Uniform

我是一名程序员，我的主要编程语言是 Java，我更是一名 Web 开发人员，所以我必须要了解 HTTP，所以本篇文章就来带你从 HTTP 入门到进阶，看完让你有一种恍然大悟、醍醐灌顶的感觉。 最初在有网络之前，我们的电脑都是单机的，单机系统是孤立的，我还记得 05 年前那会儿家里有个电脑，想打电脑游戏还得两个人在一个电脑上玩儿，及其不方便。我就想为什么家里人不让上网，我的同学 xxx 家里有网，每次一提这个就落一通批评：xxx上xxx什xxxx么xxxx网xxxx看xxxx你xxxx考xxxx的xxxx那xxxx点xxxx分。虽然我家里没有上网，但是此时互联网已经在高速发展了，HTTP 就是高速发展的一个产物。 认识 HTTP 首先你听的最多的应该就是 HTTP 是一种 超文本传输协议(Hypertext Transfer Protocol) ，这你一定能说出来，但是这样还不够，假如你是大厂面试官，这不可能是他想要的最终结果，我们在面试的时候往往把自己知道的尽可能多的说出来，才有和面试官谈价钱的资本。那么什么是超文本传输协议？ 超文本传输协议可以进行文字分割： 超文本（Hypertext）、传输（Transfer）、协议（Protocol） ，它们之间的关系如下 按照范围的大小 协议 > 传输 > 超文本。下面就分别对这三个名次做一个解释。 什么是超文本 在互联网早期的时候

[译]Vulkan教程(26)描述符池和set Descriptor pool and sets 描述符池和set Introduction 入门 The descriptor layout from the previous chapter describes the type of descriptors that can be bound. In this chapter we're going to create a descriptor set for each VkBuffer resource to bind it to the uniform buffer descriptor. 从之前的章节可知，描述符布局描述了描述符可被绑定的类型。本章我们要为每个 VkBuffer 资源创建描述符set，以绑定它到uniform buffer描述符。 Descriptor pool 描述符池 Descriptor sets can't be created directly, they must be allocated from a pool like command buffers. The equivalent for descriptor sets is unsurprisingly called a descriptor pool . We'll write a

https://zhuanlan.zhihu.com/p/113339927 我们在production的系统里面会遇到一个问题，模型如何处理新进来的数据。重新训练的话下游的prediction可能会非常不一样，但是我们不知道到底怎么不一样。之前在MLSys 2020 看到了这个关于稳定心的文章，所以跟大家分享一下。这个paper尝试总结retraining对embedding的影响到底有多大，原文在这里 https://proceedings.mlsys.org/static/paper_files/mlsys/2020/104-Paper.pdf ​ proceedings.mlsys.org 既然我们要讨论稳定性，我们得先给一个稳定性的定义 这个定义的逻辑本身是根据下游的task来定义上游够不够稳定，如果完全稳定的话下游的模型就不用retrain了。这里文章讲用zero one可能是因为讨论的是NLP的问题，假设是ctr的话这种zero one loss就不合理。 对于word embedding的算法，文中用了三种 Matrix Completion GloVE word2vec quantization用的是uniform quantization，原文在这里 https://arxiv.org/pdf/1909.01264.pdf ​ arxiv.org

在了解了KNN的基本原理之后，我们需要学习如何在sklearn中调用KNN算法以及如何用GridSearchCV进行调参 首先导入必要的库以及我们所使用的数据集：iris 1 from sklearn.neighbors import KNeighborsClassifier 2 from sklearn import datasets 3 from sklearn.model_selection import GridSearchCV 4 from sklearn.model_selection import train_test_split 5 iris = datasets.load_iris() 6 data = iris.data 7 label = iris.target 由于KNN对极端数据比较敏感，所以一般会对数据进行归一化，此处数据集比较友好就没有归一化了 将整个的数据集分成训练集和测试集，并创建一个KNN分类器对象 1 X_train,X_test,y_train,y_test = train_test_split(data,label,test_size=0.3,random_state=2 ) 2 knn_clf = KNeighborsClassifier() 由于sklearn中的KNN方法有很多超参数，所以需要调参，这里只介绍常用的超参数：

如何传一个固定的Vec3数组: osg::Uniform *uniform3 = new osg::Uniform(osg::Uniform::Type::FLOAT_VEC3, "arr3", 8); uniform3->setElement(0, osg::Vec3(1, 0, 0)); uniform3->setElement(1, osg::Vec3(1, 0, 1)); uniform3->setElement(2, osg::Vec3(1, 1, 0)); 与一般的写法不同, Element的数目是固定的 来源： oschina 链接： https://my.oschina.net/u/235558/blog/4276171

[译]Vulkan教程(25)描述符布局和buffer Descriptor layout and buffer 描述符布局和buffer Introduction 入门 We're now able to pass arbitrary attributes to the vertex shader for each vertex, but what about global variables? We're going to move on to 3D graphics from this chapter on and that requires a model-view-projection matrix. We could include it as vertex data, but that's a waste of memory and it would require us to update the vertex buffer whenever the transformation changes. The transformation could easily change every single frame. 我们现在可以传递任意属性到顶点shaderfor每个订单，但是全局变量呢？从本章开始我们要折腾3D图形了，这需要用到模型-视图-投影矩阵

