Sequence

Repsept 题目： Takahashi loves the number 7 and multiples of K.Where is the first occurrence of a multiple of K in the sequence 7,77,777,…? (Also see Output and Sample Input/Output below.) If the sequence contains no multiples of K, print -1 instead. Input Input is given from Standard Input in the following format: K Output Print an integer representing the position of the first occurrence of a multiple of K, (For example, if the first occurrence is the fourth element of the sequence, print 4.) 输入样例1 (Sample Input 1) 101 输出样例1 (Sample Output 1) 4 输入样例2 (Sample Input 2) 2 输出样例2 (Sample Output 2)

1 为什么要自监督学习 self-supervised learning 自监督学习是无监督学习的一种特殊方式。我们在无监督学习中讲过了，标注label是十分宝贵的，一般需要人工打标，时间和人力成本都十分高昂。但现实中，获取无标注data确实相对比较easy的事情。我们可以在网络上爬取很多很多的文本、图片、语音、商品信息等。如何利用这些无标注data，一直以来都是无监督学习的一个重要方向。而自监督学习则给出了一种解决方案。 自监督学习通过data的一部分，来predict其他部分，由自身来提供监督信号，从而实现自监督学习。利用自监督学习，可以学到一定的文本或图片的表征，从而有利于下游任务的展开。这就是pretrain-finetune 2 自监督学习实现方案 自监督学习实现方案主要有 利用部分data来重建整个data。这其实就是Denoising Auto-Encoder的一种。NLP方面BERT系列的Mask language model，和CV领域的图像还原In-painting，都是采用了这种方案 CV领域的一些任务。比如将图片分割为9块，打乱后，进行拼图。将图片旋转一定角度，然后predict旋转的角度。 对比学习。比如word2vec，Contrastive Predictive Coding，SimCLR 3 NLP领域的自监督学习 各种NLP预训练模型

参考了 《#####》 这篇博客 对H.265中的 编码结构 ——“编码时的分层处理架构”和“压缩码流结构”——有了进一步理解和掌握。 摘要: 编码时的分层处理架构 在对视频序列进行压缩的时候，会将其先分割成若干个小的图像组（GOP，Group of Pictures），定义一个GOP编码后生成的压缩数据为CVS（Coded Video Sequence） 视频编解中，存在封闭式GOP和开放式GOP 每个图像组包含若干张图片，每张图片可以划分为一个或多个片（Slice） 每个GOP分为若干个片（Slice），片与片之间进行独立编码 每个片由一个或者多个片段（SS，Slice Segment）组成 一个SS在编码时，被分割成大小相同的树形结构单元（CTU，Coding Tree Unit），CTU是HEVC新引进的概念 每个CTU按照四叉树分割方式分割成不同类型的编码单元（CU，Coding Unit） 压缩码流结构 GOP层、Slice层中公用的大部分语法元素游离出来组成序列参数集（SPS，Sequence Paramenter Set）和图像参数集（PPS，Picture Paramenter Set） SPS中包含了一个CVS中所有图像共用的信息，包括解码相关信息，如档次级别，分辨率deng PPS中包含了一幅图像所有的公共参数，即一个图像中的所有SS会使用同样的PPS

A .Juggling Letters 题目传送门 Juggling Letters 题意 给你n个字符串，字符串si中的任意一个字母可以插入到任意一个字符串（包括自己）的任意位置，问是否能构成n个完全相同的字符串。 思路 思路很清晰，只需每种字母的数量%n==0即可 AC Code # include <bits/stdc++.h> using namespace std ; char ch [ 1005 ] ; int main ( ) { int t ; cin >> t ; int num [ 30 ] ; while ( t -- ) { memset ( num , 0 , sizeof ( num ) ) ; int n ; cin >> n ; for ( int j = 1 ; j <= n ; j ++ ) { scanf ( "%s" , ch ) ; int len = strlen ( ch ) ; for ( int i = 0 ; i < len ; i ++ ) { int a = ch [ i ] - 'a' ; num [ a ] ++ ; } } int flag = 0 ; for ( int i = 0 ; i <= 26 ; i ++ ) { if ( num [ i ] == 0 ) continue ; if ( num [ i ]

BGP路由的收敛速度是大家有目共睹的事实，但也不能怪它，毕竟算法流程复杂。 今天我要跟大家分享的是依靠IGP的快速收敛来弥补BGP路由收敛时间的问题，同时又保障在流量路径切换时达到零丢包， 很多前辈可能形象的将这一解决方案称为BGP的虚拟下一跳技术。 如图所示，网络中的IGP及BGP已经预先配置完毕。此时 10.1.1.1 与 1.2.3.4 之间的IP连通性已经部署完毕。 R6#ping 1.2.3.4 source 10.1.1.1 Type escape sequence to abort. Sending 5, 100-byte ICMP Echos to 1.2.3.4, timeout is 2 seconds: Packet sent with a source address of 10.1.1.1 !!!!! Success rate is 100 percent (5/5), round-trip min/avg/max = 1/1/1 ms OK，验证了连通性之后，我们来部署BGP的虚拟下一跳方案。 步骤一： 在AS 200 的ASBR上添加独立环回口通告进IGP，并在R6上验证效果； R4#enable R4#configure terminal R4(config)#interface loopback 1 R4(config-if)#ip address

