lda整體流程
先定義一些字母的含義：
lda以文件集合d作為輸入（會有切詞，去停用詞，取詞幹等常見的預處理，略去不表），希望訓練出的兩個結果向量（設聚成k個topic，voc中共包含m個詞）：
lda的核心公式如下：
p(w|d) = p(w|t)*p(t|d)
直觀的看這個公式，就是以topic作為中間層，可以通過當前的θd和φt給出了文件d中出現單詞w的概率。其中p(t|d)利用θd計算得到，p(w|t)利用φt計算得到。
實際上，利用當前的θd和φt，我們可以為乙個文件中的乙個單詞計算它對應任意乙個topic時的p(w|d)，然後根據這些結果來更新這個詞應該對應的topic。然後，如果這個更新改變了這個單詞所對應的topic，就會反過來影響θd和φt。
lda學習過程
lda演算法開始時，先隨機地給θd和φt賦值（對所有的d和t）。然後上述過程不斷重複，最終收斂到的結果就是lda的輸出。再詳細說一下這個迭代的學習過程：
1）針對乙個特定的文件ds中的第i單詞wi，如果令該單詞對應的topic為tj，可以把上述公式改寫為：
pj(wi|ds) = p(wi|tj)*p(tj|ds)
先不管這個值怎麼計算（可以先理解成直接從θds和φtj中取對應的項。實際沒這麼簡單，但對理解整個lda流程沒什麼影響，後文再說）。
2）現在我們可以列舉t中的topic，得到所有的pj(wi|ds)，其中j取值1~k。然後可以根據這些概率值結果為ds中的第i個單詞wi選擇乙個topic。最簡單的想法是取令pj(wi|ds)最大的tj（注意，這個式子裡只有j是變數），即
argmax[j]pj(wi|ds)
當然這只是一種方法（好像還不怎麼常用），實際上這裡怎麼選擇t在學術界有很多方法，我還沒有好好去研究。
3）然後，如果ds中的第i個單詞wi在這裡選擇了乙個與原先不同的topic，就會對θd和φt有影響了（根據前面提到過的這兩個向量的計算公式可以很容易知道）。它們的影響又會反過來影響對上面提到的p(w|d)的計算。對d中所有的d中的所有w進行一次p(w|d)的計算並重新選擇topic看作一次迭代。這樣進行n次迴圈迭代之後，就會收斂到lda所需要的結果了。
nmf的缺點：只能對訓練樣本中的文字進行主題識別，而對不在樣本中的文字是無法識別其主題的。根本原因在於nmf與plsa這類主題模型方法沒有考慮主題概率分布的先驗知識，比如文字中出現體育主題的概率肯定比哲學主題的概率要高，這點**於我們的先驗知識，但是無法告訴nmf主題模型。而lda主題模型則考慮到了這一問題，目前來說，絕大多數的文字主題模型都是使用lda以及其變體。
編碼通俗解釋
很久很久以前，有一群人，他們決定用8個可以開合的電晶體來組合成不同的狀態，以表示世界上的萬物。他們看到8個開關狀態是好的，於是他們把這稱為 位元組 再後來，他們又做了一些可以處理這些位元組的機器，機器開動了，可以用位元組來組合出很多狀態，狀態開始變來變去。他們看到這樣是好的，於是它們就這機器稱為 計...
通俗解釋挖礦
位元幣本質上並不是乙個 幣 而是乙個記賬系統而已，而這個記賬系統中的最大單位，就是 1btc 而這個記賬系統，其實是需要委託乙個人來幫大家記總賬，記好了以後再把賬本複製分發到每個人手裡，然後這個系統會給這個記賬人一點工資作為獎勵。這個記賬人，就是礦工。那麼這裡就有了乙個問題了，我們怎麼保證這個記賬人...
ClearType通俗解釋
在解決了ie9字型模糊的問題後，我又繼續研究了一下windows的字型渲染方式，還動手編寫了乙個程式，這裡做乙個總結。windows的字型渲染型別有五種 和 可調整字型大小，右鍵撥出選單可以改變字型名稱和字型顏色，顯示效果如下 當然了，這張圖是我用放大鏡放大後的結果，這樣更加明顯一些嘛。其中的sys...