Drift

NTP 是网络时间协议（Network Time Protocol）的简称，通过 udp 123 端口进行网络时钟同步 一、安装 # 既可做服务端也可做客户端 yum install - y ntp # 开启服务，让其他客户端与本机同步，注意防火墙状态 systemctl start ntpd # 开机自启 systemctl enable ntpd 二、ntp 常用配置 /etc/ntp.conf 一般服务端才需要配置，客户端直接使用命令同步即可 # 记录和上级时间服务器的时间差异 driftfile /var/lib/ntp/ drift # ntp 日志 logfile /var/log/ ntp.log # 日志级别 all event info logconfig all # 设置默认策略，允许同步时间，不允许修改 restrict default nomodify notrap nopeer noquery # 允许本机地址的一切操作， - 6 为 IPV6 restrict 127.0 . 0.1 restrict - 6 :: 1 # 允许网段内客户端连接此服务器同步时间，但是拒绝让他们修改服务器上的时间 restrict 192.168 . 1.0 mask 255.255 . 255.0 nomodify notrap # https: // www

1、 NTP 网络时间协议: 它是通过网络在计算机系统之间进行时钟同步的网络协议。换言之，它可以让那些通过 NTP 或者 Chrony 客户端连接到 NTP 服务器的系统保持时间上的一致（它能保持一个精确的时间）。 NTP 在公共互联网上通常能够保持时间延迟在几十毫秒以内的精度，并在理想条件下，它能在局域网下达到低于一毫秒的延迟精度。它使用用户数据报协议（UDP）在端口 123 上发送和接受时间戳。它是个 C/S 架构的应用程序 2、chrony是一个开源的自由软件，像CentOS 7或基于RHEL 7操作系统，已经是默认服务，默认配置文件/etc/chrony.conf 它能保持系统时间与时间服务器（NTP）同步，让时间始终保持同步。相对于NTP时间同步软件，占据很大优势，其用法也很简单。 3、Chrony有两个核心组件，分别是： chronyd：是守护进程，主要用于调整内核中运行的系统时间和时间服务器同步。它确定计算机增减时间的比率，并对此进行调整补偿。 chronyc：提供一个用户界面，用于监控性能并进行多样化的配置。它可以在chronyd实例控制的计算机上工作，也可以在一台不同的远程计算机上工作。 下面CentOS7环境下搭建基于chrony的NTP服务器 CentOS7 10.20.10.93 chrony服务器 CentOS7 10.20.10.158

滤波器简介：FIR与IIR 转载于： 滤波器简介：FIR与IIR 关于本博文的说明： 本博文为翻译文章，主要分享数字滤波器相关知识，包括有限脉冲响应数字滤波器(finite impulse response, FIR)和无限脉冲响应数字滤波器(infinite impulse response, IIR). 原文为‘Introduction to Filters: FIR versus IIR’，由Siemens Phenom发布，原文链接为 https://community.plm.automation.siemens.com/t5/Testing-Knowledge-Base/Introduction-to-Filters-FIR-versus-IIR/ta-p/520959 1. 引言 滤波器在数据采集和分析中具有很多应用. 它们通过减小或放大某些频率来改变时间信号的频率成分. 例如，如图1所示，低通滤 波器以三种不同的方式影响信号中的频率成分：一些频率成分保持不变，而其它频率成分的幅度变小或从信号中完全移除. Figure 1: A low pass filter passes low frequencies unaltered (left) and removes high frequencies (right).. 滤波器还可以放大特定的频带

