diff --git a/run_example.py b/run_example.py
new file mode 100644
index 00000000..66558e2c
--- /dev/null
+++ b/run_example.py
@@ -0,0 +1,20 @@
+# import tutorials.keras.text_NER as ft
+# import tutorials.keras.brat_tag as ft
+import tutorials.RecommenderSystems.rs_rating_demo as ft
+# from middleware.utils import TimeStat, Chart
+# import matplotlib.pyplot as plt
+# import matplotlib.gridspec as gridspec
+# from matplotlib.font_manager import FontProperties
+# plt.rcParams['font.sans-serif'] = ['SimHei']
+# plt.rcParams['axes.unicode_minus'] = False
+
+
+def main():
+    ft.main()
+    # x=y=[1,2,3]
+    # plt.plot(x, y, color='g', linestyle='-')  # 绘制
+    # plt.grid(True, ls = '--')
+    # plt.show()
+
+if __name__ == "__main__":
+    main()
diff --git a/tutorials/AI常用函数说明.md b/tutorials/AI常用函数说明.md
new file mode 100644
index 00000000..bd7b1399
--- /dev/null
+++ b/tutorials/AI常用函数说明.md
@@ -0,0 +1,213 @@
+# AI常用函数说明
+
+## numpy 相关
+
+> from numpy import random, mat, eye
+
+```py
+'''
+# NumPy 矩阵和数组的区别
+NumPy存在2中不同的数据类型:
+    1. 矩阵 matrix
+    2. 数组 array
+相似点: 
+    都可以处理行列表示的数字元素
+不同点: 
+    1. 2个数据类型上执行相同的数据运算可能得到不同的结果。
+    2. NumPy函数库中的 matrix 与 MATLAB中 matrices 等价。
+'''
+from numpy import random, mat, eye
+
+# 生成一个 4*4 的随机数组
+randArray = random.rand(4, 4)
+# 转化关系， 数组转化为矩阵
+randMat = mat(randArray)
+'''
+.I 表示对矩阵求逆(可以利用矩阵的初等变换)
+   意义: 逆矩阵是一个判断相似性的工具。逆矩阵A与列向量p相乘后，将得到列向量q，q的第i个分量表示p与A的第i个列向量的相似度。
+   参考案例链接: 
+   https://www.zhihu.com/question/33258489
+   http://blog.csdn.net/vernice/article/details/48506027
+.T 表示对矩阵转置(行列颠倒)
+    * 等同于: .transpose()
+.A 返回矩阵基于的数组
+    参考案例链接: 
+    http://blog.csdn.net/qq403977698/article/details/47254539
+'''
+invRandMat = randMat.I
+TraRandMat = randMat.T
+ArrRandMat = randMat.A
+# 输出结果
+print('randArray=(%s) \n' % type(randArray), randArray)
+print('randMat=(%s) \n' % type(randMat), randMat)
+print('invRandMat=(%s) \n' % type(invRandMat), invRandMat)
+print('TraRandMat=(%s) \n' % type(TraRandMat), TraRandMat)
+print('ArrRandMat=(%s) \n' % type(ArrRandMat), ArrRandMat)
+# 矩阵和逆矩阵 进行求积 (单位矩阵，对角线都为1嘛，理论上4*4的矩阵其他的都为0)
+myEye = randMat*invRandMat
+# 误差
+print(myEye - eye(4))
+```
+
+> np.dot
+
+```py
+import numpy as np
+
+a = np.array([2, 3])
+b = np.array([4, 5])
+np.dot(a, b, out=None)  #该函数的作用是获取两个元素a,b的乘积
+
+Out[1]: 23 = 2*4 + 3*5
+
+a = np.array([2, 3, 4])
+b = np.array([5, 6, 7])
+np.dot(a, b, out=None)  #该函数的作用是获取两个元素a,b的乘积
+
+Out[2]: 56 = 2*5 + 3*6 + 4*7
+```
+
+> array sum/mean
+
+```py
+import numpy as np
+
+# ---- sum ---- #
+a = np.array([[2, 3, 4], [2, 3, 4]])
+
+# 纵向求和: 0 表示某一列所有的行求和
+a.sum(axis=0)
+Out[6]: array([4, 6, 8])
+
+# 横向求和: 1 表示某一行所有的列求和
+a.sum(axis=1)
+Out[7]: array([9, 9])
+
+
+# ---- mean ---- #
+a = np.array([[2, 3, 4], [12, 13, 14]])
+
+# 纵向求平均: 0 表示某一列所有的行求和
+a.mean(axis=0)
+Out[13]: array([7., 8., 9.])
+
+# 横向求平均: 1 表示某一行所有的列求平均
+a.mean(axis=1)
+Out[14]: array([ 3., 13.])
+
+```
+
+> np.newaxis
+
+* numpy 添加新的维度: newaxis(可以给原数组增加一个维度)
+
+```py
+import numpy as np
+
+In [59]: x = np.random.randint(1, 8, size=(2, 3, 4))
+In [60]: y = x[:, np.newaxis, :, :]
+In [61]: Z = x[ :, :, np.newaxis, :]
+
+In [62]: x. shape
+Out[62]: (2, 3, 4)
+
+In [63]: y. shape
+Out[63]: (2, 1, 3, 4)
+
+In  [64]: z. shape
+Out [64]: (2, 3, 1, 4)
+```
+
+## pandas 相关
+
+> df.shift()
+
+```
+DataFrame.shift(periods=1, freq=None, axis=0)
+
+* periods: 类型为int，表示移动的幅度，可以是正数，也可以是负数，默认值是1, 
+    1就表示移动一次，注意这里移动的都是数据，而索引是不移动的，移动之后没有对应值的，就赋值为NaN
+* freq: DateOffset, timedelta, or time rule string，可选参数，默认值为None，只适用于时间序列，如果这个参数存在，那么会按照参数值移动时间索引，而数据值没有发生变化。
+* axis: {0, 1, ‘index’, ‘columns’}，表示移动的方向，如果是0或者’index’表示上下移动，如果是1或者’columns’，则会左右移动。
+```
+
+```py
+
+"""
+index	value1
+A	0
+B	1
+C	2
+D	3
+"""
+
+df.shift()  # 或 df.shift(1)
+# 就会变成如下：
+
+"""
+index	value1
+A	NaN
+B	0
+C	1
+D	2
+"""
+
+df.shift(2)
+
+"""
+
+index	value1
+A	NaN
+B	NaN
+C	0
+D	1
+"""
+
+df.shift(-1)
+
+"""
+index	value1
+A	1
+B	2
+C	3
+D	NaN
+"""
+
+####################
+
+"""
+index	value1
+2016-06-01	0
+2016-06-02	1
+2016-06-03	2
+2016-06-04	3
+"""
+
+# 如果 index 为时间
+df1.shift(periods=1,freq=datetime.timedelta(1))
+
+"""
+index	value1
+2016-06-02	0
+2016-06-03	1
+2016-06-04	2
+2016-06-05	3
+"""
+```
+
+
+
+## keras 相关
+
+> from keras.preprocessing.sequence import pad_sequences
+
+```python
+from keras.preprocessing.sequence import pad_sequences
+
+
+# padding: pre(默认) 向前补充0  post 向后补充0
+# truncating: 文本超过 pad_num,  pre(默认) 删除前面  post 删除后面
+x = [[1,2,3,4,5]]
+x_train = pad_sequences(x, maxlen=pad_num, value=0, padding='post', truncating="post")
+print("--- ", x_train[0][:20])
+```