目前我的博客上的 Mathjax 公式是在客户端渲染的。这种方式实现比较便利，主题 NexT 已经帮我们实现了，我们只需要打开配置开关就可以了。但是客户端渲染的方式有如下两个比较严重的问题：

1. Mathjax 的前端脚本会产生为数不少的资源请求
2. 在公式比较多的页面中（我的 Academic 版块的公式就非常多），渲染效率会比较慢，这意味着公式需要好几秒才能渲染，这在写作的时候非常不利。因为为了确保公式格式正确，我在每编写一个公式之后，都会刷新页面查看渲染结果。如果每次刷新都要等待这么长的时间会非常严重。另外，对于访问我的博客的用户来说，太长的渲染时间也是一个问题。

这篇文章旨在使用离线渲染的方式解决这个问题。

因为种种原因打断了新闻纪录，还是恢复起来吧。不过之后新闻的形式和内容会做一些精简。

最近博客改用了思源字体，字体好看是好看，不过毕竟不是默认的字体，需要做动态载入（动态载入的教程可以看这个链接）。不过中文字体的体积比较大，如果客户端的操作系统上已经安装了思源的字体，那么就不需要再从服务器下载地址了。

这里说的 ssh 跳板，是指我们通过一个中继服务器其访问另一台内网服务器。典型的应用场景是在 VPN 网络中，我们进入了 VPN 服务器之后再访问另一个网段的内网服务器。

博客里面有一些内容是目前用来自己做一些记录，并不想广为开放。之前博客是放在Github Pages上的，这样是没法自己定制一些认证的。所以这次我将博客部署到了自己的服务器上，使用Nginx来作为Web服务器，这样可以做一些简单的定制。

Hexo的标签(Tag)系统一直有一点「格格不入」的感觉。这篇文章对于Hexo标签系统使用的一些奇怪的问题做了分析。

之前为了公式渲染问题，我将Hexo的渲染引擎切换到了pandoc。不过pandoc除了带来公式渲染功能之外，还为markdown语法提供了扩展。这篇文章旨在梳理pandoc提供的各种新增markdown功能。pandoc提供的完整文档位于这里

原文地址是: Training a Convolutional Neural Network from scratch。原文的撰写时间是2019年6月7日。

在这篇文章中，我们将会深入了解卷积神经网络(Convolutional Neural Networks, CNN)，重点是如何训练一个卷积神经网络。这篇文章会教你如何推导梯度，实现backprop过程（只使用numpy），并最终建立起一个完整的训练的工作流。这里我们架设你对于什么是卷积神经网络有一个基础的了解。如果你还缺乏最基本的知识，可以阅读原文作者的文章。同时文章中部分地方还假定你对于多元微积分有一定的了解基本上你好好上过大学的高等数学应该就能理解。

1 概述

本次要读的论文是Deep Reinforcement Learning Based Resource Allocation for V2V Communications，是 TVT 上的 Popular Articles 中的第一篇。主要讲的内容是用增强学习（或者叫强化学习）来做 V2V 通信的资源分配。目前使用强化学习来做分布式的资源分配方案是一种比较流行的做法。使用强化学习做资源分配不要求决策者掌握全局信息。