权重

web前端(8)―― CSS选择器

匿名 (未验证) 提交于 2019-12-02 20:21:53
选择器 选择器,说白了就是html的标签或者其相关特性,在一个HTML页面中会有很多很多的元素,不同的元素可能会有不同的样式,某些元素又需要设置相同的样式,选择器就是用来从HTML页面中查找特定元素的,找到元素之后就可以为它们设置样式了。 选择器为样式规则指定一个作用范围 基本选择器 基本选择器包含以下选择器: 标签选择器 类选择器 ID选择器 通用选择器 标签选择器 标签选择器说白了就是html的标签元素,就像前面说的h1-h6,p,div,form,ul,ol,li,a等等的,这些都可以是标签选择器 注意:<html>,<body>也可以作为标签选择器 类选择器 这个选择器很常用,也很重要。先说说什么是类,这样,还是打开百度首页来讲解 左边我圈出来的class = 's_ipt'就是input的一个类属性,右边的css就是由类选择器控制的,这样就可以很好的找到此特有的标签 注意: 类选择器的语法,【.s_ipt】,注意前面的点 类选择在同一个html文件可以有多个 ID选择器 ID选择器和类选择器很类似 还是百度这个例子 我圈出来的这个 id=‘kw’ 就是id选择器,右边的#kw就是其id选择器的css样式 注意: id选择器的语法是 【#kw】,注意前面的井号 id选择器在同一个html文件里的属性是唯一的,也就是说百度首页的html文件里

进程调度 之 完全公平调度

こ雲淡風輕ζ 提交于 2019-12-02 20:04:27
从调度器说起 内中调度器分为周期性调度器和主调度器,他们是调度工作的主体,而更为详细的调度根据策略的不同交给不同的调度类,比如交给公平调度类; 周期性调度器: 周期调度器按照一定的频率周期性的运行,除了进行调度相关的数据统计之外,还会激活具体进程调度类的周期性调度方法; 在完全公平调度类的周期性调度方法中,首先更新虚拟时间,然后检查是否进程的运行时间已经超过了延迟周期中的时间(时间比重为:权重越大的进程运行时间越长),如果超过了,则发出重新调度请求; 主调度器: 如果要将cpu分配给与当前活动进程不同的另外一个进程,那么需要直接调用主调度函数(schedule());该函数调用调度类的方法完成下面操作,将当前运行的进程从就绪队列移除,从就绪队列选择下一个将要运行的进程,进行进程上下文的切换; 在完全公平调度中,主要涉及以下几个核心的概念: vruntime && min_runtime的计算,以及它们与红黑树中节点的关系; 对于新建进程和睡眠进程的处理; vruntime–调度实体的虚拟运行时间 curr->vruntime += delta_exec * (NICE_0_LOAD/curr->load.weight) 其中delta_exec为两次更新负荷统计量的时间差; NICE_0_LOAD位nice级别为0的进程对应的权重,根据定义

进程调度简要总结

被刻印的时光 ゝ 提交于 2019-12-02 20:04:21
0. 权重 进程的优先级与内核的nice值对应,nice值降低对应权重增加; 内核根据进程类型和静态优先级计算权重值; 内核不仅维护进程自身的权重,还维护调度队列的权重,当进程被加入到调度队列时,也要该进程的权重增加到队列权重中; 1. 完全公平调度延时周期 内核可以通过参数sysctl_sched_latency配置一个时间间隔,用来保证每个可运行进程在此间隔下都能至少运行一次; 控制参数sched_nr_latency控制在上述时间间隔下最大的活动进程数目;如果活动进程的数目超过该配置数,则延时间隔时间成比例的进行扩展; sysctl_sched_latency = sysctl_sched_latency * nr_running / sched_nr_latency 进程分配到的时间根据进程权重在就绪队列中权重的比例进行分配; slice = slice * se->load / rq->load 2. 周期调度器扫描 周期调度器每个HZ扫描一次,更新当前进程的运行时间,并检查当前进程的运行时间是否超过了进程分配到的运行时间,如果超过了则标记进行重新调度标记; 在系统调用返回、中断返回等时机,会检查该标记,调用注册的实际调度方法的函数(比如公平调度注册的处理函数)处理进程,并进行实际的进程上下文切换; 3. 完全公平调度红黑树 完全公平调度就绪队列将进行维护在一棵红黑树中

