TITAN

创新点 YOLO将物体检测作为回归问题求解。基于一个单独的end-to-end网络，完成从原始图像的输入到物体位置和类别的输出。从网络设计上，YOLO与rcnn、fast rcnn及faster rcnn的区别如下： [1] YOLO训练和检测均是在一个单独网络中进行。YOLO没有显示地求取region proposal的过程。而rcnn/fast rcnn 采用分离的模块（独立于网络之外的selective search方法）求取候选框（可能会包含物体的矩形区域），训练过程因此也是分成多个模块进行。Faster rcnn使用RPN（region proposal network）卷积网络替代rcnn/fast rcnn的selective search模块，将RPN集成到fast rcnn检测网络中，得到一个统一的检测网络。尽管RPN与fast rcnn共享卷积层，但是在模型训练过程中，需要反复训练RPN网络和fast rcnn网络（注意这两个网络核心卷积层是参数共享的）。 [2] YOLO将物体检测作为一个回归问题进行求解，输入图像经过一次inference，便能得到图像中所有物体的位置和其所属类别及相应的置信概率。而rcnn/fast rcnn/faster rcnn将检测结果分为两部分求解： 物体类别（分类问题），物体位置即bounding box（回归问题） 。

一，Runes 在Dart中，Runes代表字符串的UTF-32字符集, 另一种Strings Unicode为每一个字符、标点符号、表情符号等都定义了 一个唯一的数值 由于Dart字符串是UTF-16的字符序列，所以在字符串中表达32的字符序列就需要新的语法了 通常使用\uXXXX的方式来表示, 这里的XXXX是4个16进制的数, 如，心形符号(♥)是\u2665 对于非4个数值的情况，把编码值放到大括号中即可, 如，笑脸emoji (😆) 是\u{1f600} String类有一些属性可以提取rune信息 codeUnitAt和codeUnit属性返回16为字符 使用runes属性来获取字符串的runes信息 var clapping = ' \u{1f44f} ' ; print(clapping); // 👏 print(clapping.codeUnits); // [55357, 56399] print(clapping.runes.toList()); // [128079] 简单使用 根据字符串创建 Runes runes = new Runes( ' \u2665, \u{1f605}, \u{1f60e} ' ); print(runes); // (9829, 44, 32, 128517, 44, 32, 128526) 输出特殊字符的字符串 print(

第一章：计算机系统概论 1.1　　计算机系统简介 问题1：现代计算机系统由那两部分组成？ 现代计算机的多态性 CPS：信息物理系统 HPC：高速计算机，天河2号，Titan（Cray公司的，科磊公司） TF：TFlop/s：TF是千万亿次单位，每秒多少千万亿次计算。 顶层的抽象，然后再一步一步的细化。 基本结构都具有共性特征 两部分：硬件和软件（物理和逻辑？） 一般分为9层 1.2　　计算机系统的层次结构 （程序员视角） （从最低到最高） 微指令系统——微程序机器M0，向下发展的语言。—— 由硬件直接执行微指令 机器语言——实际机器M1，机器语言是由0 1 代码构成的。—— 用微指令解释机器指令 .........................................................................................................................（软件|硬件的实现分层） 汇编语言——虚拟机器M2，机器语言符号化。—— 用机器语言解释操作系统 操作系统——虚拟机器（中间））+ 用汇编程序翻译成及其语言程序 高级语言——虚拟机器M3）—— 用编译程序翻译成汇编语言程序 计算机组成与计算机体系结构从研究内容上来说有什么区别？ 三、计算机体系结构和计算机组成 计算机体系结构

论文连接： https://arxiv.org/abs/2004.10934 翻译的很多都是直译的，不准的地方请欢迎大佬指正 摘要 有许多功能可以提高卷积神经网络（CNN）的准确性。需要在大型数据集上对这些特征的组合进行实际测试，并对结果进行理论证明。一些功能仅在某些模型上运行，并且仅在某些问题上运行，或者仅在小规模数据集上运行； 而某些功能（例如批归一化和残差连接）适用于大多数模型，任务和数据集。我们假设此类通用功能包括加权残差连接（WRC），跨阶段部分连接（CSP），跨小批量标准化（CmBN），自对抗训练（SAT）和Mish激活函数。我们使用以下新功能：WRC，CSP，CmBN，SAT，Mish激活，Mosaic数据增强，CmBN，DropBlock正则化和CIoU_loss，并结合使用其中的一些功能以实现最新的结果：43.5％的AP（65.7 在Tesla V100上，MS COCO数据集的实时速度约为65 FPS。源代码位于 https://github.com/AlexeyAB/darknet 。 Introduction 大多数基于CNN的物体检测器仅适用于推荐系统。例如，通过慢速精确模型执行通过城市摄像机搜索空闲停车位的过程，而汽车碰撞警告则与快速不准确的模型有关。提高实时物体检测器的准确性，不仅可以将它们用于生成推荐系统，还可以用于独立的流程管理并能减少人工输入