whitespace

前 言 学院第四期课程在2019年10月结课，第一至第四期具有求职意向的同学中，目前已经 有80% 的同学拿到了国内外名企的AI算法岗位offer，或者国外名校的AI 硕士、全奖博士录取 offer。在大家的认可下，我们开始了第六期的课程。在本期课程中，我们对课程的前沿性做了较大增加，更加符合目前行业深度和实践程度，并且对实践项目进行升级，增加了难度和适用场景。 另外，我们为大家提供了专业增强课程。本课程旨在提供结合理论深度与代码实践的人工智能课程，能够让参与学员掌握基本人工智能方法，并且对特定领域的理解达到业界领先水平。毕业学员能力能够符合国内BAT等一线企业的算法岗位要求，或者在算法能力层面符合知名学府的博士生录取能力要求。 面向希望自己能够在4-6个月内找到一份人工智能、机器学习、深度学习、数据科学家、算法工程师等算法研究岗位，或者希望申请美国、欧洲相关院校AI方向的学位的同学。 本课程尤其适合： 目前工作为互联网，IT相关，希望未来从事人工智能、机器学习算法的相关工作的人员； 计算机相关专业的高年级本科生、研究生或博士生； 对数学、编程具有一定的热情，喜欢微积分、概率论等学科，能够感受数学之美，编程之美的学生或者工作人员； 对人工智能具备一定的热情，希望能够从事相关行业或者自己创造相关产品的人员； 具有人工智能与自然语言处理、计算机视觉相关需求的科研人员，尤其是从事无人驾驶

点击上方“ 算法猿的成长 “， 关注公众号，选择加“星标“或“置顶” 总第 122 篇文章，本文大约 5100 字，阅读大约需要 15 分钟 上一篇文章简单介绍了 推荐系统的定义和应用 ，推荐系统第二篇，简单介绍用户画像的知识， 以及通过文本来构建用户画像的知识。 目录如下： 用户画像 用户画像的定义 用户画像的关键 构建用户画像的方法 从文本到用户啊画像 构建用户画像 结构化文本 标签选择 小结 用户画像 用户画像的定义 用户画像其实就是从海量的用户数据中， 建模抽象出来每个用户的属性标签体系 ，这些属性通常需要具有一定的商业价值。 而如果从计算机的角度， 用户画像是对用户信息的向量化表示 ，向量化是为了给计算机计算，用户画像应该是给机器看的，而不是人看的。 用户标签体系一般分为多个大类（一级分类），每个大类下有多个小分类（二级分类），小分类下面还可以继续再划分更小的三级、四级等分类，大分类通常包括这几种： 人口属性 。用户固有属性，比如年龄性别等； 兴趣偏好 。用户的个人偏好，包括品类便好、品牌便好、距离便好、业务单元便好等； 特征人群 。具有特定意义的人群划分，比如学生、旅游达人、有车一族、母婴、吃货等； 用户分级 。区分用户的层级划分，比如会员等级、消费水平、优惠敏感度等； LBS属性 。和用户位置相关的各种属性，比如用户的常驻城市和国家、家乡、用户足迹、居住商圈

This is the second article in our series about VHDL 2019. In this article we look at the new ability to cleanly express interfaces. You can read the first part here. VHDL Interfaces Interfaces are a central element in hardware design. There are many standardized interfaces like I²C, AXI or VGA and every design also has internally designed interfaces to connect various parts of a system. Unfortunately, these interfaces are cumbersome to model using VHDL. Typically, they are not explicitly defined. Instead their description is repeated on every entity. The only way to identify them is through

