dracula

要谈IC设计的流程，首先得搞清楚IC和IC设计的分类。 集成电路芯片从用途上可以分为两大类： 通用IC （如CPU、DRAM/SRAM、接口芯片等）和 专用IC（ASIC） （Application Specific Integrated Circuit），ASIC是特定用途的IC。从结构上可以分为 数字IC、模拟IC和数模混合IC 三种，而SOC（System On Chip，从属于数模混合IC）则会成为IC设计的主流。从实现方法上IC设计又可以分为三种， 全定制（full custom）、半定制（Semi-custom）和基于可编程器件的IC设计 。全定制设计方法是指基于晶体管级，所有器件和互连版图都用手工生成的设计方法，这种方法比较适合大批量生产、要求集成度高、速度快、面积小、功耗低的通用IC或ASIC。基于门阵列（gate-array）和标准单元（standard-cell）的半定制设计由于其成本低、周期短、芯片利用率低而适合于小批量、速度快的芯片。最后一种IC设计方向，则是基于PLD或FPGA器件的IC设计模式，是一种“快速原型设计”，因其易用性和可编程性受到对IC制造工艺不甚熟悉的系统集成用户的欢迎，最大的特点就是只需懂得硬件描述语言就可以使用EDA工具写入芯片功能。 从采用的工艺可以分成双极型(bipolar)，MOS和其他的特殊工艺 。硅（Si

<!-- TOC --> 1. 前言 1.1. 如何安装主题、图标以及各种辅助插件 2. 主题及图标 2.1. One Dark Pro 2.2. Dracula Offical 2.3. Atom One Dark Theme 2.4. VSCode Great Icons 3. 好用的插件(不完全列举) 3.1. 万能语言运行环境Code Runner 3.2. Power Mode 3.3. Settings Sync 3.4. Beautify 3.5. Document This 3.6. HTML Boilerplate 3.7. vscode-faker <!-- /TOC --> <!--more--> 1. 前言 vscode，全称 Visual Studio Code ，是由微软开发的，开源的，跨平台的代码编辑器。 官网： https://code.visualstudio.com/ github地址： https://github.com/Microsoft/vscode 下面总结一下平时用到的配置，以后随时补充。 1.1. 如何安装主题、图标以及各种辅助插件 选择vscode中的如图位置，在其中搜索相应插件名称并安装 阅读插件页面的相关说明，对插件进行配置或使用。 2. 主题及图标 首先设置字体： 在 vscode->文件->首选项->设置 中将字体设为

此文用于记(分)录(享)我的VS Code环境配置(只涉及通用化配置，不包含诸如自定义代码段等定制化配置)，主要用于算法/深度学习的日常开发，涉及语言为Python和C++，操作系统为Linux(偶尔用MAC OSX，极少用Windows)，开发机器以远程服务器为主, 本地环境为辅。 PS: 这并不是一篇教你如何炫(zhuang)技(B)的文章，使用和配置IDE的前提是你 真正需要它 (适合自己的才是最好的，其实你是VIM党，也可以直接无视本文) 虽说 "工欲善其事必先利其器" ，但我还是建议多将时间花在 钻研技术 或 科研 上。 虽说 "工欲善其事必先利其器" ，但我还是建议多将时间花在 钻研技术 或 科研 上。 虽说 "工欲善其事必先利其器" ，但我还是建议多将时间花在 钻研技术 或 科研 上。 VS Code Customization Basic Settings Extensions Settings Color Theme & File Icon Editor Python Linting & Formatting C++ Linting & Formatting Debugging Remote-SSH SSH Key More Features Basic Settings 首先是比较基础的配置，包括 插件 以及一些 settings配置

codemirror是目前最流行的在线编辑器插件，本文主要是罗列codemirror提供的所有主题效果，如果你需要使用codemirror制作一个在线编辑器，可以参考本文选择一个喜欢的主题。 本文使用的目标对象是vue，其他语言或框架也是类似的。为了减小纵向篇幅，这里使用了三个codemirror，分别展示template、script和style的效果。 1. 3024-day 2. 3024-night 3. abcdef 4. ambiance-mobile 5. ambiance 6. ayu-dark 7. ayu-mirage 8. base16-dark 9. base16-light 10. bespin 11. blackboard 12. cobalt 13. colorforth 14. darcula 15. dracula 16. duotone-dark 17. duotone-light 18. eclipse 19. elegant 20. erlang-dark 21. gruvbox-dark 22. hopscotch 23. icecoder 24. idea 25. isotope 26. lesser-dark 27. liquibyte 28. lucario 29. material-darker 30. material-ocean

1. 名称: Auto Import ID: steoates.autoimport 说明: Automatically finds, parses and provides code actions and code completion for all available imports. Works with Typescript and TSX 版本: 1.5.3 发布者: steoates VS Marketplace 链接: https://marketplace.visualstudio.com/items?itemName=steoates.autoimport 2.名称: Beautify css/sass/scss/less ID: michelemelluso.code-beautifier 说明: Beautify css, sass and less code (extension for Visual Studio Code) 版本: 2.3.3 发布者: michelemelluso VS Marketplace 链接: https://marketplace.visualstudio.com/items?itemName=michelemelluso.code-beautifier 3.名称: Bluloco Dark Theme ID: uloco

