mu

光明日报记者 董城 周世祥 靳晓燕 张景华 桃李花开日归来读书时。 虽然戴着口罩依然可以感知师生心中的欣喜和眼里发出的光芒。4月27日经历了史上最长寒假北京市254所学校敞开校门迎接49979名高三学子重新回归校园生活。 高三年级开学第一天北京市区主管领导、教育主管部门班子成员兵分13路深入全市16个区和燕山地区近30所中学通过实地检查、随机交流、走进课堂等形式督导各区各校开学第一天疫情防控和开学复课工作总体安全平稳有序。 防疫流程设计严格、温馨 早上7点北京一零一中学第一位入校的走读生经过检测后进入校园。 同学请看屏幕不用摘口罩往前一点。在学校工作人员指引下陆续到来的学生顺着红色导流带按照地面一米线指引相继通过身份识别、体温检测、双手消毒之后走进久违的校园。 在北京171中学高三年级8个班的260余名学生按照错峰到校方案在一个小时内相继来到学校门口不见排队现象始终平稳有序。服务网格作为一个改善服务到服务通信的专用基础设施层，是云原生范畴中最热门的话题。随着容器愈加流行，服务拓扑也频繁变动，这就需要更好的网络性能。服务网格能够通过服务发现、路由、负载均衡、心跳检测和支持可观测性，帮助我们管理网络流量。服务网格试图为无规则的复杂的容器问题提供规范化的解决方案 in.answers.yahoo.com/question/index?qid=20200426192658AAkE1mu

「道可道，非常道」，AI 领域的表征却一直在向着「常道可道」的方向前进，让可以表征的东西越来越接近「常道」。2017 年，DARPA 提出的第三波机器学习概念 [1] 中，其中一个方向也是找到更加通用的表征，从而让 AI 从当前「精心定义」过的任务中解脱出来，能够完成更加复杂的任务，更进一步接近人类的表现。为了解决这个问题，主要有两个方向——找到新的表征方式 [2]（更有效的计算方式或是全新的表征）或是提升当前表征计算方法的通用性 [3, 4]。本文涉及了在今年 CVPR 中提出的三个解决方案，先是说明了如何改进现有的表征，然后说明了如何提升表征的表现，最后基于多任务学习说明了如何处理不太相关的两个任务的表征。本文对每篇论文的描述中会先说明任务和算法概述（方便大概了解论文），再进行算法细节的讨论（如果想深入了解可以把后面部分也看完）。 机器之心分析师网络，作者：王子嘉，编辑：Joni Zhong。 1. Distribution-Aware Coordinate Representation for Human Pose Estimation 论文链接： https:// arxiv.org/abs/1910.0627 8 1.1 任务描述 本文的目标任务是人类姿态估计（human pose estimation），主要目的就是检测任意图片中人类关节的空间位置（坐标）

1.jstat命令简介 　　jstat命令可以查看堆内存各部分的使用量，以及加载类的数量。 　　命令的格式如下： 　　　　jstat [-命令选项] [vmid] [间隔时间/毫秒] [查询次数] 2.使用详情列表 【以下的统计空间单位,未标明的 都是KB】 1>类加载统计 命令： jstat -class 19570 结果： 解析： Loaded:加载class的数量 Bytes：所占用空间大小 Unloaded：未加载数量 Bytes:未加载占用空间 Time：时间 2>编译统计 命令： jstat -compiler 19570 结果： 解析： Compiled：编译数量。 Failed：失败数量 Invalid：不可用数量 Time：时间 FailedType：失败类型 FailedMethod：失败的方法 3>垃圾回收统计 命令： jstat -gc 19570 结果： 解析： S0C：第一个幸存区的大小 S1C：第二个幸存区的大小 S0U：第一个幸存区的使用大小 S1U：第二个幸存区的使用大小 EC：伊甸园区的大小 EU：伊甸园区的使用大小 OC：老年代大小 OU：老年代使用大小 MC：方法区大小 MU：方法区使用大小 CCSC:压缩类空间大小 CCSU:压缩类空间使用大小 YGC：年轻代垃圾回收次数 YGCT：年轻代垃圾回收消耗时间 FGC：老年代垃圾回收次数

