avatar
Morrison Foerster# Law - 律师事务所
y*3
1
突然天旋地转的,就被人拦腰抱起,待放下,才发现已然被人禁锢在怀里。
耳边扑来浓浓滚烫的酒气,“小美人,在这里等我呢。”
婉涔听到那声音,全身都生出了凉意。“是你?放开我。”说着就使劲的挣开他,可被
他死死箍着。
桂立文淫笑着,“可不就是哥哥我。怎么一个人在这里,啧啧,看着真孤单。不如让哥
哥陪你玩玩吧。”
说着,低头嗅在她劲间。一阵少女的芳香就让他心头一荡,“真香。可想死我了。”
婉涔今天的衣服领口开的就有些大,被他这一摩挲,浑身上下都起了一阵鸡皮疙瘩,然
后心里泛着恶心。
小露台上却连一个能自卫的东西都没有。情急之下抬起脚狠狠在他脚背上踩去。婉涔穿
着细跟的高跟小皮鞋,那鞋跟像个粗钉子一样落在桂立文的鞋子上。
桂立文一吃疼就松开了她。
婉涔这才脱了禁锢,跑到门边刚想推门进到大厅了。桂立文却挡在门前,婉涔只好退到
一边。“齐少马上就来,我劝你放尊重些。”声音微微颤抖。
桂立文却“噗”的笑了出来,声音里尽是讥诮,“他这会儿不知道多忙,哪有功夫管你
。我说,小美人,代齐有什么好,不就是一张好皮囊。要说有用,那还得是哥哥这样的
。让哥哥陪陪你,吃了甜头就知道哥哥的好了。保管让你快活的欲仙欲死,以后再不想
那人。”
婉涔听他越说越粗鄙下流,脸早羞愤的通红。看他一步一步的走过来,只好一步一步的
往后退。退了几步,遇到了阻拦,侧眼一看已经到了露台边。
桂立文笑的更放荡了,“再躲呀,看你能躲到哪里去。”
“你别过来,你再过来,我就挑下去!”婉涔冷冽的说。
桂立文哪里相信她,依旧淫笑着往前走,“你跳一个看看,老子活了这么大了,什么样
的事情都见过,就是没见过美人儿跳楼。”
那露台栏杆并不高。白石砌的宽宽的一条,婉涔手脚并用,转身一跃,就站在栏杆上面
了。
桂立文愣了一下,仍旧笑,“我就不信你会跳。”
婉涔看他离自己还有两步,索性一闭眼就往后倒下去。
耳边先听到一声闷哼,意向里的下坠感就持续了几秒,就停止了。
婉涔感觉倒腰被人圈着,半个身子已经掉在半空中。全身的重量都系在腰上的胳膊上。
婉涔睁开眼睛一看,却是代齐。
代齐脸上殷红着,不知道是慌乱还是什么别的。婉涔的腰在他的臂弯里,代齐再一用力
把她给捞了上来,扔在露台上。
婉涔经过这一场,腿都有些软了,坐在露台上喘着粗气。再看桂立文躺在地上,已然晕
过去。这时又有风吹过来,身上那些冷汗一激,更是说不出的寒冷。抱着双肩摊坐在地
上。
代齐抬起被石头磨破的手掌,伤口盈出了些血,在空中甩了甩。再看看地上坐着的狼狈
的那婉涔,头发都乱了,衣服领口往下掉了半截,露出一大片莹白的肌肤。她不停的把
领口往上拉。裙子也划破了。那样子,真是狼狈又可怜。
代齐脱了西装外套给她披上。“你胆子真是不小,说跳就跳,拿自己的命开玩笑?”
婉涔摇摇头,拢紧了外套,苦笑着说,“你不知道,有些东西,比命重要。”
这句话“砰”的就砸在他的心上,生生的疼。比命重要,是这样的么?那么比夏子凌的
命比起来呢?
在他最苦的日子,方轩林跟他说,活着比什么都重要。等他好好的活着了,姐姐却说尊
严和家门的荣耀最重要。可如果连命都没有了,其他的还有什么意义呢?
