3.26学习周报

Posted hehehe2022

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了3.26学习周报相关的知识，希望对你有一定的参考价值。

文章目录

前言

本周阅读文献《Simulate the forecast capacity of a complicated water quality model using the long short-term memory approach》，本文主要研究了LSTM模拟复杂水质模型（即环境流体动力学代码，EFDC）预测能力的能力，通过NSE系数评估LSTM性能，并应用随机森林来确定LSTM性能的关键驱动因素。结果表明，许多LSTM可以达到可接受的性能水平。叶绿素a、水温和总磷被认为是LSTM性能的关键驱动因素，这与湖沼学理论一致，证实了结构简单的LSTM可以模拟EFDC的预测能力。另外，学习了时间序列预测的相关知识，了解了时间序列预测常用的模型。

This week,I read an article which investigates the ability of LSTM to simulate the forecast capacity of a complicated water quality model. The LSTM performances are evaluated by the Nash–Sutcliffe efficiency coefficient, and random forest is applied to identify the key drivers of LSTM performance. The results show that many LSTMs could achieve an acceptable performance level. Chlorophyll a, water temperature, and total phosphorus are identified as the key drivers of LSTM performances, which are consistent with limnological theories. It is thereby confirmed that an LSTM with a simple structure could simulate the forecast capacity of EFDC. Then, I learn the relevant knowledge of time series forecasting and understood the commonly used models for time series forecasting.

文献阅读

题目：Simulate the forecast capacity of a complicated water quality model using the long short-term memory approach
作者：Zhongyao Liang , Rui Zou ，Xing Chen ，Tingyu Ren ，Han Su，Yong Liu

摘要

利用复杂的水质模型是用于预测水质的主要方法。然而，由于数据限制、大量计算和未来边界条件等限制，这些模型不容易使用。长短期记忆（LSTM）可以克服这些限制;然而，它在水质预报中的应用很少被探索。本研究研究了LSTM模拟复杂水质模型（即环境流体动力学代码，EFDC）预测能力的能力。首先，EFDC运行以产生六个水质变量的长期（12年）时间序列。这些变量与嵌入在EFDC中的方程具有内在关联，这些方程表示模拟系统的动态。LSTM的开发是为了使用六个水质变量提前1-31天预测叶绿素的浓度。然后，生成的数据用于训练具有不同模型结构（输入变量的组合、隐藏层数和滞后时间）的多个 LSTM。通过NSE系数评估LSTM性能，并应用随机森林来确定LSTM性能的关键驱动因素。结果表明，许多LSTM可以达到可接受的性能水平。叶绿素a、水温和总磷被认为是LSTM性能的关键驱动因素，这与湖沼学理论一致。隐藏层的数量和滞后时间实际上对 LSTM 性能没有影响。由此证实，结构简单的LSTM可以模拟EFDC的预测能力。结果还表明，本研究中的机制引导LSTM可能捕获某些机制特征。因此，LSTM有望成为水质预报的一种有前途的方法。

简介

水质预报对于提供早期预警和提前采取行动减轻污染至关重要，使用复杂的水质模型，例如环境流体动力学代码（EFDC），是用于预测水质的主要方法，因为这些模型能够描述水质变量的迁移和转变。在实践中，复杂的水质模型的开发总是数据要求高且耗时，此外，水质模型的预测精度在很大程度上取决于边界条件（例如天气条件和负荷输入）的预测。作为替代方案，使用数据驱动的方法可以有效地建立水质变量之间的关系，从而节省计算时间并不需要预测边界条件。然而，人们对它们的直接应用感到担忧，因为数据驱动的方法缺乏机制过程。然而，在数据驱动的方法中缺乏这些过程并不一定导致水质预测的失败。关键问题应该是数据驱动的模型是否可以模拟复杂水质模型的预测能力。如果前一个模型能够，那么即使没有代表任何机制过程的方程，也可以利用数据驱动的方法作为预测水质的有效工具。

本研究有两个研究目标：1）确定LSTM是否能够模拟复杂水质模型的预测能力，2）如果是，确定是否有可能采用简单的模型结构（例如，仅涉及几个输入变量和几个隐藏层的结构）来获得令人满意的模型性能。EFDC是使用最广泛的复杂水质模型之一（Kim等人，2017年，Zou等人，2006年），被选为水质模型。开发了许多LSTM模型，并评估了它们的性能。随机森林（Breiman，2001）进一步用于确定LSTM性能的关键驱动因素，并研究有能力的LSTM是否有可能具有简单的模型结构。