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！ 内存访问瓶颈 我是CPU一号车间的阿Q，前一阵子我们厂里发生了一件大喜事，老板拉到了一笔投资，准备扩大生产规模。 不过老板挺抠门的，拉到了投资也不给我们涨点工资，就知道让我们拼命干活，压榨我们的劳动力。 老板说了，投资的钱要用来添置设备，招聘新员工，咱们原来就有八个车间了，这一下直接double，变成了十六个！我们的工资要是也能double就好了··· 现在我们变成了一个16核的CPU啦！ 原以为我们生产效率也能double，没想到却遇到了新的问题。 我们CPU里面各个车间访问内存都要通过内存控制器和总线系统，有时候碰到几个车间都要访问内存，就得要竞争。 以前我们八个车间的时候竞争情况还不是很激烈，大家互相谦让一下也就罢了。现在变成了十六个车间都要过独木桥，这竞争一下就激烈了，尤其是我们这帮老员工基本不会让着新来的，为了此事经常发生不愉快。 内存访问出现了瓶颈，这性能自然是折损严重。 NUMA架构 老板把这一切都看在眼里，私下里找了我、二号车间的虎子还有总线主任开了个小会。 “你们几个都是厂里的核心员工，对厂里目前的问题你们怎么看？”，老板问我们几个。 我和虎子互相瞅了瞅，都没说话。 这时总线主任开口了：“老板，现在的问题是访问内存的路只有一条，大家都要来挤，难免会发生摩擦

[深度应用]·Keras实现Self-Attention文本分类（机器如何读懂人心） 配合阅读： [深度概念]·Attention机制概念学习笔记 [TensorFlow深度学习深入]实战三·分别使用DNN,CNN与RNN(LSTM)做文本情感分析 笔者在 [深度概念]·Attention机制概念学习笔记 博文中，讲解了Attention机制的概念与技术细节，本篇内容配合讲解，使用Keras实现Self-Attention文本分类，来让大家更加深入理解Attention机制。 作为对比，可以访问 [TensorFlow深度学习深入]实战三·分别使用DNN,CNN与RNN(LSTM)做文本情感分析 ，查看不同网络区别与联系。 一、Self-Attention概念详解 了解了模型大致原理，我们可以详细的看一下究竟Self-Attention结构是怎样的。其基本结构如下 ​ 对于self-attention来讲，Q(Query), K(Key), V(Value)三个矩阵均来自同一输入，首先我们要计算Q与K之间的点乘，然后为了防止其结果过大，会除以一个尺度标度 ​ ，其中 ​ 为一个query和key向量的维度。再利用Softmax操作将其结果归一化为概率分布，然后再乘以矩阵V就得到权重求和的表示。该操作可以表示为 ​ 这里可能比较抽象，我们来看一个具体的例子（图片来源于 https:/

之前实现过，是利用的sprite永久朝向相机的特性实现的效果。但是这种效果对于雪还比较好，如果贴图修改成长条形的雨的话，从上往下看，就会有一种说不出的感觉，不真实。 而我也通过修改shader和自己拼接渲染数据，实现了一个比较简单的渲染效果。接下来讲解一下实现逻辑： 第一步，创建一个包围盒，来设置范围 const box = new THREE.Box3( new THREE.Vector3(-2000, -2000, -2000), new THREE.Vector3(2000, 2000, 2000) ); 第二步，创建一个默认材质，并修改材质的shader 这里简单的提一句，three.js的材质对象是生成webgl的原生的program的工具，内置的那些材质都有相应的字符串拼接组成。 相应的，我们也可以通过拼接的方式，修改材质的默认着色器代码，从而达到自己的需求。 material = new THREE . MeshBasicMaterial ( { transparent : true , opacity : .8 , map : new THREE . TextureLoader ( ) . load ( "./color.png" ) , depthWrite : false , } ) ; material . onBeforeCompile = function

作为前端，每日与 URL 打交道是必不可少的。但是也许每天只是单纯的用，对其只是一知半解，随着工作的展开，我发现在日常抓包调试，接口调用，浏览器兼容等许多方面，不深入去理解URL与URL编码则会踩到很多坑。故写下此篇文章，详解一下 URL 。 URL 与 URI 很多人会混淆这两个名词。 URL：(Uniform/Universal Resource Locator 的缩写，统一资源定位符)。 URI：(Uniform Resource Identifier 的缩写，统一资源标识符)。 关系： URI 属于 URL 更低层次的抽象，一种字符串文本标准。 就是说，URI 属于父类，而 URL 属于 URI 的子类。URL 是 URI 的一个子集。 二者的区别在于，URI 表示请求服务器的路径，定义这么一个资源。而 URL 同时说明要如何访问这个资源（http://）。 端口 与 URL标准格式 何为端口？ 端口(Port)，相当于一种数据的传输通道。用于接受某些数据，然后传输给相应的服务，而电脑将这些数据处理后，再将相应的回复通过开启的端口传给对方。 端口的作用：因为 IP 地址与网络服务的关系是一对多的关系。所以实际上因特网上是通过 IP 地址加上端口号来区分不同的服务的。 端口是通过端口号来标记的，端口号只有整数，范围是从0 到65535。 URL 标准格式 通常而言