一份不太简短的latex教程pdf 有谁试过在ipad上看代码吗？
有谁试过在ipad上看代码吗？
用iPad阅读源代码当然所需，Retina屏幕阅读理解文字太爽。只不过iPad上没有开发工具，只不过都能够让你潜下心思考，就跟读论文似的。具体大致有两种：
1.PDF首先你要安装doxygen，然后把运行doxywizard。把输出系统设置为latex模式，另外选上LATEX_SOURCE_CODE，等生成完了，到作为输出目录里take帮一下忙，就得到了带目录、调用关系图（矢量），这些源码（可跳转到）的PDF。
这个方案我就不进入正题了，程序员有能力自己慢慢出来。但是一般会用到opengrok的话，肯定还是PC浏览器比较好更方便。
没有大数据，我们该如何将机器学习的想法制成原型？
从研究思想的提出到实验的详细实现是工程中的基础环节。只不过这一过程常常被一些的确的小瑕疵所影响。在学术界，研究生不需要受苦的科研——大量的编写代码，编写书籍那就证明和论文创作。新的工程项目偶尔会是需要全新的代码库，并且大多很容易把过去应用过的代码然后伸延到这些新项目当中去。
设计和实现此种情况，哥伦比亚大学计算机科学博士生及OpenAI研究者DustinTran从其个人角度概要了从研究思想到实验过程的步骤。其中最最重要的的步骤是给出新观点，这来讲要大量时间；而且最起码对作者来说，实验环节不但是怎么学习，更是能解决无法预知的问题的关键所在。另，作者还明确只能证明：这个工作流程仅范围问题于实验方面的研究，理论研究则要不违背另外的流程，事实上这两者也有一些约定点。
找对问题
在完全开始一个项目之前，该如何让你的想法「落地之前」曾经的更临时的议题是太重要的。有时它很简单的——看上去像导师会给你分配任务；或者一次性处理一个某种特定的数据集或实际问题；又或是和你的合作者参与谈话来确定工作内容。
更为常见的是，研究其实是一系列想法（idea）不断迭代所再产生的结果，这些想法大多数是按照平时要注意谈话、近期工作、阅读什么专业内和专业外领域文献和反复研读超经典论文所才能产生的。
我发现到了一种方法相当有用吗——即达到一个同一类的主文档（masterdocument），这正常情况需要很多工作。
简单，它有一个项目列表来排序所有的研究想法、问题和题目。有时侯它们是可以是比较高层面的问题，那像「应用于强化学习的贝叶斯/生成方法」、「帮忙解决机器学习领域的公平性问题」；也也可以是一些很详细的议题，诸如「全面处理EP中记忆古怪度的推理网络」、「规模偏置的与中心对称的Dirichlet先验的分析」。我偶尔会努力把项目列表写得更加简捷：子内容实际一些链接参与展开攻击。
然后，根据接下来的事情要做的工作来对idea清单并且分类。这通常会给我的妖军研究指明方向。我也可以依据什么其方向是否是和我的研究观点完全不同、其必要性和有效性即将直接修改这些项目的优先级。更重要的是的是，这个列表清单不只是是关於情报营观点的，更是关与接下来的事情我更很乐意想研究什么内容的。从长远的打算角度来考虑，这这对能找到最重要问题和给出很简单新颖的解决方法是有重要贡献的。我经常ftp连接这个清单，新的安排好事务，先添加新想法，删出不必要的议题。终于当我也可以详细的说明一个idea的时候，它就也可以曾经的一篇比较正式的论文了。一般来说，我突然发现在同一个位置（同一个格式）迭代idea的过程可以不使开始论文写作中的衔接和实验过程都变的越来越流畅。
管理呀一个项目
我们为近期的arXiv预印本垒建的repository
最近喜欢在GitHub存储库中维护研究项目。反正一个「单元」的研究是多少，我都会将其定义成另外一种相对自我暗示乾坤二卦的东西；诸如，它很可能会直接连接到一篇某一特定的论文、一个已被应用到的数据分析或目前一个某一特定主题。
GitHub存储库不仅可作用于跟踪代码，并且还可主要是用于监视就像的研究进程、论文写作进度或一段时间其它合作项目。但项目的组织一直以来都是一个痛点。我比较好不喜欢以下的结构，该结构充斥Dave Blei，可戊戌变法档案史料：~blei/seminar/2016_discrete_data/notes/week_01.pdf
为自己和合作者尽量了一个是需要去做的事的列表，这让面临的问题和前进的方向变得异常必须明确。
doc/包涵所有的记录事项，每个子目录都乾坤二卦一个会议纪要又或者文献重新提交，main.tex是要注意文档，每一章节大都有所不同文件，如introduction.tex，让每个章节在一起可以不让多人同样如何处理完全不同的章节，尽量避免合并。有些人比较喜欢在主要实验能完成后一次写出完整论文，但我更就是喜欢把论文才是目前想法的记录，并且让它和想法本身一般，紧接着实验的进展不断地后撤。
etc/是其他与前面的目录没什么关系的内容。我大多数用它来存储项目中商讨带走的白板内容的图片。有时，我在日常工作中额外了一些灵感，我会将它们都资料记录在Markdown文档中，它都是三个用于随意处置对于工作的各种评论的目录，如合作者对于论文内容的反馈。
src/是汇编语言所有代码的位置。可启动的脚本都是真接写在src/上的，类和实惠程序写在了codebase/上。下面我将具体说明帮一下忙（另外另一个是脚本输出目录）。
编写代码
我现在写所有代码的工具都是Edward，我发现它是急速实验古代和现代概率模型和算法的最佳的方法框架。
Edward链接：
