layer

mysql> START GROUP_REPLICATION; ERROR 3092 (HY000): The server is not configured properly to be an active member of the group. Please see more details on error log. mysql> 查看日志: 2019-10-24T08:33:41.605526Z 7 [Note] [MY-011546] [Repl] Plugin group_replication reported: 'auto_increment_increment is set to 7' 2019-10-24T08:33:41.605545Z 7 [Note] [MY-011547] [Repl] Plugin group_replication reported: 'auto_increment_offset is set to 1' 2019-10-24T08:33:41.605631Z 12 [Note] [MY-010581] [Repl] Slave SQL thread for channel 'group_replication_applier' initialized, starting replication in log 'FIRST' at

　　云原生(CNCF)很火， 容器开放接口规范 CRI CNI OCI CRI - Container Runtime Interface（容器运行时接口） 　　 CRI中定义了容器和镜像的服务的接口 ，因为容器运行时与镜像的生命周期是彼此隔离的，因此需要定义两个服务，该 接口使用Protocol Buffer(序列化) ，基于gRPC Container Runtime实现了CRI gRPC Server，包括RuntimeService和ImageService 。该gRPC Server需要监听本地的Unix socket， 而kubelet则作为gRPC Client运行 启用CRI 除非集成了rktnetes，否则CRI都是被默认启用了，kubernetes1.7版本开始旧的预集成的docker CRI已经被移除。 要想启用CRI只需要在kubelet的启动参数重传入此参数： --container-runtime-endpoint 远程运行时服务的端点 。当前Linux上支持unix socket，windows上支持tcp。例如： unix:///var/run/dockershim.sock(socket) 、 tcp://localhost:373(tcp) ，默认是 unix:///var/run/dockershim.sock

　　写博客的目的是发现虽然网上有许多深度学习资源可供使用，但是要独立的完成一个程序，如何恢复调用模型并不是想象的那么容易，踩过许多坑。幸运的是最终完成了设计和论文。贴出来与大家共享一下。 　　　　用到的基础工具：Anaconda，pytq5库，image库，TensorFlow（GPU版） 　　　　ps：由于篇幅有限，关于用到的各种神经网络知识部分可以参考我的论文中介绍。 　　　　完整代码已放入 [github仓库] 　　首先解决GUI的问题。网上参考了一些别人的半成品，在自己的加工下凑合能用，基于python的pyqt5库开发。 先展示下成品：稍后会将代码放出。 　这里我使用了四个py文件：DigitalMnistNum.py，MainWindowC.py，UI_MainWindow.py，run.py DigitalMnistNum.py定义了clear，save，recog，以及result事件的操作。初始化时设置保存画布中图像为png格式，以及设置大小为28*28pixel。 1 # 定义手写数字面板类 2 from PyQt5 import QtCore, QtGui, QtWidgets 3 from PyQt5.QtGui import QColor 4 5 6 class DigitalMnistNum(QtWidgets.QWidget): 7 def _

『PyTorch』第四弹_通过LeNet初识pytorch神经网络_上 『PyTorch』第四弹_通过LeNet初识pytorch神经网络_下 在前面的例子中，基本上都是将每一层的输出直接作为下一层的输入，这种网络称为前馈传播网络（feedforward neural network）。对于此类网络如果每次都写复杂的forward函数会有些麻烦，在此就有两种简化方式，ModuleList和Sequential。其中Sequential是一个特殊的module，它包含几个子Module，前向传播时会将输入一层接一层的传递下去。ModuleList也是一个特殊的module，可以包含几个子module，可以像用list一样使用它，但不能直接把输入传给ModuleList。下面举例说明。 一、nn.Sequential()对象 nn.Sequential()对象是类似keras的前馈模型的对象，可以为之添加层实现前馈神经网络。 1、模型建立方式 第一种写法： nn.Sequential()对象.add_module(层名，层class的实例） net1 = nn.Sequential() net1.add_module('conv', nn.Conv2d(3, 3, 3)) net1.add_module('batchnorm', nn.BatchNorm2d(3)) net1.add

