大规模培训终了～

算起来入职将近2个月了，却一直在培训。说起来是培训，却半句代码都没敲过。每天打交道的尽是些文档、PPT、视频，还有那装在虚拟机里死慢死慢的软件。

第一个月的培训在天堂软件园。中午通常吃外卖的盒饭，不贵，大多数时候挺好吃的，偶尔会有附赠的水果，不过那天的菜就。。大家都说，是做饭的师傅觉得菜做坏了亏欠，才给我们水果补偿的。
  
楼下的食堂不算难吃，也不贵，但下午不管什么时候去，菜总是冷的；中午好些，但是人巨多，一进去脑子就嗡嗡嗡嗡地响；所以一般只去吃早饭，白粥总没有难喝的。

培训会考试，有组队项目，却也不见有人挂。
中途有过一次Team Building，一下午的时间，几乎绕着西湖骑了一圈，去指定的地点拍集体照，还要拍十种颜色的花。中途遇上下雨，一群人躲近苏堤上的一个棚子，突然觉得有些浪漫><
  
同行的还有另一群2货，其中包括一颗正经博士。
  
骑的都是公共自行车，红红的一片，很好看。

第二个月就搬回西湖国际了。想不到食堂更加难吃了，而且服务态度恶劣。好在我找到了新的吃早饭的快餐店，还尝到了很久都没吃过了的南乳><

我们挤在一个挺小的Training Room里（Training Room压力很大啊，以前从来没这么多人过）。每个人半张桌子，椅子摆开了就很难动弹了，出去的时候总要知会左右的人。
像一个堆栈，坐在最里面的人想出来，就得让外面人全Pop出去。
某天上课中，某两只高富帅睡得前赴后继。
另外，这两个月是我生平听到“白富美”和“高富帅”次数最多的日子，因为最里面那只小朋友。

昨天是大规模培训的最后一天，大多数人都进组开始组内培训了。
我也新搬到了以后工作的Cube里。还很空旷，可以放很多书。坐位上还遗留着一个好看的玻璃制奖杯（好想以后能拿到一个><）。

带我的Mentor是个PPMM，常笑。老大是个白面书生？，也常笑。大老大是个芬兰帅大叔，泡面头，不常笑，不过很有趣。接到的第一个任务有些棘手，是我不算熟悉的领域。不过心想也不至于太难，即使难，也难不过啃论文什么的吧。
下周可能会看见代码了，有点兴奋啊～～（啃完文档再说什么的最讨厌了><）

Bless Myself.

说说最近看过的电视剧

昨晚有人熬着夜debug，我就窝在毛毯里快进着看「甄嬛传」，到凌晨2点。早上起来看完了最后一集。该死的都死了，不该死的也死了。

听说这片刚开拍的时候豆瓣的评分只有2.0，原因不出“演员太丑”“好好的小说被毁了”“为嘛又是清朝”；开播之后才慢慢的开始爬，到了现在的8.0。
我没看过小说，刚看第1集的时候因为豆瓣的海报太丑外加片子竟70多集，只给了3星；看到一半，加了1星；今天才去改成5星，我觉得，当得起。

搜了下「甄嬛传」小说的评论，再加上小说作者笔名的风格，想来应该是个言情虐心剧；可又去查了下电视剧的导演郑晓龙（照片挺帅），以前拍的却是「金婚」、「渴望」、「四世同堂」这样的正经剧目。因此，整个片子的基调就很厚重，配乐选角都是四十代的沉稳，脱了二十代十代的稚嫩。小说粉丝讨厌一点也不奇怪。二次元世界三次元化都恨得粉丝牙痒痒，更何况一次元世界三次元化呢。再如何有理有据，也是脑内世界各人不同，强求不得。

似乎编剧就是小说作者本人，情节设置也算合理，不傻，戏剧性很强，人物性格分明，对人性扭曲的过程转折也算流畅，正面冲突紧张，背地里的小动作干脆。就是甘露寺那段我快进的最多，感觉假，这段的逻辑稍稍有些不畅。
最满意剧里的人死的利落，不像有些片拖拉，无比珍惜每一个演员的死亡机会。
这是故事的真实感。一个人的死亡，本来就是很快捷的事情，割动脉15分钟，窒息8分钟，抹脖子1分钟，吞枪5秒钟。是血腥。生命的沉重，也许有一半是因为易于摧残。

