更新到3.2.0

_posts/2019-01-18-基于Jekyll搭建个人博客.md

@@ -3,8 +3,6 @@ title: 基于Jekyll搭建个人博客
 tags: 博客搭建
 ---
 
-## 引言
-
 最开始我是在[CSDN](https://blog.csdn.net/w_weilan)上写博客的。博客写了一年多，访问量勉强破万，感觉其中至少有三成是自己贡献的。而且 CSDN 上的广告是越来越多，网页编辑器也是越来越不好用。
 
 十一月份，在青岛的 ICPC 区域赛失利之后，想要重新开始，和过去告别。也从此转移自己写博客的阵地。考虑过转投暂时还比较干净而且可以部分定义页面的[博客园](https://www.cnblogs.com/wu-kan/)，但是最终还是决定在[Github Pages](https://pages.github.com/)上搭建属于自己的博客。

_posts/2019-09-29-Lab4_1 Pandas 数据分析.md

@@ -4,14 +4,12 @@ tags:
   - 机器学习
 ---
 
+Pandas 数据导入；数据变换处理；统计汇总描述；假设检验；可视化等
+
 ## 实验目的
 
 学习 Pandas 数据分析基础，统计描述及数据可视化等
 
-## 实验简介
-
-Pandas 数据导入；数据变换处理；统计汇总描述；假设检验；可视化等
-
 ## 实验环境
 
 ### 硬件

_posts/2019-09-30-Lab4_2 Matplotlib库实践.md

@@ -4,14 +4,12 @@ tags:
   - 机器学习
 ---
 
+Anaconda 自带 Matplotlib 库，不需要单独安装，导入后则可以应用。Matplotlib 是最著名的绘图库，它主要用于二维绘图，当然它也可以进行简单的三维绘图。它允许用户使用 Python 创建动态的、自动义的可视化结果，其绘图结果直接显示在 Jupyter notebook 中。
+
 ## 实验目的
 
 学习 Matplotlib 库绘制 2D 图。
 
-## 实验简介
-
-Anaconda 自带 Matplotlib 库，不需要单独安装，导入后则可以应用。Matplotlib 是最著名的绘图库，它主要用于二维绘图，当然它也可以进行简单的三维绘图。它允许用户使用 Python 创建动态的、自动义的可视化结果，其绘图结果直接显示在 Jupyter notebook 中。
-
 ## 参考链接
 
 - Matplotlib 画廊<http://matplotlib.org/>

_posts/2019-10-09-Lab 6 kNN应用实践.md

@@ -4,15 +4,13 @@ tags:
   - 机器学习
 ---
 
+- 导入数据，归一化数据，距离计算，实现 kNN 分类器
+- 实例学习 kNN 分类器如何改进约会网站，以及识别手写数字
+
 ## 实验目的
 
 利用 python 实现 kNN 分类器
 
-## 实验简介
-
-- 导入数据，归一化数据，距离计算，实现 kNN 分类器
-- 实例学习 kNN 分类器如何改进约会网站，以及识别手写数字
-
 ## 实验环境
 
 ### 硬件

_posts/2019-10-16-Lab7 k-Means应用实践.md

@@ -4,14 +4,12 @@ tags:
   - 机器学习
 ---
 
+用 Python 访问 Baidu Web 的 API，先用 Baidu Web 的 API 获得数据，然后用 kMeans 算法对地理位置进行聚类，并对聚类得到的簇进行后处理。
+
 ## 实验目的
 
 利用 python 实现 kMeans 算法
 
-## 实验简介
-
-用 Python 访问 Baidu Web 的 API，先用 Baidu Web 的 API 获得数据，然后用 kMeans 算法对地理位置进行聚类，并对聚类得到的簇进行后处理。
-
 ## 实验环境
 
 ### 硬件

_posts/2019-11-04-Lab8 Navie Bayes应用实践.md

@@ -4,14 +4,12 @@ tags:
   - 机器学习
 ---
 
+利用 python 的文本处理能力将文档切分成词，通过集合元素的唯一性生成词汇列 表（不包括重复词汇），进而构建词向量（词集向量或词袋向量），从词向量计算概率，然后 构建分类器对邮件文档进行垃圾邮件分类。代码文件：bayes.py
+
 ## 实验目的
 
