Sequence

一、基本原理 CRC检验原理实际上就是在一个p位二进制数据序列之后附加一个r位二进制检验码(序列)，从而构成一个总长为n＝p＋r位的二进制序列；附加在数据序列之后的这个检验码与数据序列的内容之间存在着某种特定的关系。如果因干扰等原因使数据序列中的某一位或某些位发生错误，这种特定关系就会被破坏。因此，通过检查这一关系，就可以实现对数据正确性的检验。 二、几个基本概念 1、帧检验序列FCS（Frame Check Sequence）：为了进行差错检验而添加的冗余码。 2、多项式模2运行：实际上是按位异或(Exclusive OR)运算，即相同为0，相异为1，也就是不考虑进位、借位的二进制加减运算。如：10011011 + 11001010 = 01010001。 3、生成多项式（generator polynomial）：当进行CRC检验时，发送方与接收方需要事先约定一个除数，即生成多项式，一般记作G（x）。生成多项式的最高位与最低位必须是1。常用的CRC码的生成多项式有： CRC8=X8+X5+X4+1 CRC-CCITT=X16+X12+X5+1 CRC16=X16+X15+X5+1 CRC12=X12+X11+X3+X2+1 CRC32=X32+X26+X23+X22+X16+X12+X11+X10+X8+X7+X5+X4+X2+X1+1 每一个生成多项式都可以与一个代码相对应

String 类是一个final类, 其内部是使用的 private final char value[]; 来存储内容, 其既可以当作一个基本类型来使用也可以当作一个类来使用; final 类(String): 被final修饰的类将不能被继承 final char value[]: 不能修改String类型的对象的内容, 但是我可以修改他的引用指向啊~ "==" 作用 : 判断引用是否指向堆内存的同一块地址 equals()的作用: 比较是否值相等(先比较两个String的地址然后用instanceof比较类型, 然后遍历两个String的value[] 挨个值比较) hashcode()的作用: 根据String中的value[]计算出的散列值, 和它的地址一丁点毛关系都没有-_-| equals(); /** * Compares this string to the specified object. The result is {@code * true} if and only if the argument is not {@code null} and is a {@code * String} object that represents the same sequence of characters as this * object. * * @param

预配置 各路由器上的配置 R1(config)#int lo0 R1(config-if)#ip add 1.1.1.1 255.255.255.0 R1(config-if)#int s2/1 R1(config-if)#ip add 192.168.0.1 255.255.255.0 R1(config-if)#no sh R2(config)#int s2/1 R2(config-if)#ip add 192.168.0.2 255.255.255.0 R2(config-if)#no sh R2(config-if)#int s2/2 R2(config-if)#ip add 172.16.0.2 255.255.255.0 R2(config-if)#no sh R3(config)#int s2/1 R3(config-if)#ip add 172.16.0.3 255.255.255.0 R3(config-if)#no sh R3(config-if)#int lo0 R3(config-if)#ip add 3.3.3.3 255.255.255.0 实验过程 第一步：配置各路由器使用协议 R1(config)#router ei 11 R1(config-router)#no au R1(config-router)#net 192.168.0.0 R2

简介 [2] Attention Is All You Need 是 2017 年 google 提出来的一篇论文，论文里提出了一个新的模型，叫 Transformer ，这个结构广泛应用于 NLP 各大领域，是目前比较流行的模型。该模型没有选择大热的 RNN/LSTM/GRU 的结构，而是只使用 attention layer 和全连接层就达到了较好的效果，同时解决了 RNN/LSTM/GRU 中的 long dependency problem, 以及传统 RNN 训练并行度以及计算复杂度高的问题。缺点是输入固定长度的序列，需要对原始文本进行裁剪和填充，导致不能学习到序列中更长距离的依赖关系。 Transformer 总体结构 [1] Transformer 采用 Encoder-Decoder 架构。 上图就是论文中提出的 Transformer 结构。其中左半部分是 encoder 右半部分是 decoder. Encoder 层中有 6 个一模一样的层结构，每个层结构包含了两个子层，第一个子层是 多头注意力层 （ Multi-Head Attention, 橙色部分），第二个子层是 前馈连接层 （ Feed Forward ，浅蓝色部分）。除此之外，还有一个残差连接，直接将 input embedding 传给第一个 Add & Norm 层（黄色部分）以及 第一个

