layer

Deep Learning 参考资料：台湾大学李宏毅机器学习课程和PPT Deep learning跟machine learning一样，也是“大象放进冰箱”的三个步骤： 在Deep learning的step1里define的那个function，就是neural network神经网络 我个人的理解： 深度学习就是多层神经网络，有着多层隐藏层，所以显得有“深度” Neural Network concept 把多个Logistic Regression前后连接在一起，然后把一个Logistic Regression称之为neuron（神经元），整个称之为neural network 我们可以用不同的方法连接这些neuron，就可以得到不同的structure，neural network里的每一个Logistic Regression都有自己的weight和bias，这些weight和bias集合起来，就是这个network的parameter，我们用 θ \theta θ 来描述 Fully Connect Feedforward Network 那该怎么把它们连接起来呢？这是需要你手动去设计的，最常见的连接方式叫做 Fully Connect Feedforward Network(全连接前馈网络) 如果一个neural network的参数weight和bias已知的话

divicon var highlightIcon = L.divIcon({ className: "highlight-divicon" }); L.marker([a.layer._latlng.lat, a.layer._latlng.lng], { icon: highlightIcon }).addTo(this.map); 可以对highlight-divicon样式定义 ，width,height, margin-left，margin-right要用!important提升优先级 图片icon new L.marker([e.latlng.lat, e.latlng.lng], { icon: L.icon({ iconUrl: focusIcon, iconSize: [40, 31], }), class: `focus-icon` } ).addTo(this.map) 来源： oschina 链接： https://my.oschina.net/u/560237/blog/4331295

同步发布在Cocos论坛 Cocos Creator 3D初体验 官方文档 https://docs.cocos.com/creator3d/manual/zh/ 下载 https://www.cocos.com/creator3d 目前个人使用的版本是v1.1.1，官方已发布v1.2版本 整体的使用感受 UI界面的制作一如既往的便捷高效 对Cocos Creator 2D上手很友好 有自己的3D编辑器 材质系统非常的灵活 当前版本对2D游戏的支持不够完善 目前不太完善的地方 2D方面 不支持LabelAtlas，可以使用bmfont间接来实现 mask不支持图片作为模板 场景资源的自动释放不可用,可以通过一些特殊手段来释放内存 暂不支持动态合图 暂不支持spine、龙骨 3D方面 不支持动画分层，也就是不支持角色上下半身播放不同的动作。 v1.1.1阴影只支持平面阴影，也就是说阴影只能投到地上但无法投射到模型身上。v1.2阴影支持shadowMap但不是很完善。 v1.1.1不支持雾效，v1.2已支持。 暂不支持后处理(HDR、景深、泛光) 其他 暂不支持通过npm的方式引入代码库 帮助美术同学上手新引擎的相关文档 材质系统 https://docs.cocos.com/creator3d/manual/zh/material-system/overview.html

一、UIView的绘制原理 当UIView调用setNeedDisplay之后，实际上并没有立即发生位图的绘制工作，而是在之后的某个时机进行当前UI视图的真正绘制工作。 当我们调用UIView的setNeedDisplay方法之后，系统会调用view对应layer的setNeedsDisplay方法，相当于在当前layer上打了一个标记； 在当前runloop即将结束的时候调用CALayer的display方法，然后进入我们视图的真正绘制工作。 CALayer的display方法在它的内部实现当中，首先会判断layer的delegate是否响应displayLayer:方法，如果代理不相应就会进入系统的绘制流程当中。如果响应，实际上就为我们提供了异步绘制的接口，这样就构成了UIView的绘制原理。 二、系统绘制流程 在CALayer内部会创建一个backing store（CGContextRef），我们一般在drawRect中可以通过上下文堆栈当中难道当前栈顶的context； 然后layer会判断是否有代理，如果没有代理会调用layer的drawInContext方法；如果实现了代理就会调用delegate的drawLayer:inContext方法，这是发生在系统内部当中的，然后在合适的时机给予回调方法，也就是view的drawRect方法；

作 者： ThinkWon 原文：https://blog.csdn.net/ThinkWon/article/details/104903925 计算机网络体系结构 在计算机网络的基本概念中，分层次的体系结构是最基本的。计算机网络体系结构的抽象概念较多，在学习时要多思考。这些概念对后面的学习很有帮助。 网络协议是什么？ 在计算机网络要做到有条不紊地交换数据，就必须遵守一些事先约定好的规则，比如交换数据的格式、是否需要发送一个应答信息。这些规则被称为网络协议。 为什么要对网络协议分层？ 简化问题难度和复杂度。由于各层之间独立，我们可以分割大问题为小问题。 灵活性好。当其中一层的技术变化时，只要层间接口关系保持不变，其他层不受影响。 易于实现和维护。 促进标准化工作。分开后，每层功能可以相对简单地被描述。 网络协议分层的缺点： 功能可能出现在多个层里，产生了额外开销。 为了使不同体系结构的计算机网络都能互联，国际标准化组织 ISO 于1977年提出了一个试图使各种计算机在世界范围内互联成网的标准框架，即著名的开放系统互联基本参考模型 OSI/RM，简称为OSI。 OSI 的七层协议体系结构的概念清楚，理论也较完整，但它既复杂又不实用，TCP/IP 体系结构则不同，但它现在却得到了非常广泛的应用。TCP/IP 是一个四层体系结构，它包含应用层，运输层，网际层和网络接口层

