omega

简述 云环境或者计算仓库级别（将整个数据中心当做单个计算池）的集群管理系统通常会定义出工作负载的规范，并使用调度器将工作负载放置到集群恰当的位置。好的调度器可以让集群的工作处理更高效，同时提高资源利用率，节省能源开销。 通用调度器，如Kubernetes原生调度器Scheduler实现了根据特定的调度算法和策略将pod调度到指定的计算节点（Node）上。但实际上设计大规模共享集群的调度器并不是一件容易的事情。调度器不仅要了解集群资源的使用和分布情况，还要兼顾任务分配速度和执行效率。过度设计的调度器屏蔽了太多的技术实现，以至于无法按照预期完成调度任务，或导致异常情况的发生，不恰当的调度器的选择同样会降低工作效率，或导致调度任务无法完成。 本文主要从设计原理、代码实现两个层面介绍Kubernetes的调度器以及社区对其的补充加强，同时对业界常用调度器的设计实现进行比较分析。通过本文，读者可了解调度器的来龙去脉，从而为选择甚至设计实现适合实际场景的调度器打下基础。 注明：本文中代码基于v1.11版本Kubernetes进行分析，如有不当之处，欢迎指正！ 一、调度器的基本知识 1.1 调度器的定义 通用调度[1]的定义是指基于某种方法将某项任务分配到特定资源以完成相关工作，其中任务可以是虚拟计算元素，如线程、进程或数据流，特定资源一般是指处理器、网络、磁盘等

这一节主要讨论采样定理，在《 傅里叶变换及其应用及其学习笔记 》中有进行过推导与讲解，因此下面的内容也大同小异。不过如果是从《离散时间信号处理》这一本书的内容开始学习到这一节，则应先学习本文内容所需要的一些前置知识：傅里叶变换（连续时间），主要用到的是脉冲函数$\delta$，以及周期脉冲函数Ш的傅里叶变换与相关性质。 比较重要的一点就是，本书采用的傅里叶变换是基于信号周期为$2\pi$的假设，而《 傅里叶变换及其应用及其学习笔记 》中的假设为1，因此本书所采用的傅里叶变换公式有必要列出： 傅里叶变换： $\displaystyle{F(j\Omega) =\int_{-\infty}^{\infty}f(t)e^{-j\Omega t}dt }$ 傅里叶逆变换： $\displaystyle{f(t) = \frac{1}{2\pi}\int_{-\infty}^{\infty}F(j\Omega)e^{j\Omega t}d\Omega}$ 此外，本文所用到的傅里叶变换卷积定理也有所不同： $\begin{align*} \mathcal{F}(f\cdot g) &= \frac{1}{2\pi}F*G & \quad\mathcal{F}^{-1}(F*G) &= 2\pi f\cdot g\\ \mathcal{F}(f*g) &= F\cdot G & \quad

Global Gated Mixture of Second-order Pooling for Imporving Deep Convolutional Neural Network（2018 NIPS，大工李培华组） 论文motivation ： （1） 现存的池化 ：一阶GAP（全局均值池化）是很多CNN结构的标配，有研究者提出高阶池化来提高性能 （2） 缺点 ：但是这些池化都有个缺点就是假设了样本服从了单峰分布，限制了CNN的表达能力。 （3） 论文的改进 ：于是论文提出了基于二阶池化的门混合结构来提高CNN对复杂特征和多模态分布的建模。 论文贡献 ： （1） 提出了门混合结构 ：在最后一层之前，适应性地从N个分组模型中选择K个模型来生成最后的特征表示。 （2） 提出了带参数的二阶池化 ：在N个分组模型中使用了池化层，为了克服一阶GAP和二阶池化带来的局限性，提出了带参数的二阶池化。 （3） 实验 ：在下采样的ImageNet-1K和Places365两个数据集上跑了实验，以ResNet和WRN为骨架，发现加入本文的模型后能够提高准确率。 架构解释 （1） 门混合模型 ：受hinton在ICLR2017的一篇论文“专家混合模型”启发，提出了如下图所示的结构。对于最后一层之前的输入X，自适应地从N个CM（组件模型）选择K个CM来让X流入，其它分支都关闭

