test

链接： https://codeforces.ml/contest/1311/problem/D You are given three integers a≤b≤ca≤b≤c. In one move, you can add +1+1 or −1−1 to any of these integers (i.e. increase or decrease any number by one). You can perform such operation any (possibly, zero) number of times, you can even perform this operation several times with one number. Note that you cannot make non-positive numbers using such operations. You have to perform the minimum number of such operations in order to obtain three integers A≤B≤CA≤B≤C such that BB is divisible by AAand CC is divisible by BB. You have to answer tt independent

k8s数据持久化 Docker容器是有生命周期的，因此数据卷可以实现数据持久化 数据卷主要解决的问题： 数据持久性：当我们写入数据时，文件都是暂时性的存在，当容器崩溃后，host就会将这个容器杀死，然后重新从镜像创建容器，数据就会丢失 数据共享：在同一个Pod中运行容器，会存在共享文件的需求 存储类 （Storage class）是k8s资源类型的一种，它是有管理员为管理PV更加方便创建的一个逻辑组，可以按照存储系统的性能高低，或者综合服务质量，备份策略等分类。不过k8s本身不知道类别到底是什么，它这是作为一个描述。 存储类的好处之一就是支持PV的动态创建，当用户用到持久性存储时，不必再去提前创建PV，而是直接创建PVC就可以了，非常的方便。 存储类对象的名称很重要，并且出了名称之外，还有3个关键字段 Provisioner（供给方）: 及提供了存储资源的存储系统。k8s内建有多重供给方，这些供给方的名字都以“kubernetes.io”为前缀。并且还可以自定义。 Parameters(参数)：存储类使用参数描述要关联到的存储卷，注意不同的供给方参数也不同。 reclaimPolicy:PV的回收策略，可用值有Delete(默认)和Retain Volume： emptyDir（空目录）： 使用情况比较少，一般只做临时使用，类似Docker数据 持久化的：docker

一、Secret Secret :用来保存一些敏感信息，比如数据库的用户名密码或者秘钥。 概览 Secret是用来保存小片敏感数据的k8s资源，例如密码，token，或者秘钥。这类数据当然也可以存放在Pod或者镜像中，但是放在Secret中是为了更方便的控制如何使用数据，并减少暴露的风险。 用户可以创建自己的secret，系统也会有自己的secret。 Pod需要先引用才能使用某个secret，Pod有2种方式来使用secret：作为volume的一个域被一个或多个容器挂载；在拉取镜像的时候被kubelet引用。 內建的Secrets 由ServiceAccount创建的API证书附加的秘钥 k8s自动生成的用来访问apiserver的Secret，所有Pod会默认使用这个Secret与apiserver通信 1. Secret类型 Secret有三种类型： Opaque：使用base64编码存储信息，可以通过base64 --decode解码获得原始数据，因此安全性弱。 kubernetes.io/dockerconfigjson：用于存储docker registry的认证信息。 kubernetes.io/service-account-token：用于被 serviceaccount 引用。serviceaccout 创建时 Kubernetes 会默认创建对应的

1 图像分类案例2 Kaggle上的狗品种识别（ImageNet Dogs） 在本节中，我们将解决Kaggle竞赛中的犬种识别挑战，比赛的网址是https://www.kaggle.com/c/dog-breed-identification 在这项比赛中，我们尝试确定120种不同的狗。该比赛中使用的数据集实际上是著名的ImageNet数据集的子集。 # 在本节notebook中，使用后续设置的参数在完整训练集上训练模型，大致需要40-50分钟 # 请大家合理安排GPU时长，尽量只在训练时切换到GPU资源 # 也可以在Kaggle上访问本节notebook： # https://www.kaggle.com/boyuai/boyu-d2l-dog-breed-identification-imagenet-dogs import torch import torch . nn as nn import torch . optim as optim import torchvision import torchvision . transforms as transforms import torchvision . models as models import os import shutil import time import pandas as pd import

Samba是在Linux和UNIX系统上实现SMB协议的一个免费软件，由服务器及客户端程序构成。SMB（Server Messages Block，信息服务块）是一种在局域网上共享文件和打印机的一种通信协议，它为局域网内的不同计算机之间提供文件及打印机等资源的共享服务。SMB协议是客户机/服务器型协议，客户机通过该协议可以访问服务器上的共享文件系统、打印机及其他资源。通过设置“NetBIOS over TCP/IP”使得Samba不但能与局域网络主机分享资源，还能与全世界的电脑分享资源。 实现linux/unix与windows之间的文件和打印机资源共享 一，Samba共享服务的匿名访问 1、安装服务修改主配置文件 配置文件位置：/etc/samba/smb.conf [root@localhost ~]# yum install samba -y ##安装Samba服务 [root@localhost ~]# cd /etc/samba/ ##切换到Samba配置文件目录 [root@localhost samba]# mv smb.conf smb.conf.bak ##备份 [root@localhost samba]# grep -v "#" smb.conf.bak > smb.conf ##重新创建一个配置文件（除去注释的） [root@localhost samba]

