安装ndk之类的东西就不用说了。

我目前测试三个版本编译的OpenBlas效果，分别是32位单线程，64位单线程，32位多线程
测试为300次网络前向耗时，网络结构为[360, 1024, 1024, 1024, 1024, 1024, 4375]。

当时是需要对一个终端耗时任务做矩阵加速，我选了OpenBlas开源方案，事实证明在ARM平台上能用的开源的方案中，OpenBlas做的算相当可以的了。以后有时间还想自己实现一下矩阵乘法的加速。做优化这个过程还是很吸引人的。

在Linux下不想每次写Makefile自然就想到替代工具了。由于Clion支持的是cmake，所以我也就粉了它。

原先的Ubuntu不小心整崩溃了，在windows下删掉分区，重新安装之后总是找不到boot loader，出现Grub引导界面，如下

大三玩SC的时候，手动升级了好几次GCC，还有Glibc的库（升级失误，整废一个节点），遇到问题在此做个备注。

习惯上python之后，我很自然的就想到怎么和C++代码结合的问题了，毕竟核心计算模块不敢用python做，之前用过swig，但是感觉不够灵活，方便。后来找到了boost库，开始上手会遇到一些乱七八糟的问题，但是做完了回头看看，还是蛮方便的，起码相对于swig来说。

之前学习的EM算法很抽象，以GMM模型为例，看看EM算法如何通过期望-最大化的迭代过程，进行参数的有效估计的。

EM算法优化的目标是观测数据对参数$\theta$的对数似然函数，如果不存在隐变量的话，可以直接用最大似然法估计，在隐变量存在的情况下，使用EM算法进行迭代估计。本篇是当时学李航的统计学习方法写下的笔记，可能有理解不正确的地方。

这部分主要记录的是GMM在kaldi中的实现。