关于 Android Studio 与 Git 就不多说了。一般情况下我们都是 clone 一个已有的 git 仓库到本地继续开发。那么如果是一个全新的项目，标准的建立并传到远程仓库的流程是怎么样呢？一番摸索后记录一下。
首先要确保计算机已经安装了 Git，之后 Android Studio 应该可以自动识别到 git 的位置。如果不放心可以打开设置搜索 git 可以手动配置位置并进行测试。
注意区分 git 与 github 哦~
通过 Android Studio 菜单栏的 VCS - Import into Version Control - Create Git Repository... 即可初始化本地仓库。在选择目录的时候记得选择项目的根目录。
你也可以直接在 Android Studio 下方的 Terminal 界面直接运行下面命令行来建立一个仓库。这里终端的默认位置就是项目根目录。
1 | # 初始化一个仓库 |
早在 Android Wear 1.x 时代，智能手表的应用都是先安装在手机上，然后蓝牙连接手表后会同步过去。但在自从升级到 AW2.0 （现改名为 Wear OS）后，这一做法被废弃，改为手表独立安装应用。不过在 Google 的开发者文档中却说依然支持蓝牙同步，着实坑了开发者一把。
与此同时，按照 Google 的说法，若用户安装的手机应用支持手表，那么他会在手表上收到通知。但是没有说清楚的是，这一功能仅支持 Google play. 在中国，作为 Wear OS 的官方合作伙伴，问问应用市场与华为应用市场却把这些功能弄得一团糟。
各种小坑最终整合成了一个大坑，用户想在手表安装个应用都成了件麻烦事。这篇教程就教各位如何使用 adb 手动安装应用。
Wear OS 或 Ticwear 系统的设备一部。废话（=、=）adb工具。链接：http://pan.baidu.com/s/1sljpQQ5 密码：cznr. 或者去谷歌中国官方 OR 谷歌国际官方下载。adb简介：
adb全称Android Debug Bridge，中文直译安卓调试桥，是一个谷歌官方发布的用于调试的程序，通过它可以对Android设备进行各种操作。
从京东抢购的 ticwatch 一代，到现在已经有数个年头了。这期间出门问问陆续发布了 ticwatch2 ，ticwatch S/E，tichome，ticpods free，tichome mini 等等产品。
2018年5月，出门问问发布会如期举行，我也很荣幸能够到现场参加。这一次问问一口气带来了 TicWatch Pro、TicKasa、TicPod Solo、问芯 四款产品。因为我本人比较偏向于关注智能手表，所以也就着重说说这块。
出乎意料，问问开了一个新的 PRO 系列，而不是猜测中的 TicWatch3。据说 TicWatch3 吧主已哭晕。 PRO 拥有众多革命性的变化，虽然这些技术先前或许已被其他厂商使用，但问问是第一个集合起来的。
说到双屏幕手表，不得不提果壳二代。我也曾经是果壳表的用户，对这个骗子公司深恶痛绝，在濒临倒闭之时竟然还把3年前的产品拿到京东众筹清库存。（咳咳，好像跑题惹）
屏幕一直以来都是耗电的大头，所以很多轻智能手表或手环均选择了类似墨水屏的方案来最大化续航。显然这种方案不适用于 TicWatch 这种全智能设备。自然而然地，两个屏幕的想法就这么诞生了。
在之前的讨论中，一场游戏只有一个智能体。而在博弈论中，智能体评估它们的决策如何与其他人的决策相互作用以产生不同的结果。
看一个具体的博弈游戏：
圆圈中的数字代表一个状态。L/R/M 代表智能体可采取的动作。叶子节点的数字代表智能体 A 的得分（B的得分是相反数)首先 A 做出一个选择（动作），随后 B 做出一个动作，然后 A 可视情况再次做出一个动作。
博弈论一个基本前提是：假设所有玩家都想最大化自己的得分，并都可以正确做出最佳动作，并都相信其他玩家也会这样做。
这是博弈问题最简单的一种：两个玩家的零和有限确定性完美信息博弈。
Q-learning 是一个经典的强化学习算法。
为了便于描述，这里依然定义一个“世界”：
令空白格子的奖励为1.
Q-table 是 Q-learning 的核心。它是一个表格，记录了每个状态下采取不同动作，所获取的最大长期奖励期望。通过此，就可以知道每一步的最佳动作是什么。
Q-table 的每一列代表一个动作，每一行表示一个状态。则每个格子的值就是此状态下采取此动作获得的最大长期奖励期望。例如：
| U↑ | D↓ | L← | R→ | |
|---|---|---|---|---|
| START | ? | 0 | 0 | ? |
| (2,1) | 0 | 0 | ? | ? |
| (1,2) | ? | ? | 0 | 0 |
| … | … | … | … | … |
上表表示，对于状态 STRAT 向下或左的奖励期望是0（因为无法移动），其余两个方向由于未探索，所以奖励未知。状态(2,1)和状态(1,2)同理。
如果能求出整个表的所有值，那么这个问题就解决了。为了做到这一点，需要使用 Q-learning 算法。
Markov 决策过程中文译为马尔可夫决策过程。英文全称为 Markov Decison Processes，简称 MDP.
为了便于描述，首先定义一个“世界”，如下：
从起点开始，每次选择往四个方向走一格子。目标是到达绿色格子，游戏结束，碰到红色则失败，游戏结束。
黑色格子为障碍物，碰到障碍物或撞到墙壁则原地不动。
但是每次移动准确率只有80%，另外有20%的概率向与目标方向垂直的方向移动，这两个垂直的方向概率各是10%.
T(s,a,s')，他生成的其实是一个概率：P(s'|s,a)，即：从状态s，采取动作a，转换到状态s’的概率。R(s)，也可以变形为 R(s,a) 或 R(s,a,s').π(s) → a. 而 $ \pi^* $ 则表示最优策略，它最大化长期期望奖励。从MODEL定义，可以得出 Markov 特性，即：下一个状态的产生只和当前状态有关。
家里升级了电信200M宽带，上行也提高到了20M，原来的百兆路由器已经不能满足需要了，经过一番比较最终入手了华硕AC86U。不过那么快的网速加上辣么棒的路由器，不做点别的实在太可惜了。折腾了一会后，成功实现媒体服务器、离线下载、远程管理、文件共享等诸多功能，着实提高了生活质量。
路由器：华硕AC86U
固件：梅林
其他设备例如部分网件路由器也可以刷梅林固件，不行的话只好找其他固件或插件实现。本文提供的是一个思路，不同设备固件有不同的实现方法。
在机器学习中，对于一个模型的性能评估是必不可少的。准确率(Accuracy)、查准率(Precision)、查全率(Recall)是常见的基本指标。
为了方便说明，假设有以下问题场景：
一个班有50人，在某场考试中有40人及格，10人不及格。
现在需要根据一些特征预测出所有及格的学生。
某一模型执行下来，给出了39人，其中37人确实及格了，剩下2人实际上不及格。