一、条件判断语法结构 条件判断相关参数 1）判断文件类型 2）判断文件权限 3）判断文件新旧 4）判断整数 5）判断字符串 6）多重条件判断 二、流程控制语句 基本语法结构 1）if结构 2）if...else结构 3）if...elif...else结构 4）层层嵌套结构 应用案例 1）判断两台主机是否ping通 2）判断一个进程是否存在 3）判断一个服务是否正常 4）判断用户是否存在 5）判断软件包是否安装 6）判断当前主机的内 一、条件判断语法结构 思考：何为真(==true==)？何为假(==false==)？ ##1. ==条件判断语法格式== 格式1： == test == 条件表达式 格式2： [ 条件表达式 ] 格式3： [[ 条件表达式 ]] 支持正则 =~ 特别说明： 1）==[== 亲亲，我两边都有空格，不空打死你呦 ==]== :imp: 2）==[[== 亲亲，我两边都有空格，不空打死你呦 ==]]==:imp: 3) 更多判断，`man test`去查看，很多的参数都用来进行条件判断 2. 条件判断相关参数 1）判断文件类型 判断参数 含义 ==-e== 判断文件是否存在（任何类型文件） -f 判断文件是否存在==并且==是一个普通文件 -d 判断文件是否存在并且是一个目录 -L 判断文件是否存在并且是一个软连接文件 -b

1 批量归一化和残差网络 1.1 批量归一化（BatchNormalization） BN的作用 Internal Convariate shift（内部协变量偏移）是BN论文作者提出来的概念，表示数据的分布在网络传播过程中会发生偏移，我们举个例子来解释它，假设我们有一个玫瑰花的深度学习网络，这是一个二分类的网络，1表示识别为玫瑰，0则表示非玫瑰花。我们先看看训练数据集的一部分： 直观来说，玫瑰花的特征表现很明显，都是红色玫瑰花。 再看看训练数据集的另一部分： 很明显，这部分数据的玫瑰花各种颜色都有，其特征分布与上述数据集是不一样的。 通俗地讲，刚开始的数据都是同一个分布的，模型学习过程中，模型的参数已经适合于一种分布，突然又要适应另一种分布，这就会让模型的参数发生很大的调整，从而影响到收敛速度和精度，这就是Internal covariate shift。 而BN的作用就是将这些输入值或卷积网络的张量进行类似标准化的操作，将其放缩到合适的范围，从而加快训练速度；另一方面使得每一层可以尽量面对同一特征分布的输入值，减少了变化带来的不确定性。 对输入的标准化（浅层模型） 处理后的任意一个特征在数据集中所有样本上的均值为0、标准差为1。 标准化处理输入数据使各个特征的分布相近 批量归一化（深度模型） 利用小批量上的均值和标准差，不断调整神经网络中间输出

1、创建maven工程 自动导包（需要从cloudera仓库下载，耗时较长， 耐心等待 ） 如下内容作为maven工程中pom.xml的repositories的内容 <repositories> <repository> <id>cloudera</id> <url>https://repository.cloudera.com/artifactory/cloudera-repos/</url> </repository> </repositories> <dependencies> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-client</artifactId> <version>2.6.0-mr1-cdh5.14.2</version> </dependency> <dependency> <groupId>org.apache.hbase</groupId> <artifactId>hbase-client</artifactId> <version>1.2.0-cdh5.14.2</version> </dependency> <dependency> <groupId>org.apache.hbase</groupId> <artifactId>hbase-server<

参考伯禹学习平台《动手学深度学习》课程内容内容撰写的学习笔记 原文链接：https://www.boyuai.com/elites/course/cZu18YmweLv10OeV/lesson/ZDRJ8BaRpFmqDwJafJAYGn 感谢伯禹平台，Datawhale，和鲸，AWS给我们提供的免费学习机会！！ 总的学习感受：伯禹的课程做的很好，课程非常系统，每个较高级别的课程都会有需要掌握的前续基础知识的介绍，因此很适合本人这种基础较差的同学学习，建议基础较差的同学可以关注伯禹的其他课程： 数学基础：https://www.boyuai.com/elites/course/D91JM0bv72Zop1D3 机器学习基础：https://www.boyuai.com/elites/course/5ICEBwpbHVwwnK3C 引言 图像分类，顾名思义，是一个输入图像，输出对该图像内容分类的描述的问题。它是计算机视觉的核心，实际应用广泛。图像分类的传统方法是特征描述及检测，这类传统方法可能对于一些简单的图像分类是有效的，但由于实际情况非常复杂，传统的分类方法不堪重负。现在，我们不再试图用代码来描述每一个图像类别，决定转而使用机器学习的方法处理图像分类问题。主要任务是给定一个输入图片，将其指派到一个已知的混合类别中的某一个标签。 Kaggle上的图像分类（CIFAR-10) 现在

上篇是逻辑回归模型，这次我们用神经网络模型。再算一遍，试试看 # 载入示例股票 library(quantmod) getSymbols("^DJI", src = "yahoo") dji <- DJI[, "DJI.Close"] # 生成技术指标 avg10 <- rollapply(dji, 10, mean) avg20 <- rollapply(dji, 20, mean) std10 <- rollapply(dji, 10, sd) std20 <- rollapply(dji, 20, sd) rsi5 <- RSI(dji, 5, "SMA") rsi14 <- RSI(dji, 14, "SMA") macd12269 <- MACD(dji, 12, 26, 9, "SMA") macd7205 <- MACD(dji, 7, 20, 5, "SMA") bbands <- BBands(dji, 20, "SMA", 2) # 生成市场方向,收盘价与之后20天价格比较,上涨、下跌、横盘 direction <- data.frame(matrix(NA, dim(dji)[1], 1)) lagret <- (dji - Lag(dji, 20)) / Lag(dji, 20) direction[lagret > 0.02] <- "Up"