cos

ACL分类 1）ACL的标识 可以给访问控制列表指定名称，便于维护 利用数字序号标识访问控制列表 2）基本ACL 基本访问控制列表只根据报文的源IP地址信息制定规则 3）高级ACL 高级访问控制列表根据报文的源IP地址、目的IP地址、IP承载的协议类型、协议特性等三、四层信息制定规则 4）二层ACL 二层ACL根据报文的源MAC地址、目的MAC地址、802.1p优先级、二层协议类型等二层信息制定匹配规则 5）ACL的步长 ACL 中的每条规则都有自己的编号，这个编号在该ACL中是唯一的。在创建规则时，可以手工为其指定一个编号，如未手工指定编号，则由系统为其自动分配一个编号。 由于规则的编号可能影响规则匹配的顺序，因此当由系统自动分配编号时，为了方便后续在已有规则之前插入新的规则，系统通常会在相邻编号之间留下一定的空间，这个空间的大小（即相邻编号之间的差值）就称为ACL的步长。 譬如，当步长为5 时，系统会将编号0、5、10、15……依次分配给新创建的规则。 六、配置ACL包过滤 1）ACL包过滤配置任务 根据需要选择合适的ACL分类 创建正确的规则 设置匹配条件 设置合适的动作（Permit/Deny) 在路由器的接口上应用ACL，并指明过滤报文的方向（入站/出站） 2）设置包过滤规则 包过滤功能默认开启 设置包过滤的默认过滤方式 系统默认的过滤方式是permit

作为一名独立开发者，最近我在考虑给自己的应用加入付费功能，然后应用的核心功能只需使用激活码付费激活即可。这个需求涉及到了激活码的保存、校验和后台管理，传统的做法可能是自己购买服务器，搭建配置服务器环境，然后创建数据库，编写后端业务逻辑代码，必要的时候还要自己去写一些前端的界面来管理后台数据。 这是一个十分耗时且无趣的工作。本文则独辟蹊径，尝试带大家使用云函数 SCF 和对象存储 COS，快速编写上线自己的用户激活码后端管理云函数，然后把自己的微信公众号后台做为应用前台，简单管理用户激活码。 效果展示 可以看到，现在我们只需要在自己的微信公众号后台回复 会员@激活时长，就可以添加并回复一个指定有效期的会员激活码，实现了在微信公众号简单管理用户激活码的需求。 操作步骤 第一步：新建 python 云函数 参见之前的系列文章 《万物皆可 Serverless 之使用 SCF+COS 快速开发全栈应用》 第二步：编写云函数 话不多说，上代码 import json from wechatpy.replies import ArticlesReply from wechatpy.utils import check_signature from wechatpy.crypto import WeChatCrypto from wechatpy import parse_message,

这里我们介绍梯度下降的基本概念。尽管很少实际中很少用到，但是了解梯度下降有益于理解随机梯度下降算法的关键。例如，由于学习率过高，优化问题可能会有所不同，这在梯度下降中也会出现。同样预处理是梯度下降中的常用技术。我们先从简单的入手。 1 一维梯度下降 一维梯度下降是一个很好的例子，可以用于理解梯度下降算法如何减小目标函数的值。对于连续可微的实值函数 f : R → R f: \mathbb{R} \rightarrow \mathbb{R} f : R → R 。使用泰勒展开公式： f ( x + ϵ ) = f ( x ) + ϵ f ′ ( x ) + O ( ϵ 2 ) f(x + \epsilon) = f(x) + \epsilon f'(x) + \mathcal{O}(\epsilon^2) f ( x + ϵ ) = f ( x ) + ϵ f ′ ( x ) + O ( ϵ 2 ) 也就是说, f ( x + ϵ ) f(x+\epsilon) f ( x + ϵ ) 近似为 f ( x ) f(x) f ( x ) 以及在 x x x 处的一阶导数 f ′ ( x ) f'(x) f ′ ( x ) 之和。假设 ϵ \epsilon ϵ 向梯度相反移动将会减少 f f f 是合理的。为了简化，我们选择固定步长 η > 0 \eta > 0 η > 0 以及 ϵ =

