xs

XML Schema XML Schema 可定义 XML 文件的元素。 简易元素 简易元素指那些只包含文本的元素。它不会包含任何其他的元素或属性。 什么是简易元素 ？ 简易元素指那些仅包含文本的元素。它不会包含任何其他的元素或属性。 不过，"仅包含文本"这个限定却很容易造成误解。文本有很多类型。它可以是 XML Schema 定义中包括的类型中的一种（布尔、字符串、数据等等），或者它也可以是您自行定义的定制类型。 您也可向数据类型添加限定（即 facets），以此来限制它的内容，或者您可以要求数据匹配某种特定的模式。 定义简易元素的语法： <xs:element name="xxx" type="yyy"/> 此处 xxx 指元素的名称，yyy 指元素的数据类型。XML Schema 拥有很多内建的数据类型。 最常用的类型是： xs:string xs:decimal xs:integer xs:boolean xs:date xs:time 这是一些 XML 元素： <lastname>Refsnes</lastname> <age>36</age> <dateborn>1970-03-27</dateborn> 这是相应的简易元素定义： <xs:element name="lastname" type="xs:string"/> <xs:element name="age"

题目描述 www.lydsy.com/JudgeOnline/upload/201805/day1(1).pdf 题解 首先来看这个我们要最大化的东西。 deep[u]+deep[v]-deep[lca(u,v)]-deep[lca(u',v')] 后面的那个东西看起来不太合群，我们可以把前后拆开。 deep[u]+deep[v]-deep[lca(u,v)] 我们发现这其实就是u到根的链和v到根的链的并。 然后它还等于 (deep[u]+deep[v]+dis[u][v])/2 因为deep数组我们可以直接求出，所以我们就把一颗有根树上的问题放到了无根树上，也就是可以去掉lca的影响了。 然后考虑枚举第二颗树的LCA,那么一组合法的点应当在这个点的两颗不同的子树中。 然后对第一棵树边分，发现这颗边分树也是一颗二叉树，每个叶子结点代表原树上的一个点。 于是这题的做法来了，我们在dfs第二颗树的时候，像线段树合并一样合并边分树，因为不管叶子的情况下，每个节点都代表一条边，每条边连接着两个点。 这样我们对这个点记一个lans和rans分别代表左端点的最优答案和右端点的最优答案。 维护答案的形式为 deep[x]+dis(x,edge) 合并的时候顺带计算答案。 注意，要考虑u和v重合的情况。 代码 #include<iostream> #include <cstdio>

1.内存管理介绍 　　 内存管理，是指软件运行时对计算机内存资源的分配和使用的技术。其最主要的目的是如 何高效，快速的分配，并且在适当的时候释放和回收内存资源。 内存管理的实现方法有很多种， 他们其实最终都是要实现 2 个函数： malloc 和 free ； malloc 函数用于内存申请， free 函数用于 内存释放。 　从上图可以看出，分块式内存管理由内存池和内存管理表两部分组成。内存池被等分为 n 块，对应的内存管理表，大小也为 n ，内存管理表的每一个项对应内存池的一块内存。 内存管理表的项值代表的意义为：当该项值为 0 的时候，代表对应的内存块未被占用，当 该项值非零的时候，代表该项对应的内存块已经被占用，其数值则代表被连续占用的内存块数。 比如某项值为 10 ，那么说明包括本项对应的内存块在内，总共分配了 10 个内存块给外部的某 个指针。 内寸分配方向如图所示，是从顶  底的分配方向。即首先从最末端开始找空内存。当内存 管理刚初始化的时候，内存表全部清零，表示没有任何内存块被占用。 分配原理 　 　 当指针 p 调用 malloc 申请内存的时候，先判断 p 要分配的内存块数（ m ），然后从第 n 项开 始 ，向下查找，直到找到 m 块连续的空内存块（即对应内存管理表项为 0 ），然后将这 m 个内 存管理表项的值都设置为 m （标记被占用），最后

来源：人工智能AI技术 本文 约3400字 ，建议阅读 7 分钟 本文介绍我们被NeurIPS 2020会议录用的一篇文章。 本文主要介绍我们被NeurIPS 2020会议录用的一篇文章：Glance and Focus: a Dynamic Approach to Reducing Spatial Redundancy in Image Classification。 论文： https://arxiv.org/abs/2010.05300 代码和预训练模型已经在Github上面放出： https://github.com/blackfeather-wang/GFNet-Pytorch 这项工作提出了一个通用于 绝大多数CNN 的自适应推理框架，其效果比较明显，在同等精度的条件下， 将MobileNetV3的平均推理速度加快了30%，将ResNet/DenseNet加速了3倍以上，且在iPhone XS Max上的实际测速和理论结果高度吻合。 此外，它的计算开销可以简单地 动态在线调整，无需额外训练。 （太长不看版）下面一张图可以概括我们做的事情：将图像识别建模为序列决策过程，先将缩略图输入神经网络（Glance），再不断选择最关键的图像区域进行处理（Focus，利用强化学习实现），直至网络产生一个足够可信的预测结果时停止；对于简单和困难的样本分配不同的计算资源，以提升整体效率。

