Shaka

Sed 是著名的流编辑器，它能够对文本进行逐行处理，通常需要配合正则表达式使用。具体地， Sed 先把当前行的文本导入 模式空间(pattern space) 对其处理，然后输出处理后的文本。

• The network is composed of an input layer, an output layer, and optionally a series of hidden layers.
• Input layer does not carry out any operation/function, but the hidden and output layers consist of functional neurons, i.e., have activation functions.

\[\begin{aligned} y = f(\mathbf{W} \mathbf{x} - \theta) \end{aligned}\] where \(f\) is termed activation function.

在pytorch中，神经网络的输入、输出、以及网络的参数等都采用了“张量”的数据结构。张量与numpy中的多维数组(numpy.ndarray)非常类似，区别在于张量可以在GPU或其他硬件上运行。

• 成员函数名称末尾加上 _ ，会采用替换模式，也即该成员函数直接修改张量对象本身。
• .item() 返回其具体数值，该方法仅适用于大小为1（也即只含有一个元素）的张量。
• .view() 功能为reshape该张量（保持元素个数不变），其参数为新的shape。特别地，值为-1的维度可以通过元素总数不变推导得出。
• 定义一个张量时，可以通过参数 device 参数指定该张量存储于CPU还是GPU。也可以通过其成员函数 .to() 来转换。
• 定义一个张量时，参数 requires_grad=True 表示需要计算并存储对于该张量的梯度。该张量的函数均带有 grad_fn 属性。对于其任一函数，当调用其成员函数 .backward() 时，该函数对于该张量自变量的梯度将会被计算并保存在该张量的 .grad 属性中。

• 有时候需要停止跟踪记录某个张量（记为 x ）的梯度（比如在更新网络参数的权重系数时），可以采用以下任一方式：

  1. 调用该张量的成员函数 x.requires_grad_(False) 。
  2. 调用该张量的成员函数 x.detach() 会产生一个新的张量，其属性 requires_grad=False 。
  3. 采用with语句，也即 with torch.no_grad(): 。

Python程序运行时，需要Python解释器去执行 .py 文件。下面是一些常见的Python解释器。

  jupyter notebook

Around the decades, multi-input multi-output (MIMO), a.k.a. multiantenna transmission, has been the focus of the research relating to wireless communications, and attracted the interests and attentions from both academic circle and industrial area. By deliberately designing the complex-valued coefficients of each antenna elements, the transmitted power or its majority can be limited to a specified direction or area. The operation is termed beamforming, and accordingly the weights of all the antenna elements involved are termed a beamforming vector or a beamformer. In this case, the SINR and the power of the received signal at the receiver can be remarkably enhanced.