beam

　　9 月 29 日，专注于研究相分离生物技术的初创公司 Dewpoint Therapeutics(以下简称 “Dewpoint”) 宣布完成 7700 万美元 B 轮融资。本轮融资由 ARCH Venture Partners 领投，新加入的投资方还包括 Maverick Ventures、Bellco Capital，已有投资方美国北极星创投（Polaris Partners）、拜耳飞跃、EcoR1 Capital、Samsara BioCapital 和 Innovation Endeavors 也继续追加投资。 　　图 | Dewpoint Therapeutics logo 　　（来源：Dewpoint Therapeutics 官网） 　　 “Dewpoint 的诞生展现了一种全新的运作公司的方式” 　　美国生物制药行业知名媒体 Endpoints News 创始人约翰 · 卡罗尔（John Carroll）在文章中这样形容 Dewpoint： 它的故事展现了一种全新的运作公司的方式。 　　2019 年 1 月 30 日，Dewpoint 以宣布获得 6000 万美元 A 轮融资的方式正式出现在大众视野中。这家成立即融资千万美元的公司是北极星创投执行合伙人阿米尔 · 纳沙特（Amir Nashat）的“新作品”。纳沙特在北极星创投已任职 16 年

V-rep中显示激光扫描点 　 　　在VREP自带的场景中找到practicalPathPlanningDemo.ttt文件，删除场景中多余的物体只保留静态的地图。然后在Model browser→components→sensors中找到SICK TiM310 Fast激光雷达，拖入场景中： 　　打开脚本参数修改器，可以修改雷达扫描范围（默认为270°），是否显示雷达扫描线（true），以及最大探测距离（默认为4m）这三个参数。地图大小为5m×5m，我们将雷达最大探测距离改为2m 　　将激光雷达放到地图中任意位置，点击仿真按钮可以看到扫描光线（如果电脑比较卡可以将showLaserSegments这个参数设为false，就不会显示扫描线）如下图所示： 　　SICK_TiM310激光雷达在V-rep中是由两个视角为135°的视觉传感器模拟的，这两个视觉传感器可以探测深度信息： 　　双击视觉传感器图标，修改Filter中Coordinate Extraction的参数与传感器X/Y方向分辨率一致。X方向默认值为135，即会返回135个数据点，这里要改为256。 　　我们可以在V-rep中绘制出激光扫描图：在场景中添加一个Graph，将其设为显示处理（Explicit handling），然后添加用户自定义数据x和y： 　　然后点击Edit XY graphs按钮

SEM – 日常实验室操作中的必需品 – JSM-IT700HR 使操作变得简单 东京--(美国商业资讯)--JEOL Ltd. (TOKYO:6951)（总裁兼首席运营官：Izumi Oi）宣布，将于2020年8月推出新的扫描电子显微镜(SEM) JSM-IT700HR，提供前所未有的高通量。 开发背景 扫描电子显微镜应用于纳米技术、冶金、半导体、陶瓷、医学和生物学等各种领域。此外，SEM的应用范围正在不断扩大，以涵盖质量控制和基础研究。因此，对于更快地采集高质量SEM图像的数据和更轻松地确认组成信息的需求也在不断增长。 JSM-IT700HR基于我们屡获殊荣的“InTouchScope™”系列SEM构建，配备我们的浸没式(in-lens)肖特基(Schottky)场发射电子枪(FEG)。这款功能强大的新型SEM满足日常实验室操作中对进一步小型化材料进行观察和分析的需求。 JSM-IT700HR具有1纳米高分辨率和300 nA的最大探针电流（比以前型号高15倍），提供大量的观察和分析信息。简单易用的用户界面、可容纳大样本室的紧凑设计，以及为主控制台提供新的防振支架，均使观察和分析比以前更加舒适。 为增强“简易操作性”，JSM-IT700HR增加了整合到SEM GUI中的新功能，以显示特征X射线生成深度。这有助于迅速了解样本的分析深度（参考值），这对元素分析十分有用。 提供两种配置

SEM – 日常实验室操作中的必需品 – JSM-IT700HR 使操作变得简单 东京--(美国商业资讯)--JEOL Ltd. (TOKYO:6951)（总裁兼首席运营官：Izumi Oi）宣布，将于2020年8月推出新的扫描电子显微镜(SEM) JSM-IT700HR，提供前所未有的高通量。 开发背景 扫描电子显微镜应用于纳米技术、冶金、半导体、陶瓷、医学和生物学等各种领域。此外，SEM的应用范围正在不断扩大，以涵盖质量控制和基础研究。因此，对于更快地采集高质量SEM图像的数据和更轻松地确认组成信息的需求也在不断增长。 JSM-IT700HR基于我们屡获殊荣的“InTouchScope™”系列SEM构建，配备我们的浸没式(in-lens)肖特基(Schottky)场发射电子枪(FEG)。这款功能强大的新型SEM满足日常实验室操作中对进一步小型化材料进行观察和分析的需求。 JSM-IT700HR具有1纳米高分辨率和300 nA的最大探针电流（比以前型号高15倍），提供大量的观察和分析信息。简单易用的用户界面、可容纳大样本室的紧凑设计，以及为主控制台提供新的防振支架，均使观察和分析比以前更加舒适。 为增强“简易操作性”，JSM-IT700HR增加了整合到SEM GUI中的新功能，以显示特征X射线生成深度。这有助于迅速了解样本的分析深度（参考值），这对元素分析十分有用。 提供两种配置