什么是Kubernetes？ Kubernetes产生的背景 Kubernetes的发展历程和应用现状 什么是Kubernetes？ 生产级别的 容器 编排 系统 自动化的容器部署、扩展和管理 Kubernetes是用于自动部署，扩展和管理容器化应用程序的开源系统 借鉴Google内部的群集管理系统“Borg”（2014 EuroSys）和“Omega”（15年的生产环境应用经验） Google于2014年开源，捐献给云原生计算基金会（CNCF，Cloud Native Computing Foundation） Kubernetes意思 希腊语 驾驶员（Pivlot）或舵手（Helmsman） 一般简称k8s（K ubernete s） Kubernetes产生背景 我认为是两方面的流行 微服务 容器 容器 什么是容器？ 一系列隔离运行的进程，提供了一种轻量操作系统层面的虚拟化技术 每个容器拥有自己的PID，Uscr，UTS，Network栈命名空间等 与传统VM比具有启动块、性能损耗小，更轻量等优点 Docker是目前使用最广，最成熟的容器技术 K8s默认使用Docker引擎 也可使用Rkt（CoreOS），或其他遵循CRI（continer runtime interface）的容器引擎，例如Containerd等 容器化系统面临的挑战 容器解决了应用打包、部署、运行的问题

题意 给出 c 和 P ，求最小的非负整数 n 使得 $Fib(n)=c(mod~ P)$ 其中 P 是质数且 模 10 等于一个完全平方数（也就是说 P 的末位是个完全平方数，那么只能是 1 或者 9 ） （这里的 Fib 指的就是斐波那契数列） 前置芝士 Cipolla （attack 巨巨写的炒鸡好，%%%） BSGS （Judge 菜鸡写的炒鸡烂，踩踩踩） noteskey 不知道怎么做，只能黈力呢... 我们发现斐波那契数列第 n 项是： $${1\over \sqrt5}\Big(\big( { 1 +\sqrt 5 \over 2 }\big)^n-\big( {1-\sqrt 5 \over 2} \big)^n \Big) $$ 然后的话我们令 g 表示$1\over \sqrt5$， q 表示 ${1+\sqrt5\over 2}$ , $-{1\over q}$ 表示 $1-\sqrt 5\over 2$ 了 这样的话原本的式子就是： $$q^n-(-q)^{-n}=cg (mod\ P)$$ 令 $x=q^n$ ，那么继续转式子： $$x- {(-1)^{n}\over x}=cg (mod\ P)$$ $$x^2- cgx -(-1)^{n}=0(mod\ P)$$ 然后的话我们就可以求根公式了： $$x={-cg±\sqrt{(cg)^2+4(-1)^n

一： 关于能量守恒 出射光线的能量永远不能超过入射光线的能量（发光面除外）。如图示我们可以看到，随着粗糙度的上升镜面反射区域的会增加，但是镜面反射的亮度却会下降。如果不管反射轮廓的大小而让每个像素的镜面反射强度(Specular Intensity)都一样的话，那么粗糙的平面就会放射出过多的能量，而这样就违背了能量守恒定律。这也就是为什么正如我们看到的一样，光滑平面的镜面反射更强烈而粗糙平面的反射更昏暗。 当一束光线碰撞到一个表面的时候，它就会分离成一个折射部分和一个反射部分。反射部分就是会直接反射开来而不会进入平面的那部分光线，这就是我们所说的镜面光照。而折射部分就是余下的会进入表面并被吸收的那部分光线，这也就是我们所说的漫反射光照。 通过物理学我们可以得知，光线实际上可以被认为是一束没有耗尽就不停向前运动的能量，而光束是通过碰撞的方式来消耗能量。每一种材料都是由无数微小的粒子所组成，这些粒子都能如下图所示一样与光线发生碰撞。这些粒子在每次的碰撞中都可以吸收光线所携带的一部分或者是全部的能量而后转变成为热量。 一般来说，并非所有能量都会被全部吸收，而光线也会继续沿着（基本上）随机的方向发散，然后再和其他的粒子碰撞直至能量完全耗尽或者再次离开这个表面。而光线脱离物体表面后将会协同构成该表面的（漫反射）颜色。 而有一些被称为次表面散射(Subsurface Scattering

