Benchmark

0 前言 Meta Learning是深度学习领域近年来最火的研究方向之一，在这一两年内涌现出了大量的paper，可谓百花齐放！相信有很多想入坑的同学很想了解Meta Learning的整个研究概况及进展，却苦于找不到一篇好的综述。那么现在机会来了，最近来自爱丁堡大学的 Timothy M. Hospedales ​ homepages.inf.ed.ac.uk 老师主笔撰写了一篇非常全面有深度的综述： Meta-Learning in Neural Networks: A Survey ​ arxiv.org 在这篇综述里，作者对Meta Learning这个领域进行了全新系统性进行分类，并且充分分析了Meta Learning在不同应用上的研究进展。下面我们对这篇综述进行一定的解读，希望对感兴趣的朋友有帮助！ 1 Meta Learning如何定义？ Meta Learning，也称为Learning to Learn，即学会学习，顾名思义就是学会某种学习的技巧，从而在新的任务task上可以学的又快又好。这种学习的技巧我们可以称为Meta-knowledge。Meta Learning和传统的机器学习最大的不同便在于Meta Learning是task level的，即每一个task都可以认为是meta learning的样本。基于这样的定义，我们可以得到Meta

0. Background System Info .. root@p1gd0g .PLTJ. OS: CentOS 6.9 Final <><><><> Kernel: x86_64 Linux 2.6.32-696.el6.x86_64 KKSSV' 4KKK LJ KKKL.'VSSKK Uptime: 31d 55m KKV' 4KKKKK LJ KKKKAL 'VKK Packages: 773 V' ' 'VKKKK LJ KKKKV' ' 'V Shell: bash 4.1.2 .4MA.' 'VKK LJ KKV' '.4Mb. Resolution: No X Server . KKKKKA.' 'V LJ V' '.4KKKKK . WM: Not Found .4D KKKKKKKA.'' LJ ''.4KKKKKKK FA. GTK Theme: Slider [GTK2], [GTK3] <QDD ++++++++++++ ++++++++++++ GFD> Disk: 13G / 193G (8%) 'VD KKKKKKKK'.. LJ ..'KKKKKKKK FV CPU: Intel Core (Haswell, IBRS) @ 2x 2.397GHz ' VKKKKK'. .4 LJ K. .'KKKKKV ' RAM: 2069MiB /

redis做压测可以用自带的redis-benchmark工具，使用简单 压测命令： redis-benchmark -h 127.0.0.1 -p 6379 -c 50 -n 10000 压测需要一段时间，因为它需要依次压测多个命令的结果，如：get、set、incr、lpush等等，所以我们需要耐心等待，如果只需要压测某个命令，如：get，那么可以在以上的命令后加一个参数-t（红色部分）： 1、redis-benchmark -h 127.0.0.1 -p 6086 -c 50 -n 10000 -t get C:\Program Files\Redis>redis-benchmark -h 127.0.0.1 -p 6379 -c 50 -n 10000 -t get ====== GET ====== 10000 requests completed in 0.16 seconds 50 parallel clients 3 bytes payload keep alive: 1 99.53% <= 1 milliseconds 100.00% <= 1 milliseconds 62893.08 requests per second 2、redis-benchmark -h 127.0.0.1 -p 6086 -c 50 -n 10000 -t set C:

论Qt容器与STL https://zhuanlan.zhihu.com/p/24035468 编辑于 2017-02-27 相关阅读 推荐一篇比较全面的介绍QTL的文章： Understand the Qt containers @渡世白玉 对其做了大致的翻译，链接如下： [翻译]理解Qt容器：STL VS QTL（一）--特性总览 [翻译]理解Qt容器：STL VS QTL（二）--迭代器 [翻译]理解Qt容器：STL VS QTL（三）--类型系统 和其他处理 ============================ 定性分析 Qt的容器类具体分析可见官方文档： Container Classes 里面有关于时间复杂度、迭代器等各方面的概述和表格对比。 各个容器的具体实现，可以看代码，或者看容器类文档开头的详细介绍。 QTL比起STL的话，最大的特点是统一用了写时复制技术。缺点是不支持用户自定allocator。 在这里先简单类比下吧，具体数据可以看后面的benchmark QLinkedList —— std::list 两者都是双向链表，两者可以直接互转。 QVector —— std::vector 两者都是动态数组，都是根据sizeof(T)进行连续分配，保证成员内存连续，能够用data()直接取出指针作为c数组使用，两者可以直接互转。 QMap —— std:

【推荐阅读】微服务还能火多久？>>> English | 简体中文 PaddleDetection PaddleDetection的目的是为工业界和学术界提供丰富、易用的目标检测模型。不仅性能优越、易于部署，而且能够灵活的满足算法研究的需求。 目前检测库下模型均要求使用PaddlePaddle 1.7及以上版本或适当的develop版本。 简介 特性： 易部署: PaddleDetection的模型中使用的核心算子均通过C++或CUDA实现，同时基于PaddlePaddle的高性能推理引擎可以方便地部署在多种硬件平台上。 高灵活度： PaddleDetection通过模块化设计来解耦各个组件，基于配置文件可以轻松地搭建各种检测模型。 高性能： 基于PaddlePaddle框架的高性能内核，在模型训练速度、显存占用上有一定的优势。例如，YOLOv3的训练速度快于其他框架，在Tesla V100 16GB环境下，Mask-RCNN(ResNet50)可以单卡Batch Size可以达到4 (甚至到5)。 支持的模型结构： ResNet ResNet-vd 1 ResNeXt-vd SENet MobileNet HRNet Res2Net Faster R-CNN ✓ ✓ x ✓ ✗ ✗ ✗ Faster R-CNN + FPN ✓ ✓ ✓ ✓ ✗ ✓ ✓ Mask R-CNN ✓ ✓

