Former

读论文：Seeing isn’t Believing: Towards More Robust Adversarial Attack Against Real World Object Detectors — CCS2019 【 说真的，这是我第一次写文章，完全不会用啊，大哥！！！！！！ 】 Part Ⅰ: Abstract & Introduction 这篇论文主要讲的是 物理世界对抗样本，在开头Abstract 和 Introduction部分，作者主要为了阐明攻击 object detector( in real world ) 和 攻击 images classifier( in digital world )的区别，也论证了在物理层面上实现对抗样本的攻击是更难以实现的，因为有着诸多的约束： 1.target object 与 detector的 相对位置(角度、距离等)会时刻发生改变 2target object 所在的环境条件(背景、光线等)会时刻发生变化 3.受攻击的模型是 object detector，是dynamic，不像images detector，是static。 4.detector在作出分类预测之前，还需要检测whether there is an object。 针对以上所述，作者提出了两种AEs Part Ⅱ：Attack approach –

What's the difference between SDK and Runtime in .NET Core? Answer1 According to the .Net Core Guide , .NET Core is composed of the following items A .NET runtime, which provides a type system, assembly loading, a garbage collector, native interop and other basic services. A set of framework libraries, which provide primitive data types, app composition types and fundamental utilities. A set of SDK tools and language compilers that enable the base developer experience, available in the .NET Core SDK. The 'dotnet' app host, which is used to launch .NET Core apps. It selects the runtime and

问题： What's the advantage of using getters and setters - that only get and set - instead of simply using public fields for those variables? 使用仅获取和设置的getter和setter而不是仅对这些变量使用公共字段的优点是什么？ If getters and setters are ever doing more than just the simple get/set, I can figure this one out very quickly, but I'm not 100% clear on how: 如果getter和setter所做的不只是简单的get / set，我可以很快地弄清楚这一点，但是我不清楚如何做到这一点： public String foo; is any worse than: 比以下任何方面都更糟糕： private String foo; public void setFoo(String foo) { this.foo = foo; } public String getFoo() { return foo; } Whereas the former takes a lot less boilerplate

全世界只有 3.14 % 的人关注了 爆炸吧知识 转自：机器之心 参与：蛋酱 要是收藏 夹里没几个独家沙雕表情包，当代网民都无法在朋友圈立足。 但有一些「妙不可言」的图片，也许是 AI 生成的结果。 一般人很难读出「meme」这个词，它通常译为「模因」，起源于 1976 年，本意为「模仿传递行为」。 但读音和来源或许没那么重要，重要的是每个网上冲浪的人都见过它，甚至沉迷于它。在中文里，它大概被称为「网络梗图」、「沙雕图片」、「表情包」等等…… 比如这个： 还有这个： 这个金发蓝衣的快乐男孩，你难道不眼熟吗？ 作为机器学习研究者，你可能还偷偷在收藏夹里保存了这些： 这是一张在深度学习社区流传很广的图，表达的是新的预训练方法如何比之前的 SOTA 方法更优越。当然，新 SOTA 方法是层出不穷的，这样的图片收集起来甚至能形成一个完整的系列。 图的创建通常只有两步：选一张时兴的 meme 模版（即图像），然后配上「精妙绝伦」的说明文字，制造出一种别有韵味的幽默感。 . 这种图像、文字和幽默感的奇妙组合，在信息传递方面极具穿透力和感染力，比如当你看到这张图时： 虽然这只是一张静态图片，句子也不成句子，但你的眼前已经浮现出了七人共舞的场景。 当代网友人人都用表情包，甚至还会自制。比如： 然而，表情包除了自制，还可以由 AI 生成。 你可能想不到，某个平平无奇的表情包背后竟然隐藏着「神秘力量」

问题： I have made some changes to a file which has been committed a few times as part of a group of files, but now want to reset/revert the changes on it back to a previous version. 我对文件进行了一些更改，该文件已作为一组文件的一部分提交了几次，但现在想将其更改重置/还原为以前的版本。 I have done a git log along with a git diff to find the revision I need, but just have no idea how to get the file back to its former state in the past. 我已经做了一个 git log 和一个 git diff 来找到我需要的修订，但是却不知道如何使文件回到过去的状态。 解决方案： 参考一： https://stackoom.com/question/u7K/如何将文件重置或还原到特定版本 参考二： https://oldbug.net/q/u7K/How-can-I-reset-or-revert-a-file-to-a-specific-revision 来源：