面试题 分库分表之后，id 主键如何处理？ 面试官心理分析 其实这是分库分表之后你必然要面对的一个问题，就是 id 咋生成？因为要是分成多个表之后，每个表都是从 1 开始累加，那肯定不对啊，需要一个 全局唯一 的 id 来支持。所以这都是你实际生产环境中必须考虑的问题。 面试题剖析 基于数据库的实现方案 数据库自增 id 这个就是说你的系统里每次得到一个 id，都是往一个库的一个表里插入一条没什么业务含义的数据，然后获取一个数据库自增的一个 id。拿到这个 id 之后再往对应的分库分表里去写入。 这个方案的好处就是方便简单，谁都会用； 缺点就是单库生成 自增 id，要是高并发的话，就会有瓶颈的；如果你硬是要改进一下，那么就专门开一个服务出来，这个服务每次就拿到当前 id 最大值，然后自己递增几个 id，一次性返回一批 id，然后再把当前最大 id 值修改成递增几个 id 之后的一个值；但是 无论如何都是基于单个数据库 。 适合的场景 ：你分库分表就俩原因，要不就是单库并发太高，要不就是单库数据量太大；除非是你 并发不高，但是数据量太大 导致的分库分表扩容，你可以用这个方案，因为可能每秒最高并发最多就几百，那么就走单独的一个库和表生成自增主键即可。 设置数据库 sequence 或者表自增字段步长 可以通过设置数据库 sequence 或者表的自增字段步长来进行水平伸缩。 比如说

m3u8 是一种基于 HTTP Live Streaming 文件视频格式，它主要是存放整个视频的基本信息和分片(Segment)组成。 相信大家都看过m3u8格式文件的内容，我们直来对比一下有什么不同，然后教大家怎么用python多进程实现下载并且合并。 一、两者不同 非加密 的m3u8文件 加密 的m3u8文件 相信眼尖的小伙伴已经看出了2个内容的不同之处，对的，其实区别就在加密文件的第 5 行的 #EXT-X-KEY 的信息 这个信息就是用来视频内容解密的，其实里面的内容大多是一段字符串，其实也就是解密时候的 KEY 值 那么这个怎么去解密呢，我们暂时不管，我们先来解释一下每行的意思 第一行: #EXTM3U 声明这是一个m3u8的文件 第二行: #EXT-X-VERSION 协议的版本号 第三行: #EXT-X-MEDIA-SEQUENCE 每一个media URI 在 PlayList中只有唯一的序号，相邻之间序号+1 第四行: #EXT-X-KEY 记录了加密的方式，一般是AES-128以及加密的KEY信息 第五行: #EXTINF 表示这段视频碎片的持续时间有多久 第六行: sA3LRa6g.ts 视频片段的名称，获取的时候需要拼接上域名，找到文件的正确的路径 如果想了解更多，请参考我的另一篇文章: m3u8各个字段意义解析 二、爬虫源码 #!/usr/bin/env

使用 https://github.com/godruoyi/php-snowflake 来生成 <?php declare(strict_types=1); use think\facade\Cache; use think\facade\Config; use Godruoyi\Snowflake\Snowflake; use Godruoyi\Snowflake\RedisSequenceResolver; /** * 获取redis实例 * * @return \Redis */ function get_redis(): \Redis { return Cache::store()->handler(); } /** * 生成唯一订单号 * * @param string $prefix 订单号前缀 * @return string */ function build_order_no(string $prefix = ''): string { $options = Config::get('cache.stores.redis'); $redis = get_redis(); $snowflake = new Snowflake(); $sequence = new RedisSequenceResolver($redis); $sequence-

[深度应用]·Keras实现Self-Attention文本分类（机器如何读懂人心） 配合阅读： [深度概念]·Attention机制概念学习笔记 [TensorFlow深度学习深入]实战三·分别使用DNN,CNN与RNN(LSTM)做文本情感分析 笔者在 [深度概念]·Attention机制概念学习笔记 博文中，讲解了Attention机制的概念与技术细节，本篇内容配合讲解，使用Keras实现Self-Attention文本分类，来让大家更加深入理解Attention机制。 作为对比，可以访问 [TensorFlow深度学习深入]实战三·分别使用DNN,CNN与RNN(LSTM)做文本情感分析 ，查看不同网络区别与联系。 一、Self-Attention概念详解 了解了模型大致原理，我们可以详细的看一下究竟Self-Attention结构是怎样的。其基本结构如下 ​ 对于self-attention来讲，Q(Query), K(Key), V(Value)三个矩阵均来自同一输入，首先我们要计算Q与K之间的点乘，然后为了防止其结果过大，会除以一个尺度标度 ​ ，其中 ​ 为一个query和key向量的维度。再利用Softmax操作将其结果归一化为概率分布，然后再乘以矩阵V就得到权重求和的表示。该操作可以表示为 ​ 这里可能比较抽象，我们来看一个具体的例子（图片来源于 https:/

序 本文主要研究一下claudb的pubsub command PublishCommand claudb-1.7.1/src/main/java/com/github/tonivade/claudb/command/pubsub/PublishCommand.java @Command("publish") @ParamLength(2) public class PublishCommand implements DBCommand, SubscriptionSupport, PatternSubscriptionSupport { @Override public RedisToken execute(Database db, Request request) { String channel = request.getParam(0).toString(); SafeString message = request.getParam(1); return integer(publishAll(getClauDB(request.getServerContext()), channel, message)); } private int publishAll(DBServerContext server, String channel, SafeString message)