glow

近期流行的生成模型 本次介绍近期大火的三大类生成模型，这三大类模型从三个不同角度切入，居然都能有惊人的效果。而且深入挖掘发现它们有很多相似的地方。 1. Generative Adversarial Nets 生成对抗网络(GANs)是当今最火的生成模型，从2014年 Goodfellow 论文发表开始，其引用量已是4000+了。而且GANs家族人丁兴旺，从最原始的GANs开始，家族明星是一个接一个，如cGAN, DCGAN, WGAN,WGAN-GP,LSGAN,BEGAN,infoGAN,seqGAN,cycle-GAN,star-GAN等等，每一个出来都是一个新闻。 GANs的火热最直接的原因，其原理直观，可解释。生成模型的目的常常是为得到数据X的分布p(X)。而常常我们对数据的分布一无所知，甚至很多数据分布是没有解析式的。GANs来求解p(X)时，走了一条不同寻常的路。GANs采用对抗的方式来学习，或者说是模仿(mimic)的方式来学习。GANs有个生成器(G)，它的目的是生成可以以假乱真的数据，为了更好的训练G，GANs引入一个判别器(D)，它的工作是当一个样本经过它之后，它能判别出样本是真实的数据样本还是生成器生成的样本，即它输入一个值来代表样本为真的程度。正如原文的例子一样，G相当于一个假币制造者，而D 是警察。就在这个互相对抗中，G生成的样本越来越像直实数据

【 Distance Field Technique 】 　　一种小纹理高清放大的技术。 　　 　　　　A distance field is generated from a high resolution image, and then stored into a channel of a lower-resolution texture. which has been previously used to develop games such as the Half- Life 2 series, Counter-Strike: Source and Day of Defeat: Source. 　　　　In the simplest case, this texture can then be rendered simply by using the alpha-testing and alpha-thresholding feature of modern GPUs. 　　　　The distance function stored in an 8-bit channel. By doing so, we are able to take advantage of the native bilinear texture interpolation. 　　　　Once

田海立@CSDN 2020-12-13 TVM在每年12月初举办TVM Conference，今年的会议由于疫情于太平洋时间12/3～4在网上进行，不过由于时差并不利于亚太地区，估计国内在线观看者并不多，现在视频已经在官网（ https://tvmconf.org/ ）公开。本文不具体介绍内容，仅从参与的厂商有TVM的朋友圈看TVM的生态。 TVMConf 2020有这么几个 专题 ：Tutorial / Keynote / Conference / Lightning Talk。 Tutorial 提前一天举行做一个基础的引导； Keynote 主题演讲。第一天上午集中进行简短介绍； Conference 是关键的专题报告，其中有两场Google与Microsoft的是邀请报告； Lightning Talk 是简短的几分钟报告 所以，看TVM的朋友圈，基本上从Conference和Lighting Talk上就基本上能看出来。 从官网拉一下并过滤出Conference的数据： 过滤出Lightning Talk的数据： 里面还有很多大学等研究机构，暂时不统计。可以看到出现在 朋友圈里的工业界 身影： 硬件/IP厂商 ：Imagination / Synopsys / ARM / Xilinx / AMD / Bosch 手机soc ：MTK / Qualcomm /

概述 本篇文章将介绍C# 在PPT幻灯片中操作形状（shape）的方法。这里主要涉及常规形状，如箭头、矩形、圆形、三角形、多边形、不规则形状等。下面的示例中，可以通过绘制形状，并设置相应格式等。示例包含以下要点： 绘制形状 用图片填充形状 在形状中添加文字 设置形状单色、渐变色填充 设置形状阴影效果 组合多个形状为一个 设置形状光边效果 将形状保存为图片 工具 Spire.Presentation for .NET 下载安装后，注意在程序中添加引用Spire.Presentation.dll到程序，dll文件可在安装路径下的Bin文件夹中获取。 示例代码（供参考） 【示例1】绘制形状 步骤1：新建一个幻灯片 // 新建一个幻灯片文档，并指定幻灯片大小 Presentation ppt = new Presentation(); ppt.SlideSize.Type = SlideSizeType.Screen16x9; 步骤2：获取第一张幻灯片 ISlide slide = ppt.Slides[ 0 ]; 步骤3：添加一个云朵形状，并填充渐变色，绘入文字 // 添加一个云朵形状，并填充渐变颜色 IAutoShape shape1 = slide.Shapes.AppendShape(ShapeType.CalloutCloud, new RectangleF( 160 , 50

作者：HelloGitHub- 小鱼干 懒人福音是什么？就是省时省事，正如 Waypoint 一样，你不需要在多个平台构建代码即可部署发布应用，它允许你将应用程序构建、部署和发布生命周期定义为代码。Bit 则让你不需要记 git 操作，可在命令行选项预览、自动补全命令。Strimzi 解决了 k8s 等平台跑 Kafka 的烦恼，让你直接用 Strimzi 即可运行 Kafka，当然大厂也不示弱，swift-algorithms 便是苹果开源的算法集合包。 以下内容摘录自微博 @HelloGitHub 的 GitHub Trending 及 Hacker News 热帖（简称 HN 热帖），选项标准： 新发布 | 实用 | 有趣 ，根据项目 release 时间分类，发布时间不超过 7 day 的项目会标注 New ，无该标志则说明项目 release 超过一周。由于本文篇幅有限，还有部分项目未能在本文展示，望周知 🌝 本文目录 本周特推 1.1 免你记命令烦恼 Git CLI：Bit 1.2 浏览器记录员：Headless recorder GitHub Trending 周榜 2.1 高颜值命令行渲染 Markdown 工具：Glow 2.2 一键构建、部署发布工具：Waypoint 2.3 全程工作合集：remote-jobs 2.4 高颜值图片占位解决方案：BlurHash

