Vim 学习笔记
vim 被称为编辑器之神，学习难度很大，但是熟练掌握后可以更高效地敲代码，因此有必要学一下，但是没必要鼓捣各种插件。主要参考：【Vim】可能是B站最系统的Vim教程 vim 介绍与版本vim 是古董编辑器 vi 的升级版，在现代的 Linux 发行版中通常自带 vim，无需手动安装，虽然版本通常不是最新的，但是也足够使用。在很多发行版中都将 vi 命令链接到 vim 命令，因此 vi 命令和 vim 命令通常是等价的，都是在调用 vim 编辑器。 在 vim 中输入 :version 可以查看版本信息，例如 123VIM - Vi IMproved 8.2 (2019 Dec 12, compiled Nov 22 2021 19:31:05)Included patches: 1-3582Compiled by <https://www.msys2.org/> vim 的各种功能模块化，在编译安装时可以选择精简其中一部分功能，至少有几种安装模式：tiny, small, normal, big, huge，显然 huge 版本的功能最完整。 在 :version ...
K-means 算法
K-means 算法是一种经典的无监督学习算法，用于将数据自动分为 $k$ 个簇，这里的 $k$ 需要提前给定。 K-means 算法假设簇是凸的、大小相近，此时处理效果最好，但是并不能处理复杂形状的簇（如半月形），对维度高的稀疏数据（如文本）不太适用。 算法步骤设数据集为 $X = {x_1, x_2, \dots, x_n}$，$x_i \in \mathbb{R}^d$，希望聚为 $k$ 类，算法流程如下： 初始化：随机选择 $k$ 个数据点作为初始的簇中心。 分配：将每个数据点分配到最近的簇中心，以形成 $k$ 个簇。设当前中心为 $\mu_1, \dots, \mu_k$，对于样本 $x_i$，所属的簇为$$ x_i \in C_s ,, \text{where} ,, s = \arg\min_{j=1,\dots,k} | x_i - \mu_j |^2$$ 更新：重新计算每个簇的中心，记 $C_s$ 是第 $s$ 个簇内的数据点集合，那么中心 $\mu_s$ 为$$ \mu_s = \frac{1}{|C_s|} \sum...
Cpp 练习——命令行参数解析
CmdParser 是一个模仿 cmdline 的轻量级的 C++ 命令行参数解析工具，支持解析标志（flags）和选项（options），并能够处理回调函数、类型转换以及剩余参数。 特点 标志解析 支持定义简单的布尔标志，例如 --help 或 --verbose 标志是可选的，在解析过程中会对标记出现的次数计数 可以通过回调函数来定义标志存在时的触发事件 选项解析 支持带值的选项，例如 --scale=2.0 或 --scale 2.0 选项可以设置为可选或必选，在解析过程中会记录每次出现的选项的值 支持的数据类型包括：int、double、bool、string、char、size_t 支持四种添加方式 提供默认值，提供回调函数检查 提供回调函数检查 提供默认值 都不提供 补充 标志和选项的名称要求： 必须提供一个--开头的，加上若干字母、数字、下划线组成的完整名称，区分大小写，例如--len; 可以额外提供一个-开头的，加上单个字母或数字组成的缩写名称，例如-v; 所有名称互异。 标志和选项都需要提供说明字符串，可以使用空字符串 使用方法创建 ...
Julia 版本管理和环境管理
Julia 的版本管理和环境管理，通常可以分成两部分来看： juliaup：Julia 版本管理 Pkg：项目环境和包管理 和 Python 中常见的 pyenv + venv + pip 组合（以及其他各种替代方案）相比，Julia 直接从语言角度就考虑，设计更加统一优雅： Julia 版本推荐由 juliaup 管理；（如果只使用一个版本，也可以绕过 juliaup） 项目依赖和环境由 Julia 自带的 Pkg 标准库管理； 环境本质上不是一套独立拷贝的运行时，只是两个文本文件，对应依赖声明与解析结果。 Julia 的版本和环境管理机制和 Rust 很相似，可以说是现代编程语言设计的最佳方案。 Julia 运行时和版本Julia 运行时Julia 运行时指的是使 Julia 程序能够执行的一组核心文件，通常包括： julia 可执行文件 Julia 自带标准库（standard libraries） Julia 的系统镜像（system image） 动态库和底层运行时组件 第三方包并不直接属于 Julia 自带运行时，它们通常存放在 depot 中，由当前...
Julia 学习笔记——绘图基础
这篇笔记只关注 Julia 里最基础、最常用的科学计算绘图，不追求复杂可视化能力。 原因也很简单：如果只是画函数曲线、散点图、热图、简单布局，那么 Julia 自己已经够用；但如果进入更复杂的工程化可视化、交互式图形或者生态成熟度要求很高的场景，通常还是更容易回到 Python。 概述Julia 绘图生态里最常见的入口大概有这几种： Plots.jl：接口统一、上手简单，最适合基础笔记 GR：常见默认后端，轻量、够快 PyPlot.jl / PythonPlot.jl：更接近 Matplotlib 习惯 Makie.jl：更强、更现代，但复杂度也明显更高 如果只是“科学计算里顺手画图”，最实用的选择还是： 直接使用 Plots.jl 默认后端先用 GR 这篇笔记也只按这个思路整理。 安装与加载最基本的安装： 12using PkgPkg.add("Plots") 使用时： 1using Plots 如果需要显式指定后端： 1gr() 基础使用里不用太在意后端细节，先能画出来最重要。 最简单的曲线图直接给 y123using Plotsp...
