DG（data guard）1. DG：类似mysql的AB复制。dg是一个整体的环境配置，实现：高可用，数据保护，以及灾备三个特性，包含一个主库，一个或多个备库且最多只能有9个备库。⚠️ADG情况说明：10g之前的dg，只有在mount状态下才可以接受应用redo log；11g增加的ADG功能，支持备库在open（read only）的同时可以接受应用主库传过来的redo log。⚠️dg环境
“BUG”的由来：
Bug一词的原意是“臭虫”或“虫子”。但是现在，在电脑系统或程序中，如果隐藏着的一些未被发现的缺陷或问题，人们也叫它“Bug”，这是怎么回事呢？
原来，第一代的计算机是由许多庞大且昂贵的真空管组成，并利用大量的电力来使真空管发光。可能正是由于计算机运行产生的光和热，引得一只小虫子Bug 钻进了一支真空管内，导致整个计算机无法工作。研究人员费了半天时间，总算发现原
MTV模型Django的MTV分别代表： Model(模型)：负责业务对象与数据库的对象(ORM) Template(模版)：负责如何把页面展示给用户 View(视图)：负责业务逻辑，并在适当的时候调用Model和Template
学习内容：HMN项目代码学习时间：1.2 ~ 1.7学习笔记：HMN项目代码本周主要对HMN项目中的： main.py，train.py，eval.py，data_loader.py，build_loaders.py 进行了学习，代码的学习情况如下。1.main.py整个项目的main函数，包含了项目的整体流程。if __name__ == '__main__':
# 初始化文件保存的内容
转载
2024-07-11 06:17:40
212阅读
目录前言怎么理解DTLN的第二部分呢对1D卷积的具体理解1D卷积相较于STFT的优缺点优点缺点（不太确定）参考文献前言DTLN是一种能够实时处理的语音降噪算法，其开源代码在这里，论文在这里。DTLN的结构如上图，其结构分为两个部分。第一部分（上图左边）是在stft得到的频谱上进行降噪处理，属于频域处理。第二部分（上图右边）是在1D卷积得到的特征上进行进一步降噪处理，也属于频域处理。其网络结构部分的
关于卷积神经网络的介绍，网上资料很多。不在赘述。 从最主要的地方入手介绍： 打开tiny-dnn的/example/main.cpp文件，可以看到如下代码：nn << convolutional_layer<tan_h>(32, 32, 5, 1, 6)
<< average_pooling_layer<tan_h>(28, 2
转载
2024-05-15 10:27:22
169阅读
DPC究竟是什么DPC是“Deferred Procedure Call”的缩写，意为推迟了的过程（函数）调用。这是因为，逻辑上应该放在中断服务程序中完成的操作并非都是那么紧迫，其中有一部分可能相对而言不那么紧迫，而又比较费时间，实际上可以放在开中断的条件下执行。如果把这些操作都放在中断服务程序中，就会使关闭中断的时间太长而引起中断请求的丢失，因为整个中断服务程序通常都是在关中断的条件下执行的。为
2016年Google DeepMind提出了Dueling Network Architectures for Deep Reinforcement Learning，采用优势函数advantage function，使Dueling DQN在只收集一个离散动作的数据后，能够更加准确的去估算Q值，选择更加合适的动作。Double DQN，通过目标Q值选择的动作来选择目标Q值，从而消除Q值过高估计
OSI参考模型和TCP/IP模型OSI参考模型OSI参考模型（开放系统互联参考模型 Open System Interconnection/Reference Model）是由国际标准化组织（international standard organized，OSI）提出的。OSI参考模型分为七层（下层为上层服务，上层运用下层的服务）：物理层提供透明的比特流传输；数据单位是比特（bit），即一个二进
文章目录问题的由来速度梯度1 第一行1.1 分量和形式1.2 矩阵形式2 第二行2.1 分量和形式2.2 矩阵形式3 第三行3.1 分量和形式3.2 矩阵形式4 合在一起对称张量应变张量应力张量 问题的由来在splishsplash论文教程当中，在讲到粘性的时候，有这样一页PPT 这是流体力学的基础知识，即利用牛顿本构模型来构建的NS方程。我们先看左边这个公式 被称为柯西动量方程。这个方程对流体
转载
2024-03-27 06:22:16
335阅读
