edg战队

环境：创建了2台虚拟机，系统为Ubuntu16.04，分别作为master和edge节点。 这里共尝试了2种部署方式，第一种最终没有成功，但给第二种方式作个很多准备。 参考KubeEdge官方文档，及要求一步一步安装。 大致步骤如下： 安装docker 安装kubeadm/kubelet 初始化集群 上述步骤可参考以下链接： https://www.jianshu.com/p/860181e43bd0 https://www.kubernetes.org.cn/5462.html 基本能够搞定KubeEdge Cloud端k8s相关内容，剩下就是自己动手编译出edgecontroller执行文件运行即可，至此kubeEdge Cloud端准备完毕。 Edge端：编译edge_core可执行文件，这里遇到问题： 查询一圈原因无果，只能换条路，去官网下载已经编译好的，这时候想到kubeEdge官方有一键安装指令，使用的肯定执行程序肯定是事先编译好的，至此，开始换第二种部署方式。 2. 使用官方提供程序install https://docs.kubeedge.io/en/latest/setup/installer_setup.html 因Cloud端已准备就绪，所以这里首先安装Edge端，指定好version，edge端很顺利通过。 但是这里报错了，edge

一、作者 二、方法概括 本文提出一种新的边缘检测算法HED(holistically-nested edge detection)，有两个特点： 1整图进行训练和预测； 2多尺度多层次特征学习。 利用全卷积网络(FCN)和deeply-supervised nets(DSN)，自动学习丰富的层次化表达。在BSD500(0.782)和NYU Depth(0.746)数据集达到state-of-the-art，速度达到每幅图400ms。 github源码：https://github.com/s9xie/hed，公开训练好的模型，已经train/test code，可在caffe上使用。 三、创新点和贡献 holistic表示边缘预测的结果是基于image-to-image（端到端）的过程，neted表示在生成的输出过程中不断地继承和学习，从而得到边缘预测图（edge maps）的过程，这里使用多尺度的方法学习特征。(其意义是能够产生不同scale的轮廓线。该网络基于VGG，有五层不同level的轮廓线输出。) 因为希望显示每个预测的路径对于每个edge maps是通用的，可使连续边缘maps更加简洁，不像canny有很多不连续边缘。 本算法有两个贡献： 1.整体图像的训练和预测，使用FCN网络，输入原图，直接输出edge map图像； 2.嵌套多尺度特征学习，通过deeply

Please note that this will erase all passwords and configurations To reset the box to defaults, please do the following: * Unplug the power cord. * Hold the reset button on the back of the box. * Plug in the power cord while holding the button until the pwr/sec led is steady red. * Leave the reset button for 3 seconds. * Press the reset button again for 10 seconds until the pwr/sec led starts blinking red. * Reconfigure your box and install certs. Share this: Click to share on Twitter (Opens in new window) Click to share on Facebook (Opens in new window) More Click to print (Opens in new

记录一个在线绘图工具网站,可以进行漂亮的UML设计工作,访问地址: Freedgo Design 点击进行在线编辑： https://www.freedgo.com/draw_index.html#Uhttps://www.freedgo.com/templates/flowcharts/flowchar.xml`` 来源： https://my.oschina.net/u/157043/blog/3085476

尊敬的阿里云用户： 您好！为方便您试用开源 RocketMQ 客户端访问阿里云MQ，我们申请了专门的优惠券，优惠券可以直接抵扣金额。请填写下您公司账号信息，点击上图，了解更多哦。 一、DLedger引入目的 在 RocketMQ 4.5 版本之前，RocketMQ 只有 Master/Slave 一种部署方式，一组 broker 中有一个 Master ，有零到多个 Slave，Slave 通过同步复制或异步复制的方式去同步 Master 数据。Master/Slave 部署模式，提供了一定的高可用性。 但这样的部署模式，有一定缺陷。比如故障转移方面，如果主节点挂了，还需要人为手动进行重启或者切换，无法自动将一个从节点转换为主节点。因此，我们希望能有一个新的多副本架构，去解决这个问题。 新的多副本架构首先需要解决自动故障转移的问题，本质上来说是自动选主的问题。这个问题的解决方案基本可以分为两种： 利用第三方协调服务集群完成选主，比如 zookeeper 或者 etcd。这种方案会引入了重量级外部组件，加重部署，运维和故障诊断成本，比如在维护 RocketMQ 集群还需要维护 zookeeper 集群，并且 zookeeper 集群故障会影响到 RocketMQ 集群。 利用 raft 协议来完成一个自动选主，raft 协议相比前者的优点是不需要引入外部组件

目前，教育领域通过引入人工智能的技术，使得在线的教学系统成为了智能教学系统（ITS），ITS不同与以往的MOOC形式的课程。ITS能够个性化的为学生制定有效的 学习路径，通过根据学生的答题情况追踪学生当前的一个知识点掌握状况，从而可以做到因材施教。 在智能教学系统中，当前有使用以下三种模型对学生的知识点掌握状况进行一个追踪判断： IRT（Item response theory） 项目反应理论 BKT（Bayesin knowledge tracing） 基于贝叶斯网络的学生知识点追踪模型 DKT(Deep konwledge traing) 基于深度神经网络的学生知识点追踪模型 今天我们主要说一下BKT： BKT是最常用的一个模型，BKT是含有隐变量的马尔可夫模型（HMM）。因此可以采用EM算法或者bruteForce 算法求解参数。 BKT是对学生知识点的一个变化进行追踪，可以知道学生知识点的一个掌握情况变化。 一般有个stop_policy准则，用于判断学生是否经过多轮的做题掌握了相应的知识点。 （Once that probability reaches 0.95, the student can be assumed to have learned the skill. The Cognitive Tutors use this threshold to