 利用 python 实现 kMeans 算法
 
-## 实验简介
-
-利用 python 的文本处理能力将文档切分成词，通过集合元素的唯一性生成词汇列 表（不包括重复词汇），进而构建词向量（词集向量或词袋向量），从词向量计算概率，然后 构建分类器对邮件文档进行垃圾邮件分类。代码文件：bayes.py
-
 ## 实验环境
 
 ### 硬件

_posts/2019-11-23-语言模型与新闻的内容预测.md

@@ -4,8 +4,6 @@ tags:
   - 自然语言处理
 ---
 
-## 实验简介
-
 - 从国内主流新闻网站（如腾讯、新浪、网易等）的科技频道抓取新闻内容
 - 对新闻数据进行预处理（分句、分词、去噪）
 - 使用预处理后的新闻数据训练两个语言模型

_posts/2019-11-29-CUDA矩阵向量乘的多种优化.md

@@ -4,8 +4,6 @@ tags:
   - 高性能计算
 ---
 
-## 实验简介
-
 使用下面一种或多种优化方法完成 CUDA 的矩阵向量乘法$y=A\times x$,其中$A$是$2^{14}\times 2^{14}$的方阵，$x$为$2^{14}$维向量。假设矩阵$A$的元素为$a_{i,j}=i-0.1\times j+1$，向量$x$的元素为$b_i=\log\sqrt{i\times i-i+2}$。
 
 - 使用 global memory

_posts/2019-12-04-Lab11 sklearn中的SVM应用实践.md

@@ -4,15 +4,13 @@ tags:
   - 机器学习
 ---
 
-## 实验目的
-
-sklearn 库的 SVM 分类器的实现。
-
-## 实验简介
+利用 scikit-learn 中自带的 iris 数据集，学习数据规范化、数据集切分、分类、预测，以及分类器 SVC 的测试评估等。
 
 sklearn 官网：<http://scikit-learn.org/stable/>，包含 sklearn 资源，模块下载，文档、例程等。
 
-利用 scikit-learn 中自带的 iris 数据集，学习数据规范化、数据集切分、分类、预测，以及分类器 SVC 的测试评估等。
+## 实验目的
+
+sklearn 库的 SVM 分类器的实现。
 
 ## 实验环境
 

_posts/2019-12-13-CUDA矩阵乘法的优化.md

@@ -4,8 +4,6 @@ tags:
   - 高性能计算
 ---
 
-## 实验简介
-
 使用下面一种或多种优化方法完成 CUDA 的矩阵乘法$C=A\times B$
 
 - 使用 global memory 合并访存

_posts/2020-01-13-稀疏矩阵乘法.md

@@ -4,8 +4,6 @@ tags:
   - 高性能计算
 ---
 
-## 实验简介
-
 分别使用 MPI 和 CUDA 实现稀疏矩阵乘法，输入输出矩阵都用压缩行格式存储；并与串行程序比较。
 
 ## 实验环境

_posts/2020-01-13-链表求序.md

@@ -4,8 +4,6 @@ tags:
   - 高性能计算
 ---
 
-## 实验简介
-
 用 MPI 和 CUDA 实现链表求序（linked list ranking）算法，并与串行程序比较。
 
 - 输入：一个 N 元素的单向链表，该链表放在一个长度为 N 的向量中。链表的每一个元素（除链尾的一个）都有一个后继的数组下标。链尾的元素的后继为`-1`。

_posts/2020-01-14-基于深度学习的中英机器翻译.md

@@ -4,8 +4,6 @@ tags:
   - 自然语言处理
 ---
 
-## 实验简介
-
 - 从 WMT18（News Commentary）中抽取的中英句子对
   - 数据集规模：10000
     - 10K 版本，train: 8000, test: 2000, dev: 2000

_posts/2020-01-18-Markdown写作心得.md

@@ -3,8 +3,6 @@ title: Markdown写作心得
 tags: 博客搭建
 ---
 
-## 引言
-
 这一年里逐渐养成了用 Markdown 做一些简单笔记和课程作业的习惯，来来回回踩了不少坑。下面分享一些自己觉得不错的使用 Markdown 的工具和习惯。
 
