stem

　　你手里的手机，面前的电脑，当它们最终完成自己使命的时候，将去向何方？ 　　 它们中的绝大多数，并不会进入博物馆供人瞻仰，或成为传家宝贝，而是在被你卖掉或者丢掉之后，变成电子垃圾。目前，全球每年共产生超 5000 万吨电子垃圾，其中只有不到两成得到了妥善的处理。但少为人所知的是，电子垃圾中贵金属的含量非常高，黄金含量更是可达优质天然金矿的上百倍！ 　　但如何回收这些垃圾，却是一件非常令人头疼的事情，动辄可对环境和工人的健康造成严重的损害。 　　 日前，来自韩国科学技术院（KAIST）的一项研究发表在《美国国家科学院院刊》（PNAS）上， 该文描述了一种新型的聚合物 COP-180，它每克的制作成本约 5 美元，一克 COP-180每次可以从印刷电路板（PCB）渗滤液中高选择性地回收价值约 64 美元的黄金，纯度为 99.6%，还可以重复使用。 研究人员表示，这个“淘金”的回收效率创下了历史新高。 　　 　　图｜聚合物（COP-180）创造了从废弃电路板中提取黄金的新突破（图片来源：Yeongran Hong） 　　 沉睡的金矿与滞后的技术 　　 智能时代，电子设备已成为我们生活不可或缺的一部分。 联合国最新发布的《2020 年全球电子废物监测》报告显示，2019 年，全球共产生了惊人的 5360 万吨电子垃圾，平均每人 7.3 千克，5 年内增长了 21%， 　

云栖号资讯：【 点击查看更多行业资讯 】 在这里您可以找到不同行业的第一手的上云资讯，还在等什么，快来！ 有了物联网，可能性是无限的。未来的教育机构将提供更大的安全性、更多的学生机会、更多的互动性和更好的学习机会。 当前的技术进步有望彻底改变我们生活的世界。机器和日常物品现在可以彼此通信。 物联网系统是所有不可思议的变化背后的驱动力。物联网有潜力将数据驱动的决策纳入人类活动的各个方面。物联网系统中的传感器和执行器网络模糊了物理世界和数字世界之间的界限。 但物联网(IoT)并不是一个全新的概念 工业界一直在利用该技术监视机器并感知环境变化。医院正在使用它来密切注意人的生命体征。连接互联网的设备和电器正在照顾我们的家庭、办公室和学校。很快，自动驾驶汽车将在道路上占主导地位。 这项技术正迅速扩展到我们生活的方方面面。整个智慧城市的愿景并不是遥不可及的现实。根据德勤的研究，这种模式将有助于提高生活质量、经济竞争力和可持续性。 事实上，正是互联网为物联网系统的广泛应用奠定了基础。它促进了支持自动化世界的新型集体智慧。 但是，教育是该技术仍处于起步阶段的部门之一。直到现在，教育机构都在努力实施IoT方法。 教育部门现代化的重要性 尽管在过去的几年中，科技取得了显著的进步，但智能教室技术的应用在改变教学方法方面却姗姗来迟。 教学大纲已进行了大幅更新。数字一代更关注STEM(科学、技术、工程和数学

BPI-EAI80 AIoT 开发板采用格力零边界EAI80芯片设计.支持Dual-Cortex M4F@200MHz 500DMIPS和AI-NPU：CNN-NPU @300 MHz 300GOPS. 支持LVDS屏接口和摄像头接口，板载wifi,方便的做各种AI物联网应用。 目标应用 语音控制-关键字实时控制 计算机视觉-物体和生物(脸，身体，姿势)的检测和识别，vSLAM 终端AIoT -边缘计算，信息。安全，离线设备控制，系统监控 传感器、考勤机、广告显示、可穿戴设备、智能无人零售 家庭和建筑自动化-白色家电，暖通空调，照明，安全系统，物联网网关 工业计算- EBS, plc, M2M, T&M,Auto-factory, HMI控制总成，二维码 电机控制和功率转换- VFC,FOC, 3D/热敏打印机，ADAS，无人机，机器人 STEM教育 硬件规格 CPU Dual-Cortex M4F@200MHz 500DMIPS AI-NPU：CNN-NPU @300 MHz 300GOPS 2D Graph :Dual-Camera Max SDRAM 8M LCD 1024*768 TFT-LCD CANBUS 2.0 A/B ESP8266 Wifi onboard 40PIN GPIO (share with LCD ) 2 Mic support Size:

