cos | 易学教程

海量挑战：腾讯云ES可用性及性能优化实践

阅读更多关于海量挑战：腾讯云ES可用性及性能优化实践

导语 | 腾讯云Elasticsearch在腾讯会议中有哪些应用？在大规模海量应用场景下，腾讯云Elasticsearch在高可用和性能方面做了哪些优化？在低成本解决方案中又有哪些独到之处？本文是对腾讯云专家工程师张彬老师在云+社区沙龙online的分享整理，希望与大家一同交流。点击视频查看完整直播回放一、腾讯云ES在腾讯会议中的应用 1. 腾讯会议质量分析系统腾讯会议于2019年12月底上线，两个月内日活突破1000万，被广泛应用于疫情防控会议、远程办公、师生远程授课等场景，为疫情期间的复工复产提供了重要的远程沟通工具。极速增长的会议需求，让腾讯会议服务质量分析系统经受着巨大的考验。在会议中偶然会存在会议实时音视频卡顿、音视频不同步等会议质量问题，造成上述问题的可能因素比较多，当前运行的网络有丢包或连接不稳定的情况就是其中一种。为了帮助会议质量团队快速精准地定位分析问题，需要大量运行时的会议质量数据支撑，如网络相关的入网类型、码率、丢包率、网络切换、ip切换等数据，以及客户端相关的CPU使用率、内存使用率、操作系统版本、产品版本等数据信息。除了数据的实时上报，另一方面，借助多维分析，我们还可以在实时数据中挖掘出异常情况。如某个地区大面积的卡顿，某个版本出现特定的问题等。通过dashboard或数据报表的形式，帮助会议质量团队及时掌控全局情况，快速发现潜在问题。 2.

三角函数与缓入缓出动画及C#实现（图文讲解）

阅读更多关于三角函数与缓入缓出动画及C#实现（图文讲解）

日常经常能看到缓入缓出的动画效果，如： 1，带缓入缓出效果的滚动条： 2，带缓入缓出效果的呼吸灯：像上面这种效果，就是用到了三角函数相关的知识，下面将从头开始一步步去讲解如何实现这种效果。一、基础知识（一）三角函数常用的三角函数有正弦函数（sin）、余弦函数（cos）、正切函数（tan）。在动画效果中常用的是正弦函数和余弦函数，由于两者可以互相转化，所以本文将以正弦函数来进行讲解。如下图所示直角三角形ABC：则： sin(A)=a/c 即：角A的正弦值=角A的对边/斜边（二）正弦曲线将三角函数与动画桥接起来的便是三角函数曲线。以正弦函数为例，其正弦曲线公式为：y = A*sin(B*x + C) + D 其中y、x分别是纵坐标、横坐标。 1，在默认状态时，即：y=sin(x) 时，其曲线如下图所示： 2，正弦曲线公式中的参数 “A” 控制曲线的振幅，A 值越大，振幅越大，A 值越小，振幅越小。如：y=2*sin(x)，其曲线如下图所示（蓝线为 y=sin(x)）： 3，参数 “B" 控控制曲线的周期，B 值越大，那么周期越短，B 值越小，周期越长。如：y=sin(2x)，其曲线如下图所示（蓝线为 y=sin(x)）： 4，参数 “C" 控控制曲线左右移动，C 值为正数，曲线左移，C 值为负数，曲线右移；如：y=sin(x+1)，其曲线如下图所示（蓝线为 y

JavaScript图形实例：再谈IFS生成图形

阅读更多关于 JavaScript图形实例：再谈IFS生成图形

在 “ JavaScript图形实例：迭代函数系统生成图形 ” 一文中，我们介绍了采用迭代函数系统（Iterated Function System，IFS）创建分形图案的一些实例。在该文中，仿射变换函数W的一般形式为 X1=a*X0 + b*Y0 + e Y1=c*X0 + d*Y0 + f 给定不同的IFS码，可以生成不同的图形。实际上，仿射变换函数的形式还可以是 X1= a * X0*cos(c/180) - b * Y0*sin(d/180) + e Y1= a * X0*sin(c/180) + b * Y0*cos(d/180) + f 按这种仿射变换函数并给出相应的IFS码，编写如下的HTML代码。 <!DOCTYPE html> <head> <title>IFS生成图形</title> <script type="text/javascript"> function draw(id) { var canvas=document.getElementById(id); if (canvas==null) return false; var ctx=canvas.getContext('2d'); ctx.fillStyle="#EEEEFF"; ctx.fillRect(0,0,500,500); ctx.fillStyle="red"; var a=[0.5,0