Connectionist Temporal Classification, an algorithm used to train deep neural networks in speech recognition, handwriting recognition and other sequence problems. 1. Problem don’t know the characters in the transcript align to the audio when having a dataset of audio clips and corresponding transcripts. people’s rates of speech vary. hand-align takes lots of time. Speech recognition, handwriting recognition from images, sequences of pen strokes, action labelling in videos. 2. Question Define when mapping input sequences X = [ x 1 , x 2 , … , x T ] X = [x_1, x_2, \ldots, x_T] X = [ x 1 ​ , x 2

NR中系统消息如MIB - 可用于无线帧同步等，SIB1 - 小区物理信道公共配置等，是驻留一个小区所必需获得的信息，这类系统信息小区是进行周期性广播。 在SI的配置中，系统消息分为BroadCasting和non-BroadCasting，BroadCasting类系统消息基站也是周期性进行广播的，而non-BroadCasting类系统消息则是通过一种on-demand的方式，即如果需要读取这类系统消息，那么UE需要先发送请求给基站，基站响应UE之后，再下发系统消息。 为什么引入这种on-demand的方式？ NR中引入了Beam的概念，为了支持小区的全覆盖，基站需要在不同的Slot对不同方向的Beam分别广播系统消息，在 NR/5G - 广播数据SSB/SIB1/SI/Paging调度小总结 文中可以看到这种Beam Sweep的下发方式。 Beam Sweep 在中低频段，Beam的个数为4/8，但是在高频时候，Beam的个数最大为64，那么可以看到，如果采用非广播的方式，可以节省基站的功耗。有预测，到2026年，5G或许会使网络能耗添加150％至170％，增幅最大的是宏基站和数据中心。 另外一方面，如果都采用广播方式，则还需要将PDCCH资源预留以保证系统消息的调度，这些资源不能用于其他PDSCH的调度。 UE是怎么请求读取non-BroadCasting系统消息？

CHANGLOG 4/10/2020，展开背景介绍和方法、优化内容组织。 前言 2019年末的时候在工作中开始尝试使用机器阅读理解做信息抽取，通过调研发现 多答案抽取领域 一直鲜有人问津。不过伴随 DROP 的横空出世，也出现了2篇关于multi-span extraction的研究，在此分享下调研成果。 目录 背景介绍 任务定义 方法 总结 1. 背景介绍 机器阅读理解（Machine Reading Comprehension，MRC）因其开放性和交互性已成为NLP领域炙手可热的方向，头部企业及高校如Google、Facebook、斯坦福等纷纷下场厮杀，在众多相关比赛如 SQuAD 上达到或超越人类水平。 SQuAD Leaderboard 尽管如此， 现有的MRC处理现实场景下的QA问题依旧能力不足。 原因有三： 现有的方法大多基于自然语言模型将问题和文档直接结合起来作为模型的输入，但由于模型一次能接受的文字输入长度有限，这么做往往会造成模型聚焦于从短段落中提取答案，而不是通过阅读整个内容页面找到合适的上下文，最后导致预测的答案并不能够很好的反映问题。 现有的中文机器阅读理解模型大多假设文档中一定有能回答问题的答案，而没有考虑如何处理无答案问题的情况，这样会导致模型的预测有所偏差。 现有的机器阅读理解模型大多假设文档中最多只有一个答案能回答问题

—————————————— 版权声明：本文为博主「henyu」的原创文章，遵循CC 4.0 by-sa版权协议，转载请附上原文出处链接及本声明。 原文链接： https://i.cnblogs.com/EditPosts.aspx?postid=11430012 一 、 概述 在大数据的浪潮之下，技术的更新迭代十分频繁。受技术开源的影响，大数据开发者提供了十分丰富的工具。但也因为如此，增加了开发者选择合适工具的难度。在大数据处理一些问题的时候，往往使用的技术是多样化的。这完全取决于业务需求，比如进行批处理的MapReduce，实时流处理的Flink，以及SQL交互的Spark SQL等等。而把这些开源框架，工具，类库，平台整合到一起，所需要的工作量以及复杂度，可想而知。这也是大数据开发者比较头疼的问题。而今天要分享的就是整合这些资源的一个解决方案，它就是 Apache Beam。 Beam是一个统一的编程框架，支持批处理和流处理，并可以将用Beam编程模型构造出来的程序，在多个计算引擎（Apache Apex, Apache Flink, Apache Spark, Google Cloud Dataflow等）上运行。 本文重点不在于讲解 apache beam 的优缺点及应用前景，着重在于为初识beam ，而不知道怎么入门编写代码的朋友抛转引玉。 二、apache beam