家在網(wǎng)上瀏覽別人博客的時候，看到可以用得代碼想復(fù)制下來，但是有時候代碼前面有行號，代碼少了還好說，刪除了就可以了，但是如果代碼幾百行，幾千行呢？你還手動刪除？那樣整個人會瘋掉！

今天就教大家怎么快速去除代碼行號的方法，不管你是初學(xué)者還是水深的老司機，這都是必備的技能哦！快來一起GET吧

首先今天用到的工具是NotePad++，今天只講notePad++去除代碼行號的幾種方法，當然還有其他工具可以，但是notePad++是我們開發(fā)中必備的工具，所以大家電腦上基本上都有這個軟件，然后就講這個咯！

第一種方法：打開 Notepad++，按住 Alt，鼠標點擊拖出選擇框，這個是列選 方法，相當拉風(fēng)，如下圖

第二種方法：正則表達式

打開 Notepad++，Ctrl+H，[查找目標] 輸入 下面對應(yīng)正則表達式 [查找模式] 選擇 正則表達式 ，之后 Alt+A，搞定！

#+空格+行號 \S\s\d+

行號+空格 ^[0-9]+

行號+.+空格 \s*\d*\.\s

第三種方法：使用notePad++的TextFX Characters 工具

沒有安裝TextFX 工具的先安裝：如下圖

打開 notepad++ 插件 -> Plugin Manager -> Show Plugin Manager -> available ->選中 TextFX ->install

（注：如果沒有插件的話--首先updates插件，我這里安裝過，所以沒有撒?。?/p>

好，下面講怎么使用TextFX 工具去除代碼行號

打開 Notepad++，[全選代碼]–點擊 工具欄中的 [TextFX] –[TextFX Tools]–[Delete LineNumbers or First word] ，如下圖：

加行號的方法：[全選代碼]–點擊 工具欄中的[TextFX] –[TextFX Tools]–[Insert Line Numbers] OK！

三種方法已經(jīng)夠用了撒。

其實notepad++自帶的TextFX插件功能非常強大，只不過我一直把它給忽略了?，F(xiàn)在給大家簡單介紹一下這個插件部分常用功能：

TextFX Characters -> UPPER CASE, lower case, Proper Case, Sentence case, iNVERT cASE: 批量改變選中文字的大小寫。

TextFX Edit -> Delete Blank Lines: 這個就是我剛才說的刪除空格。

TextFX Edit -> Delete Surplus Blank Lines: 將選中文字的多個連續(xù)空格轉(zhuǎn)換成一個空格。

TextFX Convert -> Encode URI Component: 轉(zhuǎn)換選中文字中的標點符號成16進制，讓其對URL友好。

TextFX Convert -> Encode HTML (&<>”): 將HTML文件中的尖角符號轉(zhuǎn)換成16進制。

TextFX HTML Tidy -> Tidy Reindent XML: 將未格式化的xml文件按照規(guī)格縮進。（很實用的說）

TextFX Tools -> Sort lines case sensitive, Sort lines case insensitive: 排序。

TextFX Tools -> Insert Line Numbers: 為選中的文字加上行號，基于此文件的第一行排序。

TextFX Tools -> Word Count: 對選中的文字記數(shù)，包括詳細的文字總數(shù)，行數(shù)等等。

好了，今天的技術(shù)內(nèi)容就分享給大家，碼農(nóng)不容易，小編給大家分享寫博客也不容易，請多多支持，喜歡請關(guān)注頭條號，每天都有功能和bug分享給大家一起學(xué)習(xí)進步，我們的目標是 ----軟件攻城獅

碼農(nóng)不容易，碼文章更不容易啊，喜歡小編多多支持請點擊關(guān)注哦，小編會更加努力每天給大家分享技術(shù)文章。

選自Towards Data Science

作者：Sebastian Kwiatkowski

機器之心編譯

參與：Nurhachu Null、路雪

本文作者 Sebastian Kwiatkowski 介紹了使用 JavaScript 實現(xiàn) GPU 加速神經(jīng)網(wǎng)絡(luò)的四個項目：deeplearn.js、Propel、gpu.js 和 Brain.js。