点击上方“ 早起Python ”，关注并星标公众号 和我一起玩Python 大家好，我们接着更新NumPy专题 ，想学好NumPy先搞定基础 ，本文将 细致讲解一些NumPy的基础操作 ，记得启动Jupyter Notebook一边敲一边学，我们开始吧 ！ 1 创建并查看数据 首先 导入并查看NumPy版本 ，我的版本是1.17.2，由于版本不同可能有些代码写法不一样 接着我们来 创建一个数组 👇 当然我们可以 将列表嵌套在列表中创建一个二维数组 👇 接下来我们 查看这两个数组的维数 👇 OK，和我们预想的一样，接着我们查看数据的 shape属性 这个shape不好翻译，有说是矩阵维数也有说是形状的，从结果来看a的shape属性为(3,)意思a是一维数组，有3个元素，b的shape属性为(2,3)说明b是二维数组，每行有3个元素，想一想np.array([[1,2]]).shape应该返回什么 (1,2)说明该数组是一个1行2列的二维数组，OK我们接着来查看在第一期中重点介绍的 数据类型 👇 可以看到，a是int64说明存储a将 消耗8个字节 ，而在第一期我们就说过，使用NumPy的好处是可以 自定义数据类型 ，因此我们可以 指定a的数据类型 为int16来减少内存占用 现在我们来看下修改前后a的大小变化(8—>2) 接着我们来获取一下 数组的元素个数 👇

故事要从社区服务器的几起故障说起。 【1-问题来源】 某天，微信群、公众号等几个渠道中，有用户反馈 Jenkins 中文社区提供的插件更新中心国内镜像源无法访问。 【2-故障原因】 从服务器资源使用图表上，我们看到 CPU、网络都已经满了，此时无法远程登录到服务器上做任何操作。 【3-社区困境】 对于社区的现状而言，确实有一些窘迫，只有1M带宽、1核CPU、1G内存， 先不考虑并发量的问题，单个用户的请求都无法得到较好的体验。 这对 于完全由小伙伴自发、志愿组成的开源、公益社区，唯一的出路就是寻找外部资源和支持，尤其是对开源愿意扶持、有社会责任感的企业。 此时，我想要分享给社区小伙伴的好消息是：在去年11月份收到了来自霍格沃兹测试学院给予的无私赞助外，今年3月份再次收到了 长期专注于移动互联网领域 的基础云计算服务提供商 UCloud 的大力支持。 UCloud 将会为 Jenkins 中文社区提供1年免费的服务器的使用权 我们相信，Jenkins 中文社区将会在 UCloud 的帮助下，社区的基础设施会更更上一层楼，可以继续带来更多的社会价值，服务更多的个人以及团体用户。 关于 UCloud ，如果大家稍微留意，就会发现很多社区网站和个人博客的底部有 UCloud 的 Logo ： 这都是对 UCloud 提供的云服务的稳定性的极大肯定，

日前在新加坡举行的SFF金融科技展中，FISCOBCOS（以下简称“BCOS ”）亮相海外。BCOS的海外推广，得到了各界人士的关注。随着BATJ等大厂不断涌入联盟链市场，大家对国产底层和国外底层之间的差异越来越感兴趣，本文拟通过对BCOS与Fabric等国外底层的若干比较，介绍下双方的区别，并提出一些对国产联盟链发展方向的思考。 一、共识方面 共识一度是区块链的“灵魂”，也是公链效率的一大瓶颈。联盟链由于在参与方式上注入了信任，因此，共识上转向了以提升效率为主，更接近于传统分布式数据库。 共识的发展方向目前主要是BFT（拜占庭类）和非BFT两类，前者考虑节点“作恶”问题，即网络具有一定抗欺诈能力，后者则以考虑通讯故障为主，不考虑抗欺诈问题。 BCOS目前同时支持两种共识方式：PBFT和RAFT。PBFT是BFT类共识，这使得网络具有支持弱信任环境的能力。BCOS平台对PBFT共识过程进行了优化，尽量让所有节点在每个阶段的计算都是并行发生，不需要互相等待，以充分提高共识效率。RAFT方面BCOS平台采用的是标准RAFT协议，并进行了针对极端网络环境的优化。此外，BCOS平台中的RAFT结合智能合约（BCOS的节点管理、权限管理可以通过智能合约设置）可以支持节点动态增加和退出网络，这点是平台的一个优势。 Fabric曾在0.6版中使用PBFT共识协议，在1.0版