Oracle12c Data Guard搭建手册 注：本文来源： 红黑联盟 《 Oracle12c Data Guard搭建手册 》 Oracle 12c 的DataGuard 是在CDB 级别进行的，所以我们的配置都是从CDB角度出发。 测试里主备库的 数据库 CDB名称相同。 1 环境说明 1 OS Version： 2 3 [root@dave etc]# cat /etc/oracle-release 4 5 Oracle Linux Server release 6.3 6 7 [root@dave etc]# uname -r 8 9 2.6.39-200.29.3.el6uek.x86_64 10 11 DB Version: 12 13 SQL > select * from v$version; 14 15 BANNER CON_ID 16 17 ------------------------------------------------------------------------------------------ 18 19 Oracle Database 12c Enterprise EditionRelease 12.1.0.1.0 - 64 bit Production 0 20 21 PL/ SQL Release 12.1.0.1.0 -

点击上方 “ AI算法与图像处理 ”，选择加"星标"或“置顶” 重磅干货，第一时间送达 本文转载自：深度学习与计算机视觉 介绍 如今有大量的资源可以用来学习计算机视觉技术，那我们如何从众多教程中进行选择呢？哪个值得我们去投入时间呢？ 如果你也遇到这些问题，那么恭喜你来对地方了。我们通过理解数百种资源来选择值得你花费时间的资源-这就是我们首先推出本文的主要原因之一。 去年，我们广泛地专注于两个技术的学习方法——机器学习和深度学习，但是我们的社区需要更细化的学习路径—— 一个结构化的计算机视觉学习路径 。 这是可以理解的，因为计算机视觉专家的需求和价值在业界遥遥领先。专门研究计算机视觉及其不同方面，你会看到大量招聘人员试图接近你。 我记得当我开始自己的计算机视觉之旅时，我同时参考了多种资源——书籍、文章(当时并不多)、YouTube视频等等。 因此，我很高兴有机会 为你整理这种结构化的计算机视觉学习路径 。在开始学习之前，让我们了解一下为简化你的学习过程而构建的框架。 我们的计算机视觉学习路径框架 每个月都要有其对应的学习结构，这是我们对每个月需要了解的不同方面进行分类的方式： 目标 ：这个月你会学到什么？关键要点是什么？你的计算机视觉之旅将如何进行？我们会在每个月初提及此问题，以确保你知道该月底的立场以及所处的位置 建议时间 ：你每周平均应在该部分上花费多少时间 学习资源

介绍 如今有大量的资源可以用来学习计算机视觉技术，那我们如何从众多教程中进行选择呢？哪个值得我们去投入时间呢？ 如果你也遇到这些问题，那么恭喜你来对地方了。我们通过理解数百种资源来选择值得你花费时间的资源-这就是我们首先推出本文的主要原因之一。 去年，我们广泛地专注于两个技术的学习方法——机器学习和深度学习，但是我们的社区需要更细化的学习路径—— 一个结构化的计算机视觉学习路径。 这是可以理解的，因为计算机视觉专家的需求和价值在业界遥遥领先。专门研究计算机视觉及其不同方面，你会看到大量招聘人员试图接近你。 我记得当我开始自己的计算机视觉之旅时，我同时参考了多种资源——书籍、文章(当时并不多)、YouTube视频等等。 因此，我很高兴有机会为你整理这种结构化的计算机视觉学习路径。在开始学习之前，让我们了解一下为简化你的学习过程而构建的框架。 我们的计算机视觉学习路径框架 每个月都要有其对应的学习结构，这是我们对每个月需要了解的不同方面进行分类的方式： 目标 ：这个月你会学到什么？关键要点是什么？你的计算机视觉之旅将如何进行？我们会在每个月初提及此问题，以确保你知道该月底的立场以及所处的位置 建议时间 ：你每周平均应在该部分上花费多少时间 学习资源 ：该月你将学习的计算机视觉主题的顶级资源集合，其中包括文章，教程，视频，研究论文和其他类似资源 你可以在此处下载该学习路径的相应信息图。