方法

鉴于全球有害藻华的临界条件，叶绿素a（CHL）被选为预测变量（LSTM的响应变量）。至于驱动因素，选择了影响藻类生长的水质变量，例如水温（TEM）和营养物质。此外，预计CHL在某些时间区间内具有紧密的自我关联。相应地选择六个变量作为预测因子：透射电镜、CHL、总磷 （TP）、磷酸磷 （PO4）、总氮 （TN） 和氨氮 （NH4)。运行EFDC以获得水质变量的12年时间序列，包括预测的响应变量和作为预测因子的几个变量。响应变量和预测变量之间存在复杂的非线性关系。如果 LSTM 能够很好地预测响应变量，那么这证实了它能够模拟 EFDC 的预测容量。其次，开发了许多具有不同模型结构的LSTM。然后根据纳什-萨特克利夫效率系数（NSE）评估它们的性能，通过该系数可以确定LSTM是否能够。最后，基于随机森林（RF）识别模型性能的关键驱动因素，这里选择随机森林是因为它能够确定变量重要性和高预测准确性。RF结果可以帮助确定有能力的LSTM是否具有简单的模型结构。
开发和评估 LSTM
时间 t 处LSTM块的状态图：

在本研究中，时间序列分为训练数据集（前9年）和测试数据集（剩余3年）两部分。为了确保输入变量保持在同一尺度上并保证 LSTM 中参数的稳定收敛，所有输入变量和响应都根据方程 （9） 进行标准化：

六个水质变量的每个可能组合都可以用作LSTM的输入变量。LSTM 的输入变量组合数为 63 （26–1).设置了 LSTM 的某些超参数，包括与模型结构最相关的隐藏层数和时间滞后。隐藏层的数量和时间滞后会有所不同，以探索它们对模型性能的影响。隐藏层数和时滞都有八种选择：5、10、15、20、30、40、50 和 60。预测天数设置为 1、3、5、…、31。因此，开发的LSTM数量为64 512个（63个×8个×8个×16个）。这些模型是使用训练数据集训练的。
至于LSTM的其他超参数，最大epoch设置为20，这意味着模型将在收敛时结束或epoch达到20。批量大小、验证分数和学习率分别为 5、0.15 和 0.001。通过时间算法的反向传播用于训练LSTM。选择均方根误差作为损失函数。
NSE是模型性能使用最广泛的标准之一,它表示为等式
基于随机森林RF识别 LSTM 性能的关键驱动因素
随机森林是环境研究中广泛使用的机器学习方法。它由分类或回归树的集合组成。它使用观测值的自举样本来生长每棵树，并且仅使用一小群随机预测变量样本来定义每个节点的拆分。每棵树都长到最大尺寸，无需修剪。最终预测是通过对所有树的结果求平均值来获得的。
在这项研究中，RF用于确定每个预测日LSTM性能的关键驱动因素;总共开发了16个RF。RF 的输入变量包括六个因子变量和两个数值变量（隐藏层数和时间滞后）。因子变量标记是否包括水质变量以预测 LSTM 中的 CHL。对于每个RF，观测值的数量为4032（63×8×8）。

结果

LSTM 的 NSE 值

每个预测日的NSE值分布如图所示。一方面，存在某些大于 0.65 的 NSE 值（LSTM 模型的比例由图 中的 p 值表示），这表明存在性能可接受的模型。随着预测天数的增加，NSE峰密度的位置向左移动，整体性能下降，如NSE的平均值和中值（分别为图中的m和med值）所示。
LSTM 性能的关键驱动因素
每个预测日的 RI 结果如图所示。如果相应的 RI 高于 0.1，则 RF 的输入变量被标识为关键驱动因素。对于所有预测日，确定了三个关键驱动因素：包含或不包含CHL，TP和TEM（。对于每个预测日，其他五个输入变量的 RI 总和小于 0.1。注意，两个超参数（隐藏层数和时间滞后）均未标识为关键驱动程序。

随着预测天数的增加，三个关键变量的折射率呈现出近似单调的趋势。随着CHL和TP的RI降低，TEM的RI表现出相反的变化。RI 的顺序也会随着预测天数而变化。从第 1 天到第 15 天，三个关键变量的 RI 顺序为 CHL > TP > TEM。在第17天，TEM取代TP的位置，成为第二个重要的驱动因素。第 23 天后，TEM 的 RI 超过 CHL 的 RI，并且 RI 顺序变为 TEM > CHL > TP。

