原创 數據備份 快照技術 之第一次寫時複製(COW)和寫時重定向(ROW)

數據備份  快照技術 之第一次寫時複製(COW)和寫時重定向(ROW)   1.快照技術 關於指定數據集合的一個完全可用拷貝,該拷貝包括相應數據在某個時間點的映像。 快照相當於給數據拍個照片 2. 第一次寫時複製  COW COW(Cop

原创 卷積神經網絡中的1x1卷積核

前言 在介紹卷積神經網絡中的1x1卷積之前,首先回顧卷積網絡的基本概念[1]。   1. 卷積核(convolutional kernel):可以看作對某個局部的加權求和;它是對應局部感知,它的原理是在觀察某個物體時我們既不能觀察每個像素

原创 雲計算中的威脅作用者以及雲計算的威脅有哪些?

2-1、列舉威脅作用者有哪些,並簡要說明。   威脅作用者主要有: 匿名攻擊者、惡意服務作用者,授信的攻擊者、惡意的內部人員; 說明: 匿名攻擊者是不被信任的威脅作用者,通常試圖從雲邊界的外部進行攻擊 惡意服務作用者截取網絡通信,試圖惡意

原创 操作系統複習筆記(全)

  操作系統複習筆記——第一章 導論  https://blog.csdn.net/IT_flying625/article/details/103739469 操作系統複習筆記——第二章 操作系統結構 https://blog.csdn

原创 小記:python中的argsort函數

>>> import numpy >>> help(numpy.argsort) Help on function argsort in module numpy.core.fromnumeric: argsort(a, axis=-1

原创 python numpy中點乘,星乘(*)和np.dot的區別

先看看栗子 import numpy a = numpy.array([[1,2], [3,4]]) b = numpy.array([[5,6], [7,8]])

原创 雲使能技術包括哪些技術組件?用一句話簡要說明其關鍵特徵。

1. 技術組件     寬帶網絡和Internet架構     數據中心技術     虛擬化技術     Web技術     多租戶技術     服務技術   2. 關鍵特徵 所有的雲必須連接到網絡,同時利用數據中心技術集中存放IT資源,

原创 深度學習中的FLOPs是什麼?如何計算的?

1.區分FLOPs和FLOPS FLOPS:注意全大寫,是floating point operations per second的縮寫,意指每秒浮點運算次數,理解爲計算速度。是一個衡量硬件性能的指標。 FLOPs:注意s小寫,是floa

原创 python+OpenCV3 實現人臉檢測 實時讀取視頻流

python代碼 import cv2 as cv import numpy as np def face_detect_demo(image): gray = cv.cvtColor(image, cv.COLOR_BGR

原创 爲什麼神經網絡模型在測試集上的準確率高於訓練集上的準確率?

類似下圖: 或者下圖: 來自:吳恩達機器學習Regularization部分。 如上圖所示,有時候我們做訓練的時候,會得到測試集的準確率或者驗證集的準確率高於訓練集的準確率,這是什麼原因造成的呢?經過查閱資料,有以下幾點原因,僅作參考

原创 當fork()遇上for循環~

vim test.c 寫入如下代碼 #include<unistd.h> #include<stdio.h> int main() { for(int i=0;i<2;i++) { fork();

原创 操作系統複習筆記——第三章 進程

   進程可看做是正在執行的程序。進程需要一定的資源(如CPU時間、內存、文件和I/O設備)來完成其任務。這些資源在創建進程或執行進程時被分配。       進程是大多數系統中的工作單元。這樣的系統由一組進程組成:操作系統進程執行系

原创 CloudFoundry 初識

官網:https://cloudfoundry.cn/ 1. 定義 Cloud Foundry是業界第一個開源PaaS雲平臺,它支持多種框架、語言、運行時環境、雲平臺及應用服務,使開發人員能夠在幾秒鐘內進行應用程序的部署和擴展,無需擔心

原创 Machine Learning experiment1 Linear Regression 詳解+源代碼實現

線性迴歸       迴歸模型如下: 其中θ是我們需要優化的參數,x是n+1維的特徵向量,給定一個訓練集,我們的目標是找出θ的最佳值,使得目標函數J(θ)最小化: 優化方法之一是梯度下降算法。算法迭代執行,並在每次迭代中,我們更新θ遵

原创 Machine Learning Experiment 3: Linear Discriminant Analysis 詳解+源代碼解析

LDA for 2 Classes 首先,繪製原始數據: 查看LDA步驟 其中 設計代碼 加載數據,並繪製三個類的圖像 X1=load('ex3red.dat'); X2=load('ex3green.dat'); X3=load(