这一场惊吓下来,婉涔一个晚上都没睡好。梦里纷纷乱乱的,那些旧事、旧人,战火、
狰狞的桂立文都纠结在一处,醒一会儿、睡一会儿,搅的她一整夜的不安稳。
早早就睁开眼睛,起身挑开窗帘,外面才是蒙蒙亮。有浓丽的橘色自暗墨里隐隐而出,
都堆在了大片大片的房屋树木与天的交汇处。
静下来听到幽幽的声音,再仔细分辨一下,竟是有人在唱戏。
婉涔光着脚走到靠着花园边的窗户往外看,花园中间立着一个清俊的身影,寂寂廖廖,
仿佛自千山万水间萧瑟而来。
一姿一势,举手投足间就有万般风情。
那声音断断续续的唱来,“珠帘高卷。画屛低扇。曙色宝奁新展。绛台银烛吐靑烟。荧
荧的照人腼腆。。。。
“是谁家玉人水边,斗骄骢碧桃花旋。坐云霞飘飖半天。惹人处行光一片。猛可的映心
头,停眼角,送春风,迎晓日,摇曳花前。靑袍粉面,侬家少年得娘怜,抵多少宋玉全
身,相如半面。”。。。。。。
声如黄莺啼转,飘渺婉转远山。那样风华绝代,却又寂寥难言。
婉涔一时间有些恍惚,好像记忆里也曾经听过这样的声音,却不知道从哪里寻觅。
用完了早餐,婉涔忍不住问他,“齐少可想好了?”
代齐心道,你就这样着急?抬眼瞧了她一眼,“那小姐昨天没睡好?”
婉涔也知道自己眼下淡青,只能苦笑,“还好,早上起的早了些。”
“可是早上被我吵到了?”
“不是。齐少好嗓子。”
代齐哼笑了一声,“若有知音见采,不辞遍唱阳春。。。。。。难得那小姐赏识。”然
后顿了顿,“那小姐也喜欢听戏?”
“我听不太懂,也就凑个热闹。”婉涔抱歉的笑了笑。想来如果当初不是母亲爱听戏,
也就没有后来那许多纷争了吧。
“听说当年老王爷家,那是藏了不少名角的。”
婉涔凄然一笑,“齐少怕是不知道,我七岁就随母亲离家了。很多东西记的不太清了。”
记不清了?原来于自己的刻骨铭心,在别人哪里却只是烟絮坠无痕。这一出戏,他自己
唱的未免寂寞了些。
“齐少,还有两日。。。。。。”
代齐漫不经心的笑了,“晚上陪我听戏,回来告诉你我要什么。”
婉涔眸子一亮,闪的他心底一颤。
avatar
l*y
2
【 以下文字转载自 board 讨论区 】
发信人: yaz2006 (忘情四百年,快意山水间), 信区: board
标 题: Re: kapopo来wisdom帮忙吧
发信站: BBS 未名空间站 (Fri Aug 28 02:36:31 2009, 美东)
你都说得这么明白了,钻务还会批准么?
avatar
k*o
3
想了解一下目前哪个算法最快,哪个算法能算最大
的数据(比如最大多少个点)。
非常感谢。
avatar
r*r
4
有了解这个所的朋友么?最关心的问题是他们是否在财力或者精神方面支持patent
agent 念法学院。
Any comment is welcomed!
avatar
w*g
5
Spectral clustering算法的瓶颈在于算NxN的相似性矩阵O(N^2)以及对其作特征值分解
。提高速度的关键就是对NxN的矩阵进行稀疏化。可以对每个点算其K-nearest
neighbor,然后矩阵只存K-NN对应的那些值,剩余的全都置0。 然后对稀疏矩阵用迭代
法进行特征值分解。对所有点在所有点上求K-NN (K-NN graph)可以用我在WWW'11上发
表的方法进行加速。