讨论

关键驱动因素的鉴定结果与湖沼学的经典理论一致。CHL的预测取决于当前状态和滞后日的变化。
LSTM 具有简单结构模拟 EFDC 预测容量的能力
根据上述结果，结构简单的LSTM可以模拟EFDC的预测容量。首先，由于许多 LSTM 实现了可接受的性能，因此它们可以很好地模拟 EFDC 的预测容量。其次，只有三个水质变量被确定为LSTM性能的关键变量。这些水质变量始终受到定期监测。这两个超参数（隐藏层数和时间滞后）对 LSTM 性能的影响最小，并且都可以设置为较小的值。因此，具有简单结构的LSTM模型可用于获得高NSE值（图5）。最后，结果与湖沼学理论之间的一致性进一步支持了结果的可靠性。

结论

研究了LSTM模拟EFDC预测容量的能力。结果表明，在 64 512 个 LSTM 中，许多可以达到可接受的性能水平。与湖沼学理论类似，预测CHL所需的关键变量被确定为CHL，TEM和TP。隐藏层的数量和滞后时间可以设置为较小的值。因此，可以验证具有简单结构（例如，只有三个输入变量和五个隐藏层）的LSTM可以模拟EFDC的预测容量。机制引导的LSTM有望成为一种有前途的工具，因为它在预测水质方面既有效又高效。因此，未来的研究应侧重于在进行相对长期的预测时提高模型性能。

时间序列预测学习

1.基础知识

1.1什么是时间序列？

时间序列（英语：time series）是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。

时间序列分类
分为：平稳时间序列和非平稳时间序列
平稳时间序列，一般情况下围绕某一个值进行上下波动，无明显的趋势性。

非平稳时间序列，一般指时间序列中包含其他成分，比如趋势性，周期性，季节性和不规则性等。对于不平稳的时间序列一般进行差分处理。

1.2时间序列的基本任务？

  • 单指标时序预测任务：给定某一个指标的历史变化情况，预测其在未来一段时间内的变化。
  • 多指标时序预测任务：给定某几个指标的历史变化情况，预测其在未来一段时间内的变化。该任务与单指标时序预测任务的区别在于，几个指标之间不一定相互独立，而是存在某种影响。
  • 时序异常检测任务：从正常的时间序列中识别不正常的事件或行为的过程。可以从历史数据中检测，也可以基于时序预测对尚未发生的异常做出预警。
  • 时序指标聚类：将变化趋势类似的时序指标归至同一类别。在实际运维工作中，面对的指标可能成百上千，分别对其进行分析，工作量太大，可以在聚类的基础上再做建模分析。
  • 指标关联分析：即分析指标A是否会对指标B有影响，以及有什么样的影响（正向/负向、先后关系、多少时间步后造成影响等等）。

平稳性

平稳性是时间序列中最重要的概念之一。 一个平稳的序列意味着它的均值、方差和协方差不随时间变化。大多数的时间序列模型都假设时间序列（TS）是平稳的。首先，我们可以说，如果一个TS在一段时间内有一个特定的行为，那么它很有可能在将来遵循相同的行为。与非平稳序列相比，平稳序列的相关理论更为成熟，更易于实现。
平稳性的检验方法
ACF
平稳序列的自相关函数(Autocorrelation function，ACF)与任何特定时间 t无关，是时间间隔h 的函数，用于测量时间序列滞后值之间的线性关系,以 ρh 表示：

其中 h 是时间间隔。自相关系数是相关系数的一种，描述变量序列与自身间隔时间 h 的序列的相关性。协方差描述一个变量随另一个变量变化的程度。不同于统计学中常见的相关性分析假设变量间相互独立，自相关分析的对象是同一个变量的不同时间的值，因此， Xt 与 Xt+h 间会存在依赖。

假设检验: 常用的用于检测平稳性的假设检验是ADF（Augmented Dickey-Fuller Test）检验，p值小于0.05便可以认为平稳。
平稳性转换方法
给定一个非平稳的时间序列，一般需要将它转换为平稳序列，再做建模。常用的平稳性转换方法如下：

  • 变形（log函数等）
  • 减去移动平均、指数平均等
  • 差分

所谓差分，就是用 xt - xt-1 的值代替xt, 这是一阶差分。在一阶差分的基础上，继续做差分，就是二阶差分。对于大部分时序数据来说，二阶差分后，都可以得到平稳序列，很少用到更高阶的差分。对于很多时序预测模型尤其是深度学习模型来说，我们会发现，代码中可能并没有平稳性转换这一步。这是因为这些模型中往往有自动特征提取的步骤，从而隐性地完成平稳性转换。
评价指标