首先，我们要讨论的是在non-satruated的环境下DCF的工作原理。也就是说，在一次成功的传输之后，某个站点并不一定立马有数据接入，可能等一段时间才有新数据成为HOLpacket。站点要传送数据的必要条件是，先侦听到一段长为DIFS的空闲段。如果新接入数据的站点在DIFS段中某一点发现信道变忙，那么就延迟等待，直到侦听到DIFS长的空闲段。我认为，以上只会在一种情况下发生，也就是前段所述，某
转载
2024-07-24 21:08:17
119阅读
在编写程序过程中，特别是刚刚入行没有多久的程序员，经常会犯的一个错误就是大段大段的复制粘贴代码。把功能相近的代码直接复制过来而不加以修改。这个习惯也许来源于你的老师也许来源于你本身的原因。总之，对于这一类程序员最好的设计模式就是“Ctrl+C(复制)”和“Ctrl+V(粘贴)”。但是复制代码虽然在一定程度上提高了编程的速度，但是更多的是带来了不可预计的问题：若要修改这个功能的代码，却只修改了一部分
Unity Shader 学习笔记（20） 卷积、卷积核、边缘检测算子、边缘检测卷积（convolution）、卷积核（kernel）卷积：使用卷积核对图像每一个像素进行操作。卷积核： 四方形网格结构，每个方格都有一个权重值。也称边缘检测算子。对图像某个像素卷积时，把卷积核中心放置在像素上，翻转核（水平翻转+竖直翻转），依次计算每个元素和重合像素的乘积并求和，得到新的像素值。边缘检测算子即用于边缘
转载
2024-10-25 13:18:44
84阅读
流体的基本属性连续介质假设流体是由无数个质点组成，它们在任何情况下均无空隙地占满所占据的空间。可以用克努森数来判断分子的相对离散程度（一般空气的自由程为10nm） Kn = 分子的平均自由程与研究物体的特征长度的比值。Kn小于0.01，连续流Kn 0.1~1为滑移流1~10为过度流大于10为离散流几个特性易流动性。流体在静止状态下不能受剪切应力。压缩性与弹性。流体在运动过程中，由于温度和压力等因素
转载
2024-03-27 11:01:22
213阅读
前言本篇介绍三篇旷视在2018年的CVPR及ECCV上的文章。旷视做宣传做的很好，出的论文解读文章很赞，省去了我从头开始理解的痛苦，结合论文基本能很快了解全貌。语义分割任务同时需要 Spatial Context 和 Spatial Detail ，也就是分类的语义信息和形状的空间信息。不同的网络从不同的角度解决这两个问题，做不同的妥协。DFN这是在CVPR2018上被接收的文章。DFN是Disc
转载
2024-03-15 05:54:58
602阅读
1.说明以下代码为苏神参加百度信息抽取比赛提出的DGCNN模型代码，其源码基本是没有注释的，所以本文对大部分代码做了注释，可能有不对的地方，可以指出。另一个就是对keras3.x版本下Attention模块的计算做了修改。2.代码注释#! -*- coding:utf-8 -*-
from __future__ import print_function
import json
转载
2024-03-19 22:20:38
251阅读
向AI转型的程序员都关注了这个号????????????机器学习AI算法工程 公众号：datayx笔者在最终的测试集上排名第七，指标F1为0.8807（Precision是0.8939，...
转载
2021-10-26 16:34:34
249阅读
DeepKEDeepKE 是一个基于深度学习的开源中文知识图谱抽取框架，支持低资源、长篇章的知识抽取工具，支持命名实体识别、关系抽取和属性抽取功能。 DeepKE为三个知识抽取功能（命名实体识别、关系抽取和属性抽取）设计了一个统一的框架可以在不同场景下实现不同功能。比如，可以在标准全监督、低资源少样本和文档级设定下进行关系抽取每一个应用场景由三个部分组成：Data部分包含Tokenizer、Pre
DQN，即Deep Q-learning算法，是将神经网络与Q-learning算法相结合而得到的强化学习算法。在DeepMind发表的论文《Playing Atari with Deep Reinforcement Learning》（https://arxiv.org/abs/1312.5602）中，DeepMind使用DQN算法训练出可以玩Atari游戏的模型，该模型甚至在某些游戏上表现的比
强化学习—DQN算法原理详解一、 概述强化学习算法可以分为三大类：value based, policy based 和 actor critic。常见的是以DQN为代表的value based算法，这种算法中只有一个值函数网络，没有policy网络，以及以DDPG,TRPO为代表的actor-critic算法，这种算法中既有值函数网络，又有policy网络。说到DQN中有值函数网络，这里简单介绍
转载
2024-08-11 18:47:21
68阅读