【在 k**o 的大作中提到】
: 想了解一下目前哪个算法最快,哪个算法能算最大
: 的数据(比如最大多少个点)。
: 非常感谢。

avatar
d*e
6
it is a good firm. my boss was a partner there. not sure they sponsor law
school. they probably do. you can talk to someone there who is a law
student.
mofo gave you an offer?
avatar
k*o
7
兄弟居然还搞实名制啊,你做得不错啊。
目前有哪些作者用了你的knn 算法作spectral clustering 啊?
速度以及内存消耗跟michael jordan 一伙人2009年提出的算法比较怎么样?

【在 w***g 的大作中提到】
: Spectral clustering算法的瓶颈在于算NxN的相似性矩阵O(N^2)以及对其作特征值分解
: 。提高速度的关键就是对NxN的矩阵进行稀疏化。可以对每个点算其K-nearest
: neighbor,然后矩阵只存K-NN对应的那些值,剩余的全都置0。 然后对稀疏矩阵用迭代
: 法进行特征值分解。对所有点在所有点上求K-NN (K-NN graph)可以用我在WWW'11上发
: 表的方法进行加速。

avatar
r*r
8
Thanks Deltaforce.
I haven't really thought of changing my firm lately, but just bumped into
this opportunity. Everything is still in the air.
avatar
w*g
9
看了眼那paper,极水。文中先假设了欧式空间,先做k-means (或者k-d tree),然后
对cluster center做spectral cluttering。如果数据真的非常大,那确实得这么做。
但这方法也太显然了,需要发paper吗?
然后spectral clustering最大的好处就是可以处理非欧式空间的数据,甚至都不需要
测度,只要相似度就可以。假设了欧式空间就把spectral clustering这个好处给去掉
了。那还不如直接就k-means得了。
我说的方法目前没人用过。你要有兴趣可以evaluate一下,好的话你可以自己写paper。
注意要写paper的话选dataset的时候一定要选一些非欧式空间的数据,比如我paper中
用的那个EMD。

【在 k**o 的大作中提到】
: 兄弟居然还搞实名制啊,你做得不错啊。
: 目前有哪些作者用了你的knn 算法作spectral clustering 啊?
: 速度以及内存消耗跟michael jordan 一伙人2009年提出的算法比较怎么样?

avatar
y*o
10
很好的所,去年被拒过 :-(
good luck!
avatar
k*o
11
你说的方法现在肯定有人在搞,没有发出来而已,
要搞的话撞车机率很大。
michael jordan他们的方法确实简单直白得气死人。
不过很多有名的算法,比如所谓的二十世纪十大算法中有几个不是很直白的。
有个家伙还无耻地说很多人觉得简单是因为以目前的认识水平还不可能意识到
其中蕴含的深刻性。
兄弟你肯定从老板公司分得了无数多的股票吧,爽死了。

paper。

【在 w***g 的大作中提到】
: 看了眼那paper,极水。文中先假设了欧式空间,先做k-means (或者k-d tree),然后
: 对cluster center做spectral cluttering。如果数据真的非常大,那确实得这么做。
: 但这方法也太显然了,需要发paper吗?
: 然后spectral clustering最大的好处就是可以处理非欧式空间的数据,甚至都不需要
: 测度,只要相似度就可以。假设了欧式空间就把spectral clustering这个好处给去掉
: 了。那还不如直接就k-means得了。
: 我说的方法目前没人用过。你要有兴趣可以evaluate一下,好的话你可以自己写paper。
: 注意要写paper的话选dataset的时候一定要选一些非欧式空间的数据,比如我paper中
: 用的那个EMD。

avatar
d*i
12
楼上的仁兄,嫩很欢乐。
avatar
w*g
13

---------------------------
一点都没有。老板是教本事的,不是分股票的。大家都是靠劳动吃饭,没什么爽的。

【在 k**o 的大作中提到】
: 你说的方法现在肯定有人在搞,没有发出来而已,
: 要搞的话撞车机率很大。
: michael jordan他们的方法确实简单直白得气死人。
: 不过很多有名的算法,比如所谓的二十世纪十大算法中有几个不是很直白的。
: 有个家伙还无耻地说很多人觉得简单是因为以目前的认识水平还不可能意识到
: 其中蕴含的深刻性。
: 兄弟你肯定从老板公司分得了无数多的股票吧,爽死了。
:
: paper。

avatar
D*k
14
I don't think sparsigying the similarity matrix is a mainstream approach to
scale up spectral clustering. Low rank approximation like nystrom method
looks much more promising

【在 w***g 的大作中提到】
: Spectral clustering算法的瓶颈在于算NxN的相似性矩阵O(N^2)以及对其作特征值分解
: 。提高速度的关键就是对NxN的矩阵进行稀疏化。可以对每个点算其K-nearest
: neighbor,然后矩阵只存K-NN对应的那些值,剩余的全都置0。 然后对稀疏矩阵用迭代
: 法进行特征值分解。对所有点在所有点上求K-NN (K-NN graph)可以用我在WWW'11上发
: 表的方法进行加速。

相关阅读
logo
联系我们隐私协议©2024 redian.news
Redian新闻
Redian.news刊载任何文章,不代表同意其说法或描述,仅为提供更多信息,也不构成任何建议。文章信息的合法性及真实性由其作者负责,与Redian.news及其运营公司无关。欢迎投稿,如发现稿件侵权,或作者不愿在本网发表文章,请版权拥有者通知本网处理。