有时不在家却需要访问家里设备上的资源，可能是计算资源，也可能是数据资源。比如，访问群晖NAS或者计算服务器上的显卡资源。对于有公网IP的用户来说，这都不是什么问题。但是我们的现实情况是，绝大部分家庭宽带都没有公网IP，要访问家里的设备就只能采用间接的方法。常用的有两种：一是服务器转发，二是内网穿透。服务器转发就是，外面的设备和家里的设备都连上服务器，然后都把数据发给服务器，让服务器再发给对方。这样的缺点很明显，延迟比较大，通常速度也比较慢。而且免费、易用、快速的服务器也基本没有。这时另一种方式的优点就体现出来了。内网穿透也称“打洞”，就是家里和外面的设备利用第三方服务器沟通好通讯的信道，然后直接互发数据。用“打洞”来描述这个建立一对一信道的过程，再合适不过。内网穿透的主要优点是，能够充分利用网络的带宽，也就是速度快。缺点也无法忽视，根据公开数据，大概

使用优秀的工具，往往能事半功倍。早年机器学习的研究者不得不手动开发一些可视化工具，因为那时的具体算法差别较大，很难找到一款通用工具解决自己的调试问题。现在深度学习占主流的情况下，算法或模型的底层结构基本都是一样。一个通用的调试工具也就应运而生，比如

只有25个关键字，新手在经过一周的培训之后就能上岗开发，经过一个月的训练就能成为熟练的开发者。对比之下，Java、C++、Rust等语言就显得复杂多了。

真的就没救了吗？还是希望官方多干点正事，比如提供一个统一的、好用的、强大的包管理机制，别整天搞那些不着调的新特性。或者我们可以自己动手开发一个，这就不知道猴年马月能用了。

划分各种不同机器学习类型的做法，已经有十分悠久的历史，最近这些年，也涌现不少新的机器学习类别。特别是很多学院派，喜欢用新的概念营造神秘感，显得高端大气上档次，从而吸引跟随者。此外，也有一些确有意义的新概念，能够辅助建立对机器学习的、更深刻的认识。接下来，我们就梳理一下目前还比较流行的机器学习概念，同时收集相关的经典文献，既便于知识点扫盲的索引，也便于建立大体的认识地图。监督情况

提供了很多内置的布局组件，大体上分为三类：单个子元素、多个子元素以及sliver布局等。我们来一览大部分常用布局组件的实验效果，在选取合适的组件时就可以派上用处。单元素布局

网友推荐了一款flutter数据库Isar，起初我还不以为意，试用之后难逃“真香定律”。正如其官网上介绍的，为flutter量身定做，使用起来非常简单，就这一条也能让人乐意花点时间一探究竟。

前几天打算分析一下最近几年CVPR论文的情况，网上又没有现成的完整数据，就自己动手写个爬虫爬取论文网页。现在爬虫已经成为一个专门的就业领域，与之相关的支持框架也数不胜数。大家耳熟能详的基本都是大型整站爬虫框架，但一般对于像这样的小需求，杀鸡焉用宰牛刀。

flutter作为一款跨平台的UI框架，让开发者可以只学习这一门技术，就能开发各个平台下的应用程序。一般来说，我们倾向于将UI和业务逻辑分开，特别是计算负荷比较重的逻辑。深度学习就是一种计算负荷重的业务逻辑。对于深度学习类型的应用程序，用flutter开发UI，用C/C++开发深度学习，再在flutter中调用C/C++即可。这种开发框架的关键是解决flutter深度学习插件(plugin)开发的问题。6.

即使正在使用Flutter开发的朋友，可能也没有这样的动力。一是因为其中有些技巧操作起来有点麻烦，二是了解过的内容在一段时间不使用就容易忘记，三是对很多人来说仅仅想了解大概效果，并不是熟悉技术细节。

要说最有趣的视觉类深度学习模型，那得数图片生成或者合成。这一类模型能够产出引起普通人讨论的图片。其他模型可能更重要，却只是在技术圈有名，而且说不上有趣。ml4a是一款用于生成艺术化图片的Python第三方库，估计全名应该是

到此，就可以使用拉格朗日乘数法构建一个新的便于求解的优化问题。由于新的优化问题求解起来仍然困难，所以还需要利用对偶原理构造当前优化问题的对偶问题，然后通过求解对偶问题来获得当前优化问题的解。

维的向量。但是高维的数据不利于可视化，也不利于熟悉算法流程，以下就使用二维数据来演示感知机的所有要点。比如，采集一些样本点数据，表示为

smtplib模块负责将邮件内容发送到指定的目标邮箱。收件邮箱地址存储在一个列表中，因为可能会有群发邮件的需求。下面封装了一个发送邮件的示例，其中的操作顺序是不能更改的。

以上演示的就是两个基本语句组成的一个python程序，第一行定义了一个字符串str类型的变量，第二行将这个变量的内容打印出来。下面可以结合基本的数学运算再演示一个例子。

除此之外还有一些麻烦，比如sqlite3与mysql容错机制不一致，sqlite3与mysql对主键的默认操作不一致等等。因此，最好在一开始就选定所使用的数据库。

很多的开发者比较容易混淆生成器和迭代器，而迭代器的运行过程更加符合一般的程序调用运行流程，因此从亲近度和使用熟悉度而言，大家对迭代器更有好感。比如下面演示一个对迭代器使用next方法进行操作。

github链接：https://github.com/cnbluegeek/notebook/tree/master

实验代码的github链接：https://github.com/cnbluegeek/12306verifycode

print('在0时区将time转换为datetime：{}'.format(datetime.datetime.utcfromtimestamp(time.time())))tz_8

github链接：https://github.com/cnbluegeek/notebook/tree/master

2print('索引不存在的数据项：{}'.format(d['bird']))print('打印词典：{}'.format(d))Output:

我们先生成一个3列100行的数据表，并给每一列命名。然后直接调用plot函数就可以得到曲线图。该曲线图的横轴为行索引，纵轴为每列数据数值的累加，并且将列名设置为图例。

事实上，sympy可以完成高等数学中几乎所有的操作，当然也包括一些基础的运算。而计算微积分的时候我们常常需要具备一些数学运算的基础，比如极限、表达式展开和合并等等，这里顺便演示使用sympy一下。

有时在遍历列表时需要同时获得元素索引和内容，这时enumerate就派上用场。很多初学者使用循环中累加的方式来计算索引当然也不是不行，只是enumerate显然是更加方便和专业的。

既然tensorflow是以张量作为基础的数据结构，那么在运算中产生张量也就顺理成章了。到此，tensorflow2.0中张量的创建方式已经讨论完毕。接下来大家就可以动手尝试一下各种张量的创建方式。

首先定义一个模型，可以使用面向对象的方式，当然也可以使用面向过程的方式。这里使用一个对象来封装模型的创建和训练相关的操作，然后测试一下其中的函数功能。在以前的版本中，这种中间输出的做法简直不敢想象。

那么就有一个很直观的思路，就是直接将bytes字符串转换成str字符串，然后拼接上去，这样虽然效率很低，但是不妨一试。

对三维数据可视化的需求也是比较大的，比2d图多了一个维度自然表达也更加丰富。而且三维数据是我们能够直观视觉感受的最高维度，如果有更高维度的数据一般也是用各种方式简化到3d可视化。