根據(jù) GitHub Octoverse 2017 報告，JavaScript 是過去一年中 GitHub 最流行的編程語言。根據(jù) pull requests 的數(shù)量，JavaScript 的體量與 Python、Java 以及 Go 語言的總和相當。

JavaScript 已經(jīng)征服了 Web，并在服務(wù)器、移動電話、桌面和其他平臺上取得了進展。

與此同時，GPU 加速的使用已經(jīng)遠遠超出了計算機圖形學(xué)的范圍，它現(xiàn)在已經(jīng)成為機器學(xué)習(xí)的一個組成部分。

訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)是一個計算密集型過程，深度神經(jīng)網(wǎng)絡(luò)在機器智能的許多重要領(lǐng)域得到了當前最優(yōu)結(jié)果。

本文著眼于這些趨勢的持續(xù)融合，并概述了將 GPU 加速的神經(jīng)網(wǎng)絡(luò)引入 JavaScript 的一些項目。

概述

本文列出的所有項目都是正被社區(qū)積極維護的，它們在 GitHub 上有著數(shù)千 stars，并且通過 NPM 或 CDN 進行分發(fā)。

它們都是通過 WebGL 在瀏覽器中實現(xiàn) GPU 加速的，如果沒有合適的顯卡，則返回到 CPU 模式。

本概述不包含旨在運行現(xiàn)有模型（尤其是使用 Python 訓(xùn)練的模型）的庫。

最后，有 4 個項目被列入清單。

盡管 deeplearn.js 的特征集是面向神經(jīng)網(wǎng)絡(luò)的，但是它也可被看作是一個通用的機器學(xué)習(xí)框架。Propel 是一個用于科學(xué)計算的庫，提供自動微分功能。gpu.js 提供了在 GPU 上運行 JavaScript 函數(shù)的便捷方式。Brain.js 是一個較老的神經(jīng)網(wǎng)絡(luò)庫的延續(xù)，它使用 gpu.js 來完成硬件加速。

Deeplearn.js

Deeplearn.js 是以上四個項目中最流行的，被描述為「用于機器智能的硬件加速 JavaScript 庫」。它由 Google Brain 團隊和一個超過 50 位貢獻者的社區(qū)共同支持。兩位主要作者是 Daniel Smilkov 和 Nikhil Thorat.

import * as dl from 'deeplearn'

const xs = inputXs.as4D(-1, IMAGE_HEIGHT, IMAGE_WIDTH, 1)

const conv1Weights = dl.variable(

dl.randomNormal([FILTER_HEIGHT, FILTER_WIDTH, 1, NUMBER_FILTERS], 0, 0.1) as dl.Tensor4D)

const layer1 = dl.tidy(() => {

return xs.conv2d(conv1Weights, 1, 'same')

.relu()

.maxPool([2, 2], STRIDES, PADDING)

})

deeplearn.js 中卷積層的定義

deeplearn.js 是仿照 TensorFlow 用 TypeScript 寫成的。deeplearn.js 支持由 Google Brain 主要開源項目提供的一個功能子集。API 基本上擁有 3 個部分（API http://www.deeplearnjs.org/docs/api/index.html）。

第一部分包括用來創(chuàng)建、初始化以及變換張量的函數(shù)（http://www.deeplearnjs.org/docs/api/index.html#Tensors-Creation），用類似數(shù)組的結(jié)構(gòu)來保存數(shù)據(jù)。

第二部分提供了在張量上執(zhí)行的操作（http://www.deeplearnjs.org/docs/api/index.html#Operations-Arithmetic），包括基本的數(shù)學(xué)運算、規(guī)約（reduction）、正則化以及卷積。對循環(huán)神經(jīng)網(wǎng)絡(luò)的支持目前還處于初級階段，但是已包括 LSTM 單元的堆疊（http://www.deeplearnjs.org/docs/api/index.html#dl.multiRNNCell）。

