Han

多少事，欲说还休

面对现实铁壁的无力感，我仿佛看到了自身悲剧的种子，他开芽了。自己过了这小半辈子的安稳生活，终于开始崩塌了。我感觉像被时间的洪流卷携着，我抵抗一切，外面却一点也不等我，自顾自的天翻地覆着。

能找谁倾诉呢，自以为是了这么久，好像到头来大家都觉得我是个养尊处优的无忧公子，我这种人是没受过什么委屈吧。自己根本不会说话过，一直以来自认为的好心真的不知道带来过多少的恶意。

脑子里不断的竖起理想的高塔，现在仿佛摇摇欲坠起来了。里面的炼丹炉里可是放着我滚烫的真心啊，倒了可一切都毁了。

见证自己多么坚强的时候到了，扛得动吗，老张。

老是觉得自己的生活是单调的，无趣的，每每停下忙碌，自己也会不知道应该做什么去填补忙碌之后的空白。自己其实也明明知道这是问题，一直在想，最近好像有点小悟了，就像我妈说的，你到底在焦虑什么，你什么都不缺！是啊，我从小到大都是幸运的，但也许正是这份幸运与充实让我丢失了真正的自我，让我在脱去伪装的外套后不知所措，让浑浑噩噩一直与自己紧紧绑定在一起。我不去消费，不去留意，不去与社会产生联系。

原来生活外面还有个这么大的生活！有些时候刷视频也不是那么的毫无意义，有人会告诉你原来生活可以这么过。喜欢的东西就去消费呀，一方面享受着购物带来的快感，另一方面，购物给平凡的生活带来的甜味，就像带着夹心的糖果，就像喝中药要一口药一口糖，虽然可以没有，但是吃到甜的时候就真的会开心！

Dirichlet过程是一个常用于非参数模型的随机过程，对于随机过程的性质可以类比于Gauss过程。它是一个定义在分布上的分布，也就是说每一个Dirichlet过程的样本都是一个分布。从Dirichlet过程中抽样的分布是离散的，但是不能用有限个参数表示这样的过程，因为在每个点（无穷维）都可以定义采样点，因此这是一个非参数的模型。

​ 我们考虑下面这样一个hierarchical的模型：

每当面临分别，心里就像海水冲破了堤坝，离别之感顺着潮水，涌到喉口。可嘴里讲出的话，在这个时候听着竟是那么苦涩难听，该死的嘴，你到底该说些什么才能表达内心的那种冲动。我怎么会忘记呢，那一朵朵交换过的粲然微笑，一起并肩走过的道路，每张记录着青春的美好的照片。脑袋里过去的场景来回闪现。我突然想到，你会好好的生活在这个世界的另一个角落，你会有着同样精彩的生活（应该比我的浑浑噩噩的生活好的多吧）。在我醒着的时候，你的心跳仍会健康的跳动，这就好了。也许某个寂静的时刻，你也会突然想起好兄弟我，这就够了，这是值得热泪盈眶的吧。

一篇关于SGMCMC的综述文章，优点是给出了详细的实验代码，可复现性强。

MCMC方法已经成为bayes推断的核心方法，但是在实际使用中，全样本的更新效率过于低下，因此借助subsampling的方法，考虑随机梯度更新是更实用的方法。

方法

考虑要取样目标密度,考虑形式

特别的，在多样本情况下，，其中是先验，那么此时

一种得到抽样的方法是利用马尔可夫链的平稳过程，一种是考虑能量守恒的公式。最终思路都是寻找目的分布的平衡条件。

人好像总是喜欢迫不及待地向别人展示，是出于内心的空虚，还是出于盲目的自信。展示自己的见识，阅历，“哦，这个地方我曾经去过，这部剧我曾经刷过，这本小说我曾经看过。”每每想起自己这样做的时候，就感觉在看一个小丑。曾经突发奇想如何形容自己，当时想到一个词–“永远想成为瑞克的莫蒂”。一直觉得这是个非常贬义的词语，但内心深处又不得不承认真的十分贴切了。莫蒂永远是个跟着瑞克的跟班，自以为是，平庸无奇。而在瑞克身上，我看到了独立的人格，能够以自己的世界观自信的向一切说”Fxxk You!“

希望自己能逐渐改变吧，我会在这篇帖子中一点一点的记录自己自以为是，炫耀自己的无知的在瑞克主义初级阶段做出的愚蠢行径：

2022.12月.4日 在好友群里说自己看过《蝲蛄吟唱的地方》，实际上，自己已经不记得当时书中的内容是啥了，印象只剩下了灯塔，沼泽，爱情几个模糊的词语。

悲与喜

一边是老姐的大婚，一边是侄女的出生。这几天我本人依旧是那样浑浑噩噩，但是于我自己，于我的家庭，都可以说是大喜了。

但，

生活往往喜欢在你最高兴的时候给你一闷棍，不总是如此吗。我的侄女，在出生后的第二天就被查出有重度的先天性心脏病，性命危急。

我一直觉得自己是个非常幸运的人，我的成长甚至可以用一帆风顺来形容，我的家庭没有发生大的变故。但是回首看看，我才意识到，不幸其实一直就在我的身边，在我的身边人上时时刻刻，发生着。死亡离我其实很近。

回想上次去电影院，看的《人生大事》，时间已经很久远了。电影令人失望，但是却让我不禁想问，究竟什么，才是真正的“人生大事”。我现在一天天担心的所谓“未来”，是我的人生大事吗？

我不明白。只有第一次在出生照片上看到我的侄女的时候，我明白什么是发自内心的高兴。只有得知侄女的重病时，我知道什么是心痛。

愿一切平安顺遂。

矩阵分解

理解矩阵的关键是理解矩阵分解的条件和结论。

SVD分解（奇异值分解）

任意一个矩阵，都存在对应的SVD分解，满足：

其中为正交矩阵，为对角矩阵。进一步，若A为对称正定矩阵，。

注意：，所以实际上是的特征向量，同理是的特征向量。

LU分解

原理是高斯消元法，任意可逆矩阵,可以分解为下三角和上三角矩阵的乘积，满足：

且上式的分解是唯一的，其中L是下三角矩阵。进一步，中间仍然可以拆一个对角矩阵出来，成为分解。更进一步，实际上对于正定矩阵，可以进一步写为。

QR分解

用施密特正交化来理解，任意一个矩阵, 存在一个正交矩阵,和上三角矩阵满足：

Schur分解/特征值分解

n级方阵A,正交相似于上三角矩阵的充要条件是：的特征多项式在复数域中的根都是实数。

n级复矩阵一定相似于一个上三角矩阵。

记录第一次跟着老师参加企业会议

一次偶然的争取，获得了来到企业旁听会议的机会。

企业当中的那份效率与严肃，让人一进去就感受到了与大学生活不一样的节奏。

噫！大厂生活！

Welcome to Hexo! This is your very first post. Check documentation for more info. If you get any problems when using Hexo, you can find the answer in troubleshooting or you can ask me on GitHub.

Quick Start

Create a new post

1

$ hexo new "My New Post"

More info: Writing

Run server

1

$ hexo server

More info: Server

Generate static files

1

$ hexo generate

More info: Generating

Deploy to remote sites

矩阵Cookbook

参考Cookbook

其运算参考链接book

1

$ hexo deploy

More info: Deployment