mu

如果后台一些界面比较敏感，希望主动或者被动的在人员不想暴露信息的情况下加一把锁，就是说避免信息一直在页面上暴露，可以使用”阅后即焚“这种思路，这种思路比较简单，显示了就过几秒删除，js remove节点即可(如果有必要做成真正的只能读一次那后台数据也要删掉)，还有一个办法是给页面锁屏。 如何给某个页面加上一个锁屏功能呢，表现形式有这么几种 1.长时间未操作页面自动跳到一个锁屏提示页面需要再次输入密码才能进入。实现方案可以是定时器监控到页面有没有被操作了，长时间未动，自己跳转一下。 2.点击某个按钮（立即锁屏）这种主动触发，这个就比较简单了，a标签页面跳转即可。 3.用户按下键盘进行触发锁屏，本文主要说这个。 前面两种思路都很清晰很容易做到，第三种需要点键盘事件触发的概念，比如 Ctrl+l，查了一下，可以这样做，上代码 <! DOCTYPE html > < html > < head > < title > Ctrl+l监控锁屏 </ title > </ head > < body > < div id ="message_div" ></ div > < script type ="text/javascript" language =JavaScript > document.onkeydown = function (event){ var e = event ||

目录 前言 random.random() random.choice() random.choices() random.getrandbits() random.getstate() random.setstate() random.randint() random.randrange() random.sample() random.seed() random.shuffle() random.uniform() random.triangular() random.vonmisesvariate() random.weibullvariate() random.betavariate() random.expovariate() random.gammavariate() random.gauss() random.lognormvariate() random.normalvariate() random.paretovariate() 前言   随机数可以用于数学，游戏，安全等领域中，还经常被嵌入到算法中，用以提高算法效率，并提高程序的安全性。平时数据分析各种分布的数据构造也会用到。   random模块，用于生成伪随机数，之所以称之为伪随机数，是因为真正意义上的随机数（或者随机事件）在某次产生过程中是按照实验过程中表现的分布概率随机产生的，其结果是不可预测的

　　　　在之前的 HMM系列 中，我们对隐马尔科夫模型HMM的原理以及三个问题的求解方法做了总结。本文我们就从实践的角度用Python的hmmlearn库来学习HMM的使用。关于hmmlearn的更多资料在 官方文档 有介绍。 1. hmmlearn概述 　　　　hmmlearn安装很简单，"pip install hmmlearn"即可完成。 　　　　hmmlearn实现了三种HMM模型类，按照观测状态是连续状态还是离散状态，可以分为两类。GaussianHMM和GMMHMM是连续观测状态的HMM模型，而MultinomialHMM是离散观测状态的模型，也是我们在HMM原理系列篇里面使用的模型。 　　　　对于MultinomialHMM的模型，使用比较简单，"startprob_"参数对应我们的隐藏状态初始分布$\Pi$, "transmat_"对应我们的状态转移矩阵$A$, "emissionprob_"对应我们的观测状态概率矩阵$B$。 　　　　对于连续观测状态的HMM模型，GaussianHMM类假设观测状态符合高斯分布，而GMMHMM类则假设观测状态符合混合高斯分布。一般情况下我们使用GaussianHMM即高斯分布的观测状态即可。以下对于连续观测状态的HMM模型，我们只讨论GaussianHMM类。 　　　　在GaussianHMM类中，"startprob_

　　 　　本文解读的是 ICASSP 2020 论文《MULTIMODAL LEARNING FOR CLASSROOM ACTIVITY DETECTION 》，作 者来自好未来 。 　　 作 者 | 李 航 　　 编辑 | 丛 末 　　 　　论文地址：https://arxiv.org/abs/1910.13799 　　 1 　　 研究背景 　　在教育领域，课堂活动检测（Class Activity Detection）一直是一个热门话题。自1980年开始就不断有人在这方面进行研究，之前已有研究证明，通过分析学生和老师在课堂中的行为，可以使人更容易注意到并纠正老师和学生在上课时犯的错误。通过这种方式，可以同时提升老师的教学技能和学生的学习效率。 　　目前大多数教学质量检测的方法都是基于高质量、细粒度的课堂活动记录来实现的，这些记录通常需要包括老师和学生的说话内容以及对应时间等信息。然而，除非同时让老师和学生都各自佩戴上独立的收声设备，如麦克风，否则课堂中老师和学生各自单独的活动记录是非常难以获取的。而实际上，大部分现有教室都只有单独的一个收声设备，只能获取课堂进行中包含多人说话混合的音频，这就使得相应的研究很难进行。 　　因此，基于上述背景，我们的研究团队根据实际课堂环境产出的多种模态的数据，使用了多模态注意力机制将多种模态的数据进行结合