简介 每过一段时间，就会有一个深度学习库被开发，这些深度学习库往往可以改变深度学习领域的景观。Pytorch就是这样一个库。 在过去的一段时间里，我研究了Pytorch，我惊叹于它的操作简易。Pytorch是我迄今为止所使用的深度学习库中最灵活的，最轻松的。 在本文中，我们将以实践的方式来探索Pytorch，包括基础知识与案例研究。我们会使用numpy和Pytorch分别从头开始构建神经网络，看看他们的相似之处。 提示：本文假设你已经对深度学习有一定的了解。如果你想深入学习深度学习，请先阅读本文。 内容目录 Pytorch概述 深层技术 在Numpy和Pytorch中构建神经网络 与其他深度学习库的比较 案例研究——使用Pytorch解决图像识别问题 Pytorch概述 Pytorch的创作者说他们有一种理念——他们希望工具能够即时运作，这也就以为这我们必须及时进行运算。这也非常适用于python的编程方式，因为我们不必去等到程序都编完而确定整个代码是否有效。我们可以轻松得运行部分代码并且可以实时检查。这个神经网络的软件，对我来说是非常好用的。 PyTorch是一个基于python的库，旨在提供灵活性作为深度学习开发平台。PyTorch的工作流程也尽可能接近python的科学计算库——numpy。 现在你可能会问，为什么我们会使用PyTorch来构建深度学习模型

面试常见问题——计算机网络（一） 目录： TCP/IP四层模型和OSI七层模型的区别与联系 电路交换、报文交换、分组交换 数据报和虚电路的比较 路由器的工作原理 DHCP协议 ARP协议工作流程 HTTP协议的请求类型 路由器和交换机的区别 端口号作用，以及常用的端口号 TCP和UDP的区别以及分别的使用场景 计算机网络定义：以能够相互共享资源的方式互联起来的自治计算机系统的集合。 1、TCP/IP四层模型和OSI七层模型的区别与联系 （1）TCP/IP四层模型（见OSI七层模型描述） 网络接口层（物理层+数据链路层） 网际层 传输层 应用层（会话层+表示层+应用层） （2）OSI七层模型 通信子网（低三层） 物理层（Physical Link Layer） 传输单位：比特（bit） 主要功能： 为上层协议提供了一个传输数据的物理媒体，实现比特流的透明传输 定义数据终端设备和数据通信设备的物理与逻辑连接方法 规定通信端点之间的机械特性、电气特性、功能特性、过程特性 常见的物理媒体： 有线： 双绞线 同轴电缆 光纤 无线： 无线电波 微波 红外线 激光 典型协议： EIA-232C CCITT的X.21协议 物理层设备（不能隔离冲突域和广播域）： 中继器：信号整形放大再转发，消除信号的失真及衰减问题，具有5-4-3规则 5-4-3规则：10BASE5以太网规范中

PyTorch Hook ¶ 为什么要引入hook? -> hook可以做什么？ 都有哪些hook? 如何使用hook? 1. 为什么引入hook? ¶ 参考： Pytorch中autograd以及hook函数详解 在pytorch中的自动求梯度机制(Autograd mechanics)中，如果将tensor的requires_grad设为True, 那么涉及到它的一系列运算将在反向传播中自动求梯度。 In [0]: x = torch . randn ( 5 , 5 ) # requires_grad=False by default y = torch . randn ( 5 , 5 ) # requires_grad=False by default z = torch . randn (( 5 , 5 ), requires_grad = True ) a = x + y b = a + z print ( a . requires_grad , b . requires_grad ) False True 但是自动求导的机制有个我们需要注意的地方： 在自动求导机制中只保存叶子节点，也就是中间变量在计算完成梯度后会自动释放以节省空间. 所以下面代码我们在计算过程中只得到了z对x的梯度，而y和z的梯度都在梯度计算后被自动释放了，所以显示为None. In [0]: x =