对物体表面一点进行着色处理时，需要得到能够描述物体对光作用的BSDF，以及该点的辐照度。可以通过计算所有射向该点的光的功率的总和来计算某一点的辐照度。对于计算机模拟，辐照度的计算需要通过数值方法进行近似，非实时渲染可以通过结合蒙特卡洛方法（Monte Carlo method）和光线追踪（Ray tracing）算法来进行计算。 对于光源的模拟，达成物理可信的充要条件是光源的辐射能量以符合现实世界中各类光源辐射特征的方式变化，因此需要使用物理单位表示与计算光照。 光照相关单位可以以辐射度量法（Radiometric）表示，也可以仅在可见光范围内根据人眼对不同波长光的敏感程度进行加权后表示，也就是光度度量法（Photometric ）。两种方法都可以表示相关的几种物理量，对应关系见下（下标${e}$表示辐射度量相关，下标${v}$表示光度量相关）： 能量：辐射能${Q_e}$，单位为${J}$焦耳；光（视效）能${Q_v}$，单位为${lm·s}$流明·秒； 功率：辐射通量或辐射功率${\Phi_e}$，单位为${\frac{J}{s}}$焦耳/秒或${W}$瓦特；光通量或光度功率${\Phi_v}$，单位为${lm}$流明； 每单位球面度功率：辐射强度${I_e}$，单位为${\frac{W}{sr}}$瓦特/球面度；光度${I_v}$，单位为${\frac{lm}{sr}}$流明

前言 今天开始写功率放大电路 功率放大电路的特点 要向负载提供足够大的输出功率，即电压放大与电流放大。 最大输出功率：$$P_{om}=\frac{U_{cem}}{\sqrt{2}}\cdot\frac{I_{cm}}{\sqrt{2}}=\frac{1}{2}U_{cem}I_{cm}$$$U_{cem}和I_{cm}$分别为集电极输出的正弦电压和电流的最大幅值。 功率放大电路的效率：$$\eta=\frac{P_{o}}{P_V}$$$P_{o}$为放大电路输出给负载的功率，${P_V}$为直流电源$V_{CC}$提供的功率 推挽电路 如下图所示  由图可知，在输入信号的正半周期时，$VT1$导通，$VT2$截止；在负半周期时，$VT2$导通，$VT1$截止；两个三极管在不断地交替导通和截止，两者的输出在负载上合并得到完整周期的输出信号

目录 1. 前言 4. 序结构 5. ω 1 \omega_1 ω 1 ​ 的构造 1. 前言 4. 序结构 定义1(二元关系). 设 X X X 是一个集合， R \mathcal{R} R 是 X × X X\times X X × X 的子集，则称 R \mathcal{R} R 是 X X X 的一个二元关系。 R \mathcal{R} R 中的元素 ( a , b ) (a,b) ( a , b ) 通常被记为 a R b a\mathcal{R}b a R b 。 当 R \mathcal{R} R 是 X X X 的对角时 R = Δ X = { ( a , a ) : a ∈ X } \mathcal{R}=\Delta_X=\{(a,a):a\in X\} R = Δ X ​ = { ( a , a ) : a ∈ X } 该二元关系被记为 = = = 。 定义2(序关系). 设 X X X 是一个集合， R \mathcal{R} R 是一个二元关系。当 R \mathcal{R} R 满足性质 自反性。即 5. ω 1 \omega_1 ω 1 ​ 的构造 设 X X X 是不可数集合，根据选择公理， X X X 上可以定义一个良序（Well Ordering），也就是满足如下性质的序： 设 A A A 是 X X X 是非空子集，则 A A A

1. 无耗传输线 低耗传输线的传播常数和特征阻抗可以认为线是无耗的而得到的很好第近似。 无耗传输线中传播常数β为 $$ \beta=\omega\sqrt{LC} $$ 相速是 $$ v=\frac{\omega}{\beta}=\frac{1}{\sqrt{LC}} $$ 波阻抗 $$ Z=\sqrt{\frac{\mu}{\epsilon}} $$ **注意：**传播常数、波阻抗与无耗媒质中的平面波是相同的。 2. 端接负载的传输线 电压反射系数$\Gamma$： $$ \Gamma=\frac{Z_L-Z_0}{Z_L+Z_0} $$ **回波损耗(return loss, RL)：**但负载失配时，不是所有来自源的功率都传给了负载 $$ RL=-20\log |\Gamma| dB $$ 若负载与线是匹配的，则$\Gamma$=0,而且线上电压幅值为常数。然而，当负载失配时，反射波的存在会导致驻波，这时线上的电压幅值不是常数，会沿线起伏。 **驻波比：**可以定义为： $$ \rho=\frac{V_{max}}{V_{min}}=\frac{1+|\Gamma|}{1-|\Gamma|} $$ 传输线的阻抗方程： $$ Z_{in}=Z_0\frac{Z_L+jZ_0tan\beta l}{Z_0+jZ_Ltan\beta l} $$ 2.1 无耗传输线的特殊情况