队列是一种先进先出(FIFO, first in first out)的线性表，这一点跟栈是刚好相反的。这种数据结构只允许在表的其中一端插入元素，在另一端删除元素，就像我们日常生活中的排队一样。在队列中，最早进入队列的元素是最早离开的，进入越晚的元素离开的也越晚，不能从中间插队。
数据结构：栈
栈是数据结构中的一种重要的线性结构，也是一种线性表，只是其操作受限。使用的过程，就像往桶里装和取物品一样，最先放进去的物品必须把后来放进去的压在上面的物品拿出去，才能取出。因此，栈是一种限定性的数据结构，其广泛应用与各类软件系统中。本文主要介绍栈的原理，并以一些应用实例来说明栈的功能。
西安电子科技大学焦李成：AI发展，人才培养首当其冲
本文转载自 机器之心 · 大数据文摘
9月8日，以“人工智能：技术创新与社会影响”为主题的百千万人才工程创新大讲堂在京开幕。中国科学院副院长相里斌、人力资源社会保障部副部长汤涛出席活动。中国科学院院士、中科院自动化所智能感知与计算中心主任谭铁牛、中国科学院院士陈霖分别发表主旨报告。
其中，就人工智能人才培养的探索，来自西安电子科技大学的焦李成教授发表看法。
数据结构：线性表
数据结构中的线性表是一种线性结构的数据集合，是n个数据元素的有限序列，其存在唯一的一个被称作“第一个”的数据元素，也存在着唯一的一个被称作“最后一个”的数据元素，每个元素至多只有一个前驱和一个后继。其中，第一个元素没有前驱，最后一个元素没有后继。我们编程中最常用的一维数组（Array类）就是一种典型的线性表结构，高级一点的比如列表（List类），也是一种典型的线性表结构。这是一种最常用且最简单的数据结构。
浅谈深度学习:如何计算模型以及中间变量的显存占用大小
前言
亲，显存炸了，你的显卡快冒烟了！
torch.FatalError: cuda runtime error (2) : out of memory at /opt/conda/conda-bld/pytorch_1524590031827/work/aten/src/THC/generic/THCStorage.cu:58
想必这是所有炼丹师们最不想看到的错误，没有之一。
OUT OF MEMORY，显然是显存装不下你那么多的模型权重还有中间变量，然后程序奔溃了。怎么办，其实办法有很多，及时清空中间变量，优化代码，减少batch，等等等等，都能够减少显存溢出的风险。
但是这篇要说的是上面这一切优化操作的基础，如何去计算我们所使用的显存。学会如何计算出来我们设计的模型以及中间变量所占显存的大小，想必知道了这一点，我们对自己显存也就会得心应手了。
{
本文转载自：Oldpan的个人博客
浅谈深度学习:如何计算模型以及中间变量的显存占用大小（https://oldpan.me/archives/how-to-calculate-gpu-memory）
}
ASRT：一个中文语音识别系统
ASRT是一套基于深度学习实现的语音识别系统，全称为Auto Speech Recognition Tool，由AI柠檬博主开发并在GitHub上开源(GPL 3.0协议)。本项目声学模型通过采用卷积神经网络（CNN）和连接性时序分类（CTC）方法，使用大量中文语音数据集进行训练，将声音转录为中文拼音，并通过语言模型，将拼音序列转换为中文文本。算法模型在测试集上已经获得了80%的正确率。基于该模型，在Windows平台上实现了一个基于ASRT的语音识别应用软件，取得了较好应用效果。这个应用软件包含Windows 10 UWP商店应用和Windows 版.Net平台桌面应用，也一起开源在GitHub上了。
邮件礼仪
写好一封电子邮件不是一件随意的事情，即使它很简单。很多人不注意这方面的问题，类似于见字如见人，一封规范有礼仪的电邮能够给自己争得一个较好的第一印象。写电子邮件我们需要注意邮件的礼仪问题，本文我们来探讨一下，写电子邮件我们要注意哪些问题，如何写一封符合邮件规范和礼仪的电子邮件。
如何使用GitHub
我们作为天天搞计算机的，应该都听说过GitHub吧，不过可能很多人并不知道它可以用来做什么和怎么使用，今天，我将在这里做一个入门教学，希望大家人人都会用GitHub，都能用好GitHub。
关联分析：关联规则挖掘应用实例
在上一篇文章中，我们主要是写到了关联分析的概念和一些挖掘算法的原理，在本篇文章中我们将以一个应用实例来简介一下挖掘算法是怎么实现和起作用的。我们以一次美国国会投票记录作为案例，使用Apriori算法，支持度设为30%，置信度为90%，挖掘出高置信度的规则。
关联分析：关联规则挖掘算法
关联规则挖掘是数据挖掘领域中的一个非常重要的研究内容,其主要目标就是发现数据库中一组对象之间某种有意义的联系，所发现的联系可用关联规则或频繁项集来表示。频繁集的挖掘是关联规则挖掘的关键步骤,它在很大程度上决定了关联规则挖掘的效率。本文将介绍关联规则挖掘的算法，并使用例子来实际演示如何进行关联规则的挖掘。