layer

layui 按下Escape 退出 弹出层layer 在common.js ，即顶层 页面中 监听事件： window.onkeyup=function(ev){ var key=ev.keyCode||ev.which; if(key==27){ //按下Escape layer.closeAll(); //疯狂模式，关闭所有层 if(parent){ parent.layer.closeAll(); } // layer.closeAll('dialog'); //关闭信息框 // layer.closeAll('page'); //关闭所有页面层 // layer.closeAll('iframe'); //关闭所有的iframe层 // layer.closeAll('loading'); //关闭加载层 // layer.closeAll('tips'); //关闭所有的tips层 } } 来源： oschina 链接： https://my.oschina.net/u/4389867/blog/4287441

李熠：【译文】【前端架构鉴赏 01】：Angular 架构模式与最佳实践 ​ zhuanlan.zhihu.com 原文 https:// blog.strongbrew.io/A-sc alable-angular2-architecture/ 序 这篇文章或许看上去仅和 Angular2 开发者相关，但我相信它也适用于其它的框架。这只是一份关于编写具有可拓展性和可维护性单页面应用的指南。需要指出的非常重要的是，这并不是达成目标的唯一方式，但是对我个人而言它们在不少的场景中都行之有效 编写可拓展性的单页面应用 许多开发者在编写大型的具有可拓展性和可维护性的单页面应用时都遇到困难。导致在开发早期就留下了技术债，修复 bug 时举步维艰，编写测试和创建复用代码时也踌躇不前 最大的一个挑战是：在一个拧巴的基础之上拓展现有逻辑和编写新的功能 对于那些能允许你用100种不同方式设计一个应用，没有结构和封装可言，一切东西都紧紧的耦合在一起的旧时框架，单页面应用是全新的概念 大部分时候在项目的开发的初始阶段都希望快速迭代。但是经过一些开发者，几轮功能迭代和重构之后，代码变得越来越难以维护。它开始看上去像意大利面了。虽然目前框架成熟了很多，但重要的是你编写的软件架构也要与时俱进 2016 年的单页面应用（甚至更早之前） 为了解释这篇文章谈到的架构，有必要回顾一下2016年的web应用长什么样子

参考博文：http://blog.sina.com.cn/s/blog_5ced60e80102y7pd.html 一颗健壮的IC芯片应该具有能屈能伸的品质，他需要适应于他所在应用范围内变化的温度、电压，他需要承受制造工艺的偏差，这就需要在设计实现过程中考虑这些变化的温度、电压和工艺偏差。 在STA星球，用 library PVT、RC corner跟OCV 来模拟这些不可控的随机因素。在每个工艺结点，通过大量的建模跟实测，针对每个具体的工艺，foundary厂都会提供一张推荐的timingsignoff表格， 建议需要signoff的corner及各个corner需要设置的ocv跟margin。这些corner能保证大部分芯片可以承受温度、电压跟工艺偏差，一个corner=libraryPVT+ RC corner + OCV，本文将关注于library PVT。 ------OCV（on-chip-variation）也是用来模拟cell的PVT及线的RC变化，与前面两个不同的是，前两者是芯片全局的PVT/RC Corner，OCV是芯片上内的局部偏差（包括process 、 voltage、temperature、network RC）。比如在STA分析setup时，并不是用最慢的library PVT来signoff就是最差情况，对于capture

V-Net（2.5D卷积）网络训练 然后，在服务器中训练网络 2.5D网络程序 1 import keras 2 from keras.models import * 3 from keras.layers import Input, Conv3D, Deconvolution3D, Dropout, Concatenate 4 from keras.optimizers import * 5 from keras import layers 6 from keras import backend as K 7 8 from keras.callbacks import ModelCheckpoint 9 from fit_generator import get_path_list, get_train_batch 10 import matplotlib.pyplot as plt 11 12 train_batch_size = 1 13 epoch = 10 14 15 16 data_train_path = " ./vnet_3_1_input/train " 17 data_label_path = " ./vnet_3_1_input/label " 18 train_path_list, label_path_list, count = get_path_list

1.快速入门概述 1.1 Kylin 定义 Apache Kylin 是一个开源的分布式 分析引擎 ，提供 Hadoop/Spark 之上的 SQL 查询接口 及多维分析（OLAP ）能力以支持超大规数据，最初由 eBay Inc 开发并贡献至开源社区。 它能在亚秒内查询巨大的 Hive 表。 1.2 Kylin 特点 Kylin 的主要特点包括支持 SQL 接口、支持超大规模数据集、亚秒级响应、可伸缩性、高吞吐率、BI 工具集成等。 1 ） 标准 SQL 接口： Kylin 是以标准的 SQL 作为对外服务的接口。 2 ） 支持超大数据集： Kylin 对于大数据的支撑能力可能是目前所有技术中最为领先的。 早在 2015 年 eBay 的生产环境中就能支百 亿记录的秒级查询，之后在移动的应用场景中又有了千亿记录秒级查询的案例。 3 ） 亚秒级响应： Kylin 拥有优异的查询相应速度，这点得益于 预计算 ，很多复杂的计算，比如连接、聚合，在离线的预计算过程中就已经完成，这大大降低了查询时刻所需的计算量， 提高了响应速度。 4 ） 可伸缩性和高吞吐率： 单节点 Kylin 可实现每秒 70 个查询，还可以搭建 Kylin 的集群。 5 ） BI 工具集成 Kylin 可以与现有的 BI 工具集成，具体包括如下内容。 ODBC ：与 Tableau 、 Excel 、 PowerBI

