Delta

环境准备: 三台机器,一台做客户端(程序员上传代码用)192.168.1.10,一台做git服务器192.168.1.20(内存设置为4GB),一台做jenkins 192.168.1.30 git: 分布式软件版本控制系统,独立使用的, 1.安装: yum -y install git 2.配置基本信息 git config --global user.name "Mr Zhao" 配置用户名 git config --global userr.email "550418723@qq.com" 配置邮箱 git config --global core.editor vim 配置编辑器 3.查看信息 git config --list cat ~/.gitconfig 配置文件所在处,可以修改上面的基本信息 4. git的重要工作区域 工作区:编写代码的工作目录 暂存区:.git/index,工作区和版本库之间的缓冲地带,允许用户后悔的区域 版本库:工作区有一个.git目录,这个就是版本库 工作区 --git add --> 暂存区-->git commit-->版本库 5.创建仓库 方法一: 创建项目之初创建 git init mygit 初始化空的 Git 版本库于 /root/mygit/.git/ 方法二,在已存在的项目中创建版本库 mkdir myweb cd

Git使用笔记 1、第一次使用github ============================================= 1)github注册账号 使用邮箱注册账号 先不要创建版本库 2)安装git Linux请参考网上教程，这里演示windows操作。 TortoiseGit是Windows版的Git，从https://tortoisegit.org/download/下载，然后按默认选项安装即可。 说明：git命令操作和Linux命令差不多，很多命令可以直接使用,比如 cd, vi 3)安装完成后，还需要最后一步设置，在命令行输入： $ git config -- global user .name " Your Name " $ git config -- global user .email " email@example.com " 4)创建SSH Key 在用户主目录下，看看有没有.ssh目录，如果有，再看看这个目录下有没有id_rsa和id_rsa.pub这两个文件，如果已经有了，可直接跳到下一步。如果没有，打开Shell（Windows下打开Git Bash），创建SSH Key： $ ssh-keygen -t rsa -C " youremail@example.com " 会让你输入 . ssh /id_rsa 文件的路径,默认即可

概览 迭代速度是构建高质量 Android 应用的关键要素。处理的速度越快，应用程序的体验就越顺畅。这篇文章将和大家聊聊如何优化部署时间。 部署 101 在 Android Studio 3.5 中，我们在多个方面改进了迭代速度。开发者现在可以使用 Apply Changes 了: 根据代码结构，它可以替换更改的代码，并且重启当前 Activity; 如果代码和 Activity 生命周期无关，则会调用 "Apply Code Changes" 来仅替换代码而不会重启正在运行的 Activity。 △ Apply Changes 带来了两种全新的应用程序部署方式 基于 Apply Changes，Android Studio 3.5 新增了 "Delta Push"，在下次调用 Run 的时候，他只会把 APK 中修改的部分推送到设备上。应用程序会通过 sendfile(2) 命令将新旧资源发送给 Package Manager 并且在设备上进行重构，以此来达到 "零拷贝" 安装。 这些机制组合起来减少了安装时间，不过要想得到较好的优化效果，开发者还需要注意设备数据线传输的速度和稳定性。 为什么 USB 传输速度很重要 无论 "Delta Push" 是否被启用，总会有数据传输到设备上。如果用的是模拟器，数据会通过 TCP/IP 进行传输，但是如果用的是真机则会用到 USB，USB

原文： http://armbbs.cn/forum.php?mod=viewthread&tid=97424&highlight=adc 过采样频率:增加一位分辨率或每减小6dB 的噪声，需要以4 倍的采样频率fs 进行过采样.假设一个系统使用12 位的ADC，每秒输出一个温度值(1Hz)，为了将测量分辨率增加到16 位，按下式计算过采样频率： fos=4^4*1(Hz)=256(Hz)。 1. AD转换器的分类 下面简要介绍常用的几种类型的基本原理及特点：积分型、逐次逼近型、并行比较型/串并行型、Σ-Δ调制型、电容阵列逐次比较型及压频变换型。 1)积分型 积分型AD工作原理是将输入电压转换成时间(脉冲宽度信号)或频率(脉冲频率)，然后由定时器/计数器获得数字值。其优点是用简单电路就能获得高分辨率，抗干扰能力强(为何抗干扰性强?原因假设一个对于零点正负的白噪声干扰，显然一积分，则会滤掉该噪声)，但缺点是由于转换精度依赖于积分时间，因此转换速率极低。初期的单片AD转换器大多采用积分型，现在逐次比较型已逐步成为主流。 2)逐次比较型SAR 逐次比较型AD由一个比较器和DA转换器通过逐次比较逻辑构成，从MSB开始，顺序地对每一位将输入电压与内置DA转换器输出进行比较，经n次比较而输出数字值。其电路规模属于中等。其优点是速度较高、功耗低，在低分辩率(<12位)时价格便宜，但高精度(

