vanilla

Highly Efficient Salient Object Detection with 100K Parameters [ ECCV 2020 ] [ Code ] Abstract Salient object detection models often demand a considerable amount of computation cost to make precise prediction for each pixel, making them hardly applicable on low-power devices. In this paper, we aim to relieve the contradiction between computation cost and model performance by improving the network efficiency to a higher degree. We propose a flexible convolutional module, namely generalized OctConv (gOctConv) , to efficiently utilize both in-stage and cross-stages multi-scale features, while

很多秃头小可爱沉迷熬夜逛淘宝，以下是 来自宇宙洪荒之力的最新线报： 男生比女生多 天蝎座多 夜间小裙子搜索量位居第一 ...... 尤其，每晚有1700万人在淘宝只逛不买，他们到底在干什么？ 看完视频和下方文章，你就知道为什么上头了。 前言 来洋淘， 更有young! 洋淘轻应用的内容均是手淘用户的真实购后分享， 在这里，你可以个性化地浏览他人的美好生活， 并鼓励自我表达与分享。 图1. 洋淘轻应用截图， 左) 为双列流， 右) 为详情页 在推荐任务上，同导购产品相比，洋淘场景有着自身的特性： 新用户冷启严峻，六成以上的用户无洋淘场景内的历史内容点击； 老 用户内容兴趣也稀少，历史内容点击数不超过10，反观商品点击数却高达数倍； 用户在电商与内容两个 domain 的兴趣差异较大。 统计日志发现，电商兴趣对洋淘场景下内容点击样本的覆盖度仅为 30% 。 于是，如何把跨域的异构行为用好，提升用户的浏览深度就显得弥足珍贵。我们从 召回 ， ctr预估 两大关键环节均作了探索与创新， 大幅提升了推荐效果， 取得了显著的业务收益。 向量召回模型In_Match 前文提到内容兴趣不够用，我们首先基于i2i尝试了商品与内容的混合协同，取得了一定的收益。然后基于电商兴趣的标题作相关内容的严格相似召回，却收益为负，这说明跨域的兴趣不可生搬硬套，也与前文的兴趣差异统计相吻合。

https://github.com/sorrycc/awesome-javascript 🐢 A collection of awesome browser-side JavaScript libraries, resources and shiny things. Awesome JavaScript A collection of awesome browser-side JavaScript libraries, resources and shiny things. Awesome JavaScript Package Managers Loaders Bundlers Type Checkers Testing Frameworks QA Tools MVC Frameworks and Libraries Node-Powered CMS Frameworks Templating Engines Articles/Posts Data Visualization Timeline Spreadsheet Editors Documentation Utilities Files Functional Programming Reactive Programming Data Structure Date String Number Storage Color

PF_RING™是一种新型的网络套接字，可显着提高数据包捕获速度，并且具有以下特性： 适用于Linux内核2.6.32及更高版本。 无需修补内核：只需加载内核模块。 使用商用网络适配器的 10 Gbit硬件数据包过滤 用户空间 ZC （新一代DNA，Direct NIC Access，直接NIC访问）驱动程序可实现极高的数据包捕获/传输速度，这是因为NIC NPU（网络处理单元）在没有任何内核干预的情况下将数据包从用户域推送/获取数据包。使用10Gbit ZC 驱动程序，您可以以线速发送或接收任何大小的数据包。 PF_RING ZC 库，用于在线程、应用程序、虚拟机之间以零拷贝分发数据包。 设备驱动程序独立。 支持Accolade，Exablaze，Endace，Fiberblaze，Inveatech，Mellanox，Myricom / CSPI，Napatech，Netcope和Intel（ZC）网络适配器。 基于内核的数据包捕获和采样。 Libpcap支持（请参见下文）可与现有的基于pcap的应用程序无缝集成。 除BPF外，还可以指定数百个标题过滤器。 内容检查，以便仅通过与有效负载过滤器匹配的数据包。 PF_RING™插件，用于高级数据包解析和内容过滤。 Vanilla PF_RING™ PF_RING™正在通过Linux NAPI轮询来自NIC的数据包

Osc乱弹歌单（2020）请戳（ 这里 ） 【今日歌曲】 @小小编辑推荐：《Vanilla》- 落日飞车 《Vanilla》- 落日飞车 手机党少年们想听歌，请使劲儿戳（ 这里 ） @ szl非鱼 ：本周剩下12小时快乐 去钓鱼去， “感觉有点克苏鲁。” 下雨的周末还是比较适合午睡的， 巴蜀（@ 巴拉迪维 ）竟然还做梦了， @ 巴拉迪维 ：做了个奇怪的梦，醒了。 感觉做噩梦就是缺乏锻炼呀， @ FalconChen ：试试先跑步后吃饭的模式 锻炼身体还是挺管事的， “都锻炼出来腹肌了。” 我感觉我都不用出去跑步去， 从一楼的楼梯往上爬， 爬到顶楼就和爬山似的。 “顶上是不是有只猫 做仙豆的那只。” 有时候说错了话， 也能锻炼身体， “40米的大刀都举得动，还说你不胖。” 少吃点饭…… 现在不说是减肥， 是响应中央号召，节约粮食反对浪费。 @ Weidao ：有些的三观真的无语，就一个立法禁止浪费食物居然还有人喷，很多人就说什么管的太宽，怎么你花钱买的粮食就有资格浪费了吗？ 节约粮食挺好的呀， “以后就好意思在大家面前说打包了。” 但中国不缺粮啊， 那么要不要提前储粮食呢？ 为了响应号召， 巴蜀（@ 巴拉迪维 ） 也开始好几个人吃两个菜了。 @ 巴拉迪维 ：午餐 都看饿了！ “我已经三分钟没吃东西了 我也是海豹突击队的一员啊。” 【 小 树的世界之旅 】 参与# 乱弹大吐槽

