前言

Kset和kobject是Linux设备驱动模型中的核心数据结构，其主要作用是将系统中的设备抽象出来，以树状结构组织，方便系统统一管理。

而这个统一管理的地方，就是sysfs，先放一张示例图，阐明一下kset和kobj的关系:

• kset指向的是设备驱动模型中sysfs中的目录
• kobject指向的是目录中的子节点（注意：目录本身也是节点）
• sysfs子目录每一项kobj是使用该级目录对应kset的下的链表连接

问题

前段时间给博客增加了Jetpack插件，今天突然发现文章里数学公式大部分变成了下边样式的图片：

排查

一开始怀疑是博客的Cache插件问题，不过经过逐个关闭插件排查，发现是Jetpack的Beautiful Math模块在作怪。看看Jetpack官网的说明：

If your LaTex code is broken, instead of the equation you’ll see an ugly yellow and red error message. Sorry, we can’t provide support for *LaTex *syntax, but there are plenty of useful guides elsewhere online. Or a quick post in our forums might find you a solution. One thing to keep in mind is that WordPress puts all of your LaTex code inside a LaTex math environment. If you try to use LaTex that doesn’t work inside the math environment (such as \begin{align} ... \end{align}), you will get an error

前言

建立博客，与路过的大佬们互动必不可少。除了优质内容，互动也是提高博客回头率的小手段。本文主要解决两个问题：

• 如何第一时间知道大佬们在博客留言呢？
• 对留言大佬回复，如何通知到对方？

新评论微信通知

第一个问题主要是时效性问题。其实Wordpress本身就可以通知博主邮箱做留言审核，当然也有一些不错的插件（例如，Jetpack）。不过这还不够快（因为邮箱毕竟不是时时都看的）。因此，经过搜索，L&H Site使用的是“Server酱”。对，就是本站那个友情链接。

最近有需要按层级解析如下格式的内容：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

<ul>
   <li>A</li>
   <ul>
       <li>A.1</li>
       <li>A.2</li>
   </ul>
   <li>B</li>
      <ul>
       <li>B.1</li>
       <li>B.2</li>
      </ul>
   <li>C</li>
       <ul>
       <li>C.1</li>
            <ul>
              <li>C.1.2</li>
            </ul>
       <li>C.2</li>
      </ul>
</ul>

博客一直以技术类和旅行类文章为主，很少对社会新闻发表评论。不过最近的一条消息却让人难以抑制评论一番的冲动。

1月31日，翟天临晒出北大博士后录用通知书，也让他“演员里学历最高的”和“博士里最会演戏的”双重人设再次加码；只是掌声尚未落下，他却因一句“知网是什么”引爆舆论，网友们众说纷纭，热度甚至碾压同期影视剧。

那个斯外戈真欠扁。据说两个人还都是抖音网红，广告真心辣眼睛，一个春节都被辣惨了！低俗广告，恶心！

这是什么鬼

一直使用七牛云图床，今日安装Typecho，意外发现一个新浪微博图床插件：

引用作者的介绍：

TleWeiboTuchuang新浪微博图床

TleWeiboTuchuang新浪微博图床用微博小号代替微博授权的方式，自动利用cookie上传，更加方便，在文章发布页面增加微博上传功能，使用微博作为图床，只需一个微博小号即可实现。（因权限问题可能会失败几次，可多尝试几个微博小号。）

前言

建站，进行文件传输是必不可少的。而本人又不希望给服务器开太多的服务端口，因此是拒绝FTP的。而一直知道SSH服务器支持文件传输，为何不复用该端口的服务进行呢？经过搜索，发现MAC OS下可以用SCP命令和服务器进行文件双向传输。

使用方法

上传文件到服务器

scp /path/filename username@servername:/path/

前言

神经网络和深度学习(1)中，我们从代码中看到机器学习使用了Back Propagation，但是并未介绍到其工作原理。本文则着重介绍Back Propagation算法(以下简称BP算法)的工作原理。本文大部分内容引用、整理或翻译自Michael Nielsen的《Neural Networks and Deep Learning 》，已征得原作者许可，转载此文请先与我联系。作者原声明如下：

前言

机器学习，神经网络，已经不算前言的名词、未来的趋势。未来大部分的工作都可能会被机器所取代，这不是危言耸听。秉承着不能被机器淘汰的思想，必须了解到机器到底在学习什么，怎么能学习。本系列文算是个人对机器学习的一个笔记，加上自己的一些总结和变化。记录的过程即是加深学习的过程，希望可以今年内将这个系列学习完，也希望对访问博客的朋友们有所帮助。本文大部分内容引用、整理或翻译自Michael Nielsen的《Neural Networks and Deep Learning 》，已征得原作者许可，转载此文请先与我联系。作者原声明如下：