引言 对神经网络进行量化可以减小模型参数量和提升速度，并且一些硬件设备只支持特定的量化网络，因此在一些场景中常被采用。最常见的是对一个已经训练好的模型进行处理来做到int8量化，但这种方式一般会对网络的效果有些影响，特别是对一些图像生成任务。所以希望通过量化感知训练的方式能做一些特殊处理，以减少量化带来的效果影响。但是像pytorch这样的框架吗目前对量化感知训练支持的还不是特别好， 另外一些特殊硬件设备的量化策略跟常用的一些量化策略不太一样，因此最近在学习这方面的内容，在这其中踩了一些数值稳定性方面的坑，分享给大家。 网络的计算量很大部分来自于卷积，而卷积的计算过程可以由下面的公式表示 y = W x + b (1) y=Wx+b \tag{1} y = W x + b ( 1 ) 其中W是卷积的权重，b是偏置bias。以int8为例，最简单的就是非对称量化，也就是希望将W的范围其量化到 [ 0 , 255 ] [0,255] [ 0 , 2 5 5 ] ， s c a l e = 255 m a x ( W ) − m i n ( W ) (2) scale = \frac{255}{max(W)-min(W)} \tag{2} s c a l e = m a x ( W ) − m i n ( W ) 2 5 5 ​ ( 2 ) 因此量化后的权重计算就可以用 w q = (

前几篇文章讲到了WiFi6的在光猫、路由器等几个领域的应用，但这些终端设备最终要能在日常生活中普及，依旧离不开WiFi6在手机上的应用，早在2019年年头，WiFi6就应用在三星手机上，随着iPhone11使用该技术，WiFi6开始在消费者市场发力。 WiFi 6是WiFi联盟推出的最新的无线局域网标准，原命名为802.11ax，但由于名称容易混淆不易区分，WiFi联盟决定采用了WiFi 6这个更加好记的名字，之前的802.11b、802.11a、802.11g、802.11n、802.11ac也重新取名为WiFi 1、WiFi 2、WiFi 3、WiFi 4、WiFi 5。 作为网络标准的升级，传输速度的提升是意料之中的。160MHz的最大频宽、1024QAM最高调制以及8x8MIMO，使得WiFi 6的理论最高传输速率可达9.6Gbps，真正做到秒下电影。当然，实现条件是非常苛刻的，目前并没有多少设备能支撑起这个理论值，这不仅需要收发设备双方都要支持此标准，还要求网络带宽和服务器带宽可以满足这个级别的数据吞吐量。 不过，WiFi 6最重要的意义并不是网速的提升，多设备连接性能的升级才是重点。WiFi 6支持的MU-MIMO技术 在之前的WiFi标准中，当有多设备连接路由器时，路由器会依次向终端设备进行通讯，每次只能与一个终端进行沟通，效率低下，且容易拥堵。而WiFi 6的MU

K-means：无监督聚类的经典算法 作者：郑培 无监督学习 是一类用于在数据中寻找模式的机器学习技术。无监督学习算法使用的输入数据都是没有标注过的，这意味着数据只给出了输入变量（自变量 X）而没有给出相应的输出变量（因变量）。在无监督学习中，算法本身将发掘数据中有趣的结构。在 监督学习 中，系统试图从之前给出的示例中学习。（而在无监督学习中，系统试图从给定的示例中直接找到模式。）因此，如果数据集被标注过了，这就是一个监督学习问题；而如果数据没有被标注过，这就是一个无监督学习问题。 聚类属于无监督学习，以往的回归、朴素贝叶斯、SVM等都是有类别标签y的，也就是说样例中已经给出了样例的分类。而聚类的样本中却没有给定y，只有特征x。 K-means 是我们最常用的基于欧式距离的聚类算法 ，它是 数值的 、非监督的、 非确定的 、 迭代的 ，该算法旨在最小化一个目标函数——误差平方函数（所有的观测点与其中心点的距离之和），其认为两个目标的距离越近，相似度越大，由于具有出色的速度和良好的可扩展性，Kmeans聚类算法算得上是最著名的聚类方法。本文将带大家回顾K-means算法的理论内涵以及初始化优化K-Means++方法。 本文的项目实例实现在Momodel平台上，可以边看边学哦！ mo平台项目地址： https://momodel.cn/workspace

