私人海域

第一章 1.2 分布式数据库的定义 & 特性 **定义：**一个物理上分散而逻辑上集中的数据库系统 三个基本特点：a. 物理分布性 b. 逻辑整体性 c. 节点自治性 **其他特点：**d.数据分布透明性 e. 集中与自治相结合的控制机制 f. 适当的数据冗余度 g. 事务管理的分布性 分布式数据库系统的优点： 可以管理具有不同透明度的数据 提高可靠性和可用性：可靠性基本上定义为系统在特定时间运行的概率，而可用性定义为系统在一段时间内连续可用的概率。当 数据和DBMS软件分布在多个站点上时，一个站点可能会失败而其他站点继续运行，并且我们无法仅访问故障站 点中存在的数据，这基本上可以提高可靠性和可用性。 更容易扩展 在分布式环境中，在添加更多数据，增加数据库大小或添加更多数据方面扩展系统，增加数据库 大小或添 加更多处理器要容易得多。 改进的性能 通过将查询分解为基本上并行执行的多个子查询，我们可以通过在不同站点执行多个查询来实现 查询间和 内部查询并行性，这基本上可以提高性能。 分布式数据库系统的挑战：数据独立性、数据冗余、查询优化、事务管理等 1.3 分布 ...

整数二分模版 123456789101112131415161718192021222324bool check(int x) {/* ... */} // 检查x是否满足某种性质// 区间[l, r]被划分成[l, mid]和[mid + 1, r]时使用：int bsearch_1(int l, int r){ while (l < r) { int mid = l + r >> 1; if (check(mid)) r = mid; // check()判断mid是否满足性质 else l = mid + 1; } return l;}// 区间[l, r]被划分成[l, mid - 1]和[mid, r]时使用：int bsearch_2(int l, int r){ while (l < r) { int mid = l + r + 1 >> 1; ...

基本信息 1. 论文标题：《DeepFaceDrawing: Deep Generation of Face Images from Sketches》—— 《深度人脸画像：从草图深度生成人脸图像》 2. 论文链接：原文链接 3. 发表会议：计算机图形学顶会SIGGRAPH 2020 7月 4. 关键词：图像翻译，特征嵌入（feature embedding），基于草图的生成（sketch），人脸生成 5. 作者：中国科学院的研究团队 6. 代码与演示地址： 官方代码：Github仓库地址 使用清华开源框架Jittor开发，作者之后将公布Pytorch版本代码 演示地址：在线演示地址 7. 研究意义： 实现了草图到人脸的高质量在线转换，软约束的方式可以实现生成结果的优化。 不要求使用者有多高的艺术造诣，目前国内大多数输入都要求草图清晰、专业。 主要贡献 1. 核心方法： 分别学习人脸组成部分（左眼/右眼/鼻子/嘴/其他）的特征嵌入（autoEncoder），借助LLE方法映射到相应部位的流形结构中，进而找到最相似且合理结构来替换原来不规则的输入草图。（如果这时候再映射回高 ...

库函数将string转换成int 1int ans = atoi(str.c_str()); 二维向量的初始化 12vector<int, vector<int>> vec(m + 1, vector<int>( n + 1, 0));// m+1行 n+1列 初始化值为0 优先队列的初始化 12345// 升序priority_queue<int, vector<int>, greater<int>> que;// 降序priority_queue<int, vector<int>, less<int>> que; 字符串截取 123s.substr(pos, n) //截取s中从pos开始（包括0）的n个字符的子串，并返回s.substr(pos) //截取s中从从pos开始（包括0）到末尾的所有字符的子串，并返回

今天在试着用服务器的GPU跑代码，没想到碰到了满多问题的，因此特地在此记录一下踩到的坑，以及之后可能常用的命令行。 服务器连接 1ssh username@ip 环境版本查看 12conda list // conda下配置版本查看nvcc -V // cuda版本查看 GPU选择 12import osos.environ["CUDA_VISIBLE_DEVICES"] = "0" torch.cuda.is_availble() 失败 在运行的时候报了一个错，大致意思就是认为我没有gpu，需要切换到cpu的版本。 然后我还很奇怪，所以特定检测了一下cuda是不是真用不了： 123>>> import torch>>> torch.cuda.is_availble()False # 结果发现确实用不了 开始的时候我以为是没有选择在哪块GPU上运行，结果试了一下还是不行。 疯狂百度之后发现是torch版本和cuda没有匹配上，我的cuda是9.0版本的，但是torch是1.4.0，更可恶的是它居 ...

