- 综合排序
- 最热优先
- 最新优先
- 来自专栏图形视觉
细分网格建模
另外，细分网格表示的数据量非常小，很适合于网络传输。 ---- 细分网格建模 三维公园提供了在线的三维建模工具，用户可以直接在浏览器中进行三维设计。
1.2K11发布于 2019-10-27 - 来自专栏frytea
dnsmasq 多网卡分网段配置
在 dnsmasq 的配置文件 /etc/dnsmasq.conf 中使用类似下面的配置：
1.4K20编辑于 2023-10-21 - 来自专栏JNing的专栏
【pytorch】固定(freeze)住部分网络
因为：即使对bn设置了 requires_grad = False ，一旦 model.train() ，bn还是会偷偷开启update（ model.eval()模式下就又停止update ）。（详见【pytorch】bn） 所以：train每个epoch之前都要统一重新定义一下这块，否则容易出问题。
2.6K10编辑于 2021-12-06 - 来自专栏用户9757876的专栏
没有可网管交换机，怎么分网段？
调试计划：只有一台办公用的交换机是可网管的二层交换机，其他都是非网管交换机，所以放弃用交换机VLAN划分，而是用路由器端口来划分网段，以便接入不同的网络交换机； 调试过程：1、路由器修改为复杂密码； 192.168.20.1/24，分别接入两台AP交换机； 5、同理，创建VLAN30，LAN4和LAN5两个接口绑定到VLAN30，配置IP为：192.168.30.1/24，分别接入两台门禁监控交换机； 6、
1.5K10编辑于 2022-12-08 - 来自专栏我爱计算机视觉
ELAN：将超分网络SwinIR高效化，最快可达4.5倍
技术之美 本篇分享论文『Efficient Long-Range Attention Network for Image Super-resolution』，由香港理工大学、OPPO 提出ELAN：将超分网络 通过将两个shift卷积与GMSA模块级联，构建高效的远程注意块(ELAB)，并通过共享注意机制进一步加速该模块的运行，极限情况下能比SwinIR快四倍！ 这表明GMSA比SwinIR小窗口下的SA更有效。共享注意机制，可以在性能下降很小的情况下，进一步加快光的推断时间。 但是因为在SwinIR中SA是一个沉重的计算负担，SwinIR-light的延迟比CNN的方法要慢×10以上。 得益于高效的远程注意力设计，ELAN-light模型不仅在所有五个数据集上获得了较好的指标，而且比SwinIR-light快了×4.5。同时参数和计算复杂度也比SwinIR-light要小。
1.7K20编辑于 2022-09-01 - 来自专栏企鹅号快讯
前端插件以及部分细分网址梳理
图来源网络 前端插件以及部分细分网址梳理 插件 parallel.js: 前后端通用的一个并行库 zepto: 用于现代浏览器的兼容 jQuery 的库 totoro: 稳定的跨浏览器测试工具 TheaterJS MVC 框架，部分使用场景下性能优于 Angular.js 和 React backbone: 强大的前端 MVC 库，鼻祖级前端库，最初为了配合 Rails 来模块化前端应用，兼容性良好 (兼容到 IE6) ，插件丰富，性能良好 jquery.smartbanner: smartbanner 是从 IOS6 开始支持的一个新特性, 这个插件提供了对早期 IOS4/5 和 Android 的支持 jquery.scrollTo 在页面上以一个元素为起始以动画的方式移动(ScrollTo)到另一个元素， 支持回退等 jScrollPane: 自定义的滚动条，让所有浏览器都显示一样的滚动条 onepage-scroll: 提供类似于 iPhone6 grunt-react: React 的 Grunt 组件, 用于将 JSX 编译成 JS touchstonejs: 基于 React 的手机应用前端框架 essential-react: 基于 React, ES6,
6.8K90发布于 2018-02-05 - 来自专栏GiantPandaCV
如何实现比PyTorch快6倍的PermuteTranspose算子？
的维度可以直接去除 连续排列的维度可以合并成一个维度 针对第二条规则，我们考虑以下Permute情况： # 0, 1, 2, 3) -> (2, 3, 0, 1) x = flow.randn(3, 4, 5, 6) y = x.permute(2, 3, 0, 1) y.shape (5, 6, 3, 4) 显然这是一个四维的Permute情形，但这里第2，3维，第0，1维是一起Permute的，所以我们可以看成是一种二维的 这里Permute的带宽比原生Copy还高一点，是因为Copy Kernel里没有做unroll指令间并行优化，而Permute Kernel内部做了相关优化，这里仅做参考。 使用上面的两个优化技巧，OneFlow就能轻易做到比PyTorch的实现要快了。常规的Permute适用情况比较广泛，也因此可能存在访存不合并的情况。 6 展望 从本文和之前OneFlow发布的CUDA优化文章中可以看到，在kernel优化过程中有一些常见、通用的手段，如合并冗余以减少计算次数、调整访问粒度以提高访存效率。
1.6K10发布于 2021-11-12 - 来自专栏全栈程序员必看
教你识別和区分网络及使用者
对组织来说。适当的识别和分类正常流量和用户，可以更easy保护组织的关键数据。眼下。移动设备和BYOD政策趋势。加之企业网络内数据流动的规模大大添加，说明想要进行“正确”的网络区隔变得困难得多。
44730编辑于 2022-07-10 - 来自专栏码客
解决部分网站因DNS无法访问的问题
avatars4.githubusercontent.com 151.101.184.133 avatars5.githubusercontent.com 151.101.184.133 avatars6.
