Lisp 經典書 SICP
原書 http://mitpress.mit.edu/sicp/
課程影片 http://swiss.csail.mit.edu/classes/6.001/abelson-sussman-lectures/
Cusp eclipse
http://translate.google.com.tw/translate?hl=zh-TW&sl=zh-CN&u=http://www.ibm.com/developerworks/cn/opensource/os-eclipse-lispcusp/index.html&sa=X&oi=translate&resnum=4&ct=result&prev=/search%3Fq%3Declipse%2Blisp%26complete%3D1%26hl%3Dzh-TW%26sa%3DG
python in lisp
http://common-lisp.net/project/clpython/
Scheme
http://irw.ncut.edu.tw/peterju/scheme.html
2008年8月10日 星期日
Lisp 資訊
2008年6月13日 星期五
Python-Ogre + py2exe
Python-Ogre 為 Ogre3D 的 python binding,可搭配 py2exe 將之轉換為 win32 binary,官網上有 py2exe 的使用教學。
基本上轉換很簡單:
- 在遊戲程式所在的目錄 (以PythonOgre\demos\ogreforests為例) 建立個 exe.py,內容:
from distutils.core import setup
import py2exe
setup(console=["Demo_Forest.py"]) - 於命令列敲 "exe.py py2exe"。
- 此時若出現錯誤為缺少某DLL,例如 boost_python-vc80-mt-1_35.dll,搜尋你的系統將缺少的DLL都複製到 exe.py 所在的目錄,再重來一遍即可。
- 將 media 整個複製到 dist 底下,執行 Demo_Forest.exe 吧!
- 如果執行 Demo_Forest.exe 又出現缺少某 DLL,例如 cg.dll,跟之前一樣搜尋系統把它複製到 Demo_Forest.exe 的目錄就好!
2008年5月30日 星期五
pyGTK install
用 python 寫 GTK 比用 C 寫省下許多繁瑣的功夫 (其實寫什麼都很省事)
先安裝這些東西:
- gtk-dev-2.12.9-win32-2.exe
- gtkmm-win32-runtime-2.10.11-1.exe
- pygobject-2.14.1-1.win32-py2.5.exe
- pygtk-2.12.1-2.win32-py2.5.exe
- pycairo-1.4.12-1.win32-py2.5.exe (為了出一些 Fancy 的圖)
glade 拖拉產生的描述檔於程式中載入:
import sys
import gtk
import gtk.glade
import pygtk
class FisApp:
def __init__(self):
glade = sys.path[0] + "/" + "FIS.glade"
name = "winFis"
self.wTree = gtk.glade.XML(glade, name)
self.win = self.wTree.get_widget(name)
dic = { "on_tbExit_clicked" : self.on_tbExit_clicked,
"on_winFis_destroy" :(gtk.main_quit)
}
self.wTree.signal_autoconnect(dic)
self.win.show_all()
##### My CALLBACKS #####
def on_tbExit_clicked(self, widget):
print 'test'
gtk.main_quit()
if __name__ == '__main__':
app = FisApp()
gtk.main()
可以開始做正事啦 :)
2008年5月28日 星期三
TurboGears
TurboGears 將網頁相關部件貼近 Python 物件的開發風格,對於習慣寫程式的我來說相當順手,使用流暢度絕不遜於 RoR。
初次接觸可先翻翻 CherryPy 的範例,再讀 Brian's TurboGears Tutorial,就差不多有概念了。
相關閱讀
2008年5月22日 星期四
2008年5月15日 星期四
Mean Shift
通過估計 Kernel Density Gradient 而不去估計 Kernel Density 自身,來分析點分佈。配合反覆沿 Gradient 移動,一樣可做到良好的 clustering。
也因為只關心 Gradient 的估計式較簡化,最終僅含 window size 一個未知數,因此較常見的核方法更為 robust。
該找個機會試作看看。
相關閱讀
標籤:
Clustering,
CS
2008年5月13日 星期二
去雜訊
訂閱:
文章 (Atom)