layer

先上几张效果图 怎么实现的呢？ 节点介绍 1是背景图，可以忽略；2 是准备好的面团；3 是擀好的面饼先隐藏；4 是需要绘制的节点；5 是擀面杖。 制作开始 首先在view上挂一个mask，并且设置为模板模式，sprite frame 就设置成那张擀好的面饼。这样的设置可以使Mask按照擀好面饼的形状遮罩内容。 在walpaper-layer 节点上挂在了一个我写好的有关于绘制图形的脚本文件，并设置好相关参数。这个脚本主要做的就是使用Graphics绘制图形。 在graphics节点上挂上Graphics组件提供给我的脚本使用。 使用擀面杖监听触摸事件，通过移动擀面杖并使用擀面杖的坐标（并不是触摸点的坐标）绘制圆形，设置绘制圆形的半径为80或者更大些，以便达到擀面饼的感觉。 怎么判断面饼擀好了呢？ 记录面饼九个点的坐标 判断擀面杖的坐标走过的点，走过一个移除一个，都走过之后就可以设置为完成了。 最后隐藏掉绘制的图案，面团，显示出来之前设置好的面饼，这个效果就算制作完成了。 长按下方二维码，关注《微笑游戏》公众号，获取更多精彩内容。 欢迎扫码关注公众号《微笑游戏》，浏览更多内容。 来源： oschina 链接： https://my.oschina.net/u/4416751/blog/4327128

　　 　　本文介绍的是 IJCAI-2020论文《Internaland Contextual Attention Network for Cold-start Multi-channel Matching inRecommendation》，论文作者是来自腾讯微信的谢若冰、丘志杰、饶君、刘毅、张博和林乐宇研究员。 　　 作 者 | 谢若冰 　　 编辑 | 丛 末 　　 1 　　 导语 　　真实世界中的综合推荐系统（例如微信看一看）通常需要从上百万异质物品中进行推荐。直接在百万候选集上使用复杂的推荐算法，往往会引入难以承受的时间成本。因此，工业级综合推荐系统一般由召回（matching）和排序（ranking）两个模块组成。召回模块负责快速从百万级数据中检索出百级别物品候选，排序模块负责准确对这些召回来的物品候选排序，得到最后的推荐结果。由于推荐物品来源多种多样，特征也不尽相同，同时也为了兼顾多样性，召回部分通常会使用多队列召回（multi-channel matching）策略。 　　然而，在现实系统中，综合推荐系统经常会引入新的数据源，这部分冷启动的召回通道在行为稀疏时往往表现较差。 　　为了解决这些问题，作者提出一种Internal and contextual attention network (ICAN)模型，通过加强多队列之间特征域（feature field

Simplechain星辰时代已经呼啸而至，而此次跨时代之作是Simplechain的主链性能，共识机制，主子链通信(跨链)，社区建设，落地应用等全模块全面升级。Simplechain新版本的发布，极大的提振了整个区块链行业，有利于主子链生态的协同融合，互相促进。加速推进整个Simplechain构建数字经济网络。我们来看一下 SimpleChain Singularity 星辰时代 技术迭代的详细内容 技术迭代内容 主链 更新了p2p网络的寻址，有助于节点之间更快发现。 增加区块同步检查点功能，防止区块同步出错。 优化虚拟机，数据库模式，存储树(trie)访问模式,提高区块数据处理的性能。 增加Freezer数据库,数据的传输，存储更加高效。 增加独立的交易签名器Clef，使得签名更加便利。 对Simplechain子系统和事件添加监控。 引入基于 GraphQL 节点查询接口。用户在查询数据的同时仍然保持计算并且数据传输的开销最小化。 子链 添加子链模块，sipe支持以子链模式启动，便于用户快速部署simplechain生态下符合自身业务场景的子链； 子链添加多种共识算法，包括 dpos,istanbul和raft。为创建子链的用户提供多种选择。 跨链 在虚拟机中添加chainid()和nonce()方法,支持跨链交易。 更新主链的协议层，主要包括跨链合约，跨链接口

