- 综合排序
- 最热优先
- 最新优先
- 来自专栏电子元器件
L6390DTR
STMICROELECTRONICS 描述和应用：High voltage high/ low-side driver 驱动器 MOSFET驱动器 驱动程序和接口 接口集成电路 光电二极管 CD 型号参数：L6390DTR
36840编辑于 2022-03-20 - 来自专栏程序员的SOD蜜
消息服务框架（MSF）应用实例之分布式事务三阶段提交协议的实现
第一阶段，事务资源服务器DTR-2回复为NO，如果DTC等待DTR-2超过设定时间都没有得到回复，或者DTR-2与DTC断开了连接，也认为DTR-2的结果是NO 第二阶段（2 PC）：提交或终止阶段 协调器统计所有事物资源服务器的回复数量 假设DTR1没有收到DTC的提交指令或者撤销指令，DTR1可以假设DTR2也不会收到指令，因为此时大概率是DTC宕机或者网络整体不良，那么DTR1最佳的做法是回滚事务。 但是，如果仅仅是DTR1受网络影响没有收到提交指令，而DTR2收到了提交指令，那么DTR1回滚事务，DTR2提交了事务，整个分布式事务就是失败的，数据发生了不一致。 三阶段提交事务也并不完美 考察第3阶段的提交分布式事务的情况，DTR1收到了Commit指令，但是由于网络原因，DTR2没有收到此指令，那么DTR2是提交本地事务还是回滚本地事务？ 仔细想下，DTR2已经进入第3阶段了，那么肯定其它DTR都进入了第3阶段，而进入第3阶段的前提是各DTR节点都收到过PreCommit指令，都是已经准备好提交只等最后的提交指令了，否则各节点在第二阶段应该收到撤销指令
98970发布于 2018-02-27 - 来自专栏全栈程序员必看
UART串口流控制（Flow control）「建议收藏」
一般在串行通讯中，我们会在一些上位机上看到 RTS /CTS、DTR /DSR和 XON /XOFF的选项，这是对流控制的选项，一般是应用于 RS232接口的，是拿来调制解调器的数据通讯的 一、流控制的作用 Pin4 DTR Data Terminal Ready 数据终端准备（DTR） 电脑告诉调制解调器可以进行传输。 Pin5 GND Ground 公共接地 地线。 这样，只要 A准备好（DTR），B端就会产生呼叫（RI）并准备好（DSR）。 此时 RTS和 DTR都可以用来对数据流进行控制。 A端的 DTR（数据设备就绪）发出信号， 当 B端准备好后，B端的 DTR（数据设备就绪）向 A端的 DSR（通讯设备就绪）发出信号。 接下来就可以通过 RTS（请求发送）和 DTR（允许发送）来控制通信。
11.8K36编辑于 2022-09-06 - 来自专栏机器之心
线上分享 | 训练大模型不堆GPU，这个炼丹神器点满了技能
旷视天元（MegEngine）深度学习框架在其 1.4 版本中引入了动态图显存优化（DTR）技术，通过进一步的工程优化，利用额外计算减少显存占用，从而实现了小显存训练大模型的目的。 旷视天元工程师测试发现，开启 DTR 优化，在 2080Ti 上，ResNet50、ShuffleNet 等网络的最大 batch size 可以达到原来的 3 倍以上。 分享主题：使用 DTR 和混合精度技术训练更大的模型 分享摘要：随着深度学习的不断发展，大模型逐渐成为提升算法性能的绝佳方法。 本次分享将介绍 MegEngine 原生支持的 DTR 技术以及对 DTR 的多项优化，看看这些优化对训练更大的模型能带来哪些有益的帮助。 而通过结合使用 DTR + 混合精度，我们还可以让训练的模型大小得到更显著的增加。最后，我们还会谈谈在不远的将来，MegEngine 能为大模型的训练带来哪些更强有力的黑魔法。
95010编辑于 2023-03-29 - 来自专栏毛利学Python
kaggle | 研究生入学率预测
(random_state = 42) dtr.fit(x_train,y_train) y_head_dtr = dtr.predict(x_test) from sklearn.metrics import r2_score print("r_square score: ", r2_score(y_test,y_head_dtr)) print("real value of y_test[1]: " + [2]: " + str(y_test[2]) + " -> the predict: " + str(dtr.predict(x_test.iloc[[2],:]))) y_head_dtr_train = dtr.predict(x_train) print("r_square score (train dataset): ", r2_score(y_train,y_head_dtr_train)) Index of Candidate") plt.ylabel("Chance of Admit") plt.legend((red,green,blue,black),('LR', 'RFR', 'DTR
3.8K22发布于 2020-02-25 - 来自专栏KI的算法杂记
联邦元学习算法Per-FedAvg的PyTorch实现