前几篇文章讲到了WiFi6的在光猫、路由器等几个领域的应用，但这些终端设备最终要能在日常生活中普及，依旧离不开WiFi6在手机上的应用，早在2019年年头，WiFi6就应用在三星手机上，随着iPhone11使用该技术，WiFi6开始在消费者市场发力。 WiFi 6是WiFi联盟推出的最新的无线局域网标准，原命名为802.11ax，但由于名称容易混淆不易区分，WiFi联盟决定采用了WiFi 6这个更加好记的名字，之前的802.11b、802.11a、802.11g、802.11n、802.11ac也重新取名为WiFi 1、WiFi 2、WiFi 3、WiFi 4、WiFi 5。 作为网络标准的升级，传输速度的提升是意料之中的。160MHz的最大频宽、1024QAM最高调制以及8x8MIMO，使得WiFi 6的理论最高传输速率可达9.6Gbps，真正做到秒下电影。当然，实现条件是非常苛刻的，目前并没有多少设备能支撑起这个理论值，这不仅需要收发设备双方都要支持此标准，还要求网络带宽和服务器带宽可以满足这个级别的数据吞吐量。 不过，WiFi 6最重要的意义并不是网速的提升，多设备连接性能的升级才是重点。WiFi 6支持的MU-MIMO技术 在之前的WiFi标准中，当有多设备连接路由器时，路由器会依次向终端设备进行通讯，每次只能与一个终端进行沟通，效率低下，且容易拥堵。而WiFi 6的MU

题记： 毕业一年多天天coding，好久没写paper了。在这动荡的日子里，也希望写点东西让自己静一静。 恰好 前段时间用python做了一点时间序列方面的东西，有一丁点心得体会想和大家分享下。在此也要特别感谢 顾志耐和 散沙 ，让我喜欢上了python。 什么是时间序列 时间序列简单的说就是各时间点上形成的数值序列，时间序列分析就是通过观察历史数据预测未来的值。在这里需要强调一点的是，时间序列分析并不是关于时间的回归，它主要是研究自身的变化规律的（这里不考虑含外生变量的时间序列）。 为什么用python 　　 用 两个字总结“情怀”，爱屋及乌，个人比较喜欢python，就用python撸了。能做时间序列的软件很多，SAS、R、SPSS、Eviews甚至matlab等等，实际工作中应用得比较多的应该还是SAS和R，前者推荐 王燕写的《应用时间序列分析》，后者推荐“ 基于R语言的时间序列建模完整教程 ”这篇博文（ 翻译版 ）。python作为科学计算的利器，当然也有相关分析的包:statsmodels中tsa模块，当然这个包和SAS、R是比不了，但是python有另一个神器：pandas！pandas在时间序列上的应用，能简化我们很多的工作。 环境配置 　　 python推荐直接装Anaconda，它集成了许多科学计算包，有一些包自己手动去装还是挺费劲的

前几篇文章讲到了WiFi6的在光猫、路由器等几个领域的应用，但这些终端设备最终要能在日常生活中普及，依旧离不开WiFi6在手机上的应用，早在2019年年头，WiFi6就应用在三星手机上，随着iPhone11使用该技术，WiFi6开始在消费者市场发力。 WiFi 6是WiFi联盟推出的最新的无线局域网标准，原命名为802.11ax，但由于名称容易混淆不易区分，WiFi联盟决定采用了WiFi 6这个更加好记的名字，之前的802.11b、802.11a、802.11g、802.11n、802.11ac也重新取名为WiFi 1、WiFi 2、WiFi 3、WiFi 4、WiFi 5。 作为网络标准的升级，传输速度的提升是意料之中的。160MHz的最大频宽、1024QAM最高调制以及8x8MIMO，使得WiFi 6的理论最高传输速率可达9.6Gbps，真正做到秒下电影。当然，实现条件是非常苛刻的，目前并没有多少设备能支撑起这个理论值，这不仅需要收发设备双方都要支持此标准，还要求网络带宽和服务器带宽可以满足这个级别的数据吞吐量。 不过，WiFi 6最重要的意义并不是网速的提升，多设备连接性能的升级才是重点。WiFi 6支持的MU-MIMO技术 在之前的WiFi标准中，当有多设备连接路由器时，路由器会依次向终端设备进行通讯，每次只能与一个终端进行沟通，效率低下，且容易拥堵。而WiFi 6的MU