- (void)tabBar:(UITabBar *)tabBar didSelectItem:(UITabBarItem *)item{ if ([tabBar.selectedItem.title isEqualToString:NTVLocalized(@"TabBar1", nil)]) { tabBar.tintColor = [UIColor rgb:@"2ED1EF"]; }else if ([tabBar.selectedItem.title isEqualToString:NTVLocalized(@"contacts", nil)]){ tabBar.tintColor = [UIColor rgb:@"FF4888"]; ZGBaseNavigationController *nav = (ZGBaseNavigationController *)[self.viewControllers objectAtIndex:1]; WFCUContactListViewController *contact = (WFCUContactListViewController *) nav.viewControllers.firstObject; [contact loadContact]; }else if ([tabBar.selectedItem.title

一、什么是LoRa？   LoRa是semtech公司创建的低功耗局域网无线标准，我们知道，低功耗一般很难覆盖远距离，而远距离一般功耗高，LoRa的名字翻译就是远距离无线电（Long Range Radio），它最大特点就是在同样的功耗条件下比其他无线方式传播的距离更远，实现了低功耗和远距离的统一，它在同样的功耗下比传统的无线射频通信距离扩大3-5倍。 二、传统的LoRa节点方案 传感器：代指 数据产生的硬件，也可以是其他MCU、水表、电表等能产生数据的硬件； MCU：例如STM8 、C51等单片机 LoRa芯片：例如 SX1276、SX1277、SX1278、SX1268、SX1262等   上述节点方案中， MCU通过SPI接口来操作LoRa芯片的寄存器从而对其进行配置和传输无线数据 ，应用起来太过繁琐。   虽然LoRa经常被误用来描述整个LPWAN通信系统，但严格来说，LoRa是Semtech拥有的专有调制格式。 SX1272和SX1276 LoRa芯片使用称为chirp扩频（CSS）的调制技术来组成技术栈的 物理层（PHY） 。 三、LoRaWan标准   LoRaWAN是一个开放标准，它定义了基于LoRa芯片的LPWAN技术的通信协议。 LoRaWAN在数据链路层定义媒体访问控制（MAC） ，由LoRa联盟维护。 LoRa和LoRaWAN之间的这种区别很重要

以下是各地图的瓦片地图地址，可以在QGIS中加载，也可以在openlayer或leaflet前端页面中加载。 腾讯、百度、高德，加上谷歌和天地图应该足够用了。 腾讯、高德是GCJ02坐标系，百度是BD09坐标系，谷歌、必应是WGS84坐标系，天地图是CGCS2000坐标系，瓦片地图都是平面墨卡托投影。WGS84和CGCS2000坐标系，近似认为它们相等就可以了。 高德路网： https://wprd01.is.autonavi.com/appmaptile?x={x}&y={y}&z={z}&lang=zh_cn&size=1&scl=2&style=8&ltype=11 高德影像： https://webst01.is.autonavi.com/appmaptile?style=6&x={x}&y={y}&z={z} 高德矢量： http://wprd04.is.autonavi.com/appmaptile?lang=zh_cn&size=1&style=7&x={x}&y={y}&z={z} 谷歌矢量： http://mt2.google.cn/vt/lyrs=m&scale=2&hl=zh-CN&gl=cn&x={x}&y={y}&z={z} 谷歌路网： https://mt1.google.com/vt/lyrs=h&x={x}&y={y}&z={z} 谷歌影像：

如果content取的的事当前页面元素内容时，type类型应该为1 layer.open({ type: 1, title: '内容区域', content: $('#DIV_EditUserInfo'), // 设置跳转的div，跳转到对应的页面 area: ["920px", "250px"], }); 如果content取的的路径，或者某个页面，type类型应该为2 layer.open({ type: 2, title: "内容区域", content: 'UserInfoEdit.html?actionType=new', // 设置跳转的url，跳转到对应的页面 area: ["1500px", "100%"], }); 来源： oschina 链接： https://my.oschina.net/u/4381686/blog/4496473

