服务器上使用 git 更新 wordpress 内核方案

目录结构、场景设想

推荐目录架构结构：

/opts/mysite/ —/wordpress/ —/wp-config.php —/index.php

*wordpress 要加入到 .gitignore 中，/mysite/index.php 需要修改加载 wordpress 的路径

-场景 I 如果网站目录 mysite 是一个 repo（比如有 mysite/.git 目录） -场景 II 网站目录不是 repo ，而是部署为 detached worktree，即不存在 mysite/.git

把 wordpress 当成 git submodule 加入到 repo 中。http://blog.g-design.net/post/60019471157/managing-and-deploying-wordpress-with-git

此时可以把 wordpress 子目录设置成 git repo（即存在 mysite/wo

想读更多 ->

DB-Engines最新11月数据库排名：MariaDB助力，MySQL流行度超越Oracle

在 DB-Engines 的最新11月排名中，MySQL 和 Oracle 已经相差无几，这得益于2017年10月MySQL的增长强劲，可是要知道MySQL的另外一个重要分支，MariaDB已然跃升至第 18 位，如果将 MySQL + MariaDB 作为 MySQL 的核心，事实上MySQL的流行度已经超过了 Oracle 数据库。

几乎全过程皆大欢喜全民丰收！

然而，还有两个小槽点。。

想读更多 ->

锋锐程序：为服装业提供解决方案

提起电子支付，大多数人首先想到的往往是网购。但是，CEO关国光说出“我们是独立第三方电子支付企业，不是网上支付企业，致力于促进社会各行业各领域电子支付应用”这句话的时候，实体零售行业必定大为释然。原来，电子支付并不仅是网店资金处理的有力工具，而且同样也可以成为线下企业最亲密的伙伴。 众所周知，在传统行业中，以服装零售实体店面受到的网购冲击最大。而这块未垦之地也是对第三方支付企业最有诱惑力的蛋糕之一。作为国内领先的电子支付服务企业，快钱凭借对服装行业发展趋势的敏锐嗅觉，不断推出具有针对性的金融创新业务。 据了解，大型服装企业的连锁店面往往遍布全国各地，并已经局部呈现出同地域多家门店，旗舰店与加盟店、直营店并存的局面。面对连锁规模的快速增长，资金的统一管理及快速回流成为了发展的困扰。为此，服装企业在高速扩张门店的同时，对连锁店的统一管理投入了高度重视。 针对这种情况，锋锐开创性地为连锁服装企业定制了“连锁门店支付解决方案”。引入了快钱的解决方案后，通过财务后台，总部能清晰地了解到每个店面的销售情况，甚至实时了解每笔交易情况，强化了总部财务的控制力；同时，实现了电子化的财务管理，做到了销售信息流和资金流的完全匹配，从而极大地提升财务管理效率。更重要的是，无论店开在哪里，所有门店的销售收入隔日就能归集到总部，从而提升资金运作效率。可以说，快钱帮助连锁服装企

想读更多 ->

NLP专题论文解读：从Chatbot、NER到QA系统...

本期NLP 专题论文笔记，涵盖对话系统、命名实体识别（NER）和QA系统，希望对你有所帮助。

一、对话系统

论文 | Affective Neural Response Generation

链接 | http://www.paperweekly.site/papers/1043

2017年11月12日上午，第二届中国数据标准化与治理大会在北京万寿宾馆隆重举行。本届会议旨在持续汇集专家人才和经验，促进领域发展和提升业界实践水平。大会由中国工业和信息化部和国家标准化管理委员会指导，中国电子技术标准化研究院、中国科学技术部高技术研究发展中心、中国行政体制改革研究会、清华大学、国际数据管理协会中国分会（DAMA China）联合举办。

前几日李飞飞发了一条推文：

想读更多 ->

深度学习界明星：生成对抗网络与Improving GAN

2014年，深度学习三巨头之一IanGoodfellow提出了生成对抗网络（Generative Adversarial Networks, GANs）这一概念，刚开始并没有引起轰动，直到2016年，学界、业界对它的兴趣如“井喷”一样爆发，多篇重磅文章陆续发表。2016年12月NIPS大会上，Goodfellow做了关于GANs的专题报告，使得GANs成为了当今最热门的研究领域之一，本文将介绍如今深度学习界的明星——生成对抗网络。

生成对抗网络，根据它的名字，可以推断这个网络由两部分组成：第一部分是生成，第二部分是对抗。这个网络的第一部分是生成模型，就像之前介绍的自动编码器的解码部分；第二部分是对抗模型，严格来说它是一个判断真假图片的判别器。生成对抗网络最大的创新在此，这也是生成对抗网络与自动编码器最大的区别。简单来说，生成对抗网络就是让两个网络相互竞争，通过生成网络来生成假的数据，对抗网络通过判别器判别真伪，最后希望生成网络生成的数据能够以假乱真骗过判别器。过程如图1所示。