地图开发中WebGL着色器32位浮点数精度损失问题

阅读更多关于地图开发中WebGL着色器32位浮点数精度损失问题

以下内容转载自木的树的文章《WebGL着色器32位浮点数精度损失问题》作者：木的树链接： https://www.cnblogs.com/dojo-lzz/p/11250327.html 来源：博客园著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。前言 Javascript API GL 是基于WebGL技术打造的3D版地图API，3D化的视野更为自由，交互更加流畅。提供丰富的功能接口，包括点、线、面绘制，自定义图层、个性化样式及绘图、测距工具等，使开发者更加容易的实现产品构思。充分发挥GPU的并行计算能力，同时结合WebWorker多线程技术，大幅度提升了大数据量的渲染性能。最高支持百万级点、线、面绘制，同时可以保持高帧率运行。同步推出基于Javascript API GL的位置数据可视化API库，欢迎体验。问题 WebGL浮点数精度最大的问题是就是因为js是64位精度的，js往着色器里面穿的时候只能是32位浮点数，有效数是8位，精度丢失比较严重。分析在基础底图中，所有的要素拿到的都是瓦片里面的相对坐标，坐标范围在0-256之间。在每次渲染时都会重新实时计算瓦片相对中心点的一个偏移来计算瓦片自己的矩阵，这种情况下精度损失比较小，而且每个zoom级别都会加载新的瓦片，不会出现精度损失过大问题。但是对于一些覆盖物，比如marker

Canvas干货总结

阅读更多关于 Canvas干货总结

一、canvas简介　　<canvas> 是 html5 新增的，一个可以使用脚本(通常为 javascript) 在其中绘制图像的 html 元素。它可以用来制作照片集或者制作简单的动画，甚至可以进行实时视频处理和渲染。它最初由苹果内部使用自己 macos x webkit 推出，供应用程序使用像仪表盘的构件和 safari 浏览器使用。后来，有人通过 gecko 内核的浏览器 (尤其是 mozilla和firefox)，opera 和 chrome 和超文本网络应用技术工作组建议为下一代的网络技术使用该元素。　　canvas 是由 html 代码配合高度和宽度属性而定义出的可绘制区域。javascript 代码可以访问该区域，类似于其他通用的二维 api，通过一套完整的绘图函数来动态生成图形。 mozilla 程序从 gecko 1.8 (firefox 1.5) 开始支持 <canvas>, internet explorer 从 ie9 开始 <canvas> 。chrome 和 opera 9+ 也支持 <canvas>。二、canvas的基本组成　　<canvas> 看起来和 <img> 标签一样，只是 <canvas> 只有两个可选的属性 width、heigth 属性，而没有 src、alt 属性。如果不给 <canvas> 设置 widht

内容社区，为什么有必要做内容标签系统？

阅读更多关于内容社区，为什么有必要做内容标签系统？

社区内容量很大时，内容曝光有限，非常影响社区作者创作的积极性。为了解决内容曝光有限的问题，内容标签系统不失为一种有效的解决方案。本文结合一些案例来探讨，做内容标签系统的必要性。一、问题背景社区产品中，在内容量大的情况下，曝光数量和内容总量相比，是十分有限的，对社区作者很不利。我们以一个案例来分析一下，曝光有限对作者的严重危害。某社区起步时有1千个作者，发展两年后，作者变为原先的100倍，也就是10万。每一位作者的每天能发布数量都在一个正常范围内，即人均发布数量一定。刚起步时，社区的作者数量是较少的，因此每天的内容新增量也少。在社区中发布后，非常容易被曝光到读者用户，被用户阅读互动。当作者变为10万后，人均发布数量一定时，对应每天的内容新增量变为原先的100倍。虽然读者的用户量也有一定比例增长，但由于内容新增量更多了，每个作者发布的内容被曝光的机会，会变得更加稀有和珍贵。一旦曝光需求没有得到满足，作者就无法收到读者的阅读互动反馈，也就无法形成正向激励。我们知道，看一个社区的价值，可以是看作者的规模及质量。比如YY直播，看的是主播；知乎，看的是大V等回答者；B站视频，看的是UP主。一个无法满足作者曝光需求的社区，无疑会导致作者粘性降低，非常容易流失，甚至跑去竞争对手的平台。二、标签的定义为了解决内容曝光有限的问题，内容标签系统不失为一种有效的解决方案。