文章目录 一、视觉任务数据的特征 二、现有文献是怎么解决这类问题的 二、本文做法 三、方法 四、实验结果 论文路径： http://www.weixiushen.com/publication/cvpr20_BBN.pdf 代码路径： https://github.com/Megvii-Nanjing/BBN 一、视觉任务数据的特征 机器视觉的代表数据集有很多，如 ImageNet ILSVRC 2012, MS COCO, Places Database等。这些数据集中的数据量是大致均匀分布的，但实际中，存在大量的长尾分布数据，也就是少数类别有大部分数据，而多数类别只有小部分数据，如图1所示。 这样的数据分布会使得网络嫩姨获得良好的识别效果，原因有两个： 其一是 data-hungry limitation of models 其二是长尾分布数据的极端不平衡问题。 二、现有文献是怎么解决这类问题的 现有的文献中，常用的解决这种极度不平衡的方法是： class re-balancing 策略，比如 re-weighting 或 re-sampling。 正面作用： 能够调整网络的训练，通过在小批量内对样本重新取样或对样本损失重新加权，期望更接近于测试的分布，因此，类别的 re-balancing 可以直接影响深层网络分类器权重的更新，从而促进分类器的学习。 负面作用： re

(论文笔记2019ICCV) Learn to Scale: Generating Multipolar Normalized Density Maps for Crowd Counting [blog] 点赞 收藏 分享 文章举报 bryce1010 发布了762 篇原创文章 · 获赞 201 · 访问量 33万+ 他的留言板 关注 来源： oschina 链接： https://my.oschina.net/u/4381645/blog/3228947

CV_Daily Issue 20 author:xyang [2019 CVPR oral + Active Learning] Learning Loss for Active Learning 随着更多注释数据，深度神经网络的性能得到改善。 问题是注释的预算是有限的。 对此的一个解决方案是主动学习，其中模型要求人们注释其认为不确定的数据。 已经提出了各种最近的方法来将主动学习应用于深度网络，但是大多数方法要么针对其目标任务而设计，要么对于大型网络而言计算效率低。 在本文中，我们提出了一种新颖的主动学习方法，该方法简单但与任务无关，并且可以与深度网络一起高效地工作。 我们将一个名为“损耗预测模块”的小参数模块附加到目标网络，并学习它以预测未标记输入的目标损失。 然后，该模块可以建议目标模型可能产生错误预测的数据。 这种方法与任务无关，因为无论目标任务如何，都可以从单一损失中学习网络。 我们通过最近的网络架构，通过图像分类，对象检测和人体姿态估计来严格验证我们的方法。 结果表明，我们的方法在任务上始终优于以前的方法。 [2019 CVPR oral ]Striking the Right Balance with Uncertainty 在不平衡数据集上学习无偏模型是一项重大挑战。 稀有类往往在分类空间中得到集中表示，这阻碍了学习边界向新测试示例的泛化。 在本文中

深度学习中，经常出现摆数的要求； 经常会对数据的不同格式出现疑惑，这里记录下来； 说到的NHWC或者 NCHW其中每个代表的含义如下： N代表数量， C代表channel，H代表高度，W代表宽度。 1、NCHW其实代表的是[W H C N]， 第一个元素是000，第二个元素是沿着w方向的，即001，这样下去002 003，再接着呢就是沿着H方向，即004 005 006 007…这样到019后，沿C方向，轮到了020，之后021 022 …一直到319，然后再沿N方向。 2、NHWC代表的是[C W H N]， 第一个元素是000，第二个沿C方向，即020，040, 060…一直到300，之后沿W方向，001 021 041 061…301…到了303后，沿H方向，即004 024 …304.。最后到了319，变成N方向，320,340… 当在不同的硬件加速的情况下，选用的类型不同，在intel GPU加速的情况下，因为GPU对于图像的处理比较多，希望在访问 同一个channel的像素是连续的 ，一般存储选用 NCHW ， 这样在做CNN的时候，在访问内存的时候就是连续的了 ，比较方便； 所以在深度学习的时候，推理的前处理，一般都是将RGB或BGR图像进行转变为NCHW的格式；通常我们用opencv读取图像是NHWC的格式，需要进行通道分离，因为网路是一个通道一个通道的对图像做卷积

多点头发，少点代码 本文已经收录至我的GitHub,欢迎大家踊跃star 和 issues。 https://github.com/midou-tech/articles 唠叨几句 前几天在群里问了下大家最近春招的状态。 如果你还在参加春招，不管是社招还是校招。龙叔都想唠叨几句，今年整体经济形势很差，可能有些人还没意识到有多差，但我相信很多人都能感受到。很多公司入不敷出，基本都在裁员和压缩成本，很多公司把原来的扩张计划改成了 活下去 。 正在找工作的各位，不可对市场预期太高，不要感觉我专业的学长学姐都是非bat不进的，现在市场供求关系变了，需求变得越来越少了，供给却一直在增加，找工作的你也应该调整自己的预期。当然好能力的人还是会非bat不去的，但很重要的点是 好能力 ，但不可能人人都是好能力的，所以你要有正确的心里预期和不断的打磨自己的能力。 准备跳槽的你也一定要思考清楚在跳，以前每年都是金三银四跳槽季。今年，听到几个准备跳槽的学长说，好多公司都是象征性的面面，根本不发offer。 顺便说一下什么叫象征性的面面，公司是对外的，公司不管在什么时候都会招人的，如果你看到一个公司的对外网站不招人了，基本说明该公司凉了。除非真的倒闭，一般情况下公司都会在官网放出招聘信息，但是真的在招人么？ 所以就有了面了好多就是不过，面的也非常好，就是不发offer。如果是这样，不是你不行，是市场不行