　　 　　SEMICON China 2020 的中国国际半导体技术大会 CSTIC 2020，齐聚全球重量级的半导体技术领军者，分享当前最前沿、最热门的技术愿景。 　　此次受邀的 台积电研究发展组织系统整合技术副总余振华，在会中详解让摩尔定律持续的三大先进封装技术：整合型扇出 InFO、2.5D 的 CoWoS、3D IC，以及 Chiplet 小芯片趋势的兴起。 　　 　　对于 Chiplet 小芯片近年来成为国际半导体厂、IC 设计公司的热议焦点， 余振华以三国演义的“天下大势，分久必合，合久必分”，来作为注解。 　　余振华毕业于台湾清华大学物理系，研究所转念材料，之后到美国佐治亚理工学院获得材料科学工程博士。他加入台积电超过 20 年，参与过不少“战役”，最有名一役当属 2000 年左右的 0.13 微米铜制程技术。 　　 闻名业界的铜制程战役 　　约莫 1997 年时，当时执半导体技术牛耳的 IBM，首次发表铜制程技术，在此之前半导体都是采用铝制程。 　　铜的优势是电阻系数比铝低很多，但电流流量大时，会出现电迁移（electromigration）现象，若是电阻系数够低，可以降低电迁移所导致的原子流失。 　　铜制程的另一个关键是以 Low-K Dielectric（低介电质绝缘）作为介电层的材料。铜就像是骨头，Low K 材料是肌肉一样，彼此都非常关键。 　　

Introduced by Bhdanau et al. in Neural Machine Translation by Jointly Learning to Align and Translate. Additive Attention , also known as Bahdanau Attention , uses a one-hidden layer feed-forward network to calculate the attention alignment score: where Va and Wa are learned attention parameters. Here h refers to the hidden states for the encoder, and s is the hidden states for the decoder. The function above is thus a type of alignment score function. We can use a matrix of alignment scores to show the correlation between source and target words, as the Figure to the right shows. Within a

经过一个月的准备，终于通过了TensorFlow的开发者认证，由于官方的中文文档较少，为了方便大家了解这个考试，同时分享自己的备考经验，让大家少踩坑，我整理并制作了这个中文手册，请大家多多指正，有任何问题和建议都可以在文末联系到我~ 同时，感谢各位大牛们期间对我的帮助和指导！ ------------------------------------------------------------------------------------------------------------------------------------------------------------------ 考试流程 TensorFlow Certificate 官方网站： https://tensorflow.google.cn/certificate?hl=vi 1. 阅读考生手册 提前阅读最新的考生手册，官方文档 TF_Certificate_Candidate_Handbook 的下载地址如下： https://tensorflow.google.cn/site-assets/downloads/marketing/cert/TF_Certificate_Candidate_Handbook.pdf 考试细节 考核目的 本次测试是为了考核学员应用 TensorFlow 2.x 构建模型

一、MPP 架构 1、MPP架构的基础概念 MPP (Massively Parallel Processing)，即大规模并行处理，在数据库非共享集群中，每个节点都有独立的磁盘存储系统和内存系统，业务数据根据数据库模型和应用特点划分到各个节点上，每台数据节点通过专用网络或者商业通用网络互相连接，彼此协同计算，作为整体提供数据库服务。非共享数据库集群有完全的可伸缩性、高可用、高性能、优秀的性价比、资源共享等优势。 简单来说，MPP是将任务并行的分散到多个服务器和节点上，在每个节点上计算完成后，将各自部分的结果汇总在一起得到最终的结果(与Hadoop相似)。 MPP 属于Shared Nothing，根据Shared 的不同，可以分为如下几种： Shared Everthting:一般是针对单个主机，完全透明共享CPU/MEMORY/IO，并行处理能力是最差的，典型的代表SQLServer Shared Disk：各个处理单元使用自己的私有 CPU和Memory，共享磁盘系统。典型的代表Oracle Rac， 它是数据共享，可通过增加节点来提高并行处理的能力，扩展能力较好。其类似于SMP（对称多处理）模式，但是当存储器接口达到饱和的时候，增加节点并不能获得更高的性能 。 Shared Nothing：各个处理单元都有自己私有的CPU/内存/硬盘等，不存在共享资源，类似于MPP

很多秃头小可爱沉迷熬夜逛淘宝，以下是 来自宇宙洪荒之力的最新线报： 男生比女生多 天蝎座多 夜间小裙子搜索量位居第一 ...... 尤其，每晚有1700万人在淘宝只逛不买，他们到底在干什么？ 看完视频和下方文章，你就知道为什么上头了。 前言 来洋淘， 更有young! 洋淘轻应用的内容均是手淘用户的真实购后分享， 在这里，你可以个性化地浏览他人的美好生活， 并鼓励自我表达与分享。 图1. 洋淘轻应用截图， 左) 为双列流， 右) 为详情页 在推荐任务上，同导购产品相比，洋淘场景有着自身的特性： 新用户冷启严峻，六成以上的用户无洋淘场景内的历史内容点击； 老 用户内容兴趣也稀少，历史内容点击数不超过10，反观商品点击数却高达数倍； 用户在电商与内容两个 domain 的兴趣差异较大。 统计日志发现，电商兴趣对洋淘场景下内容点击样本的覆盖度仅为 30% 。 于是，如何把跨域的异构行为用好，提升用户的浏览深度就显得弥足珍贵。我们从 召回 ， ctr预估 两大关键环节均作了探索与创新， 大幅提升了推荐效果， 取得了显著的业务收益。 向量召回模型In_Match 前文提到内容兴趣不够用，我们首先基于i2i尝试了商品与内容的混合协同，取得了一定的收益。然后基于电商兴趣的标题作相关内容的严格相似召回，却收益为负，这说明跨域的兴趣不可生搬硬套，也与前文的兴趣差异统计相吻合。