经典论文阅读 论文名称 笔记地址 《CycleGAN》 链接地址 《cGAN》 链接地址 《DCGAN》 链接地址 《Pix2Pix》 链接地址 《StarGAN》 链接地址 ##动漫线稿上色 论文名称 笔记地址 《Style2paints》 链接地址 《Two-Stage-Colorization》 链接地址 《Tag2Pix》 链接地址 待看 论文名称 留坑占位

论文名称：《Line Art Colorization Using Text Tag with SECat and Changing Loss》 发表期刊：2019年CVPR Tag2Pix模型 模型结构 CIT 特征提取 CITs倾向于表示形状信息，可以更好地帮助颜色被应用到正确的位置。CIT特征提取器基于SE-ResNeXt-50网络，从给定的线稿图中抽取出CITs特征。 输入：Synthetic Sketch（线稿草图 512 * 512 * 1） 模型：Pre-trained Line art Semantic Network （SE-ResNeXt-50） 输出：Color Invariant Tag Tensor（32 * 32 * 256） CVT 编码器 CVT编码器的作用是将用户指定的颜色标签嵌入隐空间中。对输入进行处理，得到one-hot向量，分别feed进FC层和卷积层，两个分支得到的结果都是为空间特征（spatial features），其中一个分支的结果将被合并入草图encoder后的特征图中，另一个分支的结果则被用于协助SECat做重新校准。 输入 ...

五大算法介绍 （一）分治法（divide and conquer method） 是将待求解的原问题划分成k个较小规模的子问题，对这k个子问题分别求解。如果子问题的规模仍然不够小，则再将每个子问题划分为k个规模更小的子问题，如此分解下去，直到问题规模足够小，很容易求出其解为止（子问题求解思路一致），再将子问题的解合并为一个更大规模的问题的解，自底向上逐步求出原问题的解。 （二）动态规划法（dynamic programing method） 动态规划，当前子问题的解将由上一次子问题的解推算出。 动态规划应用于子问题重叠的情况，即不同的子问题具有公共的子子问题。在这种情况下，分治算法会做出许多不必要的工作，它会反复的求解那些公共子问题，而动态规划对每一个子子问题只求解一次，将结果保存到数组中，从而在下次使用时，直接从数组中得到，无需每次求解一个子子问题时都要重复计算公共子子问题。 （三）贪心法（greedy method） 贪心法并不是从整体最优考虑，它**所做出的选择只是在某种意义上的局部最优。**这种局部最优选择并不总能获得整体最优解（Optimal Solution），但通常能获 ...

【小路的日常】11月计划 从开学到现在，一直都拖欠着没有做总结规划，尽管一天看上去忙忙碌碌，其实什么都没做，而且对手机的依赖性很高了，几乎无法专注半个小时，这也是我为什么一直想把手机换回去的原因，估计老人机更适合我。 今天是10月的最后一天，正好是万圣节，大家都出去嗨了，我刚从健身房回来。其实从大四开始就尽量避免过于热闹的场面，防止自己的情绪太激动，有可能因为一时收不回来而会变得心情不好。 说实话，从开学到现在就异常焦虑，不知道应该下一步的目标。想完成的事情特别多，但是我就磨磨叽叽不想整理心情。趁着11月尚未开始，赶紧做一个计划吧！ 生活习惯 早晨设定6：30的闹钟，保证8：00出门（早饭在宿舍解决）。 尽量步行去教室或图书馆。 尽量泡茶喝，少喝点咖啡。 戒掉小零食，开始控制饮食！ 学习计划 时间安排 上午杜绝手机，保证 8:25 - 11：00（约两个半个小时）的专注，半小时一次任务重要性评估。11：05分再看手机。 午餐时间半小时；立刻完成工作（12点半前）；看书且小憩一会儿； 14:00 - 16:30杜绝手机，学习时间（中午要和范大报备就不 ...

概述 基本信息 发表日期、商业迭代产品、state-of-art 主要贡献 任务一分为二，使得子问题具有更加清晰的任务目标 解决现有工具普遍存在的上色问题，成为优化工具 实现了用户对特定区域的颜色控制 半自动线稿上色问题介绍 问题定义 模型输入“线稿”和“颜色提示点”，输出该线稿的彩色图 难点介绍 边界判断：需要自动判断区域轮廓 联想上色：没有用户提示点处需要联想上色；形成一套绘画风格； 添加色彩纹理 交互性：用户进行某些区域的颜色修正，对其余部分并无过多影响 现有工具的缺陷 color mistake：违背认知常识的错误 color bleeding：背景色被影响 distortion：线条较密集的情况下，错误地把其他线条当作边界线，导致邻近的非相关区域被填充了错误的颜色 blurring：低饱和（颜色浅） 研究方法和思路 过程与结构总览 草图上色过程总览 Drafting stage 输入：sketch 与 draft hints；输出：彩色草图 过程：对线稿进行泼墨式上色，尽可能提高颜色多样性（大范围颜色填充） Refinement stage ...