layer

【推荐阅读】微服务还能火多久？>>> 关键词：RFC1242；RFC2544；吞吐量；吞吐率。 吞吐量概述： 吞吐量即吞吐率，这个词首先在RFC1242中被提出，是评估网络设备性能的首要指标，其定义是 在设备没有丢帧的情况下的最大的转发速率 ，通常使用每秒钟通过的最大的数据包数（PPS/FPS）或者bit数来衡量(bit/s, Kbit/s, Mbit/s,Gbit/s…) ，测试公式为： 速率 = 总长度/帧长度 ，简单来说，就是从源发送方，到目的接收方可传输的最大数据量。对于一个以太网系统，绝对的最大吞吐率应该等同于接口速率。而实际上，由于不同的帧长度具有不同的传输效率，这些绝对的吞吐率是无法达到的，越小的帧由于前导码和帧间隔的原因，其传输效率就越低。 在上文中我们提到了测量速率的公式：速率 = 总长度/帧长度，在看这个公式前首先有几个变量大家要清楚： ①速率：FPS（frame per second）； ②帧长度包括前导、开始符和帧间隔； ③帧长度=64 + 7+1 +12 =84Bytes = 84x8=672 bits； ④速率=1000x106/672=1,488,095； ⑤帧间隔为12bytes；2个frame之间的间隔。 而在帧长的选择上，RFC 2544测试标准建议选取以下7种，分别为64、128、256、512、1024、1280和1518字节

【推荐阅读】微服务还能火多久？>>> 在面试时，比如被问到HSRP的主备切换时间时多久，STP几个状态的停留时间，自己知道有这些东西，但在工作中不会经常用到，就老是记不住，觉得可能还是自己基础不够牢固，知识掌握不够全面。 充分而彻底地了解一个协议，是记住它的关键! Spanning tree(802.1d)收敛过程 天下群雄纷起(switch power on)，个个都默认是老大(root bridge)，但都还比较谦虚，保持静默15秒(listening，unable forwarding end user traffic)，用于收集情报(other switch BPDU)，最早进入静默状态的山大王(最先启动的交换机)等的不耐烦了(listening timeout)，因为他没有收集到任何消息，开始散发传单(it's own BPDU)，2秒一次(BPDU interval )，大言不惭称帝(root bridge)。 各地土匪由于武力不敌(BPDU priority 低)，只好俯首称臣(non root bridge)，只敢乖乖地接收皇帝的圣旨(BPDU configuration )，然后再 relay 一下皇帝的圣旨到下游郡王… 大枭雄(BPDU priority 最高)醒来的晚(power on)，看到如此情形不愿意了，一个小虾米竟然充大尾巴狼，于是发出了自己的挑战书

【推荐阅读】微服务还能火多久？>>> python数据分析个人学习读书笔记-目录索引 19章卷积神经网络 　　本章介绍现阶段神经网络中非常火的模型——卷积神经网络，它在计算机视觉中有着非常不错的效果。不仅如此，卷积神经网络在非图像数据中也有着不错的表现，各项任务都有用武之地，可谓在机器学习领域遍地开花。那么什么是卷积呢？网络的核心就在于此，本章将带大家一步步揭开卷积神经网络的奥秘。 19.1卷积操作原理 　　卷积神经网络也是神经网络的一种，本质上来说都是对数据进行特征提取，只不过在图像数据中效果更好，整体的网络模型架构都是一样的，参数迭代更新也是类似，所以难度就在于卷积上，只需把它弄懂即可。 19.1.1卷积神经网络应用 　　卷积神经网络既然这么火爆，肯定能完成一些实际任务，先来看一下它都能做什么。 　　图19-1是经典的图像分类任务，但是神经网络也能完成这个任务，那么，为什么说卷积神经网络在计算机视觉领域更胜一筹呢？想想之前遇到的问题，神经网络的矩阵计算方式所需参数过于庞大，一方面使得迭代速度很慢，另一方面过拟合问题比较严重，而卷积神经网络便可以更好地处理这个问题。 　　图19-1 图像分类任务 　　图19-2是检测任务的示例，不仅需要找到物体的位置，还要区分物体属于哪个类别，也就是回归和分类任务结合在一起。现阶段物体检测任务随处可见，当下比较火的无人驾驶也需要各种检测任务。 　

