Delta

OI差的的人写一些这样的游记应该是没有问题的吧？ 其实人没有必要非得AK什么比赛，能为比赛付出努力的任何人想必都不容易。 Day -9 今天终于正式开始搞复习了。之前该打的摆都打完了。 6天左右的OI小集训算是培养了我一项重要的品质：坚强。 回家疯狂补作业+偷偷打摆。 炎德杯还是考了该死的函数。要求$f(x)=x|x-a|+2x$的一系列取值范围。 记住，绝对值不是什么好玩的东西。要知道，它是$\sqrt{x^2}$，至少也可以算是一个分段函数了。 对付分段函数的最好方式就是直接展开，像这样： $$ f(x)= \begin{cases} (x-\frac{a-2}{2})^2-\frac{(a-2)^2}{4}\ -(x-\frac{a+2}{2})^2+\frac{(a+2)^2}{4} \end{cases} $$ 然后画草图模拟一下变化状态，枚举边界情况就好了。 物理似乎难题都分布在能量和动量上，天体问题只会出毒瘤计算题。 这个公式倒是用的多：$$\delta E_k=\dfrac{1}{2} \dfrac{Mm}{M+m} (v_2-v_1)^2$$ 用于计算完全非弹性碰撞的损失机械能。其中$\mu=\frac{Mm}{M+m}$为折合质量，$\delta v = v_2 - v_1$为相对速度。 语文继续学小说，讲了意识流小说和荒诞派小说。伍尔夫的意识流小说似乎值得一读

在线调试是云函数为了解决用户在本地搭建调试环境复杂，云上环境不便于定位等问题推出的功能。 云上的各种服务，在本地无法完全模拟，程序员大都遇到过本地和远程环境运行结果不一致的情形，追查起来费时费力，不仅效率低下，也造成非常郁闷的工作体验。 所以，能否直接在远程环境中完成全部的开发流程，是提升开发体验的最直接手段，然而在其他问题都解决后，远程调试功能是最后的一公里。 本篇文章将以一段内存泄漏的代码为例，给大家展示如何使用云函数在线调试功能定位和解决问题。Node10 及以上版本的 runtime，使用 Chrome 浏览器打开云函数控制台，在函数代码页即可看到在线调试的入口。 开启调试模式 使用Chrome浏览器打开函数代码编辑页，可以看到在【远程调试】页。为保障调试的体验，开启调试模式将修改函数的部分配置，包括函数进入单实例模式、函数超时时间修改为900秒等。开启前请务必确认这些调整。 待加载完成后，页面将自动展示入口文件。 找不到需要的文件？ 使用快捷键 Cmd + P（Mac）或 Ctrl + P（Windows）可以打开所需要的文件。但大家可能会发现，刚开启调试模式时，打开文件的列表中找不到所需要的文件。 这是因为对于动态脚本语言来说，调试器不会加载所有的内容，只会加载执行过的文件。我们先点击测试，让函数运行一次。在运行一次后，我们就可以打开所需要的文件了。 设置断点

2020年如果问什么技术领域最火？毫无疑问： 音视频 。2020年远程办公和在线教育的强势发展，都离不开音视频的身影，视频会议、在线教学、娱乐直播等都是音视频的典型应用场景。 更加丰富的使用场景更需要我们考虑 如何提供更多的可配置能力项， 比如分辨率、帧率、码率等 ，以实现更好的用户体验 。本文将主要从“ 分辨率 ”展开具体分享。 如何实现自定义编码分辨率 我们先来看看“分辨率”的定义。 分辨率： 是度量图像内像素数据量多少的一个参数，是 衡量一帧图像或视频质量的关键指标 。分辨率越高，图像体积（字节数）越大，画质越好。对于一个YUV i420 格式、分辨率 1080p 的视频流来说，一帧图像的体积为 1920x1080x1.5x8/1024/1024≈23.73Mbit，帧率 30，则 1s 的大小是 30x23.73≈711.9Mbit。可见数据量之大，对码率要求之高，所以在实际传输过程中就需要对视频进行压缩编码。因此，视频采集设备采集出的原始数据分辨率我们称 采集分辨率， 实际送进编码器的数据分辨率我们就称之为 编码分辨率 。 视频画面是否清晰、比例是否合适，这些都会直接影响用户体验。摄像头采集分辨率的选择是有限的，有时我们想要的分辨率并不能直接通过摄像头采集到。那么，根据场景配置合适编码分辨率的能力就至关重要了。**如何将采集到的视频转换成我们想要的编码分辨率去发送？*