演员长得都不大偶像。皇帝更是老头子，却娶了一群十七八的小姑娘。我觉得华妃演的最好，跋扈，张扬，心狠，美艳，还有可悲的痴情。一群人，在花样年纪被扔进金玉其外的牢中，终日无所事事，在本该受到高等教育的年纪将时间都浪费在钻营魅术权术，而导致人生观价值观的不成熟；其实也像古时花楼的卖笑之人，只是恩客只有一人。

太忙，是身体的毒药；太闲，却是心灵的毒药。

-----------------------------

最近还看了些剩男剩女的片子，「男人帮」，「我可能不会爱你」，「我无法恋爱的理由 | 私が恋愛できない理由」。

开头都是群找不到gg找不到mm的高品质剩男女，三个片子的走向却完全不一样。「男人帮」装B，装深沉，车轮般的换女人；「可能不」兜圈子，装不懂，装纯，遥想恰同学少年时；「我的理由」就像个散装饼干，三个人来时各过个各的，走时还是各过各的，兜了一圈还是那样。

想想就和他们的出产地一样的个性，一个很混乱，一个很清新，一个很自我。

那些年，我们一起写的学位论文

12月初定题，12月底开始写，1月初提交预审。前后真的在写也就一礼拜的时间。也是，师兄师姐们也是这样的，写得风风火火。

最喜欢初稿，28381个字。

后来加了点、删了点、换了点，却越改越多，29523个字。憋死了也未过30000，实在佩服3万党们。

预审稿子交上去了，最近就放羊等着了。拜托让过~

贴几个实验结果，做的还行吧。不如Kinect，但是随便用用该是够的，若是数据库做的再大些，应该会好很多。

后来改了些代码，重新连了骨架，好像变好看点了。

---

若真使得，好想按我自己想的，做个手掌的骨架，只是，唉。
毕业了后，自己再抽时间做吧。

忘了，跟风贴个致谢吧。文笔拙劣，也写不长。惭愧。

2011年终盘点

本来不想点的，忙完工作又忙论文的都要虚脱了（房间都好久没打扫了）。不过昨天刚写完论文0.9ver.，今天怎么也鼓不起劲做GPUver.了，所以这些就等到2012再说吧，反正地球都要毁灭了。

今年冬天杭州没下雪。光降温了。

※音乐
忙起来连歌也不听了，每天在实验室总戴着耳机，但什么声音也没有，就是隔音保暖用的，连纯音乐都觉得吵。到了年末才想起来今年是LARUKU的复出年，也是20周年，09年的时候我还说想去日本参战周年演唱会的，有点伤感了。真的花大片时间听歌，也就这一个月瞎听了些虾米的年末精选，把各种年终歌会都快进了次，想见到的还是那些人，FNS里出奇的老歌多。完全是老爷子的心态嘛！
突然觉得喜欢德永英明（虽然我本来就爱好大叔音），「壊れかけのRadio」和「あの鐘を鳴らすのはあなた」。
国内近来也出了些耐听的新歌手吧，为数不多的几次去KTV都是我很珍惜的听新歌的机会。
也许明年会改善吧，闲下来的话。