©PaperWeekly 原创 · 作者｜贲忠奇 学校｜混沌大学推荐算法工程师 研究方向｜推荐算法、反作弊 缘起 今年疫情期间开始优化公司的推荐系统，因为 DeepFM 具有使用线性特征、低阶交叉特征和高阶特征的优点，决定采用此算法试试能否提高线下的 auc 和线上的 CTR 预估。 DeepFM 算法介绍详见 [1]，在 DeepFM 工程化的时候，遇到了特征稀疏、一列多值和共享权重的情况，主要参考石塔西的实现。那我为什么要继续炒冷饭呢？因为石塔西实现的 TensorFlow 框架用的是高阶 api，显得灵活性低一些。 主要存在两个问题，在实际过程中，无法保存 auc 最优的模型，early stopping 也不能保证停在效果最好的阶段；在线上预测阶段是不能按照文件的方式去读取。主要是针对以上两个问题，进行改造，实现了工程化上线。 效果方面：点击率 PV 提升了 2.67%；点击率 UV 提升了 3.64%；平均点击数提升了 4.53%。推荐系统实际工程中需要注意样本、特征、算法等方方面面的问题，下面开始介绍整个项目。 项目背景 混沌大学 APP（以下简称 APP）是一个提供哲科思维和创新商业的课程在线学习软件，在线视频学习是 APP 提供的最重要的业务功能。APP 内提供上百门十几分钟至几小时不等的长视频课程，为了用户更快的发现合适自己的课程，以及拥有更好的学习体验，APP

1.项目背景 香港，2日——丹麦首都哥本哈根Rigshospitalet医院实施了一项采用金属标签的 手 术器械 RFID追踪管理系统方案。该项目负责人Henrik Eriksen博士于上个月宣布了这一为期18个月试点的结果：“一年来，基于RFID技术追踪手术器械帮助手术流程缩短31000工时，同时还提高了病人的就医安全，改善器械消毒灭菌的管控质量。” 2.项目设计 基于RFID技术的手 术器械 RFID追踪管理系统方案， 使用RFID超高频读写器扫描术前准备完毕的托盘，记录托盘内的所有手术器械。为了确保计数的准确性，RFID读写器会在托盘进入手术前多次扫描。当手术完毕后，再次使用RFID移动数据采集器确认没有器械遗失。RFID超高频读写器还会在消毒灭菌环节扫描器械记录消毒流程。 RFID读写器可以同时读取一个手术托盘内60-80把器械。而Rigshospitalet之前使用二维码来管理手术器械。Eriksen博士表示：“与二维码和其他类型的RFID技术相比，超高频RFID在读取速度和准确性方面有着无与比拟的优势。Rigshospitalet医院以为病人提供高质量服务而着称，医院领先的技术实力让我们实现了追踪手术器械和优化工作流程所带来的成本效益。” 3.技术优势 Rigshospitalet所采用的RFID跟踪管理系统由总部位于哥本哈根的医疗RFID解决方案提供商Caretag

一篇2017年的经典文章，iCaRL: Incremental Classifier and Representaion Learning。作者提出了一种增量学习实现方法简称iCaRL，这是一种增加识别种类的学习算法。想法是构建并管理一个exemplar set（旧数据的代表性样本集合），在增量学习阶段，把新数据和该exemplar set混合作为输入数据，模型训练结束后，再把部分新数据添加到exemplar set，并剔除部分旧数据（因为内存有限）。 在未增量的模型中，执行以下算法： x是输入数据，P是代表性样本集合，t是样本种类的总数。求解当前exemplar中，每个样本种类的均值Uy。比较输入数据与哪个样本种类的均值Uy差值最小（最接近），即把输入数据分为该样本类型。 在增量过程中，执行以下算法： 增量的训练过程中使用旧知识的代表性样本集合P，输入数据Xs...Xt及当前模型的参数，三者共同更新当前模型的参数。 接下来，对exemplar set进行更新，因内存有效，该集合需要删除部分旧知识，以添加新知识进入集合。 对于更新操作，分为Reduce和Construct两个操作。伪代码分别如下： 其中，进出集合的规则是按每个样本离该样本种类均值的远近。 来源： oschina 链接： https://my.oschina.net/u/4406496/blog/4710519