点击上方 蓝色字体 ，选择“ 设为星标 ” 回复”资源“获取更多资源 大数据技术与架构 点击右侧关注，大数据开发领域最强公众号！ 大数据 真好玩 点击右侧关注，大数据真好玩！ Delta Lake 是一个存储层，为 Apache Spark 和大数据 workloads 提供 ACID 事务能力，其通过写和快照隔离之间的乐观并发控制（optimistic concurrency control），在写入数据期间提供一致性的读取，从而为构建在 HDFS 和云存储上的数据湖（data lakes）带来可靠性。Delta Lake 还提供内置数据版本控制，以便轻松回滚。 为什么需要Delta Lake 现在很多公司内部数据架构中都存在数据湖，数据湖是一种大型数据存储库和处理引擎。它能够存储大量各种类型的数据，拥有强大的信息处理能力和处理几乎无限的并发任务或工作的能力，最早由 Pentaho 首席技术官詹姆斯迪克森在2011年的时候提出。虽然数据湖在数据范围方面迈出了一大步，但是也面临了很多问题，主要概括如下： 数据湖的读写是不可靠的。数据工程师经常遇到不安全写入数据湖的问题，导致读者在写入期间看到垃圾数据。他们必须构建方法以确保读者在写入期间始终看到一致的数据。 数据湖中的数据质量很低。将非结构化数据转储到数据湖中是非常容易的。但这是以数据质量为代价的。没有任何验证模式和数据的机制

简介： 为了消灭数据孤岛，企业往往会把各个组织的数据都接入到数据湖以提供统一的查询或分析。本文将介绍流利说当前数据接入的整个过程，期间遇到的挑战，以及delta在数据接入中产生的价值。 背景 流利说目前的离线计算任务中，大部分数据源都是来自于业务 DB，业务DB数据接入的准确性、稳定性和及时性，决定着下游整个离线计算 pipeline 的准确性和及时性。同时，我们还有部分业务需求，需要对 DB 中的数据和 hive 中的数据做近实时的联合查询。 在引入阿里云 EMR Delta Lake 之前，我们通过封装 DataX 来完成业务 DB 数据的接入，采用 Master-Slave 架构，Master 维护着每日要执行的 DataX 任务的元数据信息，Worker 节点通过不断的以抢占的方式获取状态为 init 和 restryable 的 DataX 任务来执行，直到当天的所有的 DataX 任务全都执行完毕为止。 架构图大致如下: Worker 处理的过程如下: 对于近实时需求，我们是直接开一个从库，配置 presto connector 去连接从库，来实现业务 BD 中的数据和 hive 中的数据做近实时的联合查询需求。 这种架构方案的优点是简单，易于实现。但是随着数据量也来越多，缺点也就逐渐暴露出来了: 性能瓶颈: 随着业务的增长，这种通过 SELECT

Author 一作： Ian Goodfellow 三作： Christian Szegedy Abstract 之前认为对抗样本对模型的欺骗性是因为模型的高度非线性和过拟合，本文证明了模型的易损性主要是因为模型的线性本质。而且本文提供了一个简单且快速的方法产生对抗样本，将产生的样本用于对抗训练可以提升模型的测试性能。 Introduction 在高维空间的线性行为已经足够产生对抗样本，这种观点可以是我们设计一种简单且快速的方法用以生成对抗样本使得对抗训练实用化(FGSM, Fast Gradient Sign Method) 我们发现对抗训练可以提供额外的正则化。 非线性才能抵抗对抗干扰，长远来看，我们设计更加强大的优化方法用以训练更加非线性的模型来提高模型的对对抗样本的抗性 Related Work 现在已经有人开始设计抵抗模型，但是还没有任何一个模型保持在clean inputs上的高准确率的同时具有抵抗力 Linear explanation the precision of an individual input feature is limited. 输入的精度是有限的，比如说rgb图像，每个像素是8bit, 精度就是1/255 所以分类器不可能对输入x和 对抗样本 x+delta 做出不同的相应，如果delta比精度还小