基于Winform三层架构+WCF+ORM模型的快速开发框架 Winform简介： WinForm是.Net开发平台中对Windows Form的一种称谓，Windows窗体可用于设计窗体和可视控件，以创建丰富的基于Windows的应用程序。 参考： Winform 框架 。 Winform三层架构： Winform三层架构是指基于Winform桌面应用程序采用逻辑分层设计的软件架构，既 三层逻辑架构 ，分别 是指界面层(UI-User Interface)，业务逻辑层(BLL-Business Logic Layer)，数据访问层(DAL-Data Access Layer)，通常结合数据模型ORM以及通信架构如WCF多维度多层次组成。在软件体系架构设计中，分层次是最常见也是最重要的一种设计思路，目的是实现“高内聚，低耦合”设计思想。 以下是三层逻辑架构图： 所谓三层逻辑架构，是在客户端与数据库之间加入一个“中间层”，介于界面层与数据层中间部分的逻辑处理。通常用于处理界面的数据，如数据采集、数据合法性检验、基本数据运算，或界面组件生成、组件状态管理等。基于处理过程封装而成的中间层称为业务逻辑层（BLL - Business Logic Layer）,业务逻辑层没有严格定义和规范，采用三层结构设计符合高内聚，低耦合设计理念，也是研发软件产品最常见的设计方式一。 WCF简介：

CAD .NET 一款在CAD领域被广泛应用的控件，可以快速准确的阅读DWG和DXF文件，并且通过Windows GDI+方法绘制件，支持多种文件格式，包括DWG、DXF、Gerber、光栅图像等，并支持部分编辑功能。 CAD .NET本身就是一款快捷方便的CAD文档浏览转换控件，为了让大家更快上手使用，小编为大家整理了CAD .NET基础操作指南，希望对大家有所帮助。 有兴趣下载尝试 CAD .NET v14最新版 吗？ 读取DWG文件 using CADImport; using CADImport.DWG; using CADImport.DXF; using CADImport.RasterImage; private void Read_DWG_Click(object sender, EventArgs e) { //DWGImage class is used only for reading DWG. To read other formatsuse the corresponding classes. //E.g. for DXF: CADImage class, for PLT/HPGL: HPGLImage class. DWGImage vDrawing = new DWGImage(); vDrawing.LoadFromFile(@"..\..\..

这篇文章行文结构对照微软博客， 结合本人意译和多年实践的回顾思考形成此次读书笔记。 Domian-driven Design 领域-驱动-设计（DDD）提倡 基于(用例相关的现实业务)进行建模 。 1. DDD的视角 DDD将 现实问题视为领域 ; DDD将 独立的问题描述为有界限的上下文 (一个有界上下文对应一个微服务)，并强调通用语言讨论这些问题 2. DDD提出的概念 许多技术概念和模式，例如充血模型(对应我们常写贫血模型)、值对象、聚合和聚合根规则。 3. 目前实施DDD的现状 有时DDD技术规则和模式被视为障碍/啰嗦，对于实施DDD方法而言，学习曲线比较陡峭。 不要为了实施而实施，最重要的是 使用通用语言编写与业务问题一致的领域代码 。 此外仅当您要实现具有复杂业务规则的微服务时，才应使用DDD方法，诸如CRUD服务之类的简单职责可以通过更简单的方法进行管理。 DDD模式可以协助 划分微服务边界 在已经确定的界限上下文，您可以为领域建模：实体模型、值对象和聚合，DDD与边界有关，微服务也与边界有关。 尽量保持小型微服务 划分界限上下文，要平衡两个目标： 创建尽可能小的微服务（这一点不应该成为主要动力) 要避免微服务之间过密的通信 这两个目标可能彼此矛盾，两者通过演进的方式达到平衡： 尽可能分解系统，直到在下次分解时感到服务通信迅速增加。 DDD微服务中的层