layer

转自大佬 https://www.cnblogs.com/developer-ios/p/12460006.html https://www.jianshu.com/p/dbac4c041de8 HLS简介 M3U8，用 UTF-8 编码。"M3U" 和 "M3U8" 文件都是苹果公司使用的 HTTP Live Streaming（HLS） 协议格式的基础； 是 Unicode 版本的 M3U M3U8文件是M3U文件的一种，只不过它的编码格式是UTF-8。M3U使用Latin-1字符集编码。M3U的全称是Moving Picture Experts Group Audio Layer 3 Uniform Resource Locator，即mp3 URL。M3U是纯文本文件； 所以UTF-8编码的M3U文件也简称为 M3U8； HLS 是一个由苹果公司提出的基于 HTTP 的 流媒体 网络传输协议。 HLS 的工作原理是把整个流分成一个个小的基于 HTTP 的文件来下载，每次只下载一些。当媒体流正在播放时，客户端可以选择从许多不同的备用源中以不同的速率下载同样的资源，允许流媒体会话适应不同的数据速率。在开始一个流媒体会话时，客户端会下载一个包含元数据的 extended M3U (m3u8) playlist文件，用于寻找可用的媒体流。 HLS 只请求基本的 HTTP 报文

原于2018年1月在实验室组会上做的分享，今天分享给大家，希望对大家科研有所帮助。 今天给大家分享一下对抗训练（Adversarial Training，AT）。 为何要选择这个主题呢？ 我们从上图的Attention的搜索热度可以看出，Attention在出现后，不断被人们所重视，基本上现在的顶会论文都离不开Attention。 同样，AT的搜索热度也持续高涨，因此，我们有理由相信AT也能像Attention一样，在学术界大放光彩。 原本的AT，最初是在样本中加入对抗扰动使神经网络失效，当时AT并不广为人知。 但是后来GAN（Generative Adversarial Networks ）的出现，使AT受到了大量的关注，并且也被用于各种任务中。 下面，我们通过三篇论文来介绍一下AT能够应用于何种场景，以及能够取得何种效果。 首先，我们来介绍一下《Domain-Adversarial Training of Neutral Networks》 这篇论文的核心任务是领域适配（Domain Adaptation），也是我们常说的迁移学习。主要涉及两个领域，一个目标领域（target domain）和源领域（source domain），通常，源领域的资源、语料较多、比较适合特征建模，但是并不是任务需要的领域，仅仅是相关领域；但是目标领域虽然是任务需要的领域，但是由于资源、语料少

实验要求：掌握OSPF路由汇总配置 拓扑如下 R1 enable　　进入特权模式 config　　进入全局模式 hostname R1　　修改名称 interface s0/1　　进入端口 ip address 10.10.10.1 255.255.255.0　　设置IP地址 physical-layer speed 64000　　设置同步时钟 interface l0　　进入端口 ip address 10.10.11.254 255.255.255.0　　设置IP地址 exit　　返回上一级 router ospf 1　　启动OSPF协议 network 10.10.10.0 255.255.255.0 area 1　　将直连网段添加到OSPF network 10.10.11.0 255.255.255.0 area 1　　将直连网段添加到OSPF R2 enable　　进入特权模式 config　　进入全局模式　　 hostname R2　　修改名称 interface s0/2　　进入端口 ip address 10.10.10.2 255.255.255.0　　设置IP地址 physical-layer speed 64000　　设置同步时钟 interface s0/1　　进入端口 ip address 192.168.2.1 255.255.255.0　

UE根据高层配置信息及CSI测量结果，通过获取的预编码矩阵索引PMI，表示相关信道描述，在每 层 选择一个波束，并反馈对应的 码本 。上报的PMI指示UE推荐的索引值，基站做调度和预编码时，也可以不依据UE的反馈。 对于FDD，只能通过下行CSI测量获取PMI，对于TDD，可以根据信道互异性，从SRS上得到PMI信息，用于下行预编码。 【这里的层，和PDSCH 中导频的“流”的意思是一致的，一般记为layer，在学习码本的时候，多用Rank表示。】 码本是一种赋形方式，如上图，位置处于层到端口之间，流上的数据根据码本进行预编码之后，要到5G 的下行基站端的物理天线上去，还要经过端口到天线的映射。 如果是非码本赋形，就是直接从流到天线。 type1码本，常规精度，单用户MIMO，支持层数较多，PMI反馈负荷相对开销较小。type2码本与之相对的，精度高，多用户MU-MIMO，支持层数少，PMI负荷开销较大。 波束网格 对于给定的CSI-RS天线端口配置（ ， ）以及过采样参数（ ， ），形成纬度为（ ）的2DFT波束网格，网格中每一个波束对应一个码本。CSI-RS天线端口数量为2 ，系数2代表着两个极化方向。 天线端口的具体配置如下 码本基本结构 ，其中 包含波束选择， 包含相位因子及幅度因子。 单阵面single-panel 码本 对于2天线端口，码本如下表

花了一个周读了一下这篇论文，是最近接受在IJCAI上的一篇关于股票涨跌预测的模型，驳斥了传统方法基于静态输入的局限性，原因是由于股票的价格会在市场内随着时间不短变化，基于价格的特征实际上是随机变量。方法是采用对抗训练，在训练过程中加入随机噪声模拟股票在实际中收外界干扰的过程，模型是采用常规的深度学习模型LSTM+attention.达到的效果是比其他方法的准确率提高了3.11%。 Improving Stock Movement Prediction with Adversarial Training 　　 ABSTRACT: This paper contributes a new machine learning solution for stock movement prediction, which aims to predict whether the price of a stock will be up or down in the near future. The key novelty is that we propose to employ adversarial training to improve the generalization of a recurrent neural network model. The rationality of

