其他

1.core dump介紹         程式異常退出（crash）時會自動產生一個core檔案，包含了程式運行時的記憶體，寄存器狀態，堆棧指標，記憶體管理等資訊，也就是把程式當時工作的狀態儲存成一個檔案。不僅僅是在出錯的時候會產生core dump檔案，在系統卡住或者cpu使用率很高的時候也可以手動觸發產生core dump檔案（當然這種情況也可以直接通過jmap和jstack dump出記憶體和線程堆棧，但JDK1

雷射雷達擷取的資訊是和周圍物體之間的距離資訊，在移動機器人尤其是自主移動機器人領域具有非常廣泛的應用，那我們就從移動機器人的自主導航開始聊吧。 移動機器人導航是指移動機器人依靠感應器在特定環境中，按時間最優、路徑最短或能耗最低等準則實現從起始位置到目標位置的無碰撞運動。 傳統的移動機器人導航問題包含三大要素：地圖建立、定位和運動控制，通過三大要素，解決三個基本問題：我在哪裡。我要去哪裡。如何去。 機器人定位的目的是回答“我在什麼地方。”這個基本的問題。

VIPServer介紹       VIPServer是阿里中介軟體團隊開發的一個中介層負載平衡(mid-tier load balancing)產品，VIPServer是基於P2P模式，是一個七層負載平衡產品。VIPServer提供動態網域名稱解析和負載平衡服務，支援很多諸如多業務單元同單元優先、同機房優先、同地區優先等一系列流量智能調度和容災策略，支援多種健康監測協議，支援精細的權重控制，提供多級容災體系、具有對稱調用、

與第一代TPU只能服務於機器學習模型計算不同，Google最新的TPU現在既能處理訓練也能處理服務。InfoQ年初曾詳細介紹過第一代TPU白皮書。 第二代TPU的發布時間與一周前NVIDIA發布Volta的時間高度吻合，後者是一個普通的GPU，針對TensorFlow進行了最佳化，具備經過嚴格測試的Tensor

1968年，Alan Kay提出Dynabook設想 “Notebook sized computer loaded with multimedia and can store everything” 將是一款如同書籍般，既為可攜式且具互動功能的多媒體個人式電腦，它的主要規格如下： 1. 大小如A4紙張之易攜帶； 2. 顯示器的解析度必須優於報紙文字； 3. 必須具有聲音輸入的功能且易操作； 4. 必須能夠網路化和作無線通訊 A4紙的尺寸是210mm×297mm，

調參，真的是讓我脫了一層皮的一項工作。 調了半天，訓練一天，結果什麼用都沒有的時候真的是絕望…… 本文總結了自己對於調參的思考和一些常見參數的調整，希望對大家有所協助。 如果本文中有些表述或理解有誤，歡迎各位大神批評指正。 在實際調整參數之前，我們先要搞清楚兩個事情：

------- Windows Phone 7手機開發、.Net培訓、期待與您交流。 -------   知識一：SQL中char、varchar、text和nchar、nvarchar、ntext的區別      1、CHAR。CHAR儲存定長資料很方便，CHAR欄位上的索引效率級高，比如定義char(10)，那麼不論你儲存的資料是否達到了10個位元組，都要佔去10個位元組的空間。      2、

我實在是太懶了，現在才來寫這篇博文。 這裡我將總結做這個項目所用的思路，以及中間出現的各種問題還有問題的解決辦法。 1、最終實現方案（樹莓派、php+html、arecord、百度語音、face++Image Recognition） 1.1、硬體部分 因為加了一個開關來控制語音的錄入，所以用到了樹莓派的中斷，因此硬體的話除了樹莓派還多了一個開關和幾條杜邦線跟幾個小電阻。最後開關與樹莓派的電路圖如下所示：![這裡寫圖片描述](https://img-blog.csdn.net/20

        程式員總是會面臨這樣一種情境，基於一些原因我們需要學習一門新技術、新語言，然後就在電商網站買上幾本書或下載電子書開始啃，結果可能有兩種，因為書裡的知識過於專業或者深入，晦澀難懂，就把書扔到角落裡吃灰了，或者囫圇吞棗通讀一遍，雖然感覺有所領悟，但無法統領全域，表現就是知識點記不住，和別人交流時感覺不自信而且詞語匱乏。      

     由於實習公司的任務要求，需要學習CaffeOnSpark的安裝和使用，作為一個對DL學習不到一個月的小白，拿到這個任務的時候真的是一臉懵逼，沒招只能上網找教程。可能這個技術比較新，網上的教程比較少，比較詳細的一個是： 參考教程。這個教程對於有一定深度學習基礎的朋友來說應該足夠了，但像我這樣入門級的菜鳥，中間會掉一個又一個的坑。通過半個多月的掉坑、爬坑的痛哭煎熬過程，終於完成了CaffeOnSpark的安裝和測試案例的使用。廢話不多說，直接上乾貨。