进程调度简要总结

天大地大妈咪最大 提交于 2019-12-02 20:02:53
0. 权重 进程的优先级与内核的nice值对应,nice值降低对应权重增加; 内核根据进程类型和静态优先级计算权重值; 内核不仅维护进程自身的权重,还维护调度队列的权重,当进程被加入到调度队列时,也要该进程的权重增加到队列权重中; 1. 完全公平调度延时周期 内核可以通过参数sysctl_sched_latency配置一个时间间隔,用来保证每个可运行进程在此间隔下都能至少运行一次; 控制参数sched_nr_latency控制在上述时间间隔下最大的活动进程数目;如果活动进程的数目超过该配置数,则延时间隔时间成比例的进行扩展; sysctl_sched_latency = sysctl_sched_latency * nr_running / sched_nr_latency 进程分配到的时间根据进程权重在就绪队列中权重的比例进行分配; slice = slice * se->load / rq->load 2. 周期调度器扫描 周期调度器每个HZ扫描一次,更新当前进程的运行时间,并检查当前进程的运行时间是否超过了进程分配到的运行时间,如果超过了则标记进行重新调度标记; 在系统调用返回、中断返回等时机,会检查该标记,调用注册的实际调度方法的函数(比如公平调度注册的处理函数)处理进程,并进行实际的进程上下文切换; 3. 完全公平调度红黑树 完全公平调度就绪队列将进行维护在一棵红黑树中

【机器学习笔记】自组织映射网络(SOM)

旧街凉风 提交于 2019-12-02 18:44:51
什么是自组织映射? 一个特别有趣的无监督系统是基于 竞争性学习 ,其中输出神经元之间竞争激活,结果是在任意时间只有一个神经元被激活。这个激活的神经元被称为 胜者神经元(winner-takes-all neuron) 。这种竞争可以通过在神经元之间具有 横向抑制连接 (负反馈路径)来实现。其结果是神经元被迫对自身进行重新组合,这样的网络我们称之为 自组织映射(Self Organizing Map,SOM) 。 拓扑映射 神经生物学研究表明,不同的感觉输入(运动,视觉,听觉等)以 有序的方式 映射到大脑皮层的相应区域。 这种映射我们称之为 拓扑映射 ,它具有两个重要特性: 在表示或处理的每个阶段,每一条传入的信息都保存在适当的上下文(相邻节点)中 处理密切相关的信息的神经元之间保持密切,以便它们可以通过短突触连接进行交互 我们的兴趣是建立人工的拓扑映射,以神经生物学激励的方式通过自组织进行学习。 我们将遵循 拓扑映射形成的原则 :“拓扑映射中输出层神经元的空间位置对应于输入空间的特定域或特征”。 建立自组织映射 SOM的主要目标是将任意维度的输入信号模式 转换 为一维或二维离散映射,并以拓扑有序的方式自适应地执行这种变换。 因此,我们通过将神经元放置在一维或二维的网格节点上来建立我们的SOM。更高的尺寸图也是可能的,但不是那么常见。 在竞争性学习过程中,神经元 有选择性地微调

CSS权重;慎用!important

匿名 (未验证) 提交于 2019-12-02 16:56:17
初初接触样式的前端开发者在碰到样式覆盖时,最先选择的往往是!important。 但是这种做法不好,应该优先考虑从样式的 级联属性或者位置 来解决问题。 切记以下情况 永远不要 使用!important: 1. 全局样式 2.组件(插件)样式 可以使用 !important: 1. 覆盖组件或者插件中的style或者important的样式 2. 自定义的一些页面用于覆盖全局样式等 如何 覆盖!important: 1. 使用比原来的important样式优先级更高的选择器。 /*原来样式*/ #example {color: #f00!important} /*覆盖样式*/ div#example { color: #ff0!important} 2. 使用相同的选择器,但是位置在原来的选择器之后 css的引入方式 按照优先级由高到低: 1. 行内样式 <div style=""></div> 2.内联样式 <head><style></style></head> 3.引入外部css CSS权重(优先级) css优先级由css选择器种类和数量决定。 css选择器 css选择器种类按照权重从低到高有: 0. 统配选择符,* + > ~ 权重:0 :not div.outer p { color:orange; } div:not(.outer) p { color:

SEO之友情链接的作用及筛选技巧

|▌冷眼眸甩不掉的悲伤 提交于 2019-12-02 14:40:26
seoer都知道交换友情链接有利于网站权重提升,但是我相信大多数都不知道交换友情链接为什么可以提高权重,今天,我们就来学习下友情链接是在怎么提升网站权重的,以及网站选这交换友情链接该怎么选择,有哪些需要注意的事项。 首先,我们先来了解下友情链接是如何能够提升权重的。通常,我们交换友情链接是为了对方网站的权重能传递到我们自己的网站,提升网站关键词排名,从而提升我们网站的权重,众所周知,一个高质量的友情链接能提高自己网站在各大搜索引擎中的权重,能优化你的关键词排名,增加自己在行业中的曝光量。那么问题来了,什么样的友情链接才算是高质量的友链呢,怎么筛选出高质量的友链? 好的外链我们需要看该外链自身是否有权中。 1.site:域名,有收录,用收录的网站标题搜索不到,很有可能该网站原来有权中,但是现在被降权了,或者本身就一直没有权重,像这类似的网站是没有必要交换友链的 2、先看对方网站的行业是否相关,其次是查看网站在各搜索引擎的权重高低。尽量不要与不正规的网站交换,很容易牵连到你的网站。要注意一些别有用心刷了权重来交换的网站,一般他们刷的词都没什么搜索量,也不是热点词汇,跟这种网站交换没有好处,要尽量发现然后拒绝。 3、交换友链时要选择好自己的关键词,尽量不与交换网站里已有的关键词重复,挑三个主要的词汇来做。 4、交换友链有图片和锚文本两种形式,建议选择锚文本形式,这种形式可以传递权重。 5

