展，当模型超过一定容量，模型的结构应付不了更复杂的结构，这个时候就要对模型做出一定的扩展。
在最近读论文的过程中，有一种思路是：虽然我存储不了过去任务的数据，那我们自己学习一个模型用来生成过去任务的数据如何？读了些许的论文，发现里面有很多 VAE 的生成工作，遂整理 VAE 如下。
倒车雷达(四)：PyQt5的多线程
这可能也是我毕业设计的最终章了，由PyQt5创建两个线程，数据读取的线程负责读取Arduino发送的距离信息，主线程负责倒车雷达动画的实时显示。还是要认真一点，也算是给大学毕业一个交代。然而还不开学
图解反向传播与梯度下降
在之前的学习深度学习的过程中，以MLP为例，仅仅是知道了梯度下降和反向传播能很好的降低预测误差(本文暂且不谈论梯度消失和爆炸的问题)，使得训练出来的模型能够对未知的数据进行预测或者分类，以此来达到智能的目的。
时至今日，意识到不求甚解释不好的行为，于是下决心搞懂梯度下降和反向传播的原理。结果上网一搜，呵，大部分tm的是各处偷来的截图，截图里还有三四个水印，最后胡乱的堆一些数学公式，讲解的并不够彻底，也不通俗易懂。于是本文决定图解反向传播和梯度下降，并配备必要的数学计算，使读者一目了然。