点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 作者： Alireza Dirafzoon 编译：ronghuaiyang 导读 在单GPU上就可以运行的Transformer模型，而且几乎不损失精度，了解一下？ 如果你一直在开发机器学习算法用于处理连续数据 —— 例如语言处理中的文本，语音信号，或视频 —— 你可能听说过或使用过Transformer，你可能知道这和是推特中认为的不同于一个东西。 图1，打破僵局，摘自Chris Manning教授的推特 最近，谷歌推出了Reformer架构，Transformer模型旨在有效地处理处理很长的时间序列的数据(例如，在语言处理多达100万个单词)。Reformer的执行只需要更少的内存消耗，并且即使在单个GPU上运行也可以获得非常好的性能。论文 Reformer: The efficient Transformer 将在ICLR 2020上发表(并在评审中获得了近乎完美的分数)。Reformer模型有望通过超越语言应用(如音乐、语音、图像和视频生成)对该领域产生重大影响。 在这篇文章中,我们将努力深入Reformer模型并试着去理解一些可视化方面的指南。准备好了吗？ 为什么是Transformer? 在NLP类的任务中，如机器翻译、文本生成、问答，可以被形式化为sequence-to-sequence的学习问题。长短期记忆

不久前，清华大学经管学院发布了《中国经济的数字化转型：人才与就业》的报告，根据报告显示，当前我国大数据领域人才缺口高达150万，到2025年将达到200万。 数据来源：2019年中国AI&大数据人才大数据人才就业报告 这份报告 对国家而言 ，是提前规划、提前布局的参考， 对企业而言 ，是切入下一赛道的征兆， 而对于普通人而言， 则是一个机会，一个能够获得快速晋升，甚至实现财富自由的机会。 细数现在国内的互联网产品，淘宝电商老大地位不可动摇；腾讯则牢牢占据社交、游戏大部分份额；抖音、快手引领短视频风潮…… 这些公司除了占据行业先发优势之外，完备的数据也是它们成功的重要原因，甚至有人笑称， 比你更了解你自己的不是你妈，而是这些公司。 如果把数据比作企业发展的“石油“，那么掌握 如何将其提炼为可使用的情报 就是发挥其潜力的关键。 “我知道客流量在最近一个月减少了30%，所以该怎么办呢？” “模型预计本月销售额增长30%，我只要维持现状就能稳定增长吗？” “我有过去一年几万条的销售记录，这些记录能发挥什么作用呢？” 这些数据说明了什么，到底我要怎么做，通过这些数据得到结论是企业最迫切的事情。 会“分析“的人很多，但能从繁杂的数据中得到具体结论的 商业数据分析人才 却是凤毛麟角。 现在用人市场上每一个商业数据分析的人才都能引起各大公司争夺，甚至有公司开出了令人瞠目结舌的“ 天价 “。

触发器的定义就是说某个条件成立的时候，触发器里面所定义的语句就会被自动的执行。因此触发器不需要人为的去调用，也不能调用。然后，触发器的触发条件其实在你定义的时候就已经设定好了。这里面需要说明一下，触发器可以分为语句级触发器和行级触发器。详细的介绍可以参考网上的资料，简单的说就是语句级的触发器可以在某些语句执行前或执行后被触发。而行级触发器则是在定义的了触发的表中的行数据改变时就会被触发一次。 具体举例： 1、 在一个表中定义的语句级的触发器，当这个表被删除时，程序就会自动执行触发器里面定义的操作过程。这个就是删除表的操作就是触发器执行的条件了。 2、 在一个表中定义了行级的触发器，那当这个表中一行数据发生变化的时候，比如删除了一行记录，那触发器也会被自动执行了 。 触发器语法 触发器的语法： create [or replace] tigger 触发器名 触发时间 触发事件 on 表名 [for each row] begin pl/sql语句 end 其中： 触发器名 ：触发器对象的名称。由于触发器是数据库自动执行的，因此该名称只是一个名称，没有实质的用途。 触发时 间：指明触发器何时执行，该值可取 ： befo re：表示在数据库动作之前触发器执 行; af ter：表示在数据库动作之后触发器 执行。 触发事件：指明哪些数据库动作会触发此 触发器： i nsert