ARTS是什么？
Algorithm：每周至少做一个leetcode的算法题；
Review：阅读并点评至少一篇英文技术文章；
Tip：学习至少一个技术技巧；
Share：分享一篇有观点和思考的技术文章。
Algorithm
题目解析：
题意是给定一个矩阵，公主在右下角的格子，然后有一个骑士在左上角的格子，每个格子里面有一个数字，表示加血和减血，在进入到每个格子，骑士的血量不能低于 0，骑士需要去到公主所在的格子，并且每步只能向下或者向右，问骑士的 最低起始血量 是多少。
这道题目第一次做觉得和很多题目类似，比如 Unique Path 一类的题目，而且显然是一道动态规划的题。但是如果你按常规去思考的话，你会觉得状态貌似并没有那么好表示，比如你用 dp[i][j] 表示骑士到达 [i][j] 所需要的最小初始血量，那么 dp[i][j] 和 dp[i - 1][j] 以及 dp[i][j - 1] 的关系式如何确定？这里关系式不好得出的原因在于骑士的起始血量不能为负数或 0，比如说下面这个例子：
[
[1, 2, -4],
[2, -4, 1]
]
你可以看到的是，如果状态按照我们之前那样定义的话，dp[0][1] = 1 。但是，到了 -4 的格子，其实是可以用到前面增加的血量的，而不仅仅只是初始血量。
你可能会说，那就用 dp[i][j] 表示当前的血量不就好了，大不了等到了终点再做换算。这样做也是行不通的，因为你很难做条件判断，比如下面的例子：
[
[-2, 3, -3],
[-5, -10, 1],
[10, 30, -5]
]
你可以思考一下，在终点处，也就是 [2][2] 那里你是选择从上边 [1][2] 过来的路线，还是从左边 [2][1] 处过来的路线？如果仅仅看当前血量正负多少，你会选择从左边 [2][1] 过来的路线，但其实正确答案是上面那条路线。
并不是说按照这种常规的思考方式不可行，也许我们多定义一维的状态也可以做，但是我想说的是，如果我们逆向思考这道问题，思考的复杂性上相对来说会简单不少。我们从右下角那个位置倒着来遍历，你可以把状态 dp[i][j] 理解为，在 [i][j] 处，骑士至少需要多少血量才能救出公主，这个血量是指骑士刚到这个格子的时候的血量，比如上面的第二个例子中，dp[2][2] = 6，dp[2][1] = 1，dp[1][2] = 5，递归方程应该也不难看出：
dp[i][j] = min(dp[i + 1][j], dp[i][j + 1]) - dungeon[i][j]
当然，除了这个方程，我们还需要做一些边界条件的判断，另外就是状态的值最小是 1，不能是负数或者 0。
如果倒过来思考，从结果反推的话，动态规划的状态定义就会清晰很多，这是我们可以从这道题中借鉴到的东西。
参考代码：
public int calculateMinimumHP(int[][] dungeon) {
if (dungeon == null || dungeon.length == 0) {
return 1;
}
int m = dungeon.length, n = dungeon[0].length;
// dp[i][j] 表示
// 到达（刚到） [i][j] 前，最少需要多少的血量才能保证救出公主
int[][] dp = new int[m][n];
// 初始化最后一个格子的状态
dp[m - 1][n - 1] = dungeon[m - 1][n - 1] > 0 ? 1 : 1 - dungeon[m - 1][n - 1];
for (int i = m - 1; i >= 0; --i) {
for (int j = n - 1; j >= 0; --j) {
// 跳过最后一个格子
if (i == m - 1 && j == n - 1) {
continue;
}
// 选择向下的路线
int fromTop = i == m - 1 ? Integer.MAX_VALUE : dp[i + 1][j] - dungeon[i][j];
// 选择向右的路线
int fromLeft = j == n - 1 ? Integer.MAX_VALUE : dp[i][j + 1] - dungeon[i][j];
// 取进入当前格子时的最小血量
dp[i][j] = Math.min(fromTop, fromLeft);
// 进入房间的血量不能是负数或 0
// 因此，状态也不能是负数
// 这里可以理解为，即使房间可以给你加血，进入房间时你至少也要有 1 的血量
if (dp[i][j] <= 0) {
dp[i][j] = 1;
}
}
}
return dp[0][0];
}
Review
How to Read an Academic Article
