Anaconda安装的tips，记录从已有的pytorch+pycharm环境下转为基于Anaconda的pytorch+pycharm+jupyter notebook的开发环境配置。

这里介绍如何设置静态或者动态ip地址。设置过程参照了徐鲁辉等的《Hadoop大数据原理与应用一书》。

参考文献的样式管理应该算得上是word相较于latex的一大劣势了。如果没有特别要求的话，直接使用谷歌学术或者百度学术的几个标准的引用格式就可以。然而，大部分投稿的期刊或者会议总会有他们自己格式要求。使用latex只需要统一使用bib文件插入即可，在word上就显得似乎方式繁多但又不怎么好用。在这里介绍一种较为便捷的文献样式管理方式。主要是借助了Zotero文献管理工具实现（顺便还能做文献管理~）

记录一下《C++ STL源码剖析》中的要点。

一种无参熵估计法(non-parametric entropy estimation)可以避免划分bins来计算熵值，包括了核密度估计(kernel density estimator, KDE)和k-近邻估计(k-NN estimator)。相比之下，直方图法不够精确，而核密度估计法运算量太大，k-近邻估计成为了普遍使用的一种计算连续随机变量的熵值方式。

一种无参熵估计法(non-parametric entropy estimation)可以避免划分bins来计算熵值，包括了核密度估计(kernel density estimator, KDE)和k-近邻估计(k-NN estimator)。相比之下，直方图法不够精确，而核密度估计法运算量太大，k-近邻估计成为了普遍使用的一种计算连续随机变量的熵值方式。

1.创建和更新样式2.按照章节编排公式3.标题的自动列表排版4.关于文献的引用5.公式花括号内对齐6.插入脚注7.插入图片8.插入表格9.关于表格的数据自定义格式处理10.目录的自动生成11.页眉的制作12.页脚的制作...

一种无参熵估计法(non-parametric entropy estimation)可以避免划分bins来计算熵值，包括了核密度估计(kernel density estimator, KDE)和k-近邻估计(k-NN estimator)。相比之下，直方图法不够精确，而核密度估计法运算量太大，k-近邻估计成为了普遍使用的一种计算连续随机变量的熵值方式。

作为pytorch的入门篇，本文将介绍如何使用标准数据集CIFAR-10来搭建一个完整的VGG16网络，以达到简单测试环境和认识pytorch网络基本框架的目的。

主要是记录一下CentOS 7的一些使用技巧。一、添加拼音输入法二、切换输入法和修改快捷键三、基本命令操作四、VMware主机和虚拟机之间传文件