　　 　　作者 | 秦杰、沈钰明 　　编辑 | 陈大鑫 　　计算机视觉三大会议之一的ECCV 2020刚刚落下帷幕，本文主要介绍阿联酋起源人工智能研究院（IIAI）的科学家们在该会议上发表的一篇论文：《Invertible Zero-Shot Recognition Flows》。 　　该工作首次提出了一种基于生成流（Generative Flow）模型的零样本学习方法，并在多个数据库上取得了目前最好的识别结果。 　　 　　论文链接： https://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123610596.pdf 　　1 　　零样本学习简介 　　众所周知，在当今计算机视觉领域，深度学习可谓“一统天下”，在诸多视觉任务中都取得了目前最好的（检测、识别、分割等）结果。而数据可谓是深度学习算法的“Buff”，算法的好坏往往取决于是否有充足且多样性的标注好的训练数据。 　　举例而言，我们要识别下图中的三种动物，那么首先我们需要标注大量老虎、兔子和斑马的图片，然后基于这些有标签的图片训练深度学习模型，最后将未知类别的图片输入训练好的模型中，才能够准确识别出图片中包含的动物类别。 　　然而，在实际应用场景中，我们往往会遇到以下“尴尬”情况：当我们在训练深度学习模型时，能“看见”的是标注好的大量老虎和兔子的图片

韩国首尔梨泰院--(美国商业资讯)-- K-Beauty School 面向因担忧新冠疫情和酷暑骄阳而宅在家中的全球消费者推出了视频讲座。K-Beauty School是由K-Beauty领跑者韩国美光美容学校推出的线上培训课程。 尤其是开发出与观相学相结合的课程，并凭借K-Beauty School独有的强大竞争力，在全球市场中崭露头角。 K-Beauty School的课程以实用为主，并以亲切有趣的方式提供各种讲座。其中包括学习一次即可掌握发际线、眉毛、眼线和嘴唇等专业半永久化妆技术的半永久化妆、睫毛嫁接、蜜蜡脱毛、面部分析设计BB GLOW、护发、护肤课程等。 课程拥有完善的管理系统，按照每一位学生的水平，通过“1：1个性化培训”精细辅导，每堂讲座设置一个任务，让学生实践练习。此外，课程的目标是建立一个终身教育系统，只要有需要，就能够重复观看，而不是只看一遍讲座视频就万事大吉。 “全球消费者对K-Beauty的兴趣日益浓厚。K-Beauty School顺应这一潮流，紧跟全球市场脉动，随机应变”K-Beauty School院长金和伶表示，“我院讲师团队拥有超过十年的丰富经验，将美容领域鲜活的现场经验与核心技术传授给学生们，致力于培育最优秀的美容人才。希望广大学生能够通过培训课程增强自己的实务能力。” 未来五年，K-Beauty School计划在中国全境吸引1

JavaFX初探（菜单） 本节我们介绍如何创建菜单、菜单栏、增加菜单项、为菜单分类，创建子菜单、设置菜单上下文。你可以使用下面的类来创建菜单。 MenuBar MenuItem Menu CheckMenuItem RadioMenuItem CustomMenuItem SeparatorMenuItem ContextMenu 下图是一个典型的菜单的使用： 在应用中构建菜单 一个菜单就是一系列可操作的项目，可以根据用户的需要来表现。当一个菜单可见的时候，用户可以在某一时刻选中其中一个，在用户选中某一项时，这个菜单变成隐藏模式。通过使用菜单，我们可以节省用户界面的空间，因为有一些功能某些时间并不是总要现实出来的。 菜单在菜单栏中被分组，你需要使用下面的菜单项类，当你构建一个菜单的时候。 MenuItem 创建可选项 Menu 创建子菜单 RadioButtonItem 创建一个单选项 CheckMenuItem 这个菜单项可以在选择被无选择之间转换。 为了给菜单分类，可以使用SeparatorMenuItem 类。 菜单通常在窗口的顶部，并且这些菜单是隐藏的，我们可以通过鼠标点击上下文来打开菜单。 创建菜单栏 尽管菜单栏可以放在用户界面的任何地方，但是一般情况我们放到窗口的顶部。并且菜单栏可已自动的改变自己的大小。默认情况下，每一个菜单栏中的菜单像一个按钮一样呈现出来。

一、环境搭建 1、安装第三方包nltk pip intall nltk==3.4.5 2、安装 nltk_data nltk_data 存放了很多语料数据， 包括大量的数据集，本文中就是用到了其中的 positive_tweets 和 negative_tweets 两个数据集来训练模型 安装方式有两种， 离线和在线， 推荐【使用离线】， 因为数据量很大， 在线下载通常会失败 [ a ] 在线下载 python交互式命令行中输入 import nltk nltk.download() 执行后会弹出下载窗口， 如果不需要全量下载， 选择对应分类下， 进行点击下载即可, 下载成功后会相应提示 installed 或者指定包进行下载， 同样还是python交互式命令行输入 import nltk nltk.download( ' punkt ' ) [ b ] 离线下载 （推荐使用） GitHub 下载地址： https://github.com/nltk/nltk_data 主要用到的是packages 文件夹下的内容 这就是全部的nltk_data 的内容 下载后需要进行简单配置 1、 将下载的packages 文件夹重命名为nltk_data 2、将重命名后的 nltk_data文件夹放置到nltk可以找到的路径下， 查看方法为 : >>>from nltk import data