【推荐阅读】微服务还能火多久？>>> 近日，中科物缘焦臻桢博士为第一作者撰写的学术论文《A Blockchain based Computing Architecture for Mobile Ad-Hoc Cloud》被顶级SCI刊物IEEE Network录用。 该篇论文国内外首次阐述并论证了基于区块链构建物联网节点自组织云的关键理论及技术。 自组织云是多个物联网设备在本地自发组成计算资源池并进行计算协作和资源分享的一种计算范式。在弱网络覆盖或应用有超低时延需求等场景中，物联网节点往往无法依赖远端云服务提供及时的计算支持，此时，它们可利用本地组成自组织云的方式，借助身边其它设备的闲置资源协助自身更高效地完成计算任务。 例如，在无人驾驶场景中，实时的无人驾驶决策需要有强大的计算能力、海量的车间实时共享数据支持。然而单一无人车的计算能力有限，而云端或边缘端的远程支持又可能遭遇网络抖动、网络覆盖不均、网络时延过高等问题，都给无人驾驶带来了风险。又如，由多架无人机形成的无人机集群在任务执行区域内可能缺乏足够带宽的网络支持（比如敌占区、荒野、海上等），当需要执行人脸捕捉或态势识别等计算量较高的任务时，单无人机的计算能力可能难以高效支撑，而此时云端又不可用。在以上两个场景中，无人车、无人机均可以利用自组织云技术，就近与周围的设备形成协作资源池，最大化利用本地计算资源进行协作

【推荐阅读】微服务还能火多久？>>> OpenCV是我们大家非常熟悉的图像处理开源类库；在其新版本将原本在Contrib分库中的DNN模块融合到了主库中，并且更新了相应文档。这样我们就能够非常方便地利用OpenCV实现一些属于DeepLearning范畴的效果，比如“超级分辨率”“单色图片着色”“色彩迁移”等。当我们想把软件处理的平台由PC机转移到嵌入式平台和手机上的时候，QT也是能和OpenCV配合地非常好的平台。在这里，我具体研究了如何搭建Android+QT+OpenCV环境，实现“单色图片着色”效果；并将相关内容整理如下，希望能够对有这方面需求的工程师提供帮助。 一、环境配置 首先我们面临的问题是工具版本的选择，虽然我们已经确定了Android+QT+OpenCV的基本软件结构，但是在每一个环节都需要选择具体的版本。 Android需要选择的是sdk和ndk的版本，我这里使用的是Android10(API29)+android-ndk-r20的组合，基本上是现在（2019年9月）最新的组合了； QT需要选择的是QT和QT Creator，我这里选择的是QT 5.13.1+QT Creator 4.10.0，同样是 现在（2019年9月）最新的组合； OpenCV用于Android的话，官方有Prebuild版本，我这里采用的是opencv-4.1.0-android-sdk

【今日推荐】：为什么一到面试就懵逼！>>> 本文作者：HelloDeveloper 具体的产品案例，分享百度开源技术最新实践经验。目前这些项目都已经在 github/baidu 上开源。 什么是 PaddlePaddle 深度学习平台？ 首先做个简单的介绍，PaddlePaddle 是百度自主研发的性能优先、灵活易用的深度学习平台，是一个已经解决和将要解决一些实际问题的平台。目前百度有超过30个主要产品都在使用 PaddlePaddle。关于机器学习、深度学习和浅层学习的内容就不详细介绍了，接下来重点讲述一下 PaddlePaddle 的整体架构。 关于 PaddlePaddle 整体架构 说到 PaddlePaddle 的整体架构，主要从这几个方面入手：多机并行架构、多 GPU 并行架构、Sequence 序列模型和大规模稀疏训练。多机的并行架构和序列模型的实现都是实现神经网络最复杂的东西，那么具体怎么实现全连接？ PaddlePaddle 是2013年启动时比较流行的架构是 Pserver 和 Trainer 的架构。在多机并行架构中数据分配到不同节点，下图里灰色部分表示机器，方框里表示一个进程，Pserver 和 Trainer 是分布在两个进程里，中间的部分是网络通讯连接。 下面来介绍一下什么是大规模稀疏模型训练。稀疏模型训练是说输入数据是稀疏的，由于稀疏输入