转自: https://blog.csdn.net/kongdaqing1290/article/details/89669988 1、hector-slam代码框架概述 下载源码：git clone https://github.com/tu-darmstadt-ros-pkg/hector_slam.git 原理解读参照：https://blog.csdn.net/weixin_40047925/article/details/80679496 其中包含了许多用于仿真的文件，hector slam算法主要集中在hector mapping包中，同时核心的位姿估计和点云建立栅格图操作主要在文件HectorSlamProcessor.h的函数update中。如下： 函数newPoseEstimateWorld = (mapRep->matchData(poseHintWorld, dataContainer, lastScanMatchCov))根据输入的激光点云数据和现有的栅格图进行对齐，这部分是整个代码的核心，主要思想是使用高斯牛顿优化代价函数，求取让代价函数达到最优的位姿偏量，从而求出当前机器人的位姿态。 当然，如果已经知道机器人的准确位姿不需要进行上面的位姿解算，直接用函数mapRep->updateByScan(dataContainer,

一 为什么要有操作系统 （ 两本书：现代操作系统、操作系统原理，学好python以后再去研究吧~~） 　　现代的计算机系统主要是由一个或者多个处理器，主存，硬盘，键盘，鼠标，显示器，打印机，网络接口及其他输入输出设备组成。 　　一般而言，现代计算机系统是一个复杂的系统。 　　其一：如果每位应用程序员都必须掌握该系统所有的细节，那就不可能再编写代码了（严重影响了程序员的开发效率：全部掌握这些细节可能需要一万年....） 　　其二：并且管理这些部件并加以优化使用，是一件极富挑战性的工作，于是，计算安装了一层软件（系统软件），称为操作系统。它的任务就是为用户程序提供一个更好、更简单、更清晰的计算机模型，并管理刚才提到的所有设备。 总结： 　　程序员无法把所有的硬件操作细节都了解到，管理这些硬件并且加以优化使用是非常繁琐的工作，这个繁琐的工作就是操作系统来干的，有了他，程序员就从这些繁琐的工作中解脱了出来，只需要考虑自己的应用软件的编写就可以了，应用软件直接使用操作系统提供的功能来间接使用硬件。 二 什么是操作系统 　　精简的说的话，操作系统就是一个协调、管理和控制计算机硬件资源和软件资源的控制程序。操作系统所处的位置如图1 #操作系统位于计算机硬件与应用软件之间，本质也是一个软件。操作系统由操作系统的内核（运行于内核态，管理硬件资源）以及系统调用（运行于用户态

　　　　在 集成学习之Adaboost算法原理小结 中，我们对Boosting家族的Adaboost算法做了总结，本文就对Boosting家族中另一个重要的算法梯度提升树(Gradient Boosting Decison Tree, 以下简称GBDT)做一个总结。GBDT有很多简称，有GBT（Gradient Boosting Tree）, GTB（Gradient Tree Boosting ）， GBRT（Gradient Boosting Regression Tree）, MART(Multiple Additive Regression Tree)，其实都是指的同一种算法，本文统一简称GBDT。GBDT在BAT大厂中也有广泛的应用，假如要选择3个最重要的机器学习算法的话，个人认为GBDT应该占一席之地。 1. GBDT概述 　　　　GBDT也是集成学习Boosting家族的成员，但是却和传统的Adaboost有很大的不同。回顾下Adaboost，我们是利用前一轮迭代弱学习器的误差率来更新训练集的权重，这样一轮轮的迭代下去。GBDT也是迭代，使用了前向分布算法，但是弱学习器限定了只能使用CART回归树模型，同时迭代思路和Adaboost也有所不同。 　　　　在GBDT的迭代中，假设我们前一轮迭代得到的强学习器是$f_{t-1}(x)$, 损失函数是$L(y, f_{t-1