现代软件工程课的第一次个人作业博主做的相当差劲，让我清楚地意识到自己与他人的差距。 通过这篇博客博主将展示自己是如何走上事倍功半的歧路，认真分析错误原因，希望大家不要重蹈我的覆辙。 首先让我们来看一下 作业要求 ： 详细要求在邓宏平老师的博客： 第一次个人作业——词频统计 这次词频统计的主要功能有： 1. 统计文件的字符数（只需要统计Ascii码，汉字不用考虑，换行符不用考虑,'\0'不用考虑）（ ascii码大小在[32,126]之间 ） 2. 统计文件的单词总数 3. 统计文件的总行数（任何字符构成的行，都需要统计）（不要只看换行符的数量，要小心最后一行没有换行符的情形）（空行算一行） 4. 统计文件中各单词的出现次数， 对给定文件夹及其递归子文件夹下的所有文件进行统计 6. 统计两个单词（词组）在一起的频率，输出频率最高的前10个。 注意： a) 空格，水平制表符，换行符，均算字符 b) 单词的定义： 至少以4个英文字母开头，跟上字母数字符号，单词以分隔符分割，不区分大小写。 英文字母：A-Z，a-z 字母数字符号：A-Z，a-z，0-9 分割符：空格，非字母数字符号 例如： ”file123”是一个单词，”123file”不是一个单词。file，File和FILE是同一个单词 。 如果两个单词只有最后的数字结尾不同，则认为是同一个单词，例如，windows

<font style = "font-family:微软雅黑;font-size:16px"> <div> <h1>二、特殊结构的长难句</h1> 1. 分裂结构<br> 2. 嵌套结构<br> 3. 平行结构<br><br> <h3>特殊结构的长难句：分裂结构</h3> There is growing fear among vice-chancellors that this revenue——as well as the cultural, academic and economic benefit international students bring——is being put at risk.<br> (CET-4, 201312 仔细阅读2)<br><br><br> There is growing fear among vice-chancellors that this revenue is being put at risk.<br> (CET-4, 201312 仔细阅读2)<br><br><br> <h3>特殊结构的长难句：嵌套结构</h3> Among the government's most interesting reports is one that estimates what parents spend on their children.

论文地址 https://arxiv.org/abs/2004.05150 ​ arxiv.org The Long-Document Transformer，顾名思义，就是应用在长文本场景下的Transformer。 本文作者是这几位大大：Iz Beltagy、Matthew E. Peters、Arman Cohan 他们都来自Allen Institute for Artificial Intelligence(AI2) 背景 先介绍一下这篇论文的背景。 我们都知道Transformer架构很强，成功的部分原因在于自注意力机制，自注意力机制使网络能够从整个序列中捕获上下文信息 但是虽然自注意力机制很有效，但它所需的内存和算力会随着序列长度呈平方增长，这使得当前硬件在处理长序列的情况下不可行，或者说非常昂贵、代价很大。 现有的方法是将上下文缩短或者划分成为较小的序列，以限制这些序列在512的长度以内。但是这种划分可能导致重要的信息丢失。 那么，为了解决这个问题，作者就提出了Longformer 它的attention包括窗口化的局部上下文的self attention和由终端任务激活的全局attention。 局部attention用来建立局部的上下文表示，全局attention用来建立完整的序列表示以进行预测。 模型 前面提到，现有的注意力计算方法时间和空间复杂度都是O(n²)

乐观锁、悲观锁、公平锁、自旋锁、偏向锁、轻量级锁、重量级锁、锁膨胀...难理解？不存的！来，话不多说，带你飙车。 上一篇介绍了线程池的使用，在享受线程池带给我们的性能优势之外，似乎也带来了另一个问题：线程安全的问题。 那什么是线程的安全问题呢？ 一、线程安全问题的产生 线程安全问题：指的是在多线程编程中，同时操作同一个可变的资源之后，造成的实际结果与预期结果不一致的问题。 比如：A和B同时向C转账10万元。如果转账操作不具有原子性，A在向C转账时，读取了C的余额为20万，然后加上转账的10万，计算出此时应该有30万，但还未来及将30万写回C的账户，此时B的转账请求过来了，B发现C的余额为20万，然后将其加10万并写回。然后A的转账操作继续——将30万写回C的余额。这种情况下C的最终余额为30万，而非预期的40万。 如果上面的内容您还没有理解，没关系，我们来看下面非安全线程的模拟代码： public class ThreadSafeSample { public int number; public void add() { for (int i = 0; i < 100000; i++) { int former = number++; int latter = number; if (former != latter-1){ System.out.printf("非相等