本文作者：HelloDeveloper 具体的产品案例，分享百度开源技术最新实践经验。目前这些项目都已经在 github/baidu 上开源。 什么是 PaddlePaddle 深度学习平台？ 首先做个简单的介绍，PaddlePaddle 是百度自主研发的性能优先、灵活易用的深度学习平台，是一个已经解决和将要解决一些实际问题的平台。目前百度有超过30个主要产品都在使用 PaddlePaddle。关于机器学习、深度学习和浅层学习的内容就不详细介绍了，接下来重点讲述一下 PaddlePaddle 的整体架构。 关于 PaddlePaddle 整体架构 说到 PaddlePaddle 的整体架构，主要从这几个方面入手：多机并行架构、多 GPU 并行架构、Sequence 序列模型和大规模稀疏训练。多机的并行架构和序列模型的实现都是实现神经网络最复杂的东西，那么具体怎么实现全连接？ PaddlePaddle 是2013年启动时比较流行的架构是 Pserver 和 Trainer 的架构。在多机并行架构中数据分配到不同节点，下图里灰色部分表示机器，方框里表示一个进程，Pserver 和 Trainer 是分布在两个进程里，中间的部分是网络通讯连接。 下面来介绍一下什么是大规模稀疏模型训练。稀疏模型训练是说输入数据是稀疏的，由于稀疏输入，那么灰色的神经元和连接在训练中都没有作用

本文作者：HelloDeveloper 具体的产品案例，分享百度开源技术最新实践经验。目前这些项目都已经在 github/baidu 上开源。 什么是 PaddlePaddle 深度学习平台？ 首先做个简单的介绍，PaddlePaddle 是百度自主研发的性能优先、灵活易用的深度学习平台，是一个已经解决和将要解决一些实际问题的平台。目前百度有超过30个主要产品都在使用 PaddlePaddle。关于机器学习、深度学习和浅层学习的内容就不详细介绍了，接下来重点讲述一下 PaddlePaddle 的整体架构。 关于 PaddlePaddle 整体架构 说到 PaddlePaddle 的整体架构，主要从这几个方面入手：多机并行架构、多 GPU 并行架构、Sequence 序列模型和大规模稀疏训练。多机的并行架构和序列模型的实现都是实现神经网络最复杂的东西，那么具体怎么实现全连接？ PaddlePaddle 是2013年启动时比较流行的架构是 Pserver 和 Trainer 的架构。在多机并行架构中数据分配到不同节点，下图里灰色部分表示机器，方框里表示一个进程，Pserver 和 Trainer 是分布在两个进程里，中间的部分是网络通讯连接。 下面来介绍一下什么是大规模稀疏模型训练。稀疏模型训练是说输入数据是稀疏的，由于稀疏输入，那么灰色的神经元和连接在训练中都没有作用

在layui框架中使用form.on方法绑定select下拉框选中事件，form.on()方法不执行, 解决方法有以下几点： 1. html中form标签中要有 class="layui-form" ，否则不生效 <form class="layui-form"> </from> 2. form.on方法必须放在layui.use({})里 <script language="JavaScript"> layui.use(['form', 'layer'], function () { form.on('select(XXX)', function (data) {}); }); 3. select标签中要有 lay-filter 属性，用来监听select <select id="XXX" lay-filter="XXX" lay-verify="required" lay-search> <option></option> </select> 以上解决方法就能使form.on方法执行了 点赞 3 收藏 分享 文章举报 Zartillery 发布了69 篇原创文章 · 获赞 253 · 访问量 4万+ 私信 关注 来源： oschina 链接： https://my.oschina.net/u/4295884/blog/3229409

Paper：He参数初始化之《Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification》的翻译与解读 目录 Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification 4. Experiments on ImageNet Comparisons between ReLU and PReLU Comparisons of Single-model Results Comparisons of Multi-model Results Analysis of Results Comparisons with Human Performance from [22] 相关文章 Paper：Xavier参数初始化之《Understanding the difficulty of training deep feedforward neural networks》的翻译与解读 Paper：He参数初始化之《Delving Deep into Rectifiers: Surpassing Human-Level Performance on