  • RMSE：均方根误差，最常见的一种。
  • MAE：平均绝对误差。
  • MAPE：平均绝对百分比误差。
  • MASE：平均绝对比例误差，这个用得不多。
  • R-square：小于0很差，等于0相当于将结果预测为均值，等于1则完全预测正确。这个也比较常见。
  • Adjusted R-square：消除了R-square中样本数量的影响。

2.时间序列预测

时间序列预测做的就是通过多种维度的数据本身内在与时间的关联特性，利用历史的数据预测未来。

算法汇总

时序预测从不同角度看有不同分类：

  • 从实现原理的角度，可以分为传统统计学，机器学习（又分非深度学习和深度学习）。
  • 按预测步长区分，可以分为单步预测和多步预测，简单来说就是一次预测未来一个时间单元还是一次预测未来多个时间单元的区别。
  • 按输入变量区分，可以分为自回归预测和使用协变量进行预测，区别在于维度中是否含有协变量，例如预测未来销售量时，如果只接受时间和历史销售量数据，则是自回归预测，如果可以接受天气、经济指数、政策事件分类等其他相关变量（称为协变量），则称为使用协变量进行预测。
  • 按输出结果区分，可以分为点预测和概率预测，很多模型只提供了点预测而不提供概率预测，点预测模型后再加蒙特卡洛模拟（或其他转化为概率预测的方式）往往不能准确反映模型输出的预测概念，而在大多数场景下，概率预测更贴近事实情况，对于未来的预测本身就应该是一种概率分布。
  • 按目标个数区分，可以分为一元、多元、多重时间序列预测。举例理解，使用历史的销售量预测未来1天的销售量为一元时间序列预测，使用历史的进店人数、销售量、退货量预测未来1天的进店人数、销售量、退货量（预测目标有三个）为多元时间序列预测，使用历史的红烧牛肉面、酸菜牛肉面、海鲜面的销售量预测未来1天的红烧牛肉面、酸菜牛肉面、海鲜面的销售量（预测目标有三种）为多重时间序列预测。

传统经典时间序列预测的方法有ARIMA（一种非常流行的时间序列预测统计方法，它是自回归综合移动平均（Auto-Regressive Integrated Moving Averages）的首字母缩写），Holt-Winters（是一种（三次）指数平滑方法，Holt (1957) 和 Winters (1960) 将Holt方法进行拓展用来捕获季节因素）；机器学习模型方法，这类方法以lightgbm、xgboost为代表，这类方法一般就是把时序问题转换为监督学习，通过特征工程和机器学习方法去预测；这种模型可以解决绝大多数的复杂的时序预测模型。支持复杂的数据建模，支持多变量协同回归，支持非线性问题。不过这种方法需要较为复杂的人工特征过程部分，特征工程需要一定的专业知识或者丰富的想象力。特征工程能力的高低往往决定了机器学习的上限，而机器学习方法只是尽可能的逼近这个上限。特征建立好之后，就可以直接套用树模型算法lightgbm/xgboost，这两个模型是十分常见的快速成模方法；深度学习类的方法包括Seq2Seq类，比如RNN、LSTM、DeepAR等，Attention类，如Transformer、Informer、TFT等。

深度学习中的LSTM/GRU模型，就是专门为解决时间序列问题而设计的；但是CNN模型是本来解决图像问题的，但是经过演变和发展，也可以用来解决时间序列问题。总体来说，深度学习类模型主要有以下特点：

  • 不能包括缺失值，必须要填充缺失值，否则会报错；
  • 支持特征交叉，如二阶交叉，高阶交叉等；
  • 需要embedding层处理category变量，可以直接学习到离散特征的语义变量，并表征其相对关系；
  • 数据量小的时候，模型效果不如树方法；但是数据量巨大的时候，神经网络会有更好的表现；
  • 神经网络模型支持在线训练。

LSTM学习

LSTM基础知识的学习参考 https://zhuanlan.zhihu.com/p/104475016
模型的基本架构：

class LSTM(nn.Module):
    def __init__(self, input_size=1, hidden_layer_size=100, output_size=1):
        super().__init__()
        self.hidden_layer_size = hidden_layer_size

        self.lstm = nn.LSTM(input_size, hidden_layer_size)

        self.linear = nn.Linear(hidden_layer_size, output_size)

        self.hidden_cell = (torch.zeros(1,1,self.hidden_layer_size),
                            torch.zeros(1,1,self.hidden_layer_size)) # (num_layers * num_directions, batch_size, hidden_size)

    def forward(self, input_seq):
        lstm_out, self.hidden_cell = self.lstm(input_seq.view(len(input_seq) ,1, -1), self.hidden_cell)
        predictions = self.linear(lstm_out.view(len(input_seq), -1))
        return predictions[-1]