在概念层面上，Edward的吸引力取决于人语言不能违背数学：模型的生成过程被被转化为4行Edward代码；紧接着希望写出了什么的算法被被转化为下一行……这种极纯的转换过程免掉了在未来试图将代码拓展为自然研究问题时的麻烦：的或，在之前在用了相同的方法，的或调整了梯度估值，或一段时间了有所不同的神经网络架构，或者在大数据几乎全部应用形式了其他方法等等。
在实践层面上，我我总是从Edward的可以做到模型示例（在edward/examples或edward/notebooks）中获益，我将自定义设置算法源代码（在edward/inferences）另外一个新文件粘贴到我的项目中的codebase/目录中，后再进行调整。这样零起步就变的更加简单的了，我们也可以不尽量的避免很多低级细节上的缺失。
在编写代码时，我一直遵循PEP8（我尤其不喜欢prep8软件包：），随后接触从脚本互相访问的类和函数定义中分离的过程每个脚本；前者被放在codebase/中以备导入。从最先又开始维护代码质量时总好是的选择，这个过程非常重要，毕竟项目会随着时间不断地再次膨胀，而其他人也会渐渐一并加入。
Jupyter记事本。许多人在可以使用Jupyter记事本（链接：）用作可可视化代码开发的方法，它也贴入可视化和LaTeX的很简单方法。对于我来说，我完全没有将它整合到自己的工作流中。我喜欢将自己所有的代码写入文件Python脚本中，后再运行脚本。但Jupyter等工具的交互性值得称赞。
实验管理
在好的工作站或云服务商做投资是必要的事。GPU这样的的特性基本都普片可用，而我们应该要有权限并行不运行许多工作。
我在本地计算机成功脚本c语言程序之后，我主要注意的工作流是：
1.运行rsync离线我本地计算机的GithubRepository（包涵未授权文档）到服务器的directory。
到服务器。
3.正在tmux并运行脚本。众事驳杂，tmux能让你超脱此进程，进而不需要静静的等待它的结束才与服务器再度用户交互。
在脚本看似可行之后，我正在用多个超参数配置苦练实验。这里有三个有帮助的工具tf.flags，它可以使用命令行严谨的论证提高一个Python脚本，得象下面那样的话为我的脚本增强一些东西：
然后，你这个可以运行下面这样的终端命令：
这也让递交超参数更改后的服务器任务变的很难。
到最后，顿了顿管理实验时输出的任务，回想再看看前文中src/目录的结构：
我们详细解释了每个脚本和codebase/。其他三个目录被主要是用于组织实验输出：
checkpoints/记录信息在训练中保存的模型参数。当算法每固定次数迭代时，不使用来保存参数。这可促进血液循环魔兽维护长时间的实验——你很有可能会取消后一些任务，当时还得可以恢复参数。每个实验的输出都会读取在checkpoints/中的一个子目录下，如20170524_192314_batch_size_25_lr_1e-4/。第一个数字是日期（YYYYMMDD），第二个是时间（HMS），其余的是超参数。
log/读取作用于可视化学习的记录。你每次实验应该有一类自己的和checkpoints/中不对应的子目录。可以使用Edward的一个好处只在于，对此日志，你这个可以简单点地传达一个参数(logdirlog/subdir)。被探查的默认TensorFlow包括题目是可以用TensorBoard可视化。
out/记录训练结束了后的探索性输出；.例如能生成的图片或matplotlib图，每个实验应该有自己的和checkpoints/中填写的子目录。
软件容器。virtualenv是管理Python按装环境的必备软件，也可以增加直接安装Python的困难程度。要是你不需要更强横的工具，Dockercontainers可以满足你的需要。
Virtualenv链接：
Dockercontainers链接：
TensorBoard是可视化和深入模型训练的一种杰出工具。毕竟TensorBoard具备良好的交互性，你就会发现它的很不容易损坏，毕竟这意味着不要配置大量matplotlib函数来知道一点训练。我们只不需要在代码的tensor上参加。
Edward系统默认记录信息了大量摘要，以便于可视化训练迭代中损失的函数值、渐变和参数的变化。TensorBoard还以及经时间的比较，也为充分修饰的TensorFlow代码库提供了很好的计算图。是对无法只用TensorBoard并且确诊的伤脑筋问题，我们可以不在太out/目录中输出内容并系统检查这些结果。
调试出现了错误信息。我的调试工作流的很糟糕。对于，我在代码中导进可以打印语句并消去过程来寻找错误。这种方法太远古时期。确实还就没接触过，但我好像听说TensorFlow的debugger功能相当强大无比。
进阶研究再理解
不停跨专业考研你的模型与算法，大多数，学习过程只会你对自己的研究和模型有更好的了解。这是可以让你回到制图板上，需要重新审视自己所处地点，跪求一系列提升到的方法。假如方法对准完成，我们这个可以从简单的配置慢慢的扩大规模，借着解决的办法高维度的问题。
从更高层级上看，工作流在本质上就是让科学方法应用形式到虚无飘渺世界中。在实验过程中的每当迭代里，拋弃主要注意想法是不必要的。但再者，这一切的理论基础需要稳固。
在这个过程中，实验并并非孤立排挤的。合作、与其他领域的专家沟通和交流、阅读什么论文、基于短期和常期角度决定问题、参加学术会议都可促进血液循环拓宽你看待事情问题的思路并能帮助能解决问题。
版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。