※动画
新番我都有跟的。不过好些跟着跟着就落下了，落太多就就想“恩，养肥了再看”，结果养着养着就忘了。。。
按时间来吧，看过的都说遍。
# IS | IS＜インフィニット?ストラトス＞
后宫片。亮点是萝卜和mm的结合体，男主角每收一个后宫ED画面里跟在他身后的mm就会多一个。其实我是冲着武道女主角追的。
# Fractale | フラクタル
不记得有没有看完了。。故事讲得有些散，坑没填完，对分形的解释有点脱离“分形”原本的概念，更像分身。制作算是精良吧。
# BREAKBLADE破刃之剑
这货算是今年的吧，这种分集剧场最磨人了。还有大饼要追的「UNICON」，都是等这集出来的时候忘了上集的内容。好在破剑的设定很奇特，武器像打墙钉的枪（其实就是），王后mm也很有爱。
# MacrossF
我不喜欢绿毛！
# 基友英雄传 | TIGER & BUNNY
这译名。。连载的时候我就是这译名才弃的它，要不是后来机缘巧合，真是错过了这个近来难得的热血好片。传统又非传统的对“英雄”的诠释，“为了梦想”“为了保护我所珍视的人们”，这种老掉牙的台词！这种老掉牙的感人桥段！这传神的你知我知的译名！
# 花开伊吕波 | 花咲くいろは
这片啊初看第一集真的很惊艳，什么十周年纪念制作，什么手工三段ray tracing光影效果。不过，不过，监督你到底想说什么啊！
# 我们仍未知道花名 | あの日見た花の名前を僕達はまだ知らない
年度催泪弹。这故事明明没那么感人，其实也没那多可讲的内容被拉成了11集，还有那么微不足道的有点荒谬的非要滞留人间不肯转世的理由。可是，天知道为什么，那哭花了的丑死的笑容，音乐突然唱起“君と夏の終わり　将来の夢　大きな希望　忘れない”，我想很多人都是在这个点哭的。
# 青之驱魔师 | 青の祓魔師
稳扎稳打的少年向番。不坏。猫又小黑挺萌。“猫舌头吃不了烫东西”什么的。
# 空之轨迹 TV版 和 全职猎人重制 | HUNTER×HUNTER 和 高达SEED HD重制版 | 機動戦士ガンダムSEED HDリマスター
我没看过你们几个没诚意的家伙。
# 滑头鬼之孙 第2季 | ぬらりひょんの孫 千年魔京
换了监督风格果然变了，喜欢突然大字幕草书写出招式的名字。听说西村最擅长耍帅。吐槽最后一集实在太黑暗太浪费感情了。
# 夏目友人帐 第3季 | 夏目友人帳 参 和 白兔糖 | うさぎドロップ
都是治愈番。对于夏目因为习惯，有点丧失兴趣了。。白兔糖的开场真是有点劲爆，孙子领养了爷爷的女儿，这乱七八糟的关系，真是让人兴奋。不过看着看着就忘了这桥段变成了红果果的温情片，尤其是尿床还耍赖那段。
# 偶像大师 | THE IDOLM@STER
最近才完结。我也不知道为啥会跟完，其实不怎么好看的说。像AKB48一样乱糟糟的一对女艺人。
# EVA新剧场版:破 | ヱヴァンゲリヲン新劇場版：破
因为EVA我得到了一个很喜欢的今年的生日礼物，二号机。为了明日香能够回来。
# 食梦者 第2季 | バクマン。2 和 Fate/Zero
这类片子是个正常人都会追的。两者的共通点是完结的都太不厚道了。“你们这种，完全就应该做成年番”，说了工作室也不会听我的，人家要卖周边赚钱的。
# 便当 | ベン·トー
下半年最奇特的片子。抢个半价便当抢出人生哲学来了。听说原来是个搞笑小说，完全看不出来，我把它当很违和的战斗番看的。。
# 追着追着掉了的有以下这些
「GOSICK」「超元气三姐妹 增量中 | みつどもえ 増量中！」「只有神知道的世界II | 神のみぞ知るセカイII」
「C」「亡灵幻境 | デッドマン·ワンダーランド」「神的记事本 | 神様のメモ帳」
「异国迷路的十字路口 | 異国迷路のクロワーゼ」「NO.6」「BLOOD-C」「永远之久远」
「最终流放 银翼之法姆 | ラストエグザイル-銀翼のファム-」「未来日记」「UN-GO」
「罪恶王冠 | ギルティクラウン」

好长。。我知道我今年闲暇都在干嘛了。。

不想写电影了，也就去电影院看了些大片什么的。印象最深的是「源代码」，觉得最难看的是「丁丁」。
就这样吧。

新年快乐~ 祝自己和所有要毕业的人，预审顺利。

搬家~ lincccc.com

前段时间被blogbus的浮动视频广告恶心到了，就开始计划搬家的事。

大饼买了个主机空间，我就蹭着用了。新地址：lincccc.com

wordpress还不会用，凑活着看看先。有空再画个主题。

毕业前blogspot站还会同步更新，国内的blogbus就关掉了（让你弹广告！）。

新年快乐~

Fullmetal Fairy Tale ~「Real Steel」

今日大风。跑去UME办了张心心念念很久的会员卡，然后去看「Real Steel」。

我挺喜欢这片。暴力不血腥。大饼说，拥有一个机器人是每个男孩心中的梦想。我想起我们计划的赚够500万后要做的事情：买一座山，建一个城堡，种一坨果树，造一个洒水高达。

我看这片，就像在看睡美人、白雪公主之类的童话故事，一个小男孩从垃圾堆里捡到一个拥有超强模仿能力的机器人，最后打败代表邪恶势力的世界冠军，成为英雄的故事。

但我其实很喜欢暴力的事情，就是怕血腥怕痛，所以这片子很适合我。而且又是Happy Ending，Perfect！

遗憾的是，没有出现我期待的萝卜卖萌镜头。

PS：影片后期——就是银幕上打得正high的时候，机器人被调至模仿模式，某大叔体感操控，的时候。我忽然有种穿越感，仿佛坐回到实验室写视觉动作识别代码了；有些难以接受，这抗噪声抗高光，不完全捕获下的动作预测和补全功能，还高实时性，耐打防抖动，而且TM这准确率也太高了点吧。看看我手里温室下80%准确率就欢天喜地的实验结果，着实有些受伤。

还好，你丫只是个特效合成的电影。

[乱读书] 数据挖掘导论的导论

Book：Pang-Ning Tan, Michael Steinbach, Vipin Kumar. 数据挖掘导论（Introduction to Data Mining）. 机械工业出版社，2010年9月第1版.