总结

本周学习了时间序列预测方面的基础知识，对时序预测有了初步的了解，后面将继续学习深度学习相关的其他时序预测模型。

Android开发技术周报183学习记录

Android开发技术周报183学习记录

教程

Android性能优化来龙去脉总结

记录

一、性能问题常见

内存泄漏、频繁GC、耗电问题、OOM问题。

二、导致性能问题的原因

1.人为在ui线程中做了轻微的耗时操作，导致ui线程卡顿。
2.layout过于复杂，无法在16ms完成渲染。
使用RelativeLayout替换LinearLayout，说是可以减少布局层次，然而，现在不再建议使用RelativeLayout，因为ConstraintLayout才是一个更高性能的消灭布局层级的神器。ConstraintLayout基于Cassowary算法，而Cassowary算法的优势是在于解决线性方程时有极高的效率，事实证明，显性方程组是非常适合用于定义用户界面元素的参数。
3.同一时间执行的动画过多，导致CPU或者GPU负载过重。
主要是因为动画一般会频繁变更view的属性，导致display失效，而需要重新创建一个新的displayList，如果动画过多，这个开销可想而知。
4.view过度绘制的问题。
可以通过手机设置里面的开发者选项，打开Show GPU Overdraw的选项，发现问题，尽量往蓝色靠近。
5.gc过多。
6.资源加载导致执行缓慢。
两种解决办法：a.预加载，即还没有来到路径之前，就提前加载好。
b.要等到用到的时候加载，加一个进度条。
7.工作线程优先级设置不对，导致和ui线程抢占cpu时间。
使用Rxjava时需要注意，设置任务的执行线程可能会对性能产生较大的影响。
8.静态变量

三、解决

1.GPU过度绘制，定位过度绘制区域
直接在开发者选项，打开Show GPU Overdraw，就可以看到哪块需要优化。
减少布局层级，使用ConstraintLayout替换传统的布局方式。
检查是否有多余的背景色设置。
2.主线程耗时操作排查
开始strictmode，止痒以来，主线程的好事操作都将以警告的形式呈现到logcat当中。
直接怀疑的对象加@DebugLog，查看方法执行耗时。DebugLog注解需要引入插件hugo，这个是Android之神JakeWharton的早期作品，对于监控函数执行时间非常方便，直接在函数上加入注解就可以实现，但是有一个缺点，就是JakeWharton发布的最后一个版本没有支持release版本用空方法替代监控代码。
3.对于measure,layout耗时过多的问题
一般这类问题是由于布局过于复杂的原因导致，建议使用ConstraintLayout减少布局层级，问题一般得以解决，如果发现还存在性能问题，可以使用traceView观察方法耗时，来定位下具体原因。
4.leakcany
用于内存泄漏检测，引入

dependencies {
    debugImplementation ‘com.squareup.leakcanary:leakcanary-android:1.5.4‘
    releaseImplementation ‘com.squareup.leakcanary:leakcanary-android-no-op:1.5.4‘
}

注意引入方式中releaseImplementation保证在发布包中移除监控代码，否则，他自身不停的catch内存快照，本身也影响性能。
5.onDraw里面写代码需要注意
onDra由于大概每16s都会被执行一次，因此本身就相当于一个forloop，如果你在里面new对象的话，不知不觉中就满足了短时间内大量对象创建并释放，于是频繁GC就发生了，于是卡了。正确的做法是将对象放在外面new出来。
6.json反序列化问题
json反序列化是指将json字符串转变为对象，如果数据量比较多，特别是有相当多的string的时候，解析起来不仅耗时，而且还很吃内存。解决方法：
a.精简字段，与后台协商，相关接口剔除不必要的字段。保证最小可用原则。
b.使用流解析，使用Gson.fromJson即可，可以提高25%的解析效率。
7.viewStub&merge的使用
对于只有在某些条件下才展示出来的组件，建议使用viewStub包裹起来，include某布局如果其更不惧和引入他的夫布局一致，建议使用merge包裹起来。
8.加载优化
将耗时的操作封装到异步中去。
9.刷新优化
a.对于列表中的item的操作，有写只需要布局刷新，不应该让整个列表刷新。
b.对于较为复杂的页面，建议不要写在一个activity中，建议使用几个fragment进行组装，这样一来，module的变更可以只刷新某一个具体的fragment，而不用这个整个页面都走刷新逻辑。
10.动画优化
使用硬件加速来做优化，注意在动画做完之后，关闭硬件加速，因为开启硬件加速本身就是一种消耗。
11.耗电优化
a.建议在定位精度要求不高的情况下，使用wifi或英东网络定位，没有必要开启GPS定位。
b.建议先验证网络的可用性，在发送网络请求，比如，当用户处于2G状态下，而此时的操作是查看你一张大图，下载下来可能都200多k甚至更大，就没有必要去发送这个请求，让用户一直等待加载吧。