题意：求区间[a,b]的莫比乌斯函数µ之和。 a,b<=$10^{11}$ 题解：很容易把区间求和改为求前缀和并求差，即要求$M(x)=\sum_{1}^{n}\mu(x)$考虑化简 莫比乌斯函数存在一个性质，也就是$\sum_{d|n}^{ } \mu(d)= [n=1]$，那么$\sum_{i=1}^{n}\sum_{d|i}^{ } \mu(d)= 1$ 这个式子比较复杂，我们转而考虑对于每一个d，它被计算了多少次，也就是$\sum_{i=1}^{n}\sum_{d=1}^{\lfloor n/i \rfloor} \mu(d)$ ,这个式子=$\sum_{i=1}^{n}M(\lfloor n/i \rfloor)$=1 所以说，$M(n)=1-\sum_{i=2}^{n}M(\lfloor n/i \rfloor)$ $\lfloor n/i \rfloor$/i只有$\sqrt(n)$种，复杂度在预处理出前$k=n^{\frac{2}{3}}$的M值时最小，然后记忆化搜索可以在$O(n^{\frac{2}{3}})$内解决。 我们发现在计算中$\lfloor n/i \rfloor$有很多会被重复计算，所以可以手写一个map来极大地提升效率。 第一次用latex写公式，还好有个 很牛逼的网站 估计是模数选的好，随便写写RANK1啦。 #include<iostream>

题意：求区间[a,b]的莫比乌斯函数µ之和。 a,b<=$10^{11}$ 题解：很容易把区间求和改为求前缀和并求差，即要求$M(x)=\sum_{1}^{n}\mu(x)$考虑化简 莫比乌斯函数存在一个性质，也就是$\sum_{d|n}^{ } \mu(d)= [n=1]$，那么$\sum_{i=1}^{n}\sum_{d|i}^{ } \mu(d)= 1$ 这个式子比较复杂，我们转而考虑对于每一个d，它被计算了多少次，也就是$\sum_{i=1}^{n}\sum_{d=1}^{\lfloor n/i \rfloor} \mu(d)$ ,这个式子=$\sum_{i=1}^{n}M(\lfloor n/i \rfloor)$=1 所以说，$M(n)=1-\sum_{i=2}^{n}M(\lfloor n/i \rfloor)$ $\lfloor n/i \rfloor$/i只有$\sqrt(n)$种，复杂度在预处理出前$k=n^{\frac{2}{3}}$的M值时最小，然后记忆化搜索可以在$O(n^{\frac{2}{3}})$内解决。 我们发现在计算中$\lfloor n/i \rfloor$有很多会被重复计算，所以可以手写一个map来极大地提升效率。 第一次用latex写公式，还好有个 很牛逼的网站 估计是模数选的好，随便写写RANK1啦。 #include<iostream>

题意：求区间[a,b]的莫比乌斯函数µ之和。 a,b<=$10^{11}$ 题解：很容易把区间求和改为求前缀和并求差，即要求$M(x)=\sum_{1}^{n}\mu(x)$考虑化简 莫比乌斯函数存在一个性质，也就是$\sum_{d|n}^{ } \mu(d)= [n=1]$，那么$\sum_{i=1}^{n}\sum_{d|i}^{ } \mu(d)= 1$ 这个式子比较复杂，我们转而考虑对于每一个d，它被计算了多少次，也就是$\sum_{i=1}^{n}\sum_{d=1}^{\lfloor n/i \rfloor} \mu(d)$ ,这个式子=$\sum_{i=1}^{n}M(\lfloor n/i \rfloor)$=1 所以说，$M(n)=1-\sum_{i=2}^{n}M(\lfloor n/i \rfloor)$ $\lfloor n/i \rfloor$/i只有$\sqrt(n)$种，复杂度在预处理出前$k=n^{\frac{2}{3}}$的M值时最小，然后记忆化搜索可以在$O(n^{\frac{2}{3}})$内解决。 我们发现在计算中$\lfloor n/i \rfloor$有很多会被重复计算，所以可以手写一个map来极大地提升效率。 第一次用latex写公式，还好有个 很牛逼的网站 估计是模数选的好，随便写写RANK1啦。 #include<iostream>