假设有一段文本："I have a cat, his name is Huzihu. Huzihu is really cute and friendly. We are good friends." 那么怎么提取这段文本的特征呢？ 一个简单的方法就是使用 词袋 模型 （ bag of words model ）。选定文本内一定的词放入词袋，统计词袋内所有词在文本中出现的次数（忽略语法和单词出现的顺序），将其用向量的形式表示出来。 词频统计可以用scikit-learn的 CountVectorizer 实现： text1= " I have a cat, his name is Huzihu. Huzihu is really cute and friendly. We are good friends. " from sklearn.feature_extraction.text import CountVectorizer CV = CountVectorizer() words =CV.fit_transform([text1]) # 这里注意要把文本字符串变为列表进行输入 print (words) 首先CountVectorizer将文本映射成字典，字典的键是文本内的词，值是词的索引，然后对字典进行学习，将其转换成词频矩阵并输出： (0, 3) 1 (0, 4) 1

转 https://blog.csdn.net/hzp666/article/details/79373720 Python NLTK 自然语言处理入门与例程 在这篇文章中，我们将基于 Python 讨论自然语言处理（NLP）。本教程将会使用 Python NLTK 库。NLTK 是一个当下流行的，用于自然语言处理的 Python 库。 那么 NLP 到底是什么？学习 NLP 能带来什么好处？ 简单的说，自然语言处理（ NLP ）就是开发能够理解人类语言的应用程序和服务。 我们生活中经常会接触的自然语言处理的应用，包括语音识别，语音翻译，理解句意，理解特定词语的同义词，以及写出语法正确，句意通畅的句子和段落。 NLP的作用 正如大家所知，每天博客，社交网站和网页会产生数亿字节的海量数据。 有很多公司热衷收集所有这些数据，以便更好地了解他们的用户和用户对产品的热情，并对他们的产品或者服务进行合适的调整。 这些海量数据可以揭示很多现象，打个比方说，巴西人对产品 A 感到满意，而美国人却对产品 B 更感兴趣。通过NLP，这类的信息可以即时获得（即实时结果）。例如，搜索引擎正是一种 NLP，可以在正确的时间给合适的人提供适当的结果。 但是搜索引擎并不是自然语言处理（NLP）的唯一应用。还有更好更加精彩的应用。 NLP的应用 以下都是自然语言处理（NLP）的一些成功应用： 搜索引擎，比如谷歌

转自： https://blog.csdn.net/armwind/article/details/52205249 转自： 网站 linux下devicetree中常用的of函数 从device_node中获取信息： int of_property_read_u8_array(const struct device_node *np, const char *propname,u8 *out_values, size_t sz); int of_property_read_u16_array(const struct device_node *np, const char *propname,u16 *out_values, size_t sz); int of_property_read_u32_array(const struct device_node *np, const char *propname,u32 *out_values, size_t sz); 从设备结点np中读取属性名为propname，类型为8、16、32、位整型数组的属性值，并放入out_values，sz指明了要读取的个数。 static inline int of_property_read_u8(const struct device_node *np,const char *propname