前言 在之前已经写了关于Git,Gitlab以及Ansible的两篇博客《 Git+Gitlab+Ansible剧本实现一键部署Nginx--技术流ken 》，《 Git+Gitlab+Ansible剧本实现一键部署动态网站（二）--技术流ken 》，以及关于jenkins的简单使用《 Jenkins持续集成介绍及插件安装版本更新演示（一）--技术流ken 》。相信大家也已经完全掌握了这三项工具的使用，也可以使用这几项工具可以部署静态以及动态网站了。 以前的博客可以实现一键部署网站了，但是并没有实现持续化集成部署网站。沉重的工作还是落在了可怜的运维工程师上面。 但是你有没有想过这样一个问题，假如网站全部部署成功了，现在我们的开发程序员隔三差五的修改网站上的某些功能或者修改页面内容，难道都需要运维人员再手动执行命令吗？有没有一种方法使得程序员修改完成代码之后可以自己测试、部署上线哪？ 回答是有的！jenkins就可以完成上述的工作了。 本篇博客将使用git+gitlab+ansible+jenkins实现真正的持续化一键部署静态网站 下一篇博客将介绍如何使用git+gitlab+ansible+jenkins部署一套动态的网站。敬请期待。 Gitlab创建项目 第一步：gitlab的安装即配置 请参考我之前的博客《 Gitlab在linux/windows中免密使用（二）-

前言： 从17年9月份开始断断续续的接触java开发，对java的知识体系了解甚少，都是浮在各种语法的使用上，浅尝则止，使用最多的关键字莫过于String List Map Thread，对java语法体系的内部逻辑没有深入学习过，希望通过笔记分享来加深对java的学习，知其然，知其所以然 今天要分享的知识：java并发编程-volatile、CAS、synchronize volatile 1、保证可见性：可见性是指当多个线程访问同一个变量时，一个线程修改了这个变量的值，其他线程能够立即看得到修改的值 产生不可见的原因:cpu结构,各个cpu的cache之间数据不可见 场景：共享变量ShareV = false，线程T1在cpu1上运行，将ShareV修改为true，线程T2在cpu2上运行，通过判断ShareV的值进行逻辑处理，若Cache1中ShareV没有更新到主存，Cache2中ShareV的值仍然为false，导致共享变量的值在多线程下不一致 作用：被定义为volatile的变量在Cache中发生变化时会被立即更新到主存，同时使该值在其他Cache的副本失效,Cache会从主存拉取该变量的最新值 应用实例： public class VolatileTest { private volatile static boolean flag = false ; public

此言论小编不对华为 P40 做任何诋毁(小编也是一名"花粉"哦)，也不对周冬雨进行任何讽刺，因为人家都是各自领域的佼佼者，也轮不到我去贬低，何况小编也买不起华为 P40 ，更追不到女神周冬雨，哈哈哈。 咋一听【华为 P40 】【周冬雨】【排列】这三个不搭边的词怎么会在一起引起网上热议呢？别急，下面一起跟小编了解一下华为 P40 到底怎么了，会引起 “周冬雨排列” 了呢？ （本文小编主要从手机屏幕角度与大家聊聊，要不然也引不出周冬雨啊） 一般情况下，手机屏幕主要分为 LCD 和 OLED 两种材质，而像那些 IPS、TN、Super AMOLED 和 PMOLED 一类的屏幕则是基于这两种材质的升级版技术，目前这些屏幕还很少，AMOELD 技术只在韩国三星手里。（ 详情请看 视频行业之你真的会买电视机吗？ ） 也许你身边的朋友或许都听到过这样的话，买手机当然要买 OLED 屏幕的手机，颜色鲜艳、手机轻薄，还有屏幕指纹识别， LCD 屏幕慢慢被淘汰了。那到底 LCD 和 OLED 指的是什么呢？ LCD LCD 屏幕全称为Liquid Crystal Display，也就是液晶屏。因为它 不具备自发光特性 ，因此 需要背光板支持 ；另外，由于需要透过两层玻璃、光学膜片、配向膜和彩色滤光片等来产生偏光效果，所以会比 OLED 屏幕厚很多。LCD 发展历史很久了，技术成熟让它的制作成本更低