论文链接：https://arxiv.org/pdf/1710.10196.pdf 前言 这是一种针对GANs的训练优化方法，从低分辨率图像开始，通过向网络添加层来逐步提高分辨率，如图1。这种递增的特性允许训练首先发现图像分布的大尺度结构，然后将注意力转移到越来越细的尺度细节上，而不必同时学习所有的尺度。 图1: 初始训练时，生成器(G)和鉴别器(D)的空间分辨率都很低，即4x4像素。随着训练的进行，我们逐渐在G和D上增加层，从而提高了生成图像的空间分辨率。在整个过程中，所有现有层都是可训练的。这里N x N是指在N x N空间分辨率下的卷积层。这允许在高分辨率下稳定的拟合，也能够极大地加快训练速度。右边展示了使用渐进式增长生成的6个1024 x 1024像素示例图像。 我们使用生成器和鉴别器网络，它们彼此镜像，同步发展。在整个训练过程中，两个网络中的所有现有层在训练阶段都是可训练的。当新层被添加到网络中时，我们平滑地淡出现有网络，如图2所示，这避免了对已经训练良好的小分辨率层的突然冲击。 图2:当加倍生成器(G)和鉴别器(D)的分辨率时，我们“平滑”地添加新图层。该例子说明了从16×16图像 ( a ) (a) ( a ) 到32×32图像 ( c ) (c) ( c ) 的转换过程。在转换 ( b ) (b) ( b ) 过程中，我们将操作在更高分辨率上的层类似残差块一样处理

　　 　　本文介绍的是 CVPR 2020 Oral 论文《Cross-Batch Memory for Embedding Learning》，作者来自码隆科技。本篇论文解读首发于“码隆播报”公众号。 　　 作者 | 码隆科技 　　 编辑 | 丛 末 　　 　　论文地址：https://arxiv.org/abs/1912.06798 　　开源地址：https://github.com/MalongTech/research-xbm 　　本篇论文提出了 XBM 方法，能够用极小的代价，提供巨量的样本对，为 pair-based 的深度度量学习方法取得巨大的效果提升。这种提升难例挖掘效果的方式突破了过去两个传统思路：加权和聚类，并且效果也更加简单、直接，很好地解决了深度度量学习的痛点。XBM 在多个国际通用的图像搜索标准数据库上（比如 SOP、In-Shop 和 VehicleID 等)，取得了目前最好的结果。 　　 1 　　 背景和动机 　　难例挖掘是深度度量学习领域中的核心问题，最近有颇多研究都通过改进采样或者加权方案来解决这一难题，目前主要两种思路： 　　第一种思路是在 mini-batch 内下功夫，对于 mini-batch 内的样本对，从各种角度去衡量其难度，然后给予难样本对更高权重，比如 N-pairs、Lifted Struture Loss、MS Loss

前言 分布式锁一般有三种实现方式： 1. 数据库乐观锁；2. 基于Redis的分布式锁；3. 基于ZooKeeper的分布式锁。 以下将介绍第二种方式，基于Redis实现分布式锁。 可靠性 首先，为了确保分布式锁可用，我们至少要确保锁的实现同时满足以下四个条件： 互斥性。在任意时刻，只有一个客户端能持有锁。 不会发生死锁。即使有一个客户端在持有锁的期间崩溃而没有主动解锁，也能保证后续其他客户端能加锁。 具有容错性。只要大部分的Redis节点正常运行，客户端就可以加锁和解锁。 解铃还须系铃人。加锁和解锁必须是同一个客户端，客户端自己不能把别人加的锁给解了 代码实现 <?php class RedLock { private $retryDelay ; private $retryCount ; private $clockDriftFactor = 0.01 ; private $quorum ; private $servers = array (); private $instances = array (); function __construct ( array $servers , $retryDelay = 200 , $retryCount = 3 ) { $this -> servers = $servers ; $this -> retryDelay =

在研读了论文及开源代码后，对LOAM的一些理解做一个整理。 文章：Low-drift and real-time lidar odometry and mapping 开源代码：https://github.com/daobilige-su/loam_velodyne 系统概述 LOAM的整体思想就是将复杂的SLAM问题分为：1. 高频的运动估计； 2. 低频的环境建图。 ​ Lidar接收数据，首先进行Point Cloud Registration，Lidar Odometry以10Hz的频率进行运动估计和坐标转换，Lidar Mapping以1Hz的频率构建三维地图，Transform Integration完成位姿的优化。这样并行的结构保证了系统的实时性。 接下来是代码的框架图： ​ 整个算法分为四个模块，相对于其它直接匹配两个点云的算法，LOAM是通过提取特征点进行匹配之后计算坐标变换。具体流程为：ScanRegistration 提取特征点并排除瑕点；LaserOdometry从特征点中估计运动，然后整合数据发送给LaserMapping；LaserMapping输出的laser_cloud_surround为地图；TransformMaintenance订阅LaserOdometry与LaserMapping发布的Odometry消息，对位姿进行融合优化