API 的第三部分圍繞模型訓(xùn)練展開。所有流行優(yōu)化器，從隨機梯度下降到 Adam 都包含在其中。不過，目前 reference 中提及的損失函數(shù)只有交叉熵損失函數(shù)。

API 其他部分用來進行環(huán)境設(shè)置和資源管理。

可以通過 headless-gl（https://github.com/stackgl/headless-gl0）在 node.js 中實現(xiàn) GPU 加速的實驗（參見 issue #49，https://github.com/PAIR-code/deeplearnjs/issues/49）。

項目網(wǎng)站有很多優(yōu)秀的 demo（http://www.deeplearnjs.org/index.html#demos），包括使用循環(huán)神經(jīng)網(wǎng)絡(luò)進行鋼琴演奏、用來構(gòu)建模型的可視化界面，以及基于 SqueezeNet（一個使用較少參數(shù)的圖像分類器）的 webcam 應(yīng)用。

PropelJS

PropelJS 被描述為「可微分編程的 JavaScript」。這份工作由主要作者 Ryan Dahl 和 Bert Belder 以及其他 11 位貢獻者完成。

import * as pr from "propel"

export async function train(maxSteps = 0) {

const ds = pr.dataset("mnist/train").batch(128).repeat(100)

const exp = await pr.experiment("exp001")

for (const batchPromise of ds) {

const { images, labels } = await batchPromise

exp.sgd({ lr: 0.01 }, (params) =>

images.rescale([0, 255], [-1, 1])

.linear("L1", params, 200).relu()

.linear("L2", params, 100).relu()

.linear("L3", params, 10)

.softmaxLoss(labels))

if (maxSteps && exp.step >= maxSteps) break

}

}

在 MNIST 數(shù)據(jù)集上使用 Propel 訓(xùn)練一個三層的前饋神經(jīng)網(wǎng)絡(luò)。

自動微分（AD）是這個項目的核心，它使得我們無需手動指定導(dǎo)數(shù)。給定一個由支持的張量運算定義的函數(shù) f(x)，它的梯度函數(shù)可以使用 grad（http://propelml.org/docs/#grad）得到。多變量的情況可以使用 multigrad 完成（http://propelml.org/docs/#multigrad）。

除了自動微分之外，目前尚不清楚該項目的方向。雖然網(wǎng)站上提到其目標是成為「類似 numpy 的基礎(chǔ)架構(gòu)」，但該項目目前仍在開發(fā)中，并且包含與神經(jīng)網(wǎng)絡(luò)（http://propelml.org/docs/#conv2d）和計算機視覺（http://propelml.org/docs/#imread）相關(guān)的功能。npy 文件的內(nèi)容可以通過 load 函數(shù)（http://propelml.org/docs/#load）進行解析，并作為張量使用。

在瀏覽器環(huán)境中，PropelJS 利用了 deeplearn.js 中的 WebGL 功能。對于節(jié)點中的 GPU 加速，該項目則使用了 TensorFlow 的 C API。

gpu.js

雖然我的大部分經(jīng)驗是使用 CUDA 而不是 WebGL，但我可以證明 GPU 編程的耗時性。因此，當我遇到 gpu.js 時，我感到非常意外。該項目在 GitHub 上擁有約 5700 個 stars，在知名度方面與 deeplearn .js 相當，共有 18 位貢獻者。Robert Plummer 是主要作者。

import GPU from 'gpu.js'

const gpu = new GPU()

const multiplyMatrix = gpu.createKernel(function(a, b) {

var sum = 0;

for (var i = 0; i < 512; i++) {

sum += a[this.thread.y][i] * b[i][this.thread.x];

}

return sum;

}).setOutput([512, 512])

使用 gpu.js 進行矩陣乘法運算，相當于 GPU 編程中的 Hello World！

在當前語境中，內(nèi)核是在 GPU 而不是 CPU 上執(zhí)行的函數(shù)。使用 gpu.js，內(nèi)核可以用 JavaScript 的子集（https://github.com/gpujs/gpu.js#creating-and-running-functions）編寫。然后編譯代碼并在 GPU 上運行。幾周前，gpu.js 支持基于 OpenCL 的 Node.JS（https://github.com/mikeseven/node-opencl/issues/55）。

