每个Object都有自己的坐标系统，把这个物体放在世界坐标系统后，对Object执行变换操作，本质上是在变换它的坐标系，而不是改变物体上的点线面的位置。 Transform2D的结构是这样的： $$\begin{bmatrix} basis.x.x & basis.y.x & origin.x \\ basis.x.y & basis.y.y & origin.y \end{bmatrix}$$ 如果我执行旋转操作的时候，本身是给某个点执行左乘旋转矩阵，旋转矩阵的长这样： $$R(θ) =\begin{bmatrix}\cosθ & -\sinθ \\\sinθ & \cosθ\end{bmatrix}$$ 入股哦我们有一个2D的点或者一个Vector: $$ v = \begin{bmatrix} […]

登陆一个Django服务器的admin页面的时候出现如下错误： 主要原因是没有把admin的静态文件写入到domain/static对应的文件里 在setting.py中配置: 这里设置的STATIC_ROOT是服务器本地目录，生成的静态文件会放在这里面。执行如下命令： 执行完了，会生成一些静态文件，大概像这样： 配置Nginx： 重启一下nginx就可以了

A max-heap viewed as (a) a binary tree and (b) an arry. The root of the tree is A[1], and given the index i of a node, there’s […]

KL divergence (Kullback-Leibler divergence)用来衡量两个分布的差异，一般标记为$D_{KL}(P||Q)$，离散形式的计算公式是 $$D_{KL}(P||Q) = \sum_{x\in\chi}P(x) \log \frac{P(x)}{Q(x)}$$ 从公式上看，它计算的是$P(x)$和$Q(x)$的log差的均值，$x$服从$P(x)$分布，因为$\log \frac{P(x)}{Q(x)} = \log P(x) – \log Q(x)$。 在通信领域它叫相对熵(relative entropy)，在机器学习任务中可以通过最小化KL divergence来学习目标分布$P(x)$，不够我们更常用的是交叉熵(Cross Entropy)，把KL divergence公式展开就可以得到交叉熵的计算公式 $$D_{KL}(P||Q) = \sum_{x\in\chi}P(x) \log \frac{P(x)}{Q(x)} = […]