　　 　　全球疫情持续演进，生命科学和医疗健康领域持续成为市场关注的焦点。放眼全球生物医药产业，中国前十名的生物医药公司的市值还不及美国的十分之一，但国内却拥有最大的潜在市场；过去两年，因为港交所和科创板的新规为尚未盈利的生物科技企业提供了更多元的融资渠道，2018 年中国医药及生物科技行业 IPO 数量及募集资金总金额创十年来的新高，但私募融资却进入了低谷。 　　 在这个紧迫与机遇并存的时代，DeepTech 旗下 “生辉”（SciPhi）试图在大变局中追踪生命科学和医疗健康产业的创新路径，探索资本起落与创新的相互关系和影响。 　　围绕国内生命科学和医疗健康产业，“生辉”（SciPhi） 和磐霖资本的创始主管合伙人、业内称为 “投资狙击手” 的李宇辉聊了聊。磐霖资本成立于 2010 年，迄今为止已发起管理了十期基金，投资方向聚焦于： 围绕重大疾病的新药研发和高端医疗器械、基于消费供给端的智能化、数字化改造的企业服务和智能装备 ，用李宇辉的话说：生命医药和 to B。 　　磐霖投过国内小核酸制药领军企业瑞博生物、疫苗龙头康泰生物（300601）、IVD 与 HPV 检测龙头凯普生物（300639）、肝癌晚期治疗中药一类新药研发企业盛诺基等 50 余项目， 整体 IRR 水平都超过 30%，DPI 超过 1。 　　 “专做生命科学和医疗健康产业的基金，并非规模越大越好” 　　 Q

> 论文提出stand-alone self-attention layer，并且构建了full attention model，验证了content-based的相互关系能够作为视觉模型特征提取的主要基底。在图像分类和目标检测实验中，相对于传统的卷积模型，在准确率差不多的情况下，能够大幅减少参数量和计算量，论文的工作有很大的参考意义   来源：【晓飞的算法工程笔记】 公众号 论文: Stand-Alone Self-Attention in Vision Models 论文地址： https://arxiv.org/abs/1906.05909 Introduction   目前卷积网络的设计是提高图像任务性能的关键，而卷积操作由于平移不变性使其成为了图像分析的主力。受限于感受域的大小设定，卷积很难获取长距离的像素关系，而在序列模型中，已经能很好地用attention来解决这个问题。目前，attention模块已经开始应用于传统卷积网络中，比如channel-based的attention机制 Squeeze-Excite和spatially-aware的attention机制Non-local Network等。这些工作都是将global attention layers作为插件加入到目前的卷积模块中，这种全局形式考虑输入的所有空间位置，当输入很小时，由于网络需要进行大幅下采样

博客： 博客园 | CSDN | blog 目录 写在前面 Inception-V1 (GoogLeNet) BN-Inception Inception-V2, V3 Inception-V4，Inception-ResNet-v1，Inception-ResNet-v2 参考 写在前面 Inception 家族成员：Inception-V1（GoogLeNet）、BN-Inception、Inception-V2、Inception-V3、Inception-ResNet-V1、Inception-V4、Inception-ResNet-V2。 Inception系列网络结构可以模块化为： \[Input \rightarrow Stem \rightarrow A \rightarrow ReducitonA \rightarrow B \rightarrow ReductionB \rightarrow C \rightarrow Avg\ Pooling (+ Linear) \rightarrow feature \] Stem ：前处理部分 A B C ： 网络主体 “三段式”，A B C每段的输入feature size依次折半，channel增加 ReductionA B ：完成feature size折半操作（降采样） Avg Pooling (+ Linear

复用代码是 Java 众多引人注目的功能之一。 Java 可以通过创建类来复用代码，要在使用类的时候不破坏现有代码，有两种方式： 组合：在新的类中使用现有类的对象。 继承：按照现有类的类型来创建新类，无需改变现有类的形式，并为其添加新代码。 组合语法 使用组合技术只需要将对象引用置于新类中。 每个非基本类型的对象都有一个 toString() 方法，而且当编译器需要一个 String 而你传入一个对象时， toString() 会被调用。 类中的对象引用会被默认初始化为 null，如果你对其调用任何方法都会抛出异常，但是可以在不抛出异常的情况下，仍然可以打印一个 null 引用 类中对象引用的初始化位置： 在定义对象的地方 在类的构造器中 惰性初始化，即在要使用该对象的地方进行初始化 实例初始化 class Soap { private String s; Soap() { System.out.println("Soup()"); s = "Constructed"; } @Override public String toString() { return s; } } /** * Bath */ public class Bath { private String s1 = "happy", // 在定义处初始化 s2; private Soap soap; private