tsung

安装 Tsuang 参考： CentOS 7 系统 Erlang/OTP 20.3 Tsung 1.7.0 安装部署教程 编写配置文件 配置文件：raw.xml <?xml version="1.0"?> <!DOCTYPE tsung SYSTEM "/root/kerl/22.0/share/tsung/tsung-1.0.dtd"> <tsung loglevel="debug" dumptraffic="true" version="1.0"> <clients> <!-- 单线程允许的最大连接数：100000，系统默认单线程允许的最大连接数是1024，当用户数大于限制时，将启动新的erlang虚拟机来处理新用户。 --> <client host="localhost" weight="2" maxusers="30000" use_controller_vm="true"/> </clients> <servers> <server host="localhost" port="60001" type="tcp"></server> </servers> <load> <!-- 第 0 个十分钟，每2秒钟创建1个新用户 --> <arrivalphase phase="0" duration="10" unit="minute"> <users interarrival

摘要 ： 本文提出了一个卡通人脸识别的基准数据集i Cart oon Face ，并设计了卡通和真人多任务域自适应策略来提高卡通人脸识别的性能。 论文链接： https://arxiv.org/pdf/1907.13394.pdf 导读： 通过人脸识别技术对视频中的人物信息进行结构化分析，目前已在爱奇艺公司的多个产品中应用，例如“奇观”、“只看他”等，给用户带来了良好的交互体验。为了推动了人脸识别技术的快速发展，爱奇艺在 2018年 、 2019年 相继举办了多模态人物识别竞赛。与此同时，学术界、工业界对卡通人物识别领域的研究较少，为了促进相关研究和带来良好的用户体验，本文提出了 iCartoonFace 卡通识别数据集和对相关算法进行了研究，并成功落地到爱奇艺“奇观”、“逗芽”等产品中。 背景 ： 近年来，伴随着卡通产业的迅猛发展，卡通视频呈现出爆炸性增长。而实现对这些卡通视频智能理解的第一步就是需要识别出这些视频里面的卡通人物身份信息。同时伴随着人脸识别技术的发展，人物识别精度大幅提升，在Labeled Faces in the Wild（LFW）等图片数据集上，人脸识别精度甚至超过了人类的识别能力。然而，对卡通人物身份的识别，却鲜有研究，相关的数据集也比较少，如下表1。对于深度学习来说，这些已有的卡通识别数据集存在着数据量较小、噪声比例较大的问题。因此构建一个大规模

　　 　　聊天机器人（Chatbot）是经由对话或文字进行交谈的计算机程序。其能够模拟人类对话，通过图灵测试。自 1966 年以来人类从未停止过对聊天机器人的探索。现如今，苹果语音助手 Siri，微软的小冰、小娜、Rinna、Tay、Zo、Rukkkuh，亚马逊的Echo，百度的小度机器人，京东JIMI客服机器人，网易七鱼等 Chatbot 纷纷进驻到生活的各个领域，改变着我们的生活。 　　 　　 历史发展脉络 　　 1966 年，MIT 的计算机科学家 Joseph Weizenbaum 发表了 ELIZA，它可以根据人工设计的脚本与人类交流，是世界上第一个模仿人类谈话的机器人； 1971 年， 斯坦福大学的 Kenneth Colby 开发出 Parry 聊天机器人，它模仿偏执狂患者，这是第一个通过图灵测试的聊天机器人； 1988 年，加州大学伯克利分校的 Robert Wilensky 等人开发了名为 UNIX Consultant 的聊天机器人系统； 1990 年，美国人 Hugh Loebner 设立 Loebner Prize，奖励首个与人类回复无差别的计算机程序，即聊天机器人系统； 1995 年，Richard Wallace 博士开发的 ALICE 系统允许用户自定义自己的聊天机器人，被认为是 20 世纪最伟大的聊天机器人。ALICE 在 2000、2001 和

数据库设计 erlang + mysql5.6 设计 网络设计 erlang +cowboy + ranch + http/https设计 逻辑设计 erlang + 代码结构 + 断线重连 日志设计 日志保存 + 数据库日志保存 协议设计 erlang + protobuf/自定义协议格式 配置导表设计 excle + php 导报 协议生成设计 php 导出协议/protobuf 导出协议+ 序列化/反序列化 代码编译 编译成beam文件 服务器运维设计 linux + shell 脚本 + 热更新 + 代码同步 充值付费设计 sdb对接 + php服务器验证+ 服务器验证+ 发货 + 充值记录 分布式跨服机制 erlang + 分布式跨服机制 机器人机制/压测 tsung + robo机制验证 合服机制 数据库的简单合并（注意key值得合并即可，以及有些数据值得删除操作） 脚本的数据库合并(用脚本的方式避免各个key值得重复，需要每个功能都写合服脚本） 来源： oschina 链接： https://my.oschina.net/gaoxepro/blog/3190364

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> 一、前言 图像分割（Image Segmentation）是计算机视觉领域中的一项重要基础技术，是图像理解中的重要一环。图像分割是将数字图像细分为多个图像子区域的过程，通过简化或改变图像的表示形式，让图像能够更加容易被理解。更简单地说，图像分割就是为数字图像中的每一个像素附加标签，使得具有相同标签的像素具有某种共同的视觉特性。 图像分割技术自 60 年代数字图像处理诞生开始便有了研究，随着近年来深度学习研究的逐步深入，图像分割技术也随之有了巨大的发展。早期的图像分割算法不能很好地分割一些具有抽象语义的目标，比如文字、动物、行人、车辆。这是因为早期的图像分割算法基于简单的像素值或一些低层的特征，如边缘、纹理等，人工设计的一些描述很难准确描述这些语义，这一经典问题被称之为“语义鸿沟”。 得益于深度学习能够“自动学习特征”的这一特点，第三代图像分割很好地避免了人工设计特征带来的“语义鸿沟”，从最初只能基于像素值以及低层特征进行分割，到现在能够完成一些根据高层语义的分割需求。 （图像分割的发展历史） 高德地图拥有图像/视频大数据，在众多业务场景上都需要理解图像中的内容。例如，在数据的自动化生产中，通常需要寻找文字、路面、房屋、桥梁、指示牌、路面标线等目标。这些数据里有些是通过采集车辆或卫星拍摄