目录 Fabric简介 Fabric环境搭建 Fabric目录结构 Node环境搭建 一.Fabric 简介 在介绍我们的主角Fabric之前，我们先来介绍一下它的父项目:Hyperledger-超级账本 Hyperledger 项目是首个面向企业的开放区块链技术的重要探索。在 Linux 基金会的支持下，吸引了包括 IBM、Intel、摩根等在内的众多科技和金融巨头的参与。 1.发展历史 区块链已经成为当下最受人关注的开源技术，有人说它将颠覆金融行业的未来。然而对很多人来说，区块链技术难以理解和实现，而且缺乏统一的规范。 2015 年 12 月，开源世界的旗舰——Linux 基金 会牵头，联合 30 家初始企业成员（包括 IBM、Accenture、Intel、J.P.Morgan、R3、DAH、DTCC、FUJITSU、HITACHI、SWIFT、Cisco 等），共同 宣告 了 Hyperledger 项目的成立。该项目试图打造一个透明、公开、去中心化的分布式账本项目，作为区块链技术的开源规范和标准，让更多的应用能更容易的建立在区块链技术之上。项目官方信息网站在 hyperledger.org， 目前已经有超过 120 家全球知名企业和机构（大部分均为各自行业的领导者）宣布加入 Hyperledger 项目，其中包括 30 家来自中国本土的企业

目录 链码概念 链码操作 一.链码概念 1.基本概念 Fabric的智能合约称为链码（chaincode），分为系统链码和用户链码。系统链码用来实现系统层面的功能，用户链码实现用户的应用功能。链码被编译成一个独立的应用程序，运行于隔离的Docker容器中。 和以太坊相比，Fabric链码和底层账本是分开的，升级链码时并不需要迁移账本数据到新链码当中，真正实现了逻辑与数据的分离，同时，链码采用Go、Java、Nodejs语言编写。 2.数据流向 Fabric链码通过gprc与peer节点交互 (1)当peer节点收到客户端请求的输入(propsal)后，会通过发送一个链码消息对象（带输入信息，调用者信息）给对应的链码。 (2)链码调用ChaincodeBase里面的invoke方法，通过发送获取数据（getState）和写入数据（putState）消息，向peer节点获取账本状态信息和发送预提交状态。 (3)链码发送最终输出结果给peer节点，节点对输入(propsal)和 输出(propsalreponse)进行背书签名，完成第一段签名提交。 (4)之后客户端收集所有peer节点的第一段提交信息，组装事务（transaction）并签名，发送事务到orderer节点排队，最终orderer产生区块，并发送到各个peer节点，把输入和输出落到账本上，完成第二段提交过程。 3.链码类型

目录 通过自动化脚本启动服务 通过手动方式启动服务 测试链码 一.通过自动化脚本启动服务 自动化脚本byfn.sh位于目录$HOME/hyfa/fabric-samples/first-network下，具体用途如下 $./byfn.sh -h //查看帮助说明 Usage: byfn.sh <mode> [-c <channel name>] [-t <timeout>] [-d <delay>] [-f <docker-compose-file>] [-s <dbtype>] [-l <language>] [-i <imagetag>] [-v] <mode> - one of 'up', 'down', 'restart', 'generate' or 'upgrade' - 'up' - bring up the network with docker-compose up - 'down' - clear the network with docker-compose down - 'restart' - restart the network - 'generate' - generate required certificates and genesis block - 'upgrade' - upgrade the network from version 1.1

bzoj3209 设 sum(i) 表示 i 的二进制表示中 1 的个数。给出一个正整数 N ，花神要问你Π(Sum(i)),也就是 sum(1)—sum(N) 的乘积。答案对一个质数取模。 对于 100% 的数据，N≤10^15 虽然输入的10进制数，但是本质有影响的是二进制形态 怎么来转换一下，求1~n中每个数的一的个数总相乘之积，首先感觉到， 每个数都会有唯一对应的1的个数 ，且一的个数的取值不到60，因为n最大 10^15, 那么我就想，如果 枚举1的个数k，计算有多少个数含有k个1 ，（因为数位dp就是来做，有多少满足的数，且不关注数的大小）这样就转化为数位dp的模型了。另外，发现含有k个1的数个数可能非常多，快速幂搞一搞啦。 这题的关键就是发现一的个数的情况比较少可以枚举再转化为另一种情况计算其实，这题本质就是转化一下，注意在模型难以建立的情况下，通过转化，可以将题目简化， f[i][j]表示前i个填了j个1的方案 dfs(0,j,limit) bzoj4521: [Cqoi2016]手机号码 ◦数字L到R中有多少个数字满足以下两个条件。 1：要出现至少3个相邻的相同数字 2：号码中不能同时出现8和4。 10^10 < = L < = R < 10^11 f[i][j][0/1][0/1][0/1][0/1]表示第i位，上一位是j，是否有三个连续的