數(shù)字和最多具有三維的數(shù)組被用作輸入和輸出。除了基本的數(shù)學(xué)運算之外，gpu.js 還支持局部變量、循環(huán)和 if/else 語句。

為了實現(xiàn)代碼重用并允許更多模塊化設(shè)計，你們可以注冊自定義函數(shù) ( https://github.com/gpujs/gpu.js#adding-custom-functions #），然后從內(nèi)核代碼中使用。

在內(nèi)核的 JavaScript 定義中，this 對象提供線程標識符，并存儲在實際內(nèi)核里是常量、在外部是動態(tài)變量的值。

該項目專門研究加速 JavaScript 函數(shù)，并不試圖提供神經(jīng)網(wǎng)絡(luò)框架。為此，我們可以求助一個依賴 gpu.js 的庫。

Brain.js

Brain.js 繼承自 harthur/brain（https://github.com/harthur/brain），一個可以回溯至 2010 年的 repo。

import brain from 'brain.js'

const network = new brain.recurrent.RNN()

const data = [

{input: [0, 0], output: [0]},

{input: [0, 1], output: [1]},

{input: [1, 0], output: [1]},

{input: [1, 1], output: [0]}

]

network.train(data)

共有近 30 人對這兩個 repo 做出了貢獻。

對 GPU 加速神經(jīng)網(wǎng)絡(luò)的支持基于 GPU.js，這可以算得上該項目近期最重要的進展了。

除了前饋網(wǎng)絡(luò)之外，Brain.js 還包括三種重要 RNN 類型的實現(xiàn)（https://github.com/BrainJS/brain.js#neural-network-types）：經(jīng)典 Elman 網(wǎng)絡(luò)、LSTM，以及具備門控循環(huán)單元的近期網(wǎng)絡(luò)。

該 repo 包含的 demo 處于早期階段。源代碼中還有另外兩個演示 ( https://github.com/BrainJS/brain.js/tree/develop/examples)，其中一個 demo 涉及檢測用 ASCII 碼繪制的字符。

針對機器學(xué)習(xí)的加速 JavaScript 庫有很多有趣的應(yīng)用。

在線課程可以將與機器學(xué)習(xí)或 GPU 計算相關(guān)的練習(xí)直接集成到 web 應(yīng)用程序中。學(xué)生不必跨不同的操作系統(tǒng)和軟件版本去設(shè)置單獨的開發(fā)環(huán)境。

許多基于神經(jīng)網(wǎng)絡(luò)的 demo 可以更容易地部署，并且不再需要服務(wù)器端 API。

對機器學(xué)習(xí)感興趣的 JavaScript 開發(fā)者可以充分利用他們的專業(yè)技能，在集成問題上花費更少的時間。

此外，客戶端上的可用計算資源應(yīng)該被更好地利用。畢竟，并非所有的顯卡都一直用于虛擬現(xiàn)實和挖礦。

需要說清楚，我現(xiàn)在并不主張將本文中提到的庫用于任務(wù)關(guān)鍵型神經(jīng)網(wǎng)絡(luò)。Python 生態(tài)系統(tǒng)仍然是大多數(shù)應(yīng)用程序的首選。

然而，過去 12 個月取得的進展確實令人鼓舞。一年前既沒有 deeplearn.js，也沒有 Propel。彼時 gpu.js repo 中的活動水平相對較低，Brain.js 也不支持 GPU 加速。

隨著時間的推移，這些項目將在某些方面與已建立的框架發(fā)生競爭，并催生出 JavaScript 完美適合的全新應(yīng)用。

https://towardsdatascience.com/gpu-accelerated-neural-networks-in-javascript-195d6f8e69ef

本文為機器之心編譯，轉(zhuǎn)載請聯(lián)系本公眾號獲得授權(quán)。

------------------------------------------------

加入機器之心（全職記者/實習(xí)生）：hr@jiqizhixin.com

廣告&商務(wù)合作：bd@jiqizhixin.com