Julia 学习笔记——性能优化与并行计算
Julia 最大的吸引力之一，就是“高层写法”和“高性能”之间的距离没有传统动态语言那么远。 但这并不意味着随便写都能快。Julia 的性能优化有一套非常典型的思路，而并行计算又是另一个常被误解的话题，所以这里把它们放到一篇里做一个够用版整理。 概述先记下面几点： Julia 可以快，但前提是写法利于类型推断和特化编译； 第一次运行慢，往往是编译开销，不一定是算法本身慢； 真正的性能问题，很多时候不是“语法不够底层”，而是分配太多、类型不稳定、全局变量太多； 并行计算不是给代码加个宏就自动变快，任务划分、内存分配和数据传递同样重要。 性能分析基础@time最基本的计时方式： 1@time sum(rand(10^6)) 它一般会显示： 执行时间； 内存分配次数与大小； GC 时间比例等。 但是要特别注意：第一次运行时通常包含编译成本，所以参考意义有限。 更稳妥的做法是至少跑两次： 12@time f(x) # first run: compile + execute@time f(x) # second run: closer to steady-state Be...
Julia 学习笔记——线性代数
数组是 Julia 的核心内容之一，而线性代数则是它真正发力的主场。虽然前面的数组笔记已经涉及了一些矩阵和广播，但如果不单独整理一篇，很多线性代数语义还是容易和“普通数组运算”混在一起。 概述Julia 的线性代数体验和 Python/Numpy、MATLAB 既相似又不同： 和 MATLAB 一样，矩阵乘法直接使用 *； 和 Python/Numpy 一样，元素访问写成 A[i, j]； 但 Julia 的标准库 LinearAlgebra 还引入了很多特殊矩阵类型和分解对象，它们不是简单的“二维数组”。 因此看 Julia 里的线性代数代码时，需要同时区分： 这是普通数组操作； 还是线性代数意义上的操作； 结果是立即物化的数组，还是带语义的特殊对象。 LinearAlgebra 标准库线性代数相关功能主要来自标准库： 1using LinearAlgebra 它不是默认自动导入的，但属于 Julia 自带标准库，不需要额外安装。 向量与矩阵创建12x = [1, 2, 3] # VectorA = [1 2 3; 4 5 6] ...
Julia 学习笔记——补充. 与 Python 和 MATLAB 的差异整理
这一篇把 Julia 与 Python、MATLAB 的主要差异集中整理一下，方便在系统看各个专题之前先有个整体印象。 先说明几点： 下文默认读者已经熟悉 Python 和 MATLAB； 默认以 Julia 1.12 系列为准； 这里只做迁移视角下的差异整理，不追求把所有细节一次性讲完； 真正的语法和行为细节，仍然以后面各专题笔记为主。 概述如果只用一句话概括，Julia 大致可以理解为： 语法观感上吸收了 Python、MATLAB、Fortran 等科学计算语言的很多习惯； 执行模型上又明显更接近带 JIT 的编译型语言； 语言设计中心不是 class，而是数组、数值计算、泛型函数和多重分派。 因此，从 Python 或 MATLAB 迁移到 Julia 时，真正需要适应的往往不是“语法会不会写”，而是下面这些更底层的习惯： 语言默认鼓励什么样的代码组织方式； 哪些直觉来自 Python，哪些来自 MATLAB，而 Julia 恰好都不完全一样； 编译、类型推断和方法分派会如何反过来影响日常写法。 整体定位和 Python 相比，Julia 最明显的差异在于：它...
Julia 学习笔记——10. 输入输出与文件交互
前面的基础笔记里已经零散提到过 print、println、readline 这些最简单的输入输出操作，但如果要真正写脚本或小工具，还需要文件读写和路径处理。 概述Julia 中与 IO 相关的几类操作包括： 控制台输入输出； 文本文件和二进制文件； open do 风格的资源管理； 常见的路径、目录和文件系统操作。 整体上，Julia 的 IO 风格更接近“显式流对象 + open do 管理资源”，而不是 MATLAB 那种偏工作区工具式接口。 控制台输入输出print 和 println最常用的输出函数仍然是： 12print("hello")println("world") 区别很简单： print 不自动换行； println 自动在末尾补一个换行。 也可以连续输出多个对象： 1println("x = ", 1, ", y = ", 2) 字符串插值更顺手的写法通常是字符串插值： 123x = 3y = 4println("x = $x, y = $y, x + y ...
Julia 学习笔记——9. 宏与元编程
宏和元编程是 Julia 里非常有代表性的部分。它们既是语言能力的一部分，也是很多 Julia 代码看起来“很不一样”的原因。 不过宏虽然重要，但绝对不是日常写 Julia 代码的起点。大多数普通逻辑都应该优先写成函数，只有当函数做不到，或者语法层面介入明显更自然时，才值得考虑宏。 概述Julia 的宏并不是 C 语言那种简单文本替换，而是基于语法树（AST）的代码变换工具。 可以先这样理解： 函数操作的是“值”； 宏操作的是“代码表达式”； 宏在代码真正运行前先展开； 展开结果再交给 Julia 去编译和执行。 因此，宏更像是“改写代码的工具”，而不是普通的可调用逻辑。 宏的基本形式最简单的宏定义如下： 123macro sayhello() return :(println("Hello, World!"))end 调用时使用 @： 1@sayhello 输出： 1Hello, World! 这里最值得注意的是： 宏调用通常不需要括号； 宏返回的不是最终结果，而是一段表达式； 这段表达式会继续被 Julia 执行。 当然，带括号的调用也...