#笔记/obsidian 简介 原来一直觉得对每个小时日程做记录实在太卷了，但是近来常常遇到的问题是：计划都没完成，时间就没了，所以决定记录一下看看每天都做了什么。 Obsidian 的 Day Planner 插件就实现了这一功能，且可以以图的形式显示当天日程。 优点 很直观的看到当前处于什么位置 明显看到时间流浙 哪项工作 delay 哪些工作安排冲突 尽管没完成计划，但也并没闲着 进一步优化时间表，更有掌控感 使用方法 安装三方插件 Day Planner Setting->Community plugins->Day Planner 这也是一款下载量非常大的插件 设置插件 Setting->Day Planner 建议在 Day Planner mode 中选 Command mode，如果使用 File mode 会建立一个文件夹专门存放 Day Planner 文件，如果使用 Command mode 则可通过命令面板在任意文件中插入 Day Planner 块 建议选中 Mermaid Gantt，可以在笔记中自动建立横版的进度图，形如： ...

用 ssh 方式连接 mysql 数据库 原理 SSH 连接数据库的原理是先用 ssh 连接数据库所在服务器，然后作为该服务器上的应用程序访问本地数据库。 Navicat Python 安装工具 1$ pip install sshtunnel 建立连接 12345678import sshtunnelwith sshtunnel.SSHTunnelForwarder( ('192.168.1.216', 22), # ssh端口22 ssh_password='实际密码', ssh_username='实际用户名', remote_bind_address=('127.0.0.1', 3306)) as server: # mysql端口3306 ...... 此时数据库服务地址被映射到本地端口：127.0.0.1:serve.local_port，数据库连接方法和之前一样，不同的是将 ip 设置成本机 ip：127.0.0.1，端 ...

基本信息 论文题目：基于趋势特征表示的 shapelet 分类方法 （Shapelet classification method based on trend feature representation） 论文地址：http://www.joca.cn/EN/Y2017/V37/I8/2343 原理 在 Shaplet 被提出后的几年里，出现了很多算法来提高 Shapelet 效率和扩展其应用范围，《Shapelet classification method based on trend feature representation》简称 TDTS 提出了一种基于趋势的 top-K shapelet。 其核心方法有三个： 对分段后的子序列进行基于趋势的符号化处理 符号化的原理请见 SAX 论文，简单地说，它实现了连续到离散的转化，用简单的值表征一个序列，包含趋势的符号化方法用二元组<K,u>表示序列，其中 K 是斜率，u 是该序列的终点值。 它使用滑动窗口计算窗口内的斜率，当斜率变化大于某一阀值时（趋势改变时），则产生一个分段点 u 并继续滑动．所有分段完成 ...

基本信息 论文题目：《Time Series Shapelets: A New Primitive for Data Mining》 论文地址：https://readpaper.com/paper/2029438113 相关源码：https://github.com/johannfaouzi/pyts 原理 2009 年，Ye 和 Keogh 在 KDD 上发表论文，首次提出了时序数据中的 Shapelet 的概念。Shapelet 是最近邻算法的扩展，它提取最典型的特征子集作为判断依据。 例如：马鞭草和荨麻的叶片很相似，如果将它们的叶片边缘形状整体作为序列建模，则难以区分。 [[Pasted image 20211211160835.png]] 它们的重要差别是叶柄与叶片之间的角度，一个是直角，一个是钝角。因此，如果使用序列中的小片断（子序列）作为序列的表征，就很容易将二者区分开来。 [[Pasted image 20211211160313.png]] 优缺点 优点 具有可解释性 鲁棒性强 相对于最近邻算法速度快 缺点 算法相对简单，花费时间较长 一般用于二分类和聚类， ...

Obsidian 简介 #笔记/obsidian 我的困惑 这几年写了不少笔记文章，分布在微博、CSDN、知乎、公众号、有道云笔记、飞书…… 随着平台的更替改版，越发改不动了，具体的问题罗列如下： 不同平台文章格式不同 切换平台过程中文章和图片丢失 忘了写在哪里找不到了 重要的文章发多个平台，虽然格式可以复制粘贴，但也很耽误时间 有些笔记发现问题想更新，但因为发布过程太麻烦而搁浅 有些笔记太过琐碎，不适合对外发布 有些笔记有些不想公开 有些笔记在不断改进中 有些笔记无法归入树状图中的某一类，或可归入多类 很多平台不支持仅对自己笔记检索 如果只写给自己看也没什么动力 更深层次的问题是：笔记是给别人看的，还是自己看的？目标不一样，写法也不一样。一个比较新的概念是：" 打造自己 Second Brain & Digital Garden"，然后朋友介绍了 Obsidian。 用了 Obsidian 之后，我觉得最舒服的地方是：不用再强迫自己非得记住什么了，只要能快速找到就可以了，也算是一种妥协吧。 作为记忆的扩展，它有以下优点： 随手记下想法、摘录 工作计划和记录 常用工具随手 ...