这篇文章主要讲述如何阅读一篇学术文章，即使工作了，有些时候还是避免不了阅读技术论文，因为很多比较新的理念和思想只能在学术论文中找到，那如何快速地理解一篇学术文章呢？这篇短文给出了一些建议
- 阅读学术文章的步骤：
- 阅读摘要（abstract）
- 阅读介绍（introduction）
- 阅读结论（conclusion）
- 大概浏览文章，主要看每个小部分的标题，还有就是插图，表格等等，试着去感受文章的风格，然后问自己下面的问题：
- 这是一篇什么类型的论文，比如方法论型，介绍概念型，理论推导型，还是经验型？
- 文章的主要目是什么？是一个调查，还是阐述一个新的理论，亦或是介绍一个基于其他现存理论的应用，或者是评论别人的观点？
- 从头到尾读一遍文章，省略一些细节，比如推导式，图像，数据
- 认真通读全文，特别是那些重要的章节或者段落
- 一旦你理解了作者的意图和观点，试着去对此进行评论，比如你可以进行以下的一些思考
- 作者的论证是否合理？文章的一些支持性的引用是否站的住脚？论证过程是否前后一致？
- 将当前的这篇文章和你之前读过的同一领域，相近的文章做对比，当前的文章和你之前读过的文章的观点是否有冲突？是否一致？
- 通过 Google Scholar 去找到那些引用这篇文章的文章，看看这篇文章是在哪些地方被引用的，引用这篇文章的目的主要是什么？
- 查阅相关的参考，看看这篇文章背后的一些广泛的背景。
Advice on Reading Academic Papers
这篇文章也是讲述如何阅读一篇论文的，但是更多的是一些建议:
- 首先阅读结论和介绍，因为这样可以快速地理解论文想要解决的问题，以及作者所采用的一些方法
- 大致浏览文章，理解文章的目的、结构、以及作者的观点倾向。这么做是因为很多细节只有放在具体的情景中才能更好地被理解
- 不要死抠着一个点不放，应该把整篇文章当作是一个整体，一个段落没有理解或许可以在下面的段落中找到答案
- 阅读完后，一定要明白文章的主要观点，优缺点。不要在不理解文章的情况做猜测和评论，这样的话会将文章的一些支持性的概念和你自己的观点弄混淆。
总的来说，这两篇文章对于怎么样读学术论文的建议都差不多。主要就是一开始要快速地理解文章的大致架构和主要目的，切记不要一开始就陷入到细节里，因为很多细节并不会影响你对整体的把握，而且很多细节只有再你理解了整体的框架之后才会变得清晰。比如说公式的推导，如果你一步步细致地去看公式的每个推导步骤，会花很多时间不说，并且对于你理解文章主要目的帮助不大。另外就是读完一篇文章之后，一定要进行批判性思考，作者的观点仅仅代表作者的观点，并不表示这个观点放之四海皆准，要敢于发现问题和提出问题，通过这些疑问，你可以对比去看其他类似的文章或是去了解学习相关的背景知识，去发现更为广阔的世界，这样才能让自己对某一领域的知识理解得更深，也才能形成自己对事物的思考和见解。
Tip
这周阅读了 Golang 的官方文档，学习了一些基本的概念和指令：
package：
- 同一 package 下的函数、变量以及类型是可以被相互访问的
- Go 中的第一行代码是用来指明文件所属的 package。可执行的文件必须要用 main 作为 package 的名字
module：
- 项目 root 目录下的
go.mod指明了 module 的路径，以及 import path 的前缀 - 每个 module 的路径不仅仅作为 package 的 import 路径，还指明了在哪下载对应的 外部 module
当创建相关的 go command 时，可以使用下面的指令：
>$ go install {modulePath}
这个指令会把生成的二进制文件放在 $HOME/go/bin/ 下，当然这个路径是 GOPATH 和 GOBIN 两个环境变量所指明的
安装好 command 后，你也可以用下面的指令把 command 加到 PATH 中，让 command 运行起来更方便：
>$ export PATH=$PATH:$(dirname $(go list -f ‘{{.Target}}’ .))
每当你运行 go install, go build, 或是 go run 的时候，golang 会自动地下载对应的 module 并在 go.mod 中记录每个 module 对应的 version
测试：
- 测试文件以
_test.go作为文件的结尾 - 测试函数命名以 Test 作为开头，测试函数的签名
func (t *testing.T) - golang 自带的测试框架会运行以 Test 开头的所有函数，如果函数调用了失败相关的函数，比如
t.Error或是t.Fail，那么这个测试结果就会被认为是失败的 - 通过
go test来运行测试
Share
这段时间在学习 Andrew Ng 的机器学习公开课，这里做个记录吧