参考链接： https://blog.csdn.net/Vanilla1119/article/details/88317312 来源： oschina 链接： https://my.oschina.net/u/4380417/blog/4279754

作者|Devyanshu Shukla 编译|Flin 来源|medium 在这篇文章中，我们将讨论关于语言模型（LM）的所有内容 什么是LM LM的应用 如何生成LM LM的评估 介绍 NLP中的语言模型是计算句子（单词序列）的概率或序列中下一个单词的概率的模型。即 句子的概率： 下一个单词的概率： 语言模型 v/s 字嵌入 语言模型常常与单词嵌入混淆。主要的区别在于，在语言模型中，单词顺序很重要，因为它试图捕捉单词之间的上下文，而在单词嵌入的情况下，只捕捉语义相似度( https://en.wikipedia.org/wiki/Semantic_similarity ) ，因为它是通过预测窗口中的单词来训练的，而不管顺序如何。 语言模型的应用 语言是NLP的主要组成部分，在很多地方都有使用，比如， 情感分析 问答 总结 机器翻译 语音识别 生成语言模型 有不同的方法来生成语言模型，让我们逐一查看它们。 使用N-grams N-grams( https://en.wikipedia.org/wiki/N-gram ) 是给定语料库中N个单词的序列。对于“I like pizza very much”这句话，bigram将是 ‘I like’, ‘like pizza’, ‘pizza very’ 和 ‘very much’。 比方说，我们有一个句子‘students opened

问题总结 当模型准确率已经较高时，如何判断自己的改动是否提升了性能。因为可能每一次准确率变化都不太大，而且每次训练的模型最后准确率也会有波动，多运行几次取准确率平均值做比较吗？ 在想要提高性能的改进过程中，有很多改变可能都对性能的提升有些许的帮助。这个过程是一种一种方法的尝试，不断累积提升了性能的改变吗。比如先改了batch_size，找到了一个合适的大小，然后就固定使用这个大小，再调整优化器损失函数之类的？在调整的时候总有一种虽然当前的尝试没有提高性能，但说不定和别的组合在一起可能会变好的想法，简直要进行排列组合。 代码练习 MobileNet V1 如何判断nn.Conv2d(3, 3)是做的图一运算而不是图二？ 通过Conv2d函数中的groups参数区别。groups取值范围为1 - in_channels。groups=1时做图二运算，groups=3时做图一运算。 若groups=x，则将输入通道分为x份，输出通道分为x份，对应每份分别做全卷积。 举例：nn.Conv2d(in_channels=6, out_channels=6, kernel_size=1, groups=3) 卷积核大小为torch.Size([6, 2, 1, 1]) 参考： 卷积层中的 group 参数理解 pytorch的conv2d函数groups分组卷积使用及理解 MobileNet

----- 2019.8.5更新 实现代码思维导图 ----- ----- 初始原文 ----- Social LSTM最早提出于文献 “Social LSTM: Human Trajectory Prediction in Crowded Spaces”，但经过资料查阅目前暂未找到原文献作者所提供的程序代码和数据，而在github上有许多针对该文献的实现版本代码。 本文接下来的实现代码来自 https://github.com/xuerenlv/social-lstm-tf ，代码语言为Python3，代码大体实现了原论文中 核心原创部分 的模型，包括Vanilla LSTM（没有考虑行人轨迹之间关联性的LSTM）和Social LSTM（使用池化层考虑了行人轨迹之间关联性的LSTM模型）的模型构建、训练和小样本测试的代码，但对横向对比的其他模型、模型量化评估方法等暂未实现。 本文下面将从代码中 矩阵数据和列表(list)数据的维度 细说实现过程和模型的特点。 Vanilla LSTM 模型 训练数据 主要功能代码文件： util.py 数据格式： input_data, target_data = dataLoader.next_batch() # input_data : [batch_size, seq_length, 2] # target_data : [batch

Codeforces Round #654 (Div. 2) 参与排名人数14349 本场比赛主要心思放在观摩高手如何打比赛，发现初中生真的很厉害。 [codeforces 1374C] A Cookie for You 烦人的if,else 总目录详见 https://blog.csdn.net/mrcrack/article/details/103564004 在线测评地址 http://codeforces.com/contest/1371/problem/C Problem Lang Verdict Time Memory C - A Cookie for You GNU C++17 Accepted 31 ms 200 KB 题目大意：给a块vanilla cookies,b块chocolate cookies,n个第一类客人,m个第二类客人， 若：轮到第一类客人时，若a>b,客人吃vanilla cookies，若a<=b,客人吃chocolate cookies. 轮到第二类客人时，若a>b,客人吃chocolate cookies，若a<=b,客人吃vanilla cookies. 若轮到客人没有相应cookies吃时，要生气。 问怎么安排客人吃cookies的顺序时，使客人都能吃上，输出Yes,若怎么安排，客人都吃不上，输出No. 样例模拟如下： 发现