两个大小都是\(N \times N\)的矩阵相乘，如果使用naive的算法，时间复杂度应该是\(\mathcal{O}(N^3)\)，如果使用一些高级的算法，可以使幂指数降到3以下。对于一般情况的矩阵乘法，特别是张量乘法（numpy中的tensordot函数），时间复杂度又如何呢？

Python里的and和or可以说是最基础的小白语法了，今天在看Flask源码的时候有几处关于and和or的地方却感觉看不太懂，如：

1
2
3
4
5
6

def get_env():                                                      
   """Get the environment the app is running in, indicated by the 
   :envvar:`FLASK_ENV` environment variable. The default is       
   ``'production'``.                                              
   """                                                                             
   return os.environ.get('FLASK_ENV') or 'production'

我觉得非常奇怪，这不是肯定返回True的吗？

发生了什么

在我脑海中，os.environ.get('FLASK_ENV') or 'production'的执行逻辑应该是这样的：

1. os.environ.get('FLASK_ENV') 获得一个返回值，如'development'或None
2. 执行隐式的类型转换bool('development')得到True或者bool(None)得到False
3. 对or进行短路求值，如果or之前是True，直接返回True
4. 反之则对or之后的值进行类型转换bool('production')得到True，并返回True
5. 综上肯定返回True

其实如果合理推断一下，应该能猜出来return os.environ.get('FLASK_ENV') or 'production'的作用是当os.environ.get('FLASK_ENV')的返回值不是None的时候，返回其返回值，否则返回'production'，但是这个语法和我之前曾经理解的and和or完全不同。我本来觉得这是return里的一个特例，查了一下才发现这是Python的标准语法。

自认为读过看过的Python书、资料不算少了，没有太多眼前一亮的。初看《Python Cookbook》时曾经觉得如鱼得水，但是看多了也就觉得不过尔尔了，而且组织方式其实挺杂乱的。
《Python Linux系统管理与自动化运维》是我感觉最近一年读到的最好的技术书籍。

我觉得这本书好，原因有两个，其一是很对口，其二是写的真的很好，而且很新没有过时。
写得好体现在内容组织的非常详实而又精炼。可以说是用最短的篇幅和最通俗易懂的语言，照顾到了应该介绍的各个方面的最精华的内容，没有任何多余的废话。看起来十分过瘾。本来我还试图去做图书笔记，乃至写个blog，后来感觉到这本书本身就是对它自己最好的笔记。

本来是网上看看的，果断入正。

昨天接了这样一个活：有500篇文献的记录，将它们导入Web of Science然后生成bib文件，然后交给图书馆查他引。本来带头的老师计划把任务平均分给包括我在内的三个人人工去做，我自己试了试写了个脚本用Selenium自动化地完成了大部分。Selenium自动化测试如果开着浏览器窗口还是很cool的，所以我有点小得意，想po一下代码。但代码其实也没什么可po的，都是很简单的业务代码而已，倒是在这个过程中我有些体会，好像还蛮有意思。

\(\LaTeX\)中绘制矩阵的基本语法是:

1
2
3
4
5
6
7

\left[
    \begin{array}{ccc}
        0        &   y    & \alpha \\
        \omega g &   x^2  & 5      \\
        e^{i\pi} &   ab   & \omega \\
    \end{array}
\right]

此外使用bmatrix等环境也ok。这种语法对于小型矩阵比如例子中的\(3\times 3\)矩阵来说，是很方便的。然而对于比较大型的矩阵，比如\(12\times 12\)的矩阵，直接用\(\LaTeX\)来写就显得有点蛋疼了，光是实现有效编写大型\(\LaTeX\)矩阵的前提——&对齐，就足以使人痛不欲生。如果能指定矩阵的逻辑，然后自动生成\(\LaTeX\)代码就好了！Python的sympy库就可以很好地完成这个任务。

《Web前后端漏洞分析与防御》是慕课网的一门网课，时长约11小时，原名叫做《腾讯大牛教你web前后端漏洞分析与防御》。尽管原名很山寨，这门课的质量还是不错的，主要讲解了XSS、CSRF、点击劫持、中间人攻击、密码安全、SQL注入和文件上传漏洞几个方面。

Monty Hall是概率论与数理统计中很经典的例子，非常容易迷惑没有学过条件概率/对该问题警戒心不强的人。如果对条件概率有一定了解，也的确理解了Monty Hall，那么这个问题就不过是课后作业水平了，其实没什么好讨论的。

不过据说爱因斯坦说过一句话：

If you can’t explain it to a six year old, you don’t understand it yourself.
（如果你不能把一个道理向六岁小孩解释清楚，你就没有真正理解它）

我相信概率论的内容（特别是和量子力学比较）应该是符合人的直觉的，所以我这几天睡觉之前总是思考Monty Hall，想给出一个直观的、没有学过概率论的人也能接受的解释。昨天我终于有所得，想到了一个和Monty Hall类似的问题，而大多数人面对这个问题应该会做出正确的选择——

自本科起每个学期都必须要评教。所谓评教就是在网上给所有这学期的老师助教打分，评了教才能选下学期的课。

由于每个老师都有七八项指标要打分，有时一门课又有多个老师，实际做起来还是挺麻烦的。

也知道校内有人做了Chrome插件来自动评教，还能分数随机波动之类的，但是装一个一年用两次的插件成本也不低。

最近把JS方面的知识了解了一下，这次评教就发现自动评教非常简单，只要在控制台简单一行：

1

$('select option[value="7"]').attr('selected', 'selected')

虽然简陋了一点，感觉比装个插件用起来舒服。计算机真不愧是生活实用技能啊…..

唯一可惜的就是，我今后评教的机会不多了……

Github上已经有很多repo存配置Linux环境的脚本了，我这里用博客形式记录是想不那么正式，随意一些。毕竟放在Github上总让人觉得必须要“编译通过”才能算是一个合格的repo。
目前我配置自用的Linux环境常做的有如下几件事：配置软件包管理器的源、oh-my-zsh和vim。

Type in any of 2 variables in frequency, lambda, displacement or HR-factor, and the remaining 2 variables will be calculated automatically.
Click “clear values” to unlock auto-locked variables.