Directshow的中filter （濾鏡） 其實可以看作是一個功能模組，它規定了標準的介面，用於不同的濾鏡直接傳遞媒體資料。各個濾鏡也不用知道其他濾鏡具體是怎麼樣工作的，他只要知道傳過來的 是什麼樣格式的媒體資料就行了，然後他自己又由什麼樣的格式傳出去給下個濾鏡。 一個典型的在播放器中播放mp3檔案的filter出來大概是這樣子到； 檔案源濾鏡（File source filter）-》 mp3 解碼filter -》音頻渲染filter

TPU只完成推理過程，訓練過程在GPU上完成。TPU可以像GPU一樣通過PCIe匯流排介面掛載到現有的伺服器上。設計目標是為了在TPU上完成所有的推理模型，從而減少和主機CPU的互動，進而滿足2015年及今後的神經網路需求。下圖是TPU的整體結構框圖。 主機通過PCIe

原文地址：http://www.sohu.com/a/198477100_633698 文章節選自《白話深度學習與TensorFlow》 隨著人們對於神經網路技術的不斷研究和嘗試，每年都會誕生很多新的網路結構或模型。這些模型大都有著經典神經網路的特點，但是又會有所變化。你說它們是雜交也好，是變種也罷，總之對於神經網路創新的各種辦法那真叫大開腦洞。

物聯網的快速發展對無線通訊技術提出了更高的要求，專為低頻寬、低功耗、遠距離、大量串連的物聯網應用而設計的LPWAN（low-power Wide-Area Network，低功耗廣域網路）也快速興起。NB-IoT與LoRa是其中的典型代表，也是最有發展前景的兩個低功耗廣域網路通訊技術。

   當你對你的工作不是很滿意的時候，想離職跳槽的時候，都需要和你的上級談離職的事情，通過本人的真實經驗，希望對你們有所協助。 以下是對具體文章內容：如有哪裡不對有想拍死我的衝動，請先冷靜的思考3秒。。。。    昨天去和領導談離職了，從下午五點談到下午八點，以下總結主要過程內容： 1）領導先談我們公司後面要做的工作 2）談我離職的原因之------不想出差 3）談我離職的原因之------學不到東西 4）談我離職的原因之--

強化學習可以分成off-policy（離線）和on-policy（線上）兩種學習方法，按照個人理解，判斷一個強化學習是off-policy還是on-policy的依據在於產生樣本的policy（value-funciton）和網路參數更新時的policy（value-funciton）是否相同。 off-policy的經典演算法有Q-learning，而on-policy的經典演算法有SARSA演算法，兩者的演算法流程如下所示。 Q-learning演算法： initialize

on-policy：產生樣本的policy（value function）跟網路更新參數時使用的policy（value function）相同。典型為SARAS演算法，基於當前的policy直接執行一次動作選擇，然後用這個樣本更新當前的policy，因此產生樣本的policy和學習時的policy相同，演算法為on-policy演算法。該方法會遭遇探索-利用的矛盾，光利用目前已知的最優選擇，可能學不到最優解，收斂到局部最優，而加入探索又降低了學習效率。epsilon-greedy

本文主要內容： Finite Difference Policy Gradient Monte-Carlo Policy Gradient 上節課我們使用參數估計了價值函數和行動-價值函數，而當講到策略時，我們只提到 ϵ -greedy。在這節課，我們將會直接參數化策略 πθ(s,a)=P(a|s,θ) 。 增強學習可分為Value-Based、Policy-Based以及二者結合的Actor-Critic。Value-Based的增強學習的策略（比如 ϵ

伺服電機選用Robotis Dynamixel, 棒子品牌。 即時的位置反饋，速度和扭力。 低端的AX-12。 一個某寶上最便宜也要310RMB. 在本章中，我們將討論以下議題： •添加雲台到TurtleBot •選擇Dynamixel控制器和ROS包 •瞭解ROS JointState訊息類型 •使用基本的 joint 控制命令 •串連硬體控制器和設定伺服IDs •配置的開機檔案和參數 •測試舵機 •頭跟蹤節點編程 •組合頭臉部追蹤 12.1 帶雲台的TurtleBot

首先回憶上一次的內容： Bellman Expectation Equation：【計算時常用】 【計算時常用】 【計算時常用】 Bellman Optimality Equation： 為什麼DP能夠解決MDP問題： Policy Evaluation： 1）要解決的問題： 也就是說，要評價一個policy