对于深度学习问题，通常是先定义损失函数，获得损失之后在通过优化函数尽量减小损失，大多数的优化算法都是涉及最小化。要最大化也很简单只需要在目标上取反即可。 1 优化和估算 优化和深度学习本质上目标是不同的。优化的目的是最小化损失，而深度学习是根据提供的数据找到最佳模型。训练误差和泛化误差通常是不同的：优化算法的目标是损失函数，因此其优化的目的是减少训练误差。而深度学习的目的是减少泛化误差。为了实现后者除了优化函数还需要注意过拟合问题。 from d2l import mxnet as d2l from mxnet import np , npx import plotly . express as px import plotly . graph_objs as go import pandas as pd npx . set_np ( ) 这里定义两个函数， 期望函数 f f f 以及经验函数 g g g 。这里 g g g 不如 f f f 平滑因为我们只有有限的数据。 def f ( x ) : return x * np . cos ( np . pi * x ) def g ( x ) : return f ( x ) + 0.2 * np . cos ( 5 * np . pi * x ) 训练误差的最小值和预测误差的最小值不在一个同一个位置。 x = np .

RTKLIB源码解析（一）——单点定位(pntpos.c) 标签： GNSS RTKLIB 单点定位 前段时间一直忙着写毕业论文，所以也没有太多时间来阅读 RTKLIB源码，最近好歹把 pntpos中的相关代码看了一遍，知道了 RTKLIB是如何实现单点伪距定位的。这里把每一个函数都做成了小卡片的形式，每个函数大都包含函数签名、所在文件、功能说明、参数说明、处理过程、注意事项和我的疑惑这几个部分，介绍了阅读代码时我自己的看法和疑惑。所以希望诸位看官能帮忙解答我的疑惑，与我交流，也希望能帮助后来也有需要阅读 RTKLIB源码的人，给他们多提供一份思路。总而言之，既为人，也为己。 这份文档是使用 Cmd Markdown完成的，在作业部落上其格式显式的非常完整，但是在博客园中 目录 、 代码块 和 流程图 似乎都没有显示出来，所以这里也贴上本文在作业部落上的链接 RTKLIB源码解析（一）——单点定位(pntpos.c) ，对格式“零容忍”的同学请移步那里。 目录 RTKLIB源码解析（一）——单点定位(pntpos.c) pntpos satposs estpos raim_fde estvel ephclk satpos satsys seleph eph2clk ephpos eph2pos rescode lsq valsol matmul dops ecef2enu

前言 小程序实操，距离计算总结。 思路 一共有两种方法，各有利弊： 1.利用小程序的wx.getLocation 方法得到用户的经纬度,然后用已知的商家的经纬进行计算; 2.利用腾讯地图位置服务calculateDistance直接计算； 先熟悉下两个单词： longitude:经度; latitude:纬度; 下边是两种方法的具体实现 一、获取用户的位置信息,再进行计算(wx.getLocation) 1.小程序提供了获取用户位置信息的api，所以我们能直接获取到经纬度; 2.在 腾讯位置服务坐标拾取器 ，获取商家的具体经纬度(例：北京故宫博物院116.397027(经度),39.917990(纬度))； 3.利用公式进行两点的经纬度计算，需注意：小程序默认坐标系是wgs84，您需设置为gcj02再试； 代码： Page({ data:{ }, onLoad: function() { var _this = this; _this.findXy() //查询用户与商家的距离 }, findXy() { //获取用户的经纬度 var _this = this wx.getLocation({ type: 'gcj02', success(res) { _this.getDistance(res.latitude, res.longitude, 39.917990,116

本文内容整理自 PaperWeekly 和 biendata 在 B 站组织的直播回顾，点击文末 阅读原文 即可跳转至 B 站收看本次分享完整视频录像，如需嘉宾课件，请在 PaperWeekly 公众号回复关键词 课件下载 获取下载链接。 作者简介： 秦禹嘉，清华大学电子工程系本科生，大二开始在清华大学自然语言处理实验室学习。导师刘知远副教授。主要研究方向为义原知识体系的完善与应用。 尽管深度学习模型已经在许多自然语言处理任务上取得了非常好的效果，它们通常依赖于大量的训练数据；然而在实际应用场景下，标注能力、训练数据并不充足的情况经常出现，因此如何让标注者高效率地标注是一个十分有意义的问题。 传统给出标签的标注方式在一定程度上限制了标注者能够提供的信息量，很多情况下我们不仅关注标注者打出的标签，更加关注于其打出该标签的理由。因此一种更加高效的做法是让标注者在给出标签的同时给出相应的自然语言解释来解释其做出该决定的原因。 本文将分享应用自然语言解释的一些挑战，并介绍目前应对这些挑战做出的探索和最新工作。 自然语言解释的概念与背景 如开篇所讲，深度学习的技术已经在许多自然语言处理的任务上取得了很好的效果，但是仍然还有两个问题没有解决。第一个是模型通常需要大量的数据。第二个是模型缺乏可解释性。 先看 data hungry 的问题，很多情况下我们并没有那么多的数据能够喂给模型