我们定义它的元函数 图片 ： 为了在本地训练中对元函数进行更新，我们需要计算其梯度： 代码实现如下： def train(args, model): model.train() Dtr , Dte, m, n = nn_seq(model.name, args.B) model.len = len(Dtr) print('training...') data = [x for x in iter(Dtr)] for epoch in range(args.E): model = one_step(args, data, model 本地梯度下降 得到初始模型后，需要在本地进行1轮迭代更新： def local_adaptation(args, model): model.train() Dtr, Dte = nn_seq_wind loss_function = nn.MSELoss().to(args.device) loss = 0 for epoch in range(1): for seq, label in Dtr
1.2K20编辑于 2022-11-09 - 来自专栏xingoo, 一个梦想做发明家的程序员
一分钟教你在博客园中制作自己的动态云球形标签页
yellow;} #div1 .green {color:green;} </style> <script type="text/javascript"> var radius = 60; var dtr ); ca = Math.cos(a * dtr); sb = Math.sin(b * dtr); cb = Math.cos(b * dtr); sc = Math.sin (c * dtr); cc = Math.cos(c * dtr); } </script> <a href="http: ); ca = Math.cos(a * <em>dtr</em>); sb = Math.sin(b * <em>dtr</em>); cb = Math.cos(b * <em>dtr</em>); sc = Math.sin (c * <em>dtr</em>); cc = Math.cos(c * <em>dtr</em>); } </script> 最后添加自己的云标签内容，即可，后面的class会调用上面css定义的样式，如果没有自己喜欢的颜色或者样式
1.6K80发布于 2018-01-18 - 来自专栏yl 成长笔记
c# oracle 数据库连接以及参数化查询
cmd.Parameters.Add(new OracleParameter("CadqueueId", cadqueueId)); cn.Open(); OracleDataReader dtr = cmd.ExecuteReader(); if (dtr.Read()) { address = dtr["SvjDataAddress"] cmd.Parameters.Add("CadqueueId", cadqueueId); // cmd.ExecuteNonQuery(); } dtr.Close
2.8K30发布于 2018-09-12 - 来自专栏yl 成长笔记
从数据库中下载文件的工具
OracleParameter("CategoryId", categoryId)); cn.Open(); OracleDataReader dtr = cmd.ExecuteReader(); while (dtr.Read()) { matQueue.Add (PopulateQueuesFromIDataReader(dtr)); } dtr.Close();
1.6K20发布于 2018-09-12 - 来自专栏CVer
旷视揭秘大模型训练神器！看 MegEngine 如何实现动态图显存优化
本篇文章将从工程实现的角度重点介绍在 MegEngine 中如何使用 DTR 技术对动态图显存进行优化的。 ? 2.2 DTR 策略 为了使得框架能够自动计算策略，我们在 MegEngine v1.4 中引入了 DTR——《动态 tensor 重造》这篇论文中的技术，它是完全动态的启发式策略。 另外，DTR 论文中还提出，除了重计算带来的开销之外，其他的额外开销主要用于寻找应该被释放掉的最优 tensor。 3.3 引入 DTR 后的算子执行 ? 上图是 DTR 核心的伪代码，对于 ApplyOp 方法，以往只需要执行黄色的代码，表示对 input 输入执行 op 算子。 因此，这里只取了动态图 DTR 优化的结果与 Baseline 比较。不论是单卡还是八卡，动态图的极限 batch size 都在 100，如果打开 DTR 可以跑到 250 甚至更大。 ?
1.3K40发布于 2021-06-09 - 来自专栏Youngxj
emlog彩色3D标签云 - 非插件
style.css这个文件 然后是JS部分，新建3dtag.js放在当前模板js 目录下（js已经帮大家写好了，可以下载直接上传）： var radius = 100; var d = 200; var dtr mcList[i].zIndex; aAs.opacity = mcList[i].alpha } } function sineCosine(a, b, c) { sa = Math.sin(a * dtr ); ca = Math.cos(a * dtr); sb = Math.sin(b * dtr); cb = Math.cos(b * dtr); sc = Math.sin(c * dtr) ; cc = Math.cos(c * dtr) } 最关键的module.php 在合适的地方插入： <?
