我们知道图像隐写常用的方法是在图片的每个像素的字节低位（LSB）做文章。
png图像有RGBA四个通道，其中A是Alpha，指透明度。用Alpha通道做隐写有两个方法：
- Alpha通道数值设为0（完全透明），然后在RGB上随便写，图片也是透明的。
- 在Alpha通道的字节低位做文章，例如用最后一位0/1来存信息，相应位置透明度产生微小变化人眼看不出来。
[Paper Review] ColumnML: ColumnStore Machine Learning with On-The-Fly Data Transformation
主要做了两个方面：1. ColumnStore+pSCD；2. CPU+FPGA（做数据处理）
这篇是属于DB for AI类型的，目的是用DB手段提高对AI的支持。这篇的总体思路是在Column Store Based Database里让机器学习的模型训练得更快。
继续阅读“[Paper Review] ColumnML: ColumnStore Machine Learning with On-The-Fly Data Transformation”SIFT+RANSAC算法做图像匹配的学习与实现
为了这玩意blhx-auto-project我需要做一个图像匹配的玩意，一路顺藤摸瓜摸到了RANSAC+SIFT，这里研究一下。
相关资料：
Wikipedia：scale-invariant feature transform (SIFT)
Wikipedia：Random sample consensus (RANSAC)
Github：RobHess的源码(SIFT+RANSAC)（C++）
博客：RobHess的SIFT源码分析：综述
博客：RANSAC算法详解
博客：利用RANSAC算法筛选SIFT特征匹配
scikit-image：Robust matching using RANSAC（Python）
发现我绕远了
opencv上有相关Demo
github上还有图片拼接的相关代码
基本上没我啥事了
炼丹神器——TensorboardX安装使用
DQN做cartpole游戏——pytorch官网Demo学习
了解了一下强化学习
相关资料:
pytorch tutorials里的强化学习教程：REINFORCEMENT LEARNING (DQN) TUTORIAL
伯克利的CS294-112（英文字幕）：биржа gate.io
相关博客：学到了！UC Berkeley CS 294深度强化学习课程（附视频与PPT）
Batch Normalization学习
在学习pytorch tutorial里的DQN时看到Batch Normalization就学习了一下。
原论文：Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift
一篇讲得很好的博客：【深度学习】深入理解Batch Normalization批标准化
继续阅读“Batch Normalization学习”GitHub GraphQL API [Quick Start]（新手友好）
由于软工项目选的是пароль фонда gate io，又得捡起爬虫的那一套理论。。。社交好友分析应用数据才是王道，没有数据就没有发言权。写一个稳定的爬虫还是很重要的。准备爬github的时候发现github已经不再使用REST API，而是用的一个叫GraphQL API的东西。github上的教程在这，但是把这一套教程从头到尾看完花了我几个小时，于是想在这里写一个快速上手教程。
Hint：github GraphQL API 网页版测试工具 很好用，侧面还有文档，可以随时查，很方便
从零开始的java+Eclipse+Struts+Tomcat+MySQL配置攻略
虽然网上已经有很多“靠谱”攻略，但是到搞出一个HelloWorld还是花了好大功夫（同一个软件不同的版本配置方式还是不一样的（深刻体会），而我又想尽量用最新版），踩了不少坑。趁热记一下配置步骤。 继续阅读“从零开始的java+Eclipse+Struts+Tomcat+MySQL配置攻略”
在java语言中使用Graphviz画图
上图是使用Graphviz画图的一个示例，它是由以下dot脚本生成的。
digraph G{
A [style=filled, fillcolor=greenyellow];
B [style=filled, fillcolor=greenyellow];
C;
D;
E;
A->B[label=1][style=bold, color=dodgerblue];
A->C[label=2];
A->D[label=1];
A->E[label=1];
C->A[label=1];
D->C[label=1];
}
2017ICPC北京网络赛 G | hihocoder 1584 Bounce
For Argo, it is very interesting watching a circle bouncing in a rectangle.
As shown in the figure below, the rectangle is divided into N×M grids, and the circle fits exactly one grid.
The bouncing rule is simple:
1. The circle always starts from the left upper corner and moves towards lower right.
2. If the circle touches any edge of the rectangle, it will bounce.
3. If the circle reaches any corner of the rectangle after starting, it will stop there.
Argo wants to know how many grids the circle will go through only once until it first reaches another corner. Can you help him?
继续阅读“2017ICPC北京网络赛 G | hihocoder 1584 Bounce”