openldap同步原理 阅读视图 openldap同步原理 syncrepl、slurpd同步机制优缺点 OpenLDAP同步条件 OpenLDAP同步参数 1. openldap同步原理 OpenLDAP同步复制(简称syncrepl)机制是消费方的一个复制引擎，能让消费者服务器维护一个抽取片段的影子副本。 2. syncrepl、slurpd同步机制优缺点 3. OpenLDAP同步条件 OpenLDAP的5种同步模式需要满足以下6点要求。 1. OpenLDAP服务器之间需要保持时间同步 ```shell 配置时间同步 ``` 2. OpenLDAP软件包保持版本一致 ```shell 配置版本一致 ``` 3. OpenLDAP节点之间域名可以相互解析 ```shell 配置hosts ``` 4. 配置OpenLDAP同步复制，需要提供完全一样的配置及目录树信息。 5. 数据条目保持一致 6. 额外的schema文件保持一致 4. OpenLDAP同步参数 OpenLDAP主服务器参数的含义如下： # 后端工作在overlay模式 overlay syncprov # 设置同步条件 syncprov-checkpoint 100 10 # 当满足修改100条目或者10分钟的条件时主动以推的方式进行 # 会话日志条目的最大数量 syncprov-sessionlog

论文地址： http://arxiv.org/abs/1811.11168 作者：pprp 时间：2019年5月11日 0. 摘要 DCNv1引入了可变形卷积，能更好的适应目标的几何变换。但是v1可视化结果显示其感受野对应位置超出了目标范围，导致特征不受图像内容影响（理想情况是所有的对应位置分布在目标范围以内）。 为了解决该问题：提出v2, 主要有 扩展可变形卷积，增强建模能力 提出了特征模拟方案指导网络培训：feature mimicking scheme 结果：性能显著提升，目标检测和分割效果领先。 1. 简介 Geometric variations due to scale, pose, viewpoint and part deformation present a major challenge in object recognition and detection. 目标检测一个主要挑战： 尺度 ， 姿势 ， 视角 和 部件变形 引起的几何变化 v1 引入两个模块： Deformable Convolution : 可变形卷积 通过相对普通卷积基础上添加的偏移解决 Deformable RoI pooling : 可变形 RoI pooling 在RoI pooling 中的bin学习偏移 为了理解可变形卷积，进行了可视化操作： samples for an

虽然学深度学习有一段时间了，但是对于一些算法的具体实现还是模糊不清，用了很久也不是很了解。因此特意先对深度学习中的相关基础概念做一下总结。先看看前向传播算法(Forward propagation)与反向传播算法(Back propagation)。 1.前向传播 ​ ​ 如图所示，这里讲得已经很清楚了，前向传播的思想比较简单。 举个例子，假设上一层结点i,j,k,…等一些结点与本层的结点w有连接，那么结点w的值怎么算呢？就是通过上一层的i,j,k等结点以及对应的连接权值进行加权和运算，最终结果再加上一个偏置项（图中为了简单省略了），最后在通过一个非线性函数（即激活函数），如ReLu，sigmoid等函数，最后得到的结果就是本层结点w的输出。 最终不断的通过这种方法一层层的运算，得到输出层结果。 对于前向传播来说，不管维度多高，其过程都可以用如下公式表示： a2=σ(z2)=σ(a1∗W2+b2)a2=σ(z2)=σ(a1∗W2+b2) 其中，上标代表层数，星号表示卷积，b表示偏置项bias，σ表示激活函数 。 2.反向传播算法(Back propagation) BackPropagation算法是多层神经网络的训练中举足轻重的算法。简单的理解，它的确就是复合函数求偏导的链式法则，但其在实际运算中的意义比链式法则要大的多。要回答题主这个问题“如何直观的解释back