OSI模型 OSI（open system interconnected，OS）参考模型是一个开放式体系结构，它规定将网络分为七层，从 下往上依次是物理层，数据链路层，网络层，传输层，会话层，表示层和应用层。 1.物理层（physical layer）的主要功能:是完成相邻节点之间原始比特流的传输物理层的设计主要涉及物理接口的机械电气功能和过程特性，以及物理层接口连接的传输介质等问题。 2.数据链路层（data link layer）:负责将上层数据封装成固定格式的帧 3.网络层(network layer）的主要功能:是实现数据从源端到目的端的传输 4.传输层（transport layer）的主要功能:是实现网络中不同主机上用户进程之间的数据通信。 传输层要决定对会话层用户（最终的网络用户）提供什么样的服务。因此我们把1-3层的协议称为点对点的协议，而把4-7层的协议叫做端对端协议 5 .会话层（session layer）:允许不同机器上的用户之间建立会话关系。管理会话控制令牌管理（token management）数据中插入同步点 6 .表示层（presentation layer ）:表示层以下各层只关心从源端机到目标机可靠地传输比特，而表示层关心的是所传输的语法和语义。用一种大家一致选定的标准方法对数据进行编码。同时，也能提供压缩解压、加密解密。 7 . 应用层

实验要求：熟练掌握静态路由配置方法 拓扑如下 R1 enable　　进入特权模式　　 config　　进入全局模式 hostname R1　　修改名称 interface s0/1　　进入端口 physical-layer speed 64000　　设置同步时钟 ip address 192.168.1.1 255.255.255.0　　设置IP 地址 encapsulation ppp　　设置封装协议 no shutdown　　开启端口 exit　　返回上一级 ip route 192.168.2.0 255.255.255.0 192.168.1.2　　添加静态路由 R2 enable　　进入特权模式 config　　进入全局模式 hostname R2　　修改名称 interface s0/2　　进入端口 physical-layer speed 64000　　设置同步时钟 ip address 192.168.1.2 255.255.255.0　　设置IP地址 encapsulation ppp　　设置封装协议 no shutdown　　开启端口 interface g0/6　　进入端口 ip address 192.168.2.1 255.255.255.0　　设置IP地址 no shutdown　　开启端口 　　 R3 enable　　进入特权模式 config　

Deep Learning for Event-Driven Stock Prediction Reading time:2019/3/30-2019/4/12 Theme:Deep learning; CNN; NLP A bstract : 　　 We propose a deep learning method for event driven stock market prediction. First, events are extracted from news text, and represented as dense vectors, trained using a novel neural tensor net work. Second, a deep convolutional neural network is used to model both short-term and long-term influences of events on stock price movements. Experimental results show that our model can achieve nearly 6% improvements on S&P 500 index prediction and individual stock prediction,

点击订阅【 人工智能初学者 】，让我们一起前行 YOLOv4-large在COCO上最高可达55.8 AP！速度也高达15 FPS！YOLOv4-tiny的模型实现了1774 FPS！（在RTX 2080Ti上测试） 作者单位：YOLOv4原班人马 1、简介 基于CSP方法的YOLOv4目标检测方法，可以上下缩放，并且适用于小型和大型网络，同时保持速度和准确性。基于此本文提出了一种网络缩放方法，该方法不仅可以修改深度、宽度、分辨率，还可以修改网络的结构。YOLOv4-Large模型达到了最先进的结果：在Tesla V100上以15FPS/s的速度，MS COCO数据集的AP为55.8％ AP(73.3 ％ AP50)。这是目前所有已发表文章中COCO数据集的最高准确性。YOLOv4-tiny模型在RTX 2080Ti上以443FPS/s的速度实现了22.0％的AP(42.0％AP50)，而使用TensorRT，batchsize=4和FP16精度，YOLOv4-tiny的模型实现了1774FPS/s。 2、Scaled YOLO V4 首先对YOLOv4进行了重新设计，提出了YOLOv4-CSP，然后在YOLOv4-CSP的基础上开发了Scaled-YOLOv4。在提出的Scaled-yolov4中讨论了线性缩放模型的上界和下界，并分析了小模型和大模型缩放时需要注意的问题。因此

大家期待已久的 DevFest 2018 现场实录 终于出炉了！ 11 月 25 日，1125 位开发者之约，你在吗？ 什么？你错过了 DevFest 2018 ？ 不要担心，我们将会在接下来的几期为大家推送本次大会的嘉宾演讲实录，不在现场也能干货满满！ 往期回顾： 谷歌资深工程师顾仁民：TensorFlow Extended 帮你快速落地项目 | DevFest 2018 实录 AI 选手别错过！谷歌云美女工程师 Shirley 教你用 AutoML 定制机器学习模型 | DevFest 2018 实录 时下最火的实时视频通信如何使用深度学习？听声网首席科学家钟声聊一聊 | DevFest 2018 实录 谷歌机器学习专家江骏 详解 TensorFlow Hub & Tensor2Tensor | DevFest 2018 实录 谷歌移动技术专家 Palances Liao 带你解析 PWA/AMP & 洞察Web趋势 | DevFest 2018 实录 深度解析 AI 在无人机上如何应用，大疆美国团队 OSDK 技术负责人为你揭开面纱 | DevFest 2018 实录 本期我们带来 Merculet 首席架构师吴翔彬 借助公链和联盟链构建融合基础设施 。 1 关于演讲者 2 演讲实录 谢谢大家，很容幸来到这里，今天我给大家尝试分享区块链方面的扩展方案，将分为以下三个内容。