hugo

## 为什么要使用图床 在hugo中，图片是以 /static 为基准目录的，例如，设baseUrl为 https://focksor.gitee.io/ ，图片文件存放位置是 static/img/gitee/123.jpg ，那么，编译完成后页面图片引用的地址就是 https://focksor.gitee.io/img/gitee/123.jpg ，则在Markdown要引用此图片应该用  ，但是这样带来的问题是，在写作的时候无法看到图片，要经过hugo编译之后才能看到文档图片，这样的写作显然是不友好的。 图床指存储图片的服务器，使用图床存储文档中的图片，那么在使用图片的时候只要写上图片所在的网络地址就好了，这样比较使用静态图片体验显然要好很多。下面介绍Gitee+PicGo的方法来使用gitee作为图床。 为什么需要PicGo 想象一下，使用markdown编写你的博客时，插入截图是什么流程：将截图保存到本地文件夹->将图片文件上传到网络服务器中->复制图片的网络地址->在markdown中输入  ，这个过程无疑是很繁琐的，而且如果你图片一多，这种过程将会是魔鬼体验。 PicGo是一款免费的图床管理应用，支持拖拽上传，剪切板上传等方式。你可以用它快捷地将图片上传到图床并获得网络链接

我们搞Android开发这一行，很多时候都在追求新技术，但是实际上，要想在Android领域有长远的发展，还有很多东西要去了解，虽然不是最前沿的，但却是最基础的最需要的。 今天要和大家分享的就是作为Android开发必须掌握的Android冷启动优化。 原文地址： https://www.jianshu.com/p/0d2a093a6d48 前言 事件发生在发包上线的前两天，在某某云进行移动测试时，提示冷启动速度低于平均值的问题，之前自己也曾尝试过优化，但是发现效果并不是很明显，作为一个有追求的开发者，趁着有点空闲时间，要好好研究一下冷启动优化问题。 App的启动流程 我们可以了解一下官方文档 《App startup time》 对App启动的描述。应用启动分为冷启动、热启动、温启动。而冷启动是应用程序从零开始，里面涉及到更复杂的知识。我们这次主要是对应用的冷启动进行分析和优化。 应用在冷启动的时候，需要执行下面三个任务: 加载和启动应用程序； App启动之后立即展示出一个空白的启动窗口； 创建App程序的进程； 在这三个任务执行后，系统创建了应用进程，那么应用进程会执行下一步： 创建App对象； 启动Main Thread； 创建启动页的Activity； 加载View； 布置屏幕； 进行初始绘制； 当应用进程完成初始绘制之后

看到这副画 是不是觉得很熟悉? 这幅画就是 名字叫《Protrait of Edmond Belamy》，是 人类历史上第一幅被拍卖的人工智能艺术品 ，以43.2万美元（ 约300万人民币 ） 出售。 Pierre Fautrel Hugo Caselles-Dupré Gauthier V ernie r 三个25岁的法国小哥， 是这幅画的“原作者”。 他们借用 Robbie Barrat 的Github代码，并作以修改，生成了这副作品。 右边的图就是有人直接下载的Barrat的代码，不经过任何修改生成出来的，为此网上还引发了不少争议。 作为 加密艺术家，斯坦福大学人工智能研究员，英伟达人工智能算法工程师 的原作者 Robbie Barrat 在此事件后，也将自己 AI 算法创作的加密艺术画 进行上线拍卖， 并拍卖出高价。 用 AI 技术专用算法 art-DCGAN 创作的山水画作品，目前该风格的两幅作品已经上线 Superare 加密艺术拍卖网站。 抽象风景 他的作品多次在蓬皮杜艺术中心等重要美术馆和画廊展出，并经常同Balenciaga，Burberry，ACNE等国际大牌联名设计时装一同。 好 看 吗 ？ 艺术 + 算法 👇 快来和MixLaber们一起实验吧 ~ https://github.com/robbiebarrat/ 欢迎加入MixLab社群 一起探索未知世界

英伟达的研究人员创造了一种增强方法来训练生成对抗性网络(GAN)，与先前的方法相比，这种方法需要的数据量相对更少。 英伟达的这种GAN网络，可用于风景画等艺术作品的创作，还可制作一些用于视频会议的作品。 (GAN是人工智能的一种形式，它将生成器网络与鉴别器网络相匹配，以创建图像或视频。) 训练GANs可能需要10万张以上的图像，但论文“利用有限数据训练生成对抗性网络”中提出了一种称为自适应鉴别器增强(ADA)的方法，利用这种方法训练GAN,可使需要的数据减少10到20倍。 “小型数据集的关键问题是：鉴别器会产生过拟合，训练开始发散，使得生成器的反馈变得毫无意义”论文中这样描述“通过在多个数据集上进行训练，结果证明，现在只使用几千张图片就可以取得好的结果，而 Style GAN2的训练结果则需要与更少的图像匹配。” 今年早些时候，来自Adobe Research、MIT和清华大学的研究人员详细介绍了GANS增强的另一种方法DiffAugment。 图学研究员David Luebke声称，做过实用数据科学的人都知道：大部分时间都用在收集和管理数据上，这通常称为ETL管道：提取、转换和加载。 他说：“仅这一项工作就需要大量实地数据科学人员，我们认为这种方法非常有用，因为你无需巨量的数据，也能获得有用的结果。 他说：“对于那些没有大量时间对数据进行标注的数据科学人员来说，这一点变得尤为重要