本文是对LLVM官网入门教程中《Kaleidoscope:Implementing a Language with LLVM》和《Building a JIT in LLVM》的总结。主要目的是了解LLVM的能力边界。
关于股指基金定投的一点研究(二)
上一篇几轮实验考察了沪深300各种定投策略的收益率。我发现从yahoo可以很方便地抓取美股历史数据,比如纳斯达克100和标普500,反正实验策略的代码是不变的,只需要把这些数据抓取下来,适配一个解析器就能很快算出这些指数投资收益率了,本文就把实验结果跑出来。代码还是在finance-learning/main.py。
关于股指基金定投的一点研究(一)
昨天跟老爸聊投资,聊着聊着就抬起杠了:我说无论美股还是中国股市,大盘代表这个国家经济的基本走势,以年的粒度来看是向好的,几乎不会亏钱;而老爸一句话就给我顶回来,2008年都要飙到6000点了,现在才多少点?这都10年了,你告诉我哪年可以翻盘?
使用现金流贴现法算算几家美国公司的绝对估值
绝对估值是关于企业内在价值的一种估算方法,其中现金流贴现法(Discounted Cash Flow DCF)是最经典的绝对估值法,它是基于企业自由现金流的计算公式。本文就采用这种方法算算几家比较著名公司的绝对估值。
git submodules
自己的版本库中常常引用一些开源的基础模块,比如googletest、glog,比较笨的做法是clone一份代码,直接再提交到自己的版本库中。更推荐的做法是使用git submodules。
编写编译器和解释器二
上一节基于四则运算的计算器,引入了词法分析器、语法分析器和解释运行器的概念,他们分工明确,相互协作,根据语法规则完成源代码的解释执行。本节将这一规则应用到实际的编程语言中,以Pascal为例完成编译和解析。从业务跨度上,本节相比上一节是一次跨越,但从底层技术来说,不过是上一节基本概念的又一次应用而已。
从一个简单的例子体会TensorFlow的使用
上了这么多节课,当自己动手使用TensorFlow写机器学习的代码时,还是觉得有点晕,经常在一个点上要琢磨半天。实在是机器学习的思想和传统的编程方式差别太大了,需要不断地训练,并在思想和代码间去做磨合,才能达到自然过渡。本节就从一个最简单的Tensorflow代码来理解它和背后梯度下降之间的关系。
Deep MNIST for Experts代码分析
Deep MNIST for Experts是TensorFlow Get Started
中HelloWorld级别的的例子。它分两个版本:MNIST For ML Beginners
和Deep MNIST for Experts
。前者采用没有隐藏层的梯度下降,结合上一篇笔记很容易看明白;后者使用了深度神经网络,本节重点分析它。
TensorFlow知识地图
TensorFlow图描述了一个计算的过程,图必须在会话
里启动,会话将图的op(operation)分发到诸如CPU或GPU之类的设备上,同时提供执行op的方法。这些方法执行后,将产生的tensor返回。在Python语言中,返回的tensor是numpy ndarray
对象;在C和C++语言中,返回的tensor是tensorflow::Tensor
实例。
Pandas知识地图
DeepLearning.ai笔记(十二)
《卷积神经网络》第四周《特殊应用:人脸识别和神经风格转换》。
本周内容从标题反应很清楚了,人脸识别和普通的CNN不同之处在于在实际应用场景中,被识别的人脸可能无法事先收到很多数据。比如门禁系统,每个人仅上传几张头像,就要求能够分辨当前刷脸的是谁。