一：随机初始化 当我们使用梯度下降法或者其他高级优化算法时，我们需要对参数θ选取一些初始值。对于高级优化算法，会默认认为我们已经为变量θ设置了初始值： 同样，对于梯度下降法，我们也需要对θ进行初始化。之后我们可以一步一步通过梯度下降来最小化代价函数J，那么如何来对θ进行初始化值呢？ （一）将θ全部设置为0---神经网络中不适用 尽管在逻辑回归中，可以这样使用。但是在实际神经网络训练中起不到作用。 如果我们初始化所有θ全为0（全部相等）： 那么对于每个隐藏单元的输入基本都是一样的： 所以求得的偏导也是一致的， 当我们只是设置了一个步长，那么对于每次参数的更新以后。各个隐藏单元的权重还是一致的。 这就意味着这个神经网络计算不出很好的函数，当我们有很多的隐藏单元时，所有的隐藏单元都在计算相同的特征，都在以相同的函数作为输入。---高度冗余。所以无论后面有几个输出单元，最终只能得到一个特征，这种情况阻止了神经网络学习有趣的东西 （二）随机初始化---解决上面所有权重都相等的问题（对称问题） （三）代码实现 def rand_initiation(l_in,l_out): #对于相邻两层 w = np.zeros((l_out,l_in+ 1) ) #需要加上前面一层的偏执单元权重 eps_init = 0.12 #接近0，保持在- ε到ε之间 w = np.random.rand(l

1. CNNs (Convolutional Neural Networks) 我觉得下述过程可以直接用textCNN的这个流程图来表达，清晰明了。所以，直接对着该图看下面的各个步骤会更简单一些。 1.1 Why CNNs? 为什么要再文本中使用卷积神经网络（CNN）呢？CNN通过卷积的方法，并使用不同大小的卷积核，可以捕捉到句子中不同长度短语的语义信息。 1.2 What is Convolution? 卷积操作大家应该都比较熟悉了，如下图，大矩阵为原始二维矩阵（如原始图片信息），红色的小矩阵为卷积核（图中为 3 × 3 3\times 3 3 × 3 矩阵）；卷积操作：卷积核与原矩阵的相同大小的矩阵，对应点分别相乘，然后累加的过程。 1.3 A Single-Layer CNN 如下图，为单层的CNN。该结构的卷积核宽度为3，即每次对三个词做卷积操作。此时最后两个词没法做卷积，因此可以在最后词的后面添加2个零向量（具体数量为h-1,h为卷积核宽度），次即为padding操作。需要注意的是，在文本数据中使用CNN，一般都指的是一维卷积，即卷积核的长度必须跟词向量的维度一致（对词向量拆开做二维卷积没有意义，因为词向量的所有维度共同表示一个词）。 1.4 Pooling 进行卷积操作后，我们要进行pooling操作，目的是解决不同输入长度而导致输出长度不一致的问题

先上几张效果图 怎么实现的呢？ 节点介绍 1是背景图，可以忽略；2 是准备好的面团；3 是擀好的面饼先隐藏；4 是需要绘制的节点；5 是擀面杖。 制作开始 首先在view上挂一个mask，并且设置为模板模式，sprite frame 就设置成那张擀好的面饼。这样的设置可以使Mask按照擀好面饼的形状遮罩内容。 在walpaper-layer 节点上挂在了一个我写好的有关于绘制图形的脚本文件，并设置好相关参数。这个脚本主要做的就是使用Graphics绘制图形。 在graphics节点上挂上Graphics组件提供给我的脚本使用。 使用擀面杖监听触摸事件，通过移动擀面杖并使用擀面杖的坐标（并不是触摸点的坐标）绘制圆形，设置绘制圆形的半径为80或者更大些，以便达到擀面饼的感觉。 怎么判断面饼擀好了呢？ 记录面饼九个点的坐标 判断擀面杖的坐标走过的点，走过一个移除一个，都走过之后就可以设置为完成了。 最后隐藏掉绘制的图案，面团，显示出来之前设置好的面饼，这个效果就算制作完成了。 长按下方二维码，关注《微笑游戏》公众号，获取更多精彩内容。 欢迎扫码关注公众号《微笑游戏》，浏览更多内容。 来源： oschina 链接： https://my.oschina.net/u/4402671/blog/4327121