 ## 工具

_posts/2020-02-06-个人网站优化之旅.md

@@ -3,8 +3,6 @@ title: 个人网站优化之旅
 tags: 博客搭建
 ---
 
-## 引言
-
 一年前我转投 Github Pages，开始了自己的新博客生活（详见[一年前的一篇博客](https://wu-kan.cn/_posts/2019-01-18-%E5%9F%BA%E4%BA%8EJekyll%E6%90%AD%E5%BB%BA%E4%B8%AA%E4%BA%BA%E5%8D%9A%E5%AE%A2/)。由于 github page 原生支持 jekyll，在部署博客方面比较省心，我们只需要专注自己的博客内容即可。
 
 然而，时间一长，还是有很多需求得不到满足：

_posts/2020-02-25-用Shuffle加速CUDA上的Reduce操作.md

@@ -4,8 +4,6 @@ tags:
   - 高性能计算
 ---
 
-## 简介
-
 显卡上的规约操作是一个经典优化案例。在网上能找到的大部分实现中，性能比较优秀的是使用 Shared Memory 并进行访存优化的树形规约。
 
 近期正好在做这方面的一些优化，同时了解到从 CUDA 9.0 开始，CUDA 引入了更加灵活的 Warp 操作原语，这一方面使得 CUDA 编程更加简单，一方面也使得一些原有的功能发生了一些改变。本文重点对 Warp 和 Shared Memory 两种方法实现的并行规约操作进行性能对比。

_posts/2020-03-16-再谈CUDA上的Reduce操作.md

@@ -4,8 +4,6 @@ tags:
   - 高性能计算
 ---
 
-## 简介
-
 上次我学习了[用 Shuffle 加速 CUDA 上的 Reduce 操作](https://wu-kan.cn/_posts/2020-02-25-%E7%94%A8Shuffle%E5%8A%A0%E9%80%9FCUDA%E4%B8%8A%E7%9A%84Reduce%E6%93%8D%E4%BD%9C/)，据说这是目前在 CUDA 上最快的区间规约算法。然而运用在实际的情况中却并没有对代码的性能带来多大提升。本文中我再次整理了自己已知的所有 CUDA 上的快速区间规约方法，并以此对写出**高性能**且**高可扩展**的 CUDA 代码提出一些自己的思考。
 
 - 多路规约

_posts/2020-03-23-CUDA拷贝竞速.md

@@ -4,8 +4,6 @@ tags:
   - 高性能计算
 ---
 
-## 简介
-
 近期在做一个 CUDA 相关库的优化，发现稍作一点修改（下文中 `simpleZcopy` 到 `naiveZcopy` 的修改）后就让运行时间在 16 秒左右的仿真过程快了将近 1 秒。猜想这个优化方法可能是非常通用的，于是单独做一次实验来验证猜想。
 
 本文在显卡上双精度复数拷贝的场景进行试验，同时和一些常见的高性能拷贝 API 做性能对比。

_posts/2020-04-27-软件工程理论与实践（四）.md

@@ -9,4 +9,11 @@ tags: 软件工程理论与实践
 
 ## 简述软件工程的 6 个最佳实践
 
+1. 迭代的开发软件
+2. 需求管理
+3. 使用基于构件的体系结构
+4. 可视化软件建模
+5. 验证软件质量
+6. 控制软件变更
+
 ## 解释对象、类、继承、聚合、多态、封装