​ 一、引言 随着腾讯云 Elasticsearch 云产品功能越来越丰富，ES 用户越来越多，云上的集群规模也越来越大。我们在日常运维工作中也经常会遇到一些由于前期集群规划不到位，导致后期业务增长集群规模大了之后带来的各种各样的集群可用性及稳定性问题。 这里列举下其中比较典型的几种集群规划问题： 节点规格规划问题：集群数量很大，但是每个节点的配置很低； 索引分片规划问题：索引很小，但是设置了几十个分片，或者索引很大，只设置了两三个分片； 分片数量规划问题：集群中包含 10万+ 的分片。 正所谓磨刀不误砍柴工，只有前期做好充分的集群评估规划工作，后期才能省去大量的运维工作。且能够长期保证集群的高可用和高稳定性。 本文结合我们在给腾讯云 ES 集群日常运维工作中遇到的各种集群问题及总结沉淀的一些运维经验，来介绍下如何规划好集群容量及索引配置，以及所遵循的一些原则和经验。 文章作者：吴容，腾讯云Elasticsearch研发工程师。 二、集群规模及索引规划 1. 集群规模评估 （1）评估什么？ 集群规模的评估主要评估以下三个方面： 第一，计算资源评估 ， 计 算资源的评估主要是评估单节点的CPU和内存。 ES的计算资源一般消耗在写入和查询过程，经过总结大量ES集群的运维经验，2C8G 的配置大概能支持 5k doc/s 的写入，32C64G 的配置大概能支撑 5w doc/s的写入能力

MySQL MySQL 是最流行的关系型数据库管理系统，在 WEB 应用方面 MySQL 是最好的 RDBMS(Relational Database Management System：关系数据库管理系统)应用软件之一。 什么是数据库？ 数据库（Database）是按照数据结构来组织、存储和管理数据的仓库。 每个数据库都有一个或多个不同的 API 用于创建，访问，管理，搜索和复制所保存的数据。 我们也可以将数据存储在文件中，但是在文件中读写数据速度相对较慢。所以，现在我们使用关系型数据库管理系统（RDBMS）来存储和管理大数据量。 所谓的关系型数据库，是建立在关系模型基础上的数据库，借助于集合代数等数学概念和方法来处理数据库中的数据。 RDBMS 即关系数据库管理系统(Relational Database Management System)的特点： 数据以表格的形式出现 每行为各种记录名称 每列为记录名称所对应的数据域 许多的行和列组成一张表单 若干的表单组成database RDBMS 术语 数据库: 数据库是一些关联表的集合。 数据表: 表是数据的矩阵。在一个数据库中的表看起来像一个简单的电子表格。 列: 一列(数据元素) 包含了相同类型的数据, 例如邮政编码的数据。 行：一行（=元组，或记录）是一组相关的数据，例如一条用户订阅的数据。 冗余： 存储两倍数据

Mysql系列第十讲 MySQL 数值型函数 abs:求绝对值 sqrt:求二次方跟（开方） mod:求余数 ceil和ceiling:向上取整 floor:向下取整 rand:生成一个随机数 round:四舍五入函数 sign:返回参数的符号 pow 和 power:次方函数 sin:正弦函数 MySQL 字符串函数 length:返回字符串直接长度 concat:合并字符串 insert:替换字符串 lower:将字母转换成小写 upper:将字母转换成大写 left:从左侧截取字符串 right:从右侧截取字符串 trim:删除字符串两侧空格 replace:字符串替换 substr 和 substring:截取字符串 reverse:反转字符串 MySQL 日期和时间函数 curdate 和 current_date:两个函数作用相同，返回当前系统的日期值 curtime 和 current_time:获取系统当前时间 now 和 sysdate:获取当前时间日期 unix_timestamp:获取UNIX时间戳 from_unixtime:时间戳转日期 month:获取指定日期的月份 monthname:获取指定日期月份的英文名称 dayname:获取指定日期的星期名称 dayofweek:获取日期对应的周索引 week:获取指定日期是一年中的第几周 dayofyear