fluid

项目简介 本项目使用paddle实现图像分类模型 MobileNet-V1网络的训练和预测。MobileNet-V1是针对传统卷积模块计算量大的缺点进行改进后，提出的一种更高效的能够在移动设备上部署的轻量级神经网络，建议使用GPU运行。动态图版本请查看： 用PaddlePaddle实现图像分类-MobileNet（动态图版） 下载安装命令 ## CPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/cpu paddlepaddle ## GPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/gpu paddlepaddle-gpu 模型结构 MobileNet的核心思想是将传统卷积分解为深度可分离卷积与1 x 1卷积。深度可分离卷积是指输入特征图的每个channel都对应一个卷积核，这样输出的特征的每个channel只与输入特征图对应的channel相关，具体的例如输入一个 K×M×NK\times M\times N K × M × N 的特征图，其中K为特征图的通道数，M、N为特征图的宽高，假设传统卷积需要一个大小为 C×K×3×3C\times K\times 3\times 3 C × K × 3 × 3

研究人员青睐 PVi ，因为它 “ 连续、独立于操作员、更可靠 ” 瑞士纳沙泰尔--(美国商业资讯)-- Masimo (NASDAQ: MASI)今天发布《艾因夏姆斯麻醉学杂志》发表的一项研究结果，该研究中，埃及开罗艾因夏姆斯大学(Ain-Shams University)的Diaaeldin Aboelnile博士及其同事比较两种评估机械通气患者液体反应性的无创方法dIVC和Masimo PVi®。他们发现，这两种方法均“有效”，但他们确定PVi有优势，因为它“连续、独立于操作员、比dIVC更可靠”1。PVi即脉搏灌注变异指数，是衡量呼吸周期中发生的灌注指数动态变化的一种指标。 此新闻稿包含多媒体内容。完整新闻稿可在以下网址查阅： https://www.businesswire.com/news/home/20201129005422/en/ 研究人员注意到输液前预测反应性的重要性以及评估反应性的侵入性和静态方法的弊端，因此寻求评估PVi的有效性和可靠性，PVi无创、动态、连续、能使用脉搏血氧饱和度仪传感器进行测量，评估方法是将PVi与另一种无创但 非 连续的静态方法即下腔静脉扩张指数(dIVC)超声计算法进行比较。 dIVC代表吸气vs呼气时下腔静脉直径变化的百分比。为此，他们同时使用PVi和dIVC监测88例经镇静、机械通气、插管的成人手术患者。通过被动抬腿(PLR

记者 | Aholiab 责编 | 刘静 出品 | CSDN（ID：CSDNnews） 11月4日，一年一度的微软IT大会Ignite在美国奥兰多举行，来自全球的2.6万名IT从业者、开发者、数据专家出席会议。在本次会议中，微软发布了多项最新的技术、产品、服务与解决方案，涵盖从Azure到经典的办公服务等多个领域。CSDN记者应邀出席了本次大会，并从现场发回了最新报道。 作为专业的技术社区，本篇文章除了向大家介绍微软本次发布的重要服务和产品之外，也特别为国内的开发者整理了新发布的开发工具。接下来就让我们一起来看看本次Ignite大会的那些亮点吧~ 美国东部时间11月4日~8日，一年一度的微软IT大会Ignite在美国奥兰多举行。作为微软最重要的技术会议之一，每年微软都会在Iginite大会上宣布一系列的产品及服务的升级，也会发布一些新的技术解决方案。今年也是如此。 萨提亚： 让所有公司都成为软件技术公司 在万众瞩目中，微软CEO萨提亚·纳德拉（Satya Nadella）以「技术密集度」（Tech Intensity）为主题的演讲拉开了大会的序幕，并以一种「行为艺术」的方式来阐释选择这个主题的原因。 微软CEO萨提亚·纳德拉 在过去的110天里，一个临时组成的开发团队在奥兰多环球影城实现了一个新的展厅。利用Azure Kinect的AI传感器所提供的计算机视觉能力和语音模型，萨提亚

记者 | Aholiab 责编 | 刘静 出品 | CSDN（ID：CSDNnews） 11月4日，一年一度的微软IT大会Ignite在美国奥兰多举行，来自全球的2.6万名IT从业者、开发者、数据专家出席会议。在本次会议中，微软发布了多项最新的技术、产品、服务与解决方案，涵盖从Azure到经典的办公服务等多个领域。CSDN记者应邀出席了本次大会，并从现场发回了最新报道。 作为专业的技术社区，本篇文章除了向大家介绍微软本次发布的重要服务和产品之外，也特别为国内的开发者整理了新发布的开发工具。接下来就让我们一起来看看本次Ignite大会的那些亮点吧~ 美国东部时间11月4日~8日，一年一度的微软IT大会Ignite在美国奥兰多举行。作为微软最重要的技术会议之一，每年微软都会在Iginite大会上宣布一系列的产品及服务的升级，也会发布一些新的技术解决方案。今年也是如此。 萨提亚： 让所有公司都成为软件技术公司 在万众瞩目中，微软CEO萨提亚·纳德拉（Satya Nadella）以「技术密集度」（Tech Intensity）为主题的演讲拉开了大会的序幕，并以一种「行为艺术」的方式来阐释选择这个主题的原因。 微软CEO萨提亚·纳德拉 在过去的110天里，一个临时组成的开发团队在奥兰多环球影城实现了一个新的展厅。利用Azure Kinect的AI传感器所提供的计算机视觉能力和语音模型，萨提亚