_posts/2020-05-14-编译原理（四）.md

@@ -0,0 +1,142 @@
+---
+title: 编译原理（四）
+tags: 编译原理
+---
+
+## 用上下文无关文法描述下列语言
+
+### 定义在字母表 $\sum=\{a, b\}$ 上，所有首字符和尾字符相同的非空字符串
+
+$$
+S\to aRa\vert bRb\vert a\vert b \\
+R\to Ra\vert Rb\vert \varepsilon
+$$
+
+1. $R$ 表示字典表是 $\sum$ 上的所有字符串
+2. $S$ 在 $R$ 的基础上定义题目要求的串，注意到单个 $a$ 和 $b$ 也是符合要求的。
+
+### $L=\{0^i1^j\vert 0\le i\le j \le 2i\}$
+
+$$
+S\to 0S1\vert 0S11\vert\varepsilon
+$$
+
+1. 若 $S$ 符合要求，则 $0S1$ 符合要求，可得 $S\to 0S1$
+2. 若 $S$ 符合要求，则 $0S11$ 符合要求，可得 $S\to 0S11$
+3. 空串符合要求，可得 $S\to\varepsilon$
+
+### 定义在字母表 $\sum =\{0, 1\}$上，所有含有相同个数的 0 和 1 的字符串（包括空串）
+
+$$
+S\to SS\vert 0S1\vert 1S0 \vert\varepsilon
+$$
+
+1. 若首尾字母相同，那么原字符串一定能划分成两个符合要求的子串，于是得到 $S\to SS$
+2. 若首尾字母不同，则去掉首尾字母仍然符合要求，于是得到 $S\to 0S1\vert 1S0$
+3. 空串符合要求，得到 $S\to\varepsilon$
+
+## 考虑以下文法
+
+$$
+S\to aABe \\
+A\to Abc\vert b \\
+B\to b
+$$
+
+### 用最左推导（leftmost derivation）推导出句子 abbcde
+
+$$
+S\Rightarrow aABe\Rightarrow aAbcBe \Rightarrow abbcBe \Rightarrow abbcde
+$$
+
+### 用最右推导（rightmost derivation）推导出句子 abbcde
+
+$$
+S\Rightarrow aABe \Rightarrow aAde \Rightarrow aAbcde \Rightarrow abbcde
+$$
+
+### 画出句子 abbcde 对应的分析树（parse tree）
+
+```mermaid
+graph TB
+S0---S1
+S0---S2
+S0---S3
+S0---S4
+S2---S5
+S2---S6
+S2---S7
+S3---S8
+S5---S9
+S0[S]
+S1[a]
+S2[A]
+S3[B]
+S4[e]
+S5[A]
+S6[b]
+S7[c]
+S8[d]
+S9[b]
+```
+
+## 考虑下述文法
+
+$$
+S \to aSb\\
+S \to aS\\
+S \to \varepsilon
+$$
+
+## 这一文法产生什么语言（用自然语言描述）
+
+若干个 $a$ 紧接若干个 $b$ 的字符串，且 $a$ 的数量不少于 $b$ 。
+
+## 证明这一文法是二义的
+
+例如，对于串 $aab$ 可以产生下述两种分析树:
+
+```mermaid
+graph TB
+S0---S1
+S0---S2
+S0---S3
+S2---S4
+S2---S5
+S5---S6
+S7---S8
+S7---S9
+S9---Sa
+S9---Sb
+S9---Sc
+Sb---Sd
+S0[S]
+S1[a]
+S2[S]
+S3[b]
+S4[a]
+S5[S]
+S6[ε]
+S7[S]
+S8[a]
+S9[S]
+Sa[a]
+Sb[S]
+Sc[b]
+Sd[ε]
+```
+
+## 写出一个新的文法，要求新文法无二义且和上述文法产生相同的语言
+
+$$
+S\to aSb\vert R\\
+R\to aR\vert \varepsilon
+$$
+
+由前一问可以知道，产生二义性的原因是，对于某些位置的 $a$ ，既可以从第一条规则得到，也可以由第二条规则得到。因此考虑定义一个新的只含有字母 $a$ 的串 $R$，这样就可以规定每一个 $a$ 是由哪一条规则得到的（不妨设串中有 $\alpha$ 个 $a$，$\beta$ 个 $b$ ，则由第一问有 $\alpha \ge \beta$）：
+
+1. 如果对于特定位置的 $a$，它到最近的 $b$ 的距离小于等于 $\beta$，则它是由第一条规则得到的。
+2. 如果对于特定位置的 $a$，它到最近的 $b$ 的距离大于 $\beta$，则它是由第二条规则得到的。
+3. 对于所有的 $b$，它一定是由第一条规则得到的。
+
+由此可以证明文法无二义，同时证明过程也推导了任意一个前述文法相同语言的过程，于是这个新的文法是符合要求的。