3K20发布于 2020-05-19 - 来自专栏Hadoop实操
0593-CDH5与CDH6对比
CDH6是基于Hadoop3同时包含大量其他组件的大版本更新的发布版本，许多用户考虑到未来CDH的版本主要是基于C6，而CDH5会慢慢的停止更新，所以考虑新搭集群使用CDH6，或者想把已有的CDH5集群升级到 CDH6。 第一个问题就是需要考虑CDH5和CDH6的差别，通过分析一些差异看能否将已有的应用迁移或者直接部署到CDH6，兼容性稳定性是否存在问题等。 CDH5变化不大，这也方便了CDH5的用户可以较为快速的迁移到CDH6，以及适应CDH6的安装与使用。 6.Cloudera Manager的rpm安装包由之前的7个变成了5个，去掉了之前的JDK6的包，然后自带JDK1.8.0_141，将不再支持JDK1.7。
8K42发布于 2019-04-28 - 来自专栏信数据得永生
【论文笔记】BINE：二分网络嵌入
4.1 建模显式关系 在二分网络中，边存在于两种不同类型的顶点之间，在构建二分网络时提供显式信号。 Equation (4); 3 foreach vertex vi ∈ R do 4 l = max(H(vi) × maxT, minT); 5 for i = 0 to l do 6 类似地，我们可以得到语料库D^V的目标函数： (6) 按照现有的神经嵌入方法 [4,8,20]，我们为输出使用带有 softmax 的内积核，参数化条件概率P(u[c] | u[i])和P(v[c] 通过该定义，实现公式（5）和（6）中定义的目标，将迫使具有相似上下文的顶点在嵌入空间中接近。 WalkGenerator(W,U,maxT,minT,p); 4 D^V = WalkGenerator(W,V,maxT,minT,p); 5 foreach edge (u[i], v[j]) ∈ E do 6
66420编辑于 2022-05-07 - 来自专栏又见苍岚
概率论基础 - 6 - 切比雪夫不等式
切比雪夫不等式可以使人们在随机变量X的分布未知的情况下，对事件|X-\mu|<\varepsilon 定义 假设随机变量X具有期望E(X)=\mu， 方差 Var(X)=\sigma^2，则对于任意正数 在随机变量分布未知的情况下，我们只知道均值和方差，切比雪夫不等式给出了X落入以均值为中心的ε邻域概率的概率下界 证明 思路1 利用取值范围建立不等式 image.png 思路2 mathbb P(|X-\mu| \ge \varepsilon) = \mathbb P(|X-\mu|^2 \ge \varepsilon^2) 再次套用马尔可夫不等式： image.png 推论——切比雪夫定理 ，对于任意给定的\varepsilon > 0 image.png 即当样本个数趋于无穷时，样本的算数平均值会收敛于理论均值 参考资料 https://baike.baidu.com/item/切比雪夫定理 fromtitle=切比雪夫不等式&fromid=8709330&fr=aladdin http://www.huaxiaozhuan.com/数学基础/chapters/2_probability.html
2.9K30编辑于 2022-08-05 - 来自专栏全栈程序员必看
ipv4和ipv6对比(IPV4)
IPV6 IPV6有地址长度有128比特，8个16位字节。IPV6的出现解决了IP V4地址不足问题。 在 IPV6的标记上一般将128比特IP地址以每16比特为一组，每组采用冒号标记，出现连续的0时可以省略，并用两个冒号隔开。一个IP地址中只允许出现一次两个连续的冒号。 环回地址：该地址无法在互联网通信时使用 ：：1/128 多播地址：FF00::/8 IPV6报头： 版本号：和IPV4报头版本号意思相同，这里为6. 流量级别：长度为8bit，它等同于IPv4报头中的TOS字段，表示IPv6数据包的类或优先级，主要应用于QoS。 流标签：长度为20bit，它用于区分实时流量。 但是在ipv6中，在紧随在数据包头的不一定是上层协议的头（ipv4里面的数据包头后面跟的就是上层协议的头），有可能是扩展包头（再次出现这个名词，在下一段中描述）。
2.1K30编辑于 2022-07-31 - 来自专栏软件安装
6个免费在线黑科技网站，功能比付费会员好用！