心理引导 你是不是看了很多有关缓存的文章，然后都有个大概理解。 然后去面试的时候，说起来还是有点结结巴巴咩？ 被问的慌慌张张？ 面完心里也没底😶。 我把onenote上的笔记拿出来分享给大家咩。 当然啦，为了文章内容的可靠性，尽可能使用专业用语。 依赖《http权威指南》描述相关内容。 至于彩蛋嘛，慢慢翻哦～ 倒不是因为 no-cache，Etag,expires,If-Modified-Since ，这些字眼困扰我们，其实如果http机制没有上岸，让你去实现这个交涉过程，你也会和对方相互约定相关制约。 只是在原本不完善的基础上，一点一点优化，于是发展成现在这样。 自己写的代码从零到有再到优化，同样的道理，让同事来看你的代码不也是一样的感受(什么JB玩意儿，shit)。 所以啊，别怕麻烦，耐心一点看(一次看不完收藏下来，下次接着看嘻嘻😁) 。 其实web缓存无非就是： 数据库缓存、服务器端缓存（代理服务器缓存、CDN 缓存）、浏览器缓存。 这里呢，我们先讲浏览器缓存里的 http缓存 。 为什么要缓存？ 每天早上设置闹钟准时在支付宝的蚂蚁森林收（tou）能量，手里这台用了4年多的苹果6s,特别慢，每次进入一个好友主页都要加载半天，同事A（和我一样的手机）说这网络好差，同事B的苹果XS秒进，近乎看不见延迟。 其实这里网络无辜背锅，手机配置性能跟不上了啊，就像家里那台04年的台式机

补码(Two's complement)、反码(Ones' Complement)、原码(Sign Magnitude)： 注意，补码和反码中，撇号的位置不同。 术语补码来源于这样一个情况，对于非负数x，我们用2ⁿ - x（这里只有一个2）来计算-x的n位表示； 术语反码来源于这样一个属性，我们用[111...1] - x（这里有很多个1）来计算-x的反码表示。 原码、反码、补码规则编码的二进制形式的有符号数和其实际值的转换公式： 假设有一个有符号的二进制的数据： ，则其所表示的实际值为： 原码： 反码： 补码： 定点小数 定点小数即纯小数，小数点的位置固定在最高有效数位之前、符号位之后，如图1所示。定点小数的小数点位置是隐含约定的，小数点并不需要真正地占据一个bit。 图1 定点小数格式 当 Xs = 0 时，该小数为正值，其原码和补码表示的形式相同。 其中， ⑴ 绝对值最大的正小数为： 其实际值等于（通过移项及合并同类项，可知该等式成立）： ⑵ 绝对值最小的正小数为： 其实际值等于： 以8bit数为例，最大正小数为 0.111 1111 = 1 - 2⁻⁷；最小正小数为 0.000 0001 = 2⁻⁷ 当 Xs = 1 时，该小数为负值，有原码和补码两种表示形式（以下形式包含Xs位）。 ⑴ 绝对值最大的负小数 ① 原码表示 ② 补码表示 ⑵ 绝对值最小的负小数 ① 原码表示

寻找程序员届的锦鲤活动 让猿们异常兴奋 我也有些兴奋… 因为发现了几条没活在水里 活在泥石流里的鲤…… 几位大佬麻烦留下你的账号 2个月VIP双手奉上 （文末有锦鲤活动新奖项哟） 泥石流里的一号鲤 1号：不想要奖品，帮忙宰了我司产品就成 你司产品该不会是信小呆二号吧！？ 泥石流里的二号鲤 LintCode的开发小哥哥 为了获奖不惜主动讨打 鞭子敬上啊！ 毕竟你可是曾经在火锅店里学猫叫的人 泥石流里的三号鲤 人家为了奖，您为了令狐冲 记得先把楼上那位讨打的解决掉 泥石流里的四号鲤 又是令狐老师的后宫佳丽？？ 记得把楼上和楼上的楼上解决掉 另外我们真不翻牌 泥石流里的五号鲤 哎我说！太不懂事惹！ 抽奖的人是我！是我！ 不是info小姐姐！ 你该搞好关系的是我！ 你们要知道 视频的机会可是我用工作换来的！ 请保证我的后半生 楼上那几位想要撩令狐老师的 你们还有一个强有力的竞争对手 萧峰小哥哥某天听令狐小哥哥说他缺个显示屏 今晚小编回了趟公司就发现…… 是的，萧峰比曹操都快 令狐老师才是办公室里的鲤 上面那是个啥群这么搞笑 A：LintCode分享交流会后建立的群，日常发放福利&VIP&分享会讲座提醒的十分优秀的场所！目前已爆满， 如果有小可爱还想加入请扫描文末新群二维码 ，注意：已在群里的小朋友们就不要重复进入了哦，为保持良好的学习（日常怼）氛围请不要乱发广告等 锦鲤活动还有后续吗 A：