SpotFi: Decimeter Level Localization Using WiFi
继续阅读SpotFi: Decimeter Level Localization Using WiFi
月度归档: 2017 年 7 月
树莓派各版本发布时间和差异对照
下图是树莓派各版本发布时间和差异对照图(截止Raspberry Pi 3 Model B)
继续阅读树莓派各版本发布时间和差异对照
亚马逊AWS IoT
平台定位
- AWS IoT是一款托管的云平台,使互联设备可以轻松安全地与云应用程序及其他设备交互。
- AWS IoT可支持数十亿台设备和数万亿条消息,并且可以对这些消息进行处理并将其安全可靠地路由至 AWS 终端节点和其他设备。应用程序可以随时跟踪所有设备并与其通信,即使这些设备未处于连接状态也不例外。
- 使用AWS Lambda、Amazon Kinesis、Amazon S3、Amazon Machine Learning、Amazon DynamoDB、Amazon CloudWatch、AWS CloudTrail 和内置 Kibana 集成的 Amazon Elasticsearch Service 等AWS服务来构建IoT应用程序,以便收集、处理和分析互连设备生成的数据并对其执行操作,且无需管理任何基础设施。
Ubuntu 16.04上查看dd命令的进度信息
在Ubuntu 16.04
系统上执行如下命令
的时候,可能会非常耗时,这个时候,如果让dd
命令输出执行进度信息,会非常有用。
重新打开一个Shell
,然后执行如下命令即可每秒输出一次进度信息
参考链接
Linux中制作Ubuntu安装U盘
使用Polylang插件让你的WordPress站点支持多语言
如果你的WordPress站点是针对全球用户的,那就很有必要为它添加多语言支持,使用多语言插件Polylang就能很好地实现这个功能。你可以通过Polylang添加所需的语言,然后就可以将网站标题、文章、页面、分类、标签、菜单、小工具等等翻译为多种语言。
该插件可以根据浏览器的语言来自动切换到对应的语言版本。比如你可以像平常一样发布简体中文文章,然后为它添加一个英语版本(英语版的标题和正文内容),那么,如果一个使用英语浏览器的人访问你的网站,就会自动为他显示英语版本的文章。
注:该插件不会自动生成多语言版本的文章,需要你自己翻译
Polylang不仅支持单独的WordPress站点,还支持多站点模式。而且用户可以自己设置网站后台的语言。
参考链接
ROCm:AMD系开源HPC/超规模GPU计算/深度学习平台
ROCm的英文全称Radeon Open Compute platform,它是AMD在去年12月推出的一款开源GPU运算平台,目前已经发展到了1.3版本。MIOpen则是AMD为此开发的软件库,其作用是将程序设计语言和ROCm平台连接,以充分利用GCN架构。
本次发布的版本包括以下内容:
- 深度卷积解算器针对前向和后向传播进行了优化
- 包括Winograd和FFT转换在内的优化卷积
- 优化GEMM深入学习
- Pooling、Softmax、Activations、梯度算法的批量标准化和LR规范化
- MIOpen将数据描述为4-D张量 - Tensors 4D NCHW格式
- 支持OpenCL和HIP的框架API
- MIOpen驱动程序可以测试MIOpen中任何特定图层的向前/向后网络
- 二进制包增加了对Ubuntu 16.04和Fedora 24的支持
- 源代码位于https://github.com/ROCmSoftwarePlatform/MIOpen
- 参考文档
使用graphviz绘制流程图
前言
日常的开发工作中,为代码添加注释是代码可维护性的一个重要方面,但是仅仅提供注释是不够的,特别是当系统功能越来越复杂,涉及到的模块越来越多的时候,仅仅靠代码就很难从宏观的层次去理解。因此我们需要图例的支持,图例不仅仅包含功能之间的交互,也可以包含复杂的数据结构的示意图,数据流向等。
但是,常用的UML建模工具,如Visio等都略显复杂,且体积庞大。对于开发人员,特别是后台开发人员来说,命令行,脚本才是最友好的,而图形界面会很大程度的限制开发效率。相对于鼠标,键盘才是开发人员最好的朋友。
graphviz简介
本文介绍一个高效而简洁的绘图工具graphviz。graphviz是贝尔实验室开发的一个开源的工具包,它使用一个特定的DSL(领域特定语言): dot作为脚本语言,然后使用布局引擎来解析此脚本,并完成自动布局。graphviz提供丰富的导出格式,如常用的图片格式,SVG,PDF格式等。
卷积神经网络CNN总结
卷积神经网络依旧是层级网络,只是层的功能和形式做了变化,可以说是传统神经网络的一个改进。卷积网络在本质上是一种输入到输出的映射,它能够学习大量的输入与输出之间的映射关系,而不需要任何输入和输出之间的精确的数学表达式,只要用已知的模式对卷积网络加以训练,网络就具有输入输出对之间的映射能力。