循环神经网络原理

折月煮酒 提交于 2019-12-02 14:27:25
循环神经网络(RNN)简介 ,循环神经网络是一种专门处理序列(sequences)的神经网络。它们通常用于自然语言处理(NLP)任务,因为它们在处理文本方面非常有效。在本文中,我们将探索什么是RNNs,了解它们是如何工作的,并在Python中从头构建一个真正的RNNs(仅使用numpy)。 这篇文章假设有神经网络的基本知识。我对神经网络的介绍涵盖了你需要知道的一切,所以我建议你先读一下。 本文更完整的内容请参考 极客教程 的深度学习专栏: http://geek-docs.com/deep-learning/rnn/rnn-introduction.html 让我们开始吧! The Why 普通神经网络(以及CNNs)的一个问题是,它们只对预先确定的大小起作用:它们接受固定大小的输入并产生固定大小的输出。RNNs是有用的,因为它让我们有可变长度的序列作为输入和输出。下面是一些关于RNNs的例子: *输入为红色,RNN本身为绿色,输出为蓝色。 这种处理序列的能力使 RNNs 非常有用。例如: 机器翻译(例如谷歌翻译)是通过“多对多”的RNNs来完成的。原始文本序列被输入一个RNN,然后RNN生成翻译文本作为输出。 情绪分析(例如,这是一个积极的还是消极的评论?)通常是用“多对一”的RNNs来完成的。要分析的文本被输入一个RNN,然后RNN生成一个输出分类(例如,这是一个积极的评论)。

前端属性笔记防失忆

久未见 提交于 2019-12-02 12:43:43
opacity :透明度(0-1) border-radius :圆角边框 边框样式 :dotted {border-style: dotted} dashed {border-style: dashed} solid {border-style: solid} double {border-style: double} groove {border-style: groove} ridge {border-style: ridge} inset {border-style: inset} outset {border-style: outset} border-collapse CSS 属性是用来决定表格的边框是分开的还是合并的。在分隔模式下,相邻的单元格都拥有独立的边框。在合并模式下,相邻单元格共享边框。 border-image :图片边框样式 translate(0, -50%) :第一个值是指水平移动量,第二个垂直 display: inline-block :转化为行内块元素 list-style :(顺序)list-style-type(前面标记的样式), list-style-position, list-style-image Flex布局 overflow-x/y :如果溢出框,是否裁剪,有无滚轮 margin和padding :外和内边距 position定位

H.266/VVC技术描述_3-帧间预测_3-BCW

自作多情 提交于 2019-12-02 12:03:48
1、CU级双向加权预测 在HEVC中,双向预测值通过平均两个方向的预测值得到。VTM6中使用了CU级双向加权预测(Bi-prediction with CU-level weight, BCW)。计算公式为: 𝑃 bi-pred = ((8 − 𝑤) ∗ P 0 + 𝑤 ∗ P 1 + 4) ≫ 3 2、参数决策 1、对于非merge模式,权重w只在两个方向MV不同时被标识。对于merge模式,权重w取决于候选列表索引。在构造affine merge模式的CPMVP时,BCW索引等于第一个控制点的BCW索引。 2、BCW只在CU的亮度点数大于等于256时使用。 3、LowDelay模式下 w ∈ {−2, 3, 4, 5, 10},非LowDelay模式下 w ∈ {3,4,5}。 4、在编码端,使用了快速算法决策权重,几乎不会增加复杂度,详细算法可以参考VTM或提案JVET-L0646。 5、使用AMVR时,如果帧在LowDelay模式下,只检查1像素精度和4像素精度。 6、使用affine时,不同权重的affine运动补偿只会在affine被选中(affine模式RD cost最小,为最佳模式)时进行。 7、选中的两个方向参考帧相同时,根据情况检查不同权重。 8、根据当前帧和参考帧的POC距离,QP和时间级等情况,有时不会搜索不同权重。 9、CIIP和BCW不会同时使用