---

这种训练程序一跑就是2个小时的时候最适合乱读书了。最近买了本「数据挖掘导论」和一本「模式识别」，混着读。读「数据挖掘导论」是因为不知道那是什么，读「模式识别」是因为做了很久这方面的东西最近感觉有些混沌想要重读基础知识。所以两边的「乱读书」也会混着更新，懒的看书的就看我瞎侃好了。

数据挖掘是最近挺热的一个方向，业内做的比较好的典型有Google的广告推送、Amazon的推荐服务等等等，都是和数据挖掘相关的。有一个流传甚广的描述DM重要性的案例模板，或者是“可乐和尿不湿摆在一起为什么能提高销量”的故事，或者是“口香糖和电池”的版本，大体的意思都是“数据挖掘可以帮助零售企业，自动地从其大规模的零售数据中，发现一些有用的信息”。这也是本书中对「数据挖掘」所下的定义，关键词是“自动”、“大规模”和“有用”。

数据中的知识发现过程包括：数据→预处理→数据挖掘→后处理→有效信息。预处理包括特征选择、降维、归一化等等，后处理则是为了保证信息的有效性，包括可视化、模式解释和过滤等。数据挖掘在其中最大的作用是自动总结和筛选知识（我认为）。这是一个交叉性和应用性很强的领域，以数据库、分布式技术为基础，涉及统计学、人工智能、机器学习和模式识别等多领域。

其主要难点在于：

可扩展性Scalability。指其处理大规模数据的能力，不单是时间复杂度上的高效，还有对存储空间上的要求，比如海量数据往往意味着无法将其一次性读入主存中。并行或分布式算法往往具有较高的可扩展性；
高维度High Dimensionality。通常会有成百或者上千的属性来修饰数据，可能是时域上的，也可能是空间域上的，这意味着我们需要应付高维向量，这对于某些对维度敏感的传统算法是灾难性的（这点和CV领域很像）；
非均匀的复杂的数据Heterogeneous and Complex Data。由于DM的应用领域很广泛，但不同领域的数据的属性是不同的；属性中可能同时混杂着不同类型（连续的、离散的），比如同时包含文本、超链接和图片的网页。这对DM前的数学建模是个挑战；
数据归属和分布式Data Ownership and Distribution。有时，数据并不存储在一个地方；有时，数据并不属于单一的组织。因此，我们需要分布式DM技术。这里的难点主要在三个方面：如何降低分布式系统的通信成本；如何有效地合并多方的DM结果；以及如何处理数据安全的问题；
非传统式的统计分析Non-traditional Analysis。传统统计方法通常是一个假设和验证的过程，需要手工地收集数据、设计实验来验证假说。但当面临大规模数据应用时，这种劳动密集型的实验方法是不可取的。DM是一个自动提出假说并自动收集数据、自动验证的过程，不再有精巧设计的实验，数据更趋于偶然性。

数据挖掘的主要任务可以分为预测Predictive和描述Descriptive两大类。预测类任务指通过数据的一些属性估计其他属性；描述类任务指从数据中获取其隐藏的模式（趋势、相关性、聚类、异常性等等）。

预测建模Predictive Modeling。主要用于解决分类Classification和回归Regression两类问题（这点上与机器学习对预测的定义一致）；
关联性分析Association Analysis。指从数据中发掘强烈存在的特征间的关系，这种关系通常通过隐藏的规则或者特征的子集来表示。我们开头提到的“可乐和纸尿布”就属于这类任务；
聚类分析Cluster Analysis。指从数据中发掘拥有相似外观的群体，使得类内距离最小，类间距离最大。比如，寻找商品的相似购买者，或者通过关键词对文档主题的聚类；
异常检测Anomaly Detection。指从数据中检测行为异常者，主要的目标是准确地发现异常行为，并且避免误判。这个应用十分有用，比如通过购买记录检测信用卡的异常消费行为——不符合持卡人的消费习惯或年龄等。

初步感觉这本书会讲到很多和机器学习、模式识别重复的内容，似乎可以理解为统计模型在大规模数据及具体环境下的应用问题，是个讲究实际的领域。