前言 本系列课程是针对无基础的，争取用简单明了的语言来讲解，学习前需要 具备基本的电脑操作能力， 准备一个已安装python环境的电脑。如果觉得好可以分享转发，有问题的地方也欢迎指出，在此先行谢过。 前言 上一篇文章我们利用PIL自带的路径方法实现了一些滤镜的效果，单纯从使用的角度来说已经够我们使用了，但是如果能够弄清楚它们背后的原理，相信应该是会对我们更有帮助的。 在正式讲解之前，有一些基本的概念还是要在重新了解一下。 图片是由一个个像素组成的，每个像素又是由RGB三种颜色数值组成的(这里指的是RGB模式图片)，灰度图是由0-255单个数值组成的。所有的图片处理，本质上都是对像素值进行处理。 灰度滤镜实现 灰度图我们知道是由单一数值0-255组成的，一张RGB三种颜色组成的图片要变成灰度图，需要将它们的三种颜色值设为相同即可。由于人眼对绿色的敏感度最高，红色次之，对蓝色的敏感度最低，因此，当权值 G > R > B时，所产生的灰度图像更符合人眼的视觉感受。 所以将颜色的RGB设置为相同的值即可使得图片为灰色，一般处理方法有： 1、取三种颜色的平均值 2、取三种颜色的最大值（最小值） 3、加权平均值：L = 0.299R + 0.587G + 0.114*B 黑白滤镜实现 黑白效果实现和滤镜有点类似，只不过这里需要自己设定一个阈值，将每一个像素点的平均值与阈值100(这个不是固定的

技术实现原理：获取京东的具体的商品信息，然后再使用微信发送提醒 工具：需要两个微信号，这两个微信号互为好友 Step1 收集自己想要的商品url 我们就以京东来举例，获取京东的秒杀商品信息： 首先，我们在网页上打开京东，搜索我们想要的商品，这边我就以我最近买的东西为例子： 我们需要找到它的商品信息，需要打开浏览器的开发者模式，之后我们需要选择自己的配送地址，这个时候里面就发送一些接口请求： 我们选择一个有用的商品信息接口： 找到自己想要商品的信息接口，来判断它是否有货： 一般规则是：如果这个接口书籍里面有“无货”的字符信息，那就是缺货状态，否则就是有货状态，可以发送商品链接，进行购买。 我们现在已经成功获取到了商品的url信息，接下来就是设置微信了。 Step2 设置微信通知 微信通知我们需要两个微信号，一个作为发送方，一个作为接受方，这个两个账号需要互为好友。 注意：作为发送方的微信可能会有注册时间要求（微信好像设立了规则：如果晚于某一时间段注册的账号将不再具备网页微信登陆功能） 这边我们使用itchat模块进行模拟微信登陆： import itchat itchat.auto_login( hotReload = True ) hotload参数设置为True可以记住第一次登陆的状态，下一次就不需要扫码登陆了。 执行以上代码可以生成登陆二维码，你只需要扫码登陆就可以了。

1， SDRAM控制模块介绍 SDRAM ，同步动态随机存取内存 （ synchronous dynamic random-access memory ，简称 SDRAM ） 。SDRAM利用内部的电容来储存数据，具有较高容量，成本低的优点。在 FPGA 设计中，与 FPGA 的片上储存空间（十到百 KB 量级，较高级的 FPGA 拥有上 MB 的片上储存空间）相比， SDRAM 拥有较大的储存空间（ 10MB 量级到 100MB 量级均有）。故 SDRAM 可用来储存大容量的数据，在图像处理时有着大量的应用。 常见的SDRAM控制器代码都是基于连续突发读写模式的，在需要传输连续地址的大批量数据时十分方便。 但是需要进行随机的地址读写时，突发读写的控制器便不方便使用。 例如将SDRAM作为CPU的内存模块使用时，常常需要访问和修改随机地址的数据，故需要设计SDRAM随机读写控制器。 本文介绍SDRAM的基本知识后，详细介绍SDRAM随机读写控制器的设计和使用。 本SDRAM随机读写控制器是基于altera的nios ii 处理器的sdram控制器设计而成。 用户端基于Avalon-MM接口进行控制。 2 ，控制器的端口描述 常见的SDRAM的引脚如下图所示： 各个引脚的功能如下： CLK ： SDRAM 工作的时钟，并且所有的输入信号都是在 CLK 的上升沿进行检测的