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。

“创新管理”培训，公司邮件看到这么个题目就不想去，但是公司要求不得不去。不想去是因为创新这玩意儿能被管理吗？听题目就觉得不靠谱。不过两天的课程上完还是觉得挺大收获的。

时间总是不够用呀嘛不够用，试试“十倍速阅读法”助力阅读。

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。

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？

如果你爱她，请带她去Carmel，在那里她会爱上你；
如果你恨她，请带她去Carmel，在那里你会爱上她。

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。

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。

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
https://github.com/rspivak/lsbasi
看到了这篇文章，它不仅深入浅出地讲述了怎么从头写一个编译器、解释器，其中有不少闪光的观点值得品味。

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。

Keras的核心数据结构是“模型”，模型是一种组织网络层的方式。Keras中主要的模型是Sequential模型，Sequential是一系列网络层按顺序构成的栈。

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。

基本概念

pandas中的主要数据结构被实现为以下两类：

• DataFrame，可以将它想象成一个关系型数据表格，其中包含多个行和已命名的列。
• Series，它是单一列。

DataFrame 中包含一个或多个 Series，每个 Series 均有一个名称。

《序列模型》第三周《序列模型和注意力机制》。

《序列模型》第二周《自然语言处理与词嵌入》。

《序列模型》第一周《循环序列模型》。

《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。

《卷积神经网络》第三周《目标检测》。