Obsidian DataView 插件的简单用法 #笔记/obsidian 使用 DrawView 三方插件可生成动态索引 列出当前笔记中的所有标签 1`= this.file.tags` 根据文件生成索引列表 将”目录名“文件夹（含子文件夹）下所有名字包含‘2021’的文件生成索引列表，并按时间排序。 12345\```dataviewlist from "目录名"where contains(file.name,"2021")sort file.ctime\``` 根据标签生成索引列表 12list from #标签名 YML 格式 如需使用 dataview 进一步管理和显示笔记相关属性，需要在笔记开头用 YML 格式描述笔记相关属性作为元数据（Metadata），可将 YML 看作是简单的配置文件，笔记文件将开头位置六个横杠之间的内容识别为 YML，形如： 12345---题目: xxx作者: yyytags: \[]--- 注意冒号后面的空格 按属性生成索引表 12345\```dataviewlist from "&quo ...

Python 的正则表达式 1 基本用法 1.1.1 匹配字符串的开头 1^很 1.1.2 匹配字符串的末尾 1蓝＄ 1.1.3 匹配除了换行符外的任意字符 指定 re.S(re.DOTALL) 时,可包括换行符 1. 1.1.4 匹配方括号中任意一个字符 1\[Pp\]`,`\[0-9\] 1.1.5: 匹配不在中括号中的字符 1234\[^...]可匹配除了a,b,c之外的字符[^abc] 1.1.6 : 匹配其前面的字符出现 0 次或多次, 12可匹配 helll,hehel* 1.1.7 匹配其前面的字符出现 1 次或多次,如 1234+可匹配 helll,hel,但无法匹配hehel+ 1.1.8 匹配其前面的字符出现 0 次或 1 次, 1234?可匹配hel,he,但无法匹配hellhel? 1.1.9 匹配其前面的表达式出现 n 次， 1234{n}可匹配food,但无法匹配powo{2} 1.1.10 匹配其前面的表达式出现 n 次以上, 1234{n,}可匹配food,fooooood,无法匹配pow,`o ...

1 Python 的 PDF 工具 PyMuPDF: 支持更多高级功能和处理复杂 PDF 文件 pdfplumber：从 PDF 中提取文本、表格或生成简单的 PDF 文档 联合使用两个库是一种常用方法 2 PyMuPDF 最近需要把扫描的 PDF 转换成文本，试用了 pdfminer，pypdf2 等工具，解析图片的效果都不太好，用起来也比较麻烦，后来试用了 PyMuPDF，相对其它工具，它最新版本屏蔽了更多细节，围绕 Page 进行操作，调用非常方便。除了 PDF 它还支持解析 epub 等电子书格式。 目前网上例程大多是只抽取图片，没有同时转换图片和文字，且因为旧版本 API，大多已无法正常运行。本文将示例其用法。 3 安装 1$ pip install pymupdf==1.18.19 如果提取找不到 fiz.h，建议更新 pip 版本 1$ pip3.6 install --upgrade pip 4 例程 123456789101112131415161718192021222324252627282930313233343536373839404142def pars ...

配置 BERT 运行环境 自然语言处理库 Transformers 包含了 BERT、GPT、GPT-2、Transformer-XL、XLNet、XLM 等模型的实现，近两年 Pytorch 生态日趋成熟。因此，本文中使用 Transformers 的 Pytorch 支持来调用 BERT 模型。 检查 cuda 版本 深度学习模型如果没有 GPU 加持，训练速度几乎是无法忍受的，因此，在使用模型前请先确认 GPU 正常工作；另外，最新版本的 Transformers 需要 Pytorch 1.5.0 及以上版本，而 Pytorch 1.5.0 底层又依赖 CUDA 10.2 以上版本。 使用以下命令查看 CUDA 版本 1$ nvidia-smi （查看右上角 CUDA Version: xx.x） 如果低于 10.2，可通过以下命令安装 1$ sudo apt-get install cuda-10-2 安装好后请重启系统 安装方法一：通用方法 由于安装依赖库可能干扰主机 Linux 系统中的 Python 环境，建议在 docker 中使用 Transformers 运行环境。 ...

语义相似度模型 SBERT——一个挛生网络的优美范例 论文地址：https://arxiv.org/abs/1908.10084 论文中文翻译：https://www.cnblogs.com/gczr/p/12874409.html 源码下载：https://github.com/UKPLab/sentence-transformers 相关网站：https://www.sbert.net/ “论文中文翻译”已相当清楚，故本篇不再翻译，只简单介绍 SBERT 的原理，以及训练和使用中文相似度模型的方法和效果。 原理 挛生网络 Siamese network（后简称 SBERT），其中 Siamese 意为“连体人”，即两人共用部分器官。SBERT 模型的子网络都使用 BERT 模型，且两个 BERT 模型共享参数。当对比 A,B 两个句子相似度时，它们分别输入 BERT 网络，输出是两组表征句子的向量，然后计算二者的相似度；利用该原理还可以使用向量聚类，实现无监督学习任务。 挛生网络有很多应用，比如使用图片搜索时，输入照片将其转换成一组向量，和库中的其它图片对比，找到相似度最高（距离 ...