今天周日，趁着小朋友还没下课，再发篇下载贴。 这本书曾被3gpp官网首页推荐( https://www.3gpp.org/news-events/2088-5g-for-the-connected-world )，显然很不错。 如果想免费下载这本书，可以在微信公众号中搜索并添加：c13915999999，在后台回复 Devaki ，便会获得下载链接。 下面的内容是3gpp推荐内容的摘选： 5G for the connected World November 13, 2019 The recently published book ‘5G for the connected World’, edited by Devaki Chandramouli, Rainer Liebhart and Juho Pirskanen explains 5G in detail, focusing on 3GPP Release 15 content and how it can be used to enable new services beyond the ones specified for LTE. In this edited extract Devaki Chandramouli and Rainer Liebhart look at how URLLC makes the

我们构想有一个神经网络，输入为两个input，中间有一个hidden layer，这个hiddenlayer当中有三个神经元，最后有一个output。 图例如下： 在实现这个神经网络的前向传播之前，我们先补充一下重要的知识。 一.权重w以及input的初始化 我们初始化权重w的方法为随机生成这些权重，一般可以使用这些随机生成的数据正好在正态分布的曲线上，这也是最符合生成符合自然规律的随机数生成方法： import tensorflow as tf # 一般情况下神经网络上的参数是w的数列，当然我们一般使用随机数来生成这些参数 w=tf.Variable(tf.random_normal([2,3],stddev=2,mean=0,seed=1 )) # 其中stddev表示标准差，mean表示均值，【】表示随机生成正态分布的数值的shape 这样我们的权重就生成了，我们初始化input的方法有有以下几种，伪代码如下： 除了这种方式，我们还可以使用 tf.constant([ 1,2,3 ]),来生成指定数值 tf.zeros([ 2,3 ],int32),用来生成全零 tf.ones([ 2,3 ],int32)，同来生成全1 tf.fill([ 3,2],6),生成指定数值 下面我们编写一个仅有一个初始值input的神经网络，并利用tensorflow实现对其进行前向传播

@ 目录 一、前言 二、深度网络的退化问题 三、残差学习 3.1 残差网络原理 3.2 ResNet结构为什么可以解决深度网络退化问题？ 3.3 残差单元 3.4 ResNet的网络结构 四、实验结果 ResNet-50 完整代码 参考资料： 一、前言 深度残差网络（Deep residual network, ResNet）的提出是CNN图像史上的一件里程碑事件，让我们先看一下ResNet在ILSVRC和COCO 2015上的战绩： ResNet取得了5项第一，并又一次刷新了CNN模型在ImageNet上的历史, ImageNet分类Top-5误差： 那么ResNet为什么会有如此优异的表现呢？其实ResNet是解决了深度CNN模型难训练的问题，从图2中可以看到14年的VGG才19层，而15年的ResNet多达152层，这在网络深度完全不是一个量级上，所以如果是第一眼看这个图的话，肯定会觉得ResNet是靠深度取胜。事实当然是这样，但是ResNet还有架构上的技巧，这才使得网络的深度发挥出作用，这个技巧就是残差学习（Residual learning）。 论文名称：Deep Residual Learning for Image Recognition 论文作者：Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun 论文地址：

一、案例分析 1、场景说明： 红包发出去之后，所有人都有红包，大家抢完了之后，最后一个红包给群主自己。大多数代码都是现成的，我们需要做的就是填空题。 2、我们自己要做的事情有： 1. 设置一下程序的标题，通过构造方法的字符串参数 2. 设置群主名称 3. 设置分发策略：平均，还是随机？ 3、红包分发的策略： 1. 普通红包（平均）：totalMoney / totalCount，余数放在最后一个红包当中。 2. 手气红包（随机）：最少1分钱，最多不超过平均数的2倍。应该越发越少 二、普通红包实现 1、实现代码 Bootstrap package day11.demo08; import day11.red.OpenMode; /* 场景说明： 红包发出去之后，所有人都有红包，大家抢完了之后，最后一个红包给群主自己。 大多数代码都是现成的，我们需要做的就是填空题。 我们自己要做的事情有： 1. 设置一下程序的标题，通过构造方法的字符串参数 2. 设置群主名称 3. 设置分发策略：平均，还是随机？ 红包分发的策略： 1. 普通红包（平均）：totalMoney / totalCount，余数放在最后一个红包当中。 2. 手气红包（随机）：最少1分钱，最多不超过平均数的2倍。应该越发越少。 */ public class Bootstrap { public static void

文章目录 一些关于5G中的英文缩写解释 缩略语列表（简洁、快速、准确查看） 一些关于5G中的英文缩写解释 NR (New Radio,新空口):通过电磁波来承载所需要发送的信息的一系列规范 BLER （blockerror rate）误块率 CB (codeblock) 码块 CCE 是ControlChannel Element的缩写，每个CCE由9个REG组成，之所以定义相对于REG较大的CCE，是为了用于数据量相对较大的PDCCH的资源分配。每个用户的PDCCH只能占用1，2，4，8个CCE，称为聚合级别。 CP (Cyclic Prefix)中文可译为循环前缀，它包含的是OFDM符号的尾部重复，CP主要用来对抗实际环境中的多径干扰，不加CP的话由于多径导致的时延扩展会影响子载波之间的正交性，造成符号间干扰。 DTX （DiscontinuousTransmission不连续发送）预留资源：定时检测 gNB 5G基站 MCS （Modulation and Coding Scheme，调制与编码策略） NCP （Normal CP(Cyclic Prefix，循环前缀) PDCCH （PhysicalDownlink Control Channel，物理下行控制信道） PUSCH （Physical Uplink Shared Channel --物理上行共享信道） RB