1.3K60发布于 2018-06-07 - 来自专栏hotarugaliの技术分享
P1494「[国家集训队]小Z的袜子」
// 分块大小 // 莫队 struct MO { // 查询区间 struct Query { ll l, r; ll idx, ntr, dtr if(query[i].l >= query[i].r) { query[i].ntr = 0; query[i].dtr ans) { query[i].ntr = 0; query[i].dtr = 1; } else { ll d = gcd(ans, s); query[i].ntr = ans / d; query[i].dtr result[query[i].idx][0] = query[i].ntr; result[query[i].idx][1] = query[i].dtr
29820编辑于 2022-03-18 - 来自专栏硬件开发
ESP32 自动下载电路
端保持高电平IO0通过开关按下保持一段时间低电平即可进行烧录（乐鑫官方硬件指南），就对这两个三极管的存在感到很迷惑，仔细观察这个电路的作用他是两个射级互联基级的OC门做输出，粗看本质上就是RTS接EN以及DTR （连接RTS和DTR既可以硬件流烧录也可以软件流烧录） image.png 这边顺便提一下单个OC门的输出：由于三极管的导通原理，在下图的情况下输出可以做到与输入反向的作用，此处1，0非电压值，代表高低电平的意思 de33f68d070ee903246250939aa9e4c.jpg 有了OC门的知识基础，就不难理解一图中真值表代表的意思也正是通过真值表，我们可以看到我们忽视的一个东西，即当DTR和RTS都为低电平时 这边也有被我们忽视的东西，在ESP32的开发板里EN端和IO0都是通过上拉电阻接VCC了，他们初始状态都是高电平，那么就不难理解这个自动下载电路的目的了，他预防了当RTS和DTR都为低电平的时候影响到电路的正常的使用
4.1K50编辑于 2022-03-11 - 来自专栏硬件分享
USB接口一键下载程序电路解析
BOOT1一般在电路中默认接低电平，在电路上电后RTS#、DTR#为高电平，在用烧写软件时，我们在软件下方选择“DTR的低电平复位，RTS高电平进BootLoader”。 电路中Q2为pnp三极管，RTS输出低电平时，导通，BOOT0才为高电平; 电路中Q1为npn三极管，DTR输出高电平时，导通，RST才为低电平; 首先，烧写软件控制DTR#引脚输出高，RTS#引脚输出低 然后，延时100ms后，下载软件控制DTR#引脚输出低电平，RTS#引脚继续为低电平，此时STM32的复位引脚，由于Q1不再导通，变为高电平，STM32结束复位，但是BOOT0还是维持为1，从而进入ISP
3.1K20编辑于 2022-11-18 - <script> var radius = 120; var dtr alpha; } }; function sineCosine(a, b, c) { sa = Math.sin(a * dtr ); ca = Math.cos(a * dtr); sb = Math.sin(b * dtr); cb = Math.cos( b * dtr); sc = Math.sin(c * dtr); cc = Math.cos(c * dtr); } </script14.9K10发布于 2020-11-26
通过一个时序预测案例来深入理解PyTorch中LSTM的输入和输出
= seq[0:int(len(seq) * 0.7)] Dte = seq[int(len(seq) * 0.7):len(seq)] train_len = int(len(Dtr ) / B) * B test_len = int(len(Dte) / B) * B Dtr, Dte = Dtr[:train_len], Dte[:test_len] train = MyDataset(Dtr) test = MyDataset(Dte) Dtr = DataLoader(dataset=train, batch_size=B, shuffle , Dte 上面代码用了DataLoader来对原始数据进行处理，最终得到了batch_size=B的数据集Dtr和Dte，Dtr为训练集，Dte为测试集。 = 0 for i in range(epochs): cnt = 0 print('当前', i) for (seq, label) in Dtr
短信收发类无错版JustinIO.cs
fOutxDsrFlow; // 指定CTS是否用于检测发送控制 DSR output flow control public int fDtrControl; // DTR_CONTROL_DISABLE 值将DTR置为OFF, DTR_CONTROL_ENABLE值将DTR置为ON, DTR_CONTROL_HANDSHAKE允许DTR"握手" DTR flow control type public
自学WP7第一个例子：时钟
SetClock(); //设置时钟 } private void SetClock() { DispatcherTimer dtr = new DispatcherTimer(); dtr.Interval = TimeSpan.FromSeconds(1); dtr.Tick += new EventHandler(MyDial); dtr.Start(); } private void MyDial(object sender
显存不够，框架来凑：两行代码显存翻倍，2080Ti也能当V100来用
如上图所示，在动态计算图中导入 DTR 显存优化模块，并配置显存释放阈值为 5GB。训练时，因为显存已经「翻倍」了，Batch Size 翻四倍也能装到 GPU 中。 下面两张表分别展示了在 PyTorch 及 MegEngine 上加载或不加载动态图显存优化（DTR）技术的效果。 只要加上 DTR，PyTorch 模型一次迭代就能处理 140 个样本，MegEngine 能尝试处理 300 个样本。 DTR，最前沿的显存优化技术 DTR 是一种完全动态的启发式策略，核心思想是当显存超过某个阈值时，动态地释放一些合适的张量，直到显存低于阈值。 除去从检查点恢复前向传播结果张量带来的主要开销，DTR 的额外开销在于寻找应该被释放的最优张量，即计算上图张量 t 的 f(t)值。