算是极品网站吧，也可以理解工具箱，必定都是一些功能比较多的工具，或对上班，或对做自媒体都有一定的帮助，效率工具必定是要提升效率的。
21310编辑于 2026-03-26 - 来自专栏释然IT杂谈
这6种方法比拔网线高明，第6种老板都叫绝
今天，我将从企业级实战出发，深度解析6大主流上网管控方案，涵盖技术架构、成本模型与避坑指南，助你找到最适合企业现状的最优解。 一、为什么"物理隔离"是最糟糕的选择？ 抱歉，您得等我跑机房插网线 颗粒度粗糙：无法做到"允许OA但禁止娱乐"这种精细化控制 现代企业网络管理的核心诉求应聚焦于：精准控制、动态调整、无感知部署、全链路审计 二、6大方案详解：从入门到精通 方案 http_access allow design_dept work_sites http_access deny all 员工端配置： 组策略推送代理脚本（PAC） 或防火墙只开放3128端口，其余出站全禁 方案6： 走OA审批，临时放行 日志保留：至少保存6个月，防止法律纠纷（员工起诉"侵犯通信自由"） 灰度发布：先封5%的人测试1周，没问题再全量 总结 没有最好的方案，只有最适合的。
50821编辑于 2025-11-19 - 来自专栏全栈程序员必看
离心泵CAE_2_ICEM剖分网格_2_叶轮流道
由于三个流道分开来划分网格，所以分三部分来分别讲解，这里是第2篇，叶轮流道的网格剖分，有了上篇进口延伸段的网格剖分的基础，这里就没必要讲得那么事无巨细了。 注意，这里只有1/6个整体流道，叶片在中间，两侧有两个周期面，进口是个1/6扇形面，出口是个1/6环形面，叶片还往出口方向延伸出去了一段，所以还是要把它复制为整个流道的。 2.5 划分网格 还是用最简单粗暴的均匀非结构网格粗略来划分。 单击Compute或者OK都行的，让它来划分网格吧。 右下方会有信息冒出来，还有个进度条在走，稍候片刻，妥了，网格画好。
1.7K10编辑于 2022-09-01 - 来自专栏CreateAMind
Caption Generation 比google的方法更快(6 hours v.s. several weeks)
Feature extraction: 2 hours in parallel Single model training: 6 hours Ensemble model training: 30 mins
43350发布于 2018-07-25 - 来自专栏程序那些事儿
Saga：比笔记更轻，比知识库更快，比 AI 更自然
在信息工具不断更新的这几年，人们对“笔记软件”的期待已经从简单记录，变成了知识管理、任务管理、写作、协作、甚至构建第二大脑。 但当你真正打开 Saga，你会发现它并不属于任何一个传统分类。
17710编辑于 2026-03-27 - 来自专栏咸鱼学Python
JS逆向 | 【难度0.2】某美妆积分网站 sign 值分析
aHR0cDovL2ppZmVuLmtvdWhvbmdndWkuY29tLyMvcmVnaXN0ZXJob21lP3Rva2VuPTE1NDcxNzcwMzY0MDg0M184MTEzNjEwZjM3MTc0OTI4OTQwNjJhNjc2MWUzZWJmYiZ1c2VySWQ9MTU0NzE3NzAzNjQwODQzJm5pY2tOYW1lPTE1MCUyYSUyYSUyYSUyYTM0MDM=
99620发布于 2020-02-26 - 来自专栏新智元
性能比旗舰大砍近25%，比RTX 5000只高6%
实际上，它的表现更加接近RTX 5000——两项参数分别提升了10%和6%。 那么问题来了，性能被大刀快1/4的RTX 5880，价格上会有什么变动呢？ 目前英伟达还没有公布价格。 这意味着，RTX 5880比RTX 6000的CUDA核心少了23%，只比RTX 5000多了10%。 性能方面，RTX 5880在单精度浮点处理能力上达到了69.3TFLOPS，比RTX 5000高6%，但比RTX 6000低24%。 RT核心和Tensor核心的性能差距也是类似。 nvidia-launches-another-sanctions-compliant-gpu-for-china-rtx-5880-ada-debuts-with-14080-cuda-cores-48gb-gddr6
1.6K10编辑于 2024-01-11
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号