基于正交投影的点云局部特征描述详解

阅读更多关于基于正交投影的点云局部特征描述详解

点击上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达本次介绍一个发表于Pattern Recognition的经典三维点云描述子TOLDI，首先进行算法阐述，然后再给出数据集的介绍、局部参考坐标系与描述子的评估方法。论文地址：Jiaqi Yang, QianZhang, Yang Xiao, Zhiguo Cao, “TOLDI: An effective and robust approach for 3Dlocal shape description”, Pattern Recognition, vol. 65, pp. 175–187, 2017. 源码地址：https://github.com/TaylorAmy1995/3D-feature-description.git 1.引言影响点云局部特征描述能力和稳定性的因素主要包括几何属性的利用以及空间信息的解码。因为点云具有无序、不规则、无拓扑结构等特性，可以凭借三维到二维投影的方式来用多张二维图像表征三维点云的几何特征，图像的表征能提供稳定的信息解码，而多视角机制可以弥补投影导致的信息损失；对于空间信息的解码，意识到充分利用三维空间信息依赖于三维物理坐标系的构建，然而敏感器的坐标系没有抗旋转的能力，因此尝试在点云局部曲面构造了一个本征、抗旋转的局部坐标系。基于上述分析

深度学习——优化算法细谈（梯度下降/随机梯度下降/小批量梯度下降/动量法/Adagrad/RMSprop/Adadealt/Adam）及时实现

阅读更多关于深度学习——优化算法细谈（梯度下降/随机梯度下降/小批量梯度下降/动量法/Adagrad/RMSprop/Adadealt/Adam）及时实现

优化算法集锦梯度下降法原理可视化过程系统实现随机梯度下降法原理可视化过程系统实现小批量梯度下降法原理可视化过程系统实现动量法提出原因原理指数加权平均动量法原理可视化过程系统实现 AdaGrad 法提出原因原理可视化过程系统实现 RMSprop法提出原因原理可视化过程系统实现 Adadealt 法提出原因原理可视化过程系统实现 Adam 法提出原因原理可视化过程系统实现小结本文是对于深度学习中优化算法的解释与实现首先需要明确：优化算法是为了尽可能低降低训练误差(Loss function)而不是泛化误差。梯度下降法原理梯度下降法是深度学习值最常使用到的优化算法，也是后续算法的基石。下面以多维梯度下降法为例简述其原理：假设对于损失函数 f ( x ) f(x) f ( x ) ,其输入 x = [ x 1 , x 2 , x 3 , . . . . . . , x n ] T x=[x_{1},x_{2},x_{3},......,x_{n} ]^{T} x = [ x 1 , x 2 , x 3 , . . . . . . , x n ] T 是一个n维向量，其输入为标量（即一个实数）。则损失函数的梯度可表示为： ▽ f ( x ) = [ ∂ f ( x ) ∂ x 1 , ∂ f

numpy中基本运算函数

阅读更多关于 numpy中基本运算函数

(一) 加减法 import numpy a =numpy.arange(27).reshape(3,9 ) b =numpy.arange(2,29).reshape(3,9 ) # 加： c=a+ b d = numpy.add(a,b) # 减： e=a- b f =numpy.subtract(a,b) (二)乘法 import numpy a =numpy.arange(27).reshape(3,9 ) b =numpy.arange(2,29).reshape(3,9 ) # 方法一： x=numpy.zeros((3,9),dtype= numpy.int) numpy.multiply(a,b,out = x) print (x) # 方法二: y= numpy.multiply(a,b) print (y) (三）三角函数 import numpy a =numpy.array([45,30,90 ]) b =numpy.sin(a*(numpy.pi/180 )) c =numpy.cos(a*(numpy.pi/180 )) d =numpy.tan(a*(numpy.pi/180 )) print (b) print (c) print (d) (四)取近视值 import numpy a =numpy.array([1.5,1.67,2.4,9.453

DSP TMS320C6678中FFT函数的调用与具体使用方法（CCS中操作）

阅读更多关于 DSP TMS320C6678中FFT函数的调用与具体使用方法（CCS中操作）

首先明确一点，C6678中FFT的函数形式为： N ： length of FFT in complex samples ptr_x ： pointer to complex data input ptr_w ： pointer to complex twiddle factor ptr_y ： pointer to complex output data brev ： pointer to bit reverse table containing 64 entries n_min ： should be 4 if N can be represented as Power of 4 else, n_min should be 2 offset ： index in complex samples of sub-fft from start of main fft n_max ： size of main fft in complex samples（可令n_max=N）其中， 64位bit反位表brev 为： unsigned char brev[64] = { 0x00, 0x20, 0x10, 0x30, 0x08, 0x28, 0x18, 0x38, 0x04, 0x24, 0x14, 0x34, 0x0c, 0x2c, 0x1c, 0x3c, 0x02, 0x22,

订阅 cos