四、代码建议

（正确使用alarm，正确申请和释放wakelock）、（节制地使用service）、（当界面不可见时释放内存）、（Allocate Memery，Pd->model，使用优化过的数据集合）、（谨慎使用抽象编程）、（Try/Catch语句，应把其放在最外层）、（System.arraycopy()代替For循环复制）、（Hashmap->sparsearray）、（列表滚动停止之后加载网络图片）、（注意使用wrap_content）、（使用Canvas.cliprect()来帮助系统识别那些可见的区域，自定义view优化）、（对于定时任务尽量使用alarmmanager，而不是sleep或者timer进行管理）。
建议只用SpaseArray代替HashMap，因为SparseArray比HashMap更省内存，在某些条件下性能更好，主要是因为它避免了对key的自动装箱，它内部则是通过两个数组来进行数据存储的，一个存储key，另一个存储value，为了优化性能，它内部对数据还采取了压缩的方式来表示稀疏数据的数据，从而节省内存空间。
不到不得已，不要使用wrap_content，推荐使用match_parent，或者固定尺寸，配合gravity=’center’，因为在测量过程中，match_parent和固定宽度对应EXACTLY，而wrap_content对应AT_MOST，这两者对比AT_MOST耗时较多。

深入理解flutter的编译原理与优化

记录

查了一下flutter，不建议学习，不看了。

技术之外

GitHub 的用法与礼仪
记录

游客
Watch(关注)：表示你对这个仓库中发生的事件感兴趣。
Star(星标)：表示特别标记这个仓库。
Fork(分支)：两种用途，一种是你要参与它，为它提交代码；另一种是觉得这个仓库可能会被原作者删除，因此Fork出来一份，这样即使作者删除了，也有一个Fork那个时间点的版本的快照。
贡献者
贡献的形式有两种：提issue和提pill request，这两者有一些共同的要求，包括：

  • 认真看病遵循对方给出的issue模板/PR模板。
  • 及时跟进，当对方有回复时应该尽早给出足够明确的回答。如果觉得对方的答复已经解决了你的问题，或者这个确实不是问题，就及时关闭，不要等作者动手。
  • 大多数仓库都要用英文提，但专门面向中文用户的仓库是例外。

提issue也就是提问题，可以再细分为两种：提BUG和提需求（Feature Request/Proposal）。
提BUG的基本要求是确认它是问题并把问题说清楚。
提需求的基本要求是要能坦然接受别人的拒绝。
提Pull Request(简称PR)也就是申请往主库中合并代码。提PR的前提是先Fork对方的仓库，而不要clone下来然后上传到自己的仓库，那样的话GitHub无法知道这俩库是同源的。
Fork之后，你的个人仓库中就有了一个分支仓库，可以往这个分支仓库中提交代码，觉得达到了PR的预定目标之后，就推送它，并回到GitHub页面中发起PR。
作者
作为仓库的作者，首先要在仓库中包含一个明确的LICENSE文件。
通常代码类的仓库会选择MIT等比较开放的协议，如果是开源狂热者，也可以选择GPL等比较激进的协议，但是要注意原则上GitHub不允许开放仓库中的代码使用私有/纯商业授权协议。
文档类的仓库通常会选择CC或者CC-BY-NC协议，两者的区别是前者允许商用，后者不允许商用或商用时需单独授权。

























































以上是关于3.26学习周报的主要内容，如果未能解决你的问题，请参考以下文章

20181223 前端开发周报

Bi-Weekly | Amazon和Microsoft推出新的Gluon；Google的学习算法正创建另一种学习算法

异步社区本周（3.26-4.1）半价电子书

周报7-28

深度学习 人工智能，机器学习和深度学习之间的关系。

一文看懂深度学习——人工智能系列学习笔记