【推荐阅读】微服务还能火多久？>>> 自然语言权威数据集 GLUE 一直是衡量各机构 NLP 预训练技术水平最重要的指标之一。近年来在其榜单之上实现更好的成绩，也成为了科技公司技术提升的体现。不过现有的大多数 NLP 基准仅限于英文任务，无法评价 NLP 模型在其他语言上的能力。 机器之心报道，参与：泽南、蛋酱、杜伟。 近日，来自 CMU、谷歌研究院和 DeepMind 的科学家们提出了覆盖四十种语言的大规模多语言多任务基准 XTREME，希望一举解决这个问题。 自然语言处理（NLP）所面临的其中一个关键性挑战是，构建的系统不仅要在英文中 work，而且要在世界范围内约 6900 种语言中也 work。幸运的是，虽然大多数语言呈现数据稀疏（data sparse）且没有充足可用的数据来自行训练鲁棒的模型，但其中的很多语言共享大量的底层结构。 此外，NLP 领域有很多方法在训练过程中利用到了多语言的共享结构，以克服数据稀疏的问题。但不足的是，大多数这些方法侧重于在多语言中执行特定任务。近几年，得益于深度学习的进展，有更多的方法试图学习通用的多语言表示（如 mBERT、XLM 和 XLM-R），这些方法旨在捕获跨语言间共享且对多任务有用的知识。但在实践中，这类方法的评估却大多侧重于一小部分任务以及相似的语言。 因此，为了鼓励人们在多语言学习领域开展更多研究，谷歌研究院联合 CMU

【推荐阅读】微服务还能火多久？>>> Redis get vs. mget Benchmark 0. Background Scripts #!/bin/bash key="testkey" value="testvalue" int=0 while (($int <= 1024)); do echo -e $key$int $value redis-cli set $key$int $value let "int++" done #!/bin/bash int=0 keys="" while (($int < 64)); do keys="$keys","'testkey$int'" let "int++" done redis-benchmark -n 100000 script load "redis.call('mget'$keys)" System Info [p1gd0g@p1gd0g-pc ~]$ screenfetch ██████████████████ ████████ p1gd0g@p1gd0g-pc ██████████████████ ████████ OS: Manjaro 19.0.2 Kyria ██████████████████ ████████ Kernel: x86_64 Linux 5.4.31-1-MANJARO ████████████

【今日推荐】：为什么一到面试就懵逼！>>> 看到越南小哥 的github 上的 Evaluating Performance of REST vs. gRPC ， 使用的是.NET Core 3.0 , 今天我把它升级到.NET Core 3.1 同样做了一个测试，文章的结果和他的博客文章是一样的： https://dev.to/thangchung/performance-benchmark-grpc-vs-rest-in-net-core-3-preview-8-45ak 。 在8年前我写过一篇文章： WCF和ASP.NET Web API在应用上的选择 。 现在是2020年了，WCF换成了gRPC， ASP.NET Web API换成了ASP.NET Core Web API, 对外提供标准化的REST服务，内部通信采用gRPC的也是新时代的.NET应用程序的一个好选择，类似于Kubernetes 架构将有效负载格式用于传输协议的方式。 我们来看下.NET Core 3.1下REST和gRPC的性能表现怎么样？ 从 https://github.com/geffzhang/RESTvsGRPC 下载代码。在测试机器上安装.NET Core 3.1。 REST API： cd RESTvsGRPC\RestAPI dotnet run -p RestAPI.csproj -c

本文主要参考下面两篇博文，并在部分细节处做了修改。 https://blog.csdn.net/XX_123_1_RJ/article/details/102733175?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task https://blog.csdn.net/linolzhang/article/details/97833354 一、数据集准备 （训练集验证集测试集的数据分别准备） 1、标注数据集 大多数人会用labelme来标注数据集，然后用labelme将每张标注图片都生成一个json文件。labelme教程网上很多，这里不再赘述。 本人由于原图的标注目标很小，用labelme标注未免不精确，所以先用PS手动标注后再写代码把标注图转换成了labelme格式的json文件。 结果如图： 2、将这些json文件转换成coco格式 这一步我使用如下代码可成功转换。 # -*- coding:utf-8 -*- import os, sys import argparse import json import matplotlib.pyplot as plt import skimage.io as io from labelme

本文主要参考下面两篇博文，并在部分细节处做了修改。 https://blog.csdn.net/XX_123_1_RJ/article/details/102733175?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task https://blog.csdn.net/linolzhang/article/details/97833354 一、数据集准备 （训练集验证集测试集的数据分别准备） 1、标注数据集 大多数人会用labelme来标注数据集，然后用labelme将每张标注图片都生成一个json文件。labelme教程网上很多，这里不再赘述。 本人由于原图的标注目标很小，用labelme标注未免不精确，所以先用PS手动标注后再写代码把标注图转换成了labelme格式的json文件。 结果如图： 2、将这些json文件转换成coco格式 这一步我使用如下代码可成功转换。 # -*- coding:utf-8 -*- import os, sys import argparse import json import matplotlib.pyplot as plt import skimage.io as io from labelme