　　 　　 不利用电子显微镜，通过借助“果冻”和“荧光”来观察神经的形态，从而协助诊断阿尔兹海默症（AD）等神经疾病？ 这一充满趣味的方式不再是奇思妙想，它已经变为现实。 　　西湖大学生命科学学院 PI Kiryl Piatkevich 博士的研究发明即围绕于此。他开发了一种新型材料——与果冻形态类似的凝胶，结合用以辅助观察的荧光材料，无需大型显微仪器便可以观察精密的神经活动。 　　他因为这项研究而获得了一笔来自 BBRF（Brain and Behavior Research Foundation，大脑和行为研究基金会，该基金会在今年遴选出了 150 位青年科学家的项目）的青年科学家基金的定向支持资金。西湖大学也成为了获得该项基金支持的唯一一家中国机构。 图丨Kiryl Piatkevich，他硕士毕业于罗蒙诺索夫莫斯科国立大学，毕业后在莫斯科国立大学和美国阿尔伯特爱因斯坦医学院进行联合博士培养（来源：受访者提供） 　　 在博士毕业后，Kiryl 选择在麻省理工学院 Edward Boyden 博士领导的合成神经生物学实验室从事博士后研究。Edward 被称为是凝胶“大神级”玩家，他最早开启了“凝胶显微镜”的研究。在与“大神”共同进行研究期间，Kiryl 利用合成生物学研发神经接口的新方法，并研发出了几种新型分子技术用于观察活体动物的神经元活动。 　　七年多的博士后研究之后

LSM Tree（Log-structured merge-tree）广泛应用在HBase，TiDB等诸多数据库和存储引擎上，我们先来看一下它的一些应用： 参考资料【4】 这么牛X的名单，你不想了解下LSM Tree吗？装X之前，我们先来了解一些基本概念。 设计数据存储系统可能需要考虑的一些问题有：ACID，RUM（Read,Write,Memory）。 ACID ACID 相信小伙伴都被面试官问过，我想简单讨论的一点是：如何 持久化数据 才能保证数据写入的 事务性 和 读写性能？ 事务性可简单理解为：1.数据必须持久化。2.一次数据的写入返回给用户 写入成功就一定成功，失败就一定失败。 读写性能可简单理解为：一次读 或 一次写 需要的IO次数，因为访问速率：CPU>>内存>>SSD/磁盘。 对于单机存储，最简单的方式当然是：写一条就持久化一条，读一条就遍历一遍所有数据，然后返回。当然没人这么干，在内存中我们都还知道用个HashMap呢。 拿Mysql InnoDB举例子： 读性能体现在数据的索引在磁盘上主要用B+树来保证。 写性能体现在运用 WAL机制 来避免每次写都去更新B+树上的全量索引和数据内容，而是通过redo log记录下来每次写的增量内容，顺序将redo log写入磁盘。同时在内存中记录下来本次写入应该在B+树上更新的脏页数据，然后在一定条件下触发脏页的刷盘。

​作为深度学习小白一枚，从一开始摸索如何使用深度学习框架，怎么让脚本跑起来，到现在开始逐步读懂论文，看懂模型的网络结构，按照 飞桨 官方文档进行各种模型训练和部署，整个过程遇到了无数问题。非常感谢 飞桨 开源社区的大力支持，并热情答复我遇到的各种问题，使得我可以快速上手。特整理本篇学习笔记，以此回馈网友们的无私付出。大家都共享一点点，一起为深度学习的推进添砖加瓦（哈哈，非常正能量，有木有！） 这篇文章详细记录了如何使用百度深度学习平台—— 飞桨 进行SSD目标检测模型的训练、以及如何将模型部署到服务器和移动端。文末给出了笔者认为非常有用的资料链接。 下载安装命令 ## CPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/cpu paddlepaddle ## GPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/gpu paddlepaddle-gpu 本文的代码基于百度AI Studio官方示例代码，并能够在 飞桨 1.7.1上跑通，Python版本是3.7。 SSD模型介绍 如果你对经典的CNN模型比较熟悉的话，那么SSD也并不难理解。SSD大体上来说是 将图片分为6种不同大小的网格，找到目标中心的落点，确定物体的位置