现在市面上有各种各样的智能音箱，那他们的对话功能是怎么实现的呢？
通常情况下文本类内容的需求都是采用类似搜索引擎的文本相似度检索方式；其他非文本类精准需求例如定个闹铃/听个歌曲等，需要对query进行更深度的识别和解析才能更好的满足。
本文针对后者，介绍一种基于规则推导的query结构分析方法，它基于Trie Tree，实现对用户提问query的需求识别和问题的结构化解析。我们称这类模块为DA，通常包含需求识别(trigger)、需求解析(parser)、需求发现(discovery)等。
go的import与python或java不太一样，第一次搞go开发在本地封装lib后import时可能会浪费不少时间，这里说明下，go的import分两种场景：
问题：
当我们使用 go get、go install、go mod 等命令时，会自动下载相应的包或依赖包。但由于众所周知的原因，类似于 golang.org/x/… 的包会出现下载失败的情况。如下所示：
最近在研究视频二维码定位清理，涉及到Object Detection对象检测技术，发现Darknet用起来效果不错，本文简单介绍下。先贴几个示例：
一个人被组织提拔，其实不只是因为能力，而是因为信任。
最近组织结构调整，接连换了两次新领导。与陌生的新领导没有建立起认同和信任感，会遇到沟通不太顺利的时候。回想自己以前的职场工作的经历，都是先相互看顺眼才去入职，之后努力工作出业绩就好了，从来没有遇到过这类问题。想到自己也确实很不擅长向上沟通，于是经过朋友推荐买了这本书。
最近996被讨论的很火，大家的关注点都聚焦在那几个数字上，但对于想在职场有所成就的人来说，纠结这些数字毫无意义。那么应该关注的是什么呢？对于下属被舆论影响的leader来说，应该思考些什么呢？
Kubernetes是容器集群管理系统，是一个开源的平台，可以实现容器集群的自动化部署、自动扩缩容、维护等功能。
本文用实例演示如何把自己的python代码库打包上传pypi，以使用pip进行安装。
简单点说，这个工具能解决nohup python faceswap.py train & 报cannot connect to X server的问题，即远端的程序不能后台运行，但是你的网络又经常会断开，用Tmux就好了
最近替换视频中的人脸比较火，涉及的技术主要是图像生成，主要采用生成式对抗网络（GAN, Generative Adversarial Networks ）深度学习模型。GAN是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。
本文基于Deepfakes Faceswap实现了一个简单的图片换脸过程。
一个非常方便的视频<->图片互转工具：视频截帧、帧图片合成视频、添加水印/字幕等。
想给家里的小八爪机器人加上人脸识别功能，比如瞄准的是我时就不能发射炮弹，这样儿子就没法拿这个怪物打我了。。。（也可以在工位上加个摄像头，领导来了提前报警。。。）
儿子的国际象棋水平渐长，我已经逐渐下不过他了，作为陪练水平这么不堪怎么能行？！可是自己研究棋谱的时间有点少，自认成为棋协大师的概率比较低，想来想去还是参考AlphaGo Zero做个AI吧，一方面有可能训练出一个大师级的AI做儿子的陪练对棋艺的提升有所帮助，另一方面刚好自己也能顺便学习强化学习。
使用c++开发程序时，经常会遇到运行中core的情况，如果是偶发的就更加难以定位，本文讲解如何使用gdb进行core位置的分析定位。
AlphaGo论文的译文：用通用强化学习自我对弈，掌握国际象棋和将棋 Mastering-Chess-and-Shogi-by-Self-Play-with-a-General-Reinforcement-Learning-Algorithm
AlphaGo论文的译文：用深度神经网络和树搜索征服围棋 Mastering the game of Go with deep neural networks and tree search
jupyter notebook里的代码有py2.7也有py3.0的，本文讲解如何使jupyter同时支持多个python版本（python2.7.5 + python3.6.2）。
Keras 是一个用 Python 编写的高级神经网络 API，它能够以 TensorFlow, CNTK, 或者 Theano 作为后端运行。Keras 的开发重点是支持快速的实验。能够以最小的时延把你的想法转换为实验结果，是做好研究的关键。
前段时间尝试了手写数字的识别，因为模型是使用比较干净的黑底白字图片训练的，直接拿拍的手写照片识别效果不太好，无论是拍照时光线的明暗不均匀、笔的粗细、纸张的边缘等都对模型识别有很大影响，所以当时在模型识别前做了大量的图片预处理工作才使实际的应用准确率得到提升。难道图片的识别都要做如此复杂的预处理吗？