还记得那个用论文外观判断论文质量的 研究 吗？在那份研究中，身为顶会领域主席的作者 Jia-Bin Huang 被自己开发的系统拒了稿，引来了大批社区成员的围观。最近，他和合作者提出了一项新的计算机视觉方法，可以让厨房「水漫金山」，让天空下起「彩球雨」…… 选自arXiv，作者：罗璇、Jia-Bin Huang等，机器之心编译，参与：魔王、张倩。 不止如此，想要猫主子不嫌弃自己拍的丑丑视频，这个方法也能拯救你！ 这项研究由来自华盛顿大学、弗吉尼亚理工学院和 Facebook 的研究者合作完成。 其中第一作者罗璇现为华盛顿大学现实实验室博士，她本科毕业于上海交通大学，导师为卢宏涛教授，研究方向为立体匹配，曾在新加坡国立大学跟随颜水成钻研深度学习。 第二作者 Jia-Bin Huang 为弗吉尼亚理工学院助理教授，研究方向为计算机视觉、计算机图形学和机器学习。曾担任 WACV 2018、CVPR 2019、ICCV 2019、BMVC 2019 和 BMVC 2020 会议的领域主席。 这项研究主要探究了如何生成准确度和几何一致性更高的视频重建结果，目前该论文已被计算机图形学顶级会议 SIGGRAPH 2020 接收，代码也将在未来开源。 论文地址： https:// arxiv.org/pdf/2004.1502 1.pdf 项目网站： https:// roxanneluo

我们通过Cloudformation创建了Stack之后，如果发生需求改变，那么需要进行修改。Update Stack的操作其实很容易，不过有几点需要注意。 进行Update操作之前，请执行stack drift的操作，以确保一致性。 进行Update操作的时候，请查阅相关的resource的属性，判断是否会导致某些服务中断 有些属性，例如EC2 的Public IP，如果没有绑定EIP，那么重启之后会变化，这些因素需要考虑 我们可以通过Stack Policy来限制对某些Resource进行修改 我们可以通过Change set来预览我们的改变。 下面通过一个例子说明 首先我们创建一个演示的LAMP 的 Cloudformation stack，他会创建一个EC2 实例和一个SG 输入 Parameters 的值 值得一提的是，他的Instance的Resource的名字叫做WebServerInstance，这个下一步会用到 在Stack policy的设定里面，我们输入下面的Policy 。 这个Policy的目的是允许修改所有的资源，除了WebServerInstance。 提交之后，我们的Stack就创建好了 接下来，我们试试修改，点击 Update 我们有三个选项， Use Current template 只能修改Parameters的值

某厂面试归来，发现自己落伍了！>>> 有没有小伙伴重装系统之后发现，电脑的时间与北京时间不一致，而且每次开机都不会自动同步，其实是系统自带的时间服务器不可用导致的时间问题，下面以win10为例（windows）： 1、右击右下角时间 - 点击调整日期/时间 - 选择选项卡“Internet时间” 2、点击更改设置，把以下的Internet时间服务器地址选一个填写，点击立即更新即可，如提示更新成功确定！ Linux系统： driftfile /var/lib/ntp/ntp.drift server 0.pool.ntp.org server 1.pool.ntp.org server 2.pool.ntp.org server 3.pool.ntp.org 其中 0, 1, 2 and 3.pool.ntp.org 域名解析将会每小时更新，随机指向一系列服务器。 确认您的计算机时间设置得合理(和“真实”时间相差几分钟) - 您能使用 ntpdate pool.ntp.org 或者您只需使用 date 命令来将它的时间设置成和您的手表一样。 接下来运行ntpd，并且等候一段时间（这可能花费大约半小时！），在这之后 ntpq -pn 应该会输出类似下面的结果： $ ntpq -pn remote refid st t when poll reach delay offset