　　　　在 强化学习（三）用动态规划（DP）求解 中，我们讨论了用动态规划来求解强化学习预测问题和控制问题的方法。但是由于动态规划法需要在每一次回溯更新某一个状态的价值时，回溯到该状态的所有可能的后续状态。导致对于复杂问题计算量很大。同时很多时候，我们连环境的状态转化模型$P$都无法知道，这时动态规划法根本没法使用。这时候我们如何求解强化学习问题呢？本文要讨论的蒙特卡罗(Monte-Calo, MC)就是一种可行的方法。 　　　　蒙特卡罗法这一篇对应Sutton书的第五章和UCL强化学习课程的第四讲部分，第五讲部分。 1. 不基于模型的强化学习问题定义 　　　　在动态规划法中，强化学习的两个问题是这样定义的： 　　　　预测问题，即给定强化学习的6个要素：状态集$S$, 动作集$A$, 模型状态转化概率矩阵$P$, 即时奖励$R$，衰减因子$\gamma$, 给定策略$\pi$， 求解该策略的状态价值函数$v(\pi)$ 　　　　控制问题，也就是求解最优的价值函数和策略。给定强化学习的5个要素：状态集$S$, 动作集$A$, 模型状态转化概率矩阵$P$, 即时奖励$R$，衰减因子$\gamma$, 求解最优的状态价值函数$v_{*}$和最优策略$\pi_{*}$　 　　　　可见, 模型状态转化概率矩阵$P$始终是已知的，即MDP已知，对于这样的强化学习问题

正则表达式零宽断言详解（?=,?<=,?!,?<!） 在使用正则表达式时，有时我们需要捕获的内容前后必须是特定内容，但又不捕获这些特定内容的时候，零宽断言就起到作用了 正则表达式零宽断言: 零宽断言是正则表达式中的难点，所以重点从匹配原理方面进行分析。零宽断言还有其他的名称，例如"环视"或者"预搜索"等等，不过这些都不是我们关注的重点。 我很强，我想直接看例子上手用 一.基本概念: 零宽断言正如它的名字一样，是一种零宽度的匹配，它匹配到的内容不会保存到匹配结果中去，最终匹配结果只是一个位置而已。 作用是给指定位置添加一个限定条件，用来规定此位置之前或者之后的字符必须满足限定条件才能使正则中的字表达式匹配成功。 注意:这里所说的子表达式并非只有用小括号括起来的表达式，而是正则表达式中的任意匹配单元。 javascript只支持零宽先行断言 ，而零宽先行断言又可以分为正向零宽先行断言，和负向零宽先行断言。 代码实例如下: 实例代码一: var str = "abZW863" ; var reg = /ab (? = [A-Z]) / ; console. log( str. match(reg)) ; 在以上代码中，正则表达式的语义是:匹配后面跟随任意一个大写字母的字符串"ab"。最终匹配结果是"ab"，因为零宽断言"(?=[A-Z])"并不匹配任何字符

题目链接 solution 先 \(orz\) 一波大佬，然后扔上一个公式 \(233\) \[d(ij)\sum\limits_{x | i}\sum\limits_{y|j}[gcd(x,y)==1] \] 是不是看到这个公式瞬间就有思路了。 我们开始推柿子。 \[\sum\limits_{i=1}^n\sum\limits_{j=1}^m d(ij)\\ =\sum\limits_{i=1}^n\sum\limits_{j=1}^m\sum\limits_{x|i}\sum\limits_{y|j}[gcd(x,y)==1]\\ =\sum\limits_{x=1}^n\sum\limits_{y=1}^m\lfloor\frac{n}{x}\rfloor\lfloor\frac{m}{y}\rfloor\sum\limits_{d|gcd(x,y)}\mu(d)\\ =\sum\limits_{d=1}^n\mu(d)\sum\limits_{x=1}^{\lfloor\frac{n}{d}\rfloor}\sum\limits_{y=1}^{\lfloor\frac{m}{d}\rfloor}\lfloor\frac{n}{dx}\rfloor\lfloor\frac{m}{dy}\rfloor\\=\sum\limits_{d=1}^n\mu(d)\sum\limits

spring中的请求参数 创建：2020/4/20 环境：spring-boot 2.2.6.RELEASE 修改：2020/4/20 @RequestMapping注解可以接收字符串数组，类级别的作用于所有方法，方法的访问路径是类级别与方法级别相结合。下面a方法的访问路径有 /mu/a, /mu/b, /yu/a, /yu/b @RestController注解是@Controller和@ResponseBody的组合注解。使用@ResponseBody注解可以返回数据而不是页面，可以放置在方法或者类上面，类级别作用于所有方法。 @RestController @RequestMapping(value = {"/mu", "/yu"}) public class RestBodyController { @RequestMapping(value = {"/a", "/b"}, method = RequestMethod.GET) public String a() { return "a"; } } @RequestMapping注解还可以设定请求方法，对于各种请求方法还有对应简化的注解 @RequestMapping(value = "/", method = RequestMethod.GET) 等同于 @GetMapping("/") @RequestMapping