高并发网络线程模型

基础

服务器端处理一次网络请求流程

  • 获取请求的数据
    • 客户端与服务器建立连接发出请求，服务器接受请求
  • 构建响应数据
    • 当服务器接收完请求，并在用户空间处理客户端的请求，直到构建响应完成
  • 返回数据
    • 服务器将已构建好的响应再通过内核空间的网络 I/O 发还给客户端

图片

more >>

展开全文 >>

R树索引

前言

B树

  • B树是一棵平衡树，它是把一维直线分为若干段线段，当我们查找满足某个要求的点的时候，只要去查找它所属的线段即可。这种思想其实就是先找一个大的空间，再逐步缩小所要查找的空间，最终在一个自己设定的最小不可分空间内找出满足要求的解。

    img

    btree-example

more >>

展开全文 >>

Triplet-Loss原理及其实现

一、 Triplet loss

1、介绍

  • Triplet loss最初是在 FaceNet: A Unified Embedding for Face Recognition and Clustering 论文中提出的，可以学到较好的人脸的embedding
  • 为什么不适用 softmax函数呢，softmax最终的类别数是确定的，而Triplet loss学到的是一个好的embedding，相似的图像在embedding空间里是相近的，可以判断是否是同一个人脸。

    2、原理

  • 输入是一个三元组 <a, p, n>

    • a： anchor
    • p： positive, 与 a 是同一类别的样本
    • n： negative, 与 a 是不同类别的样本
    more >>

展开全文 >>

阿里云GPU服务器上Torch安装与使用

一、介绍

  • 阿里云的GPU也有了竞价服务，每小时大概1块多，还是可以接受的
  • 主要想跑github上的一个论文代码，使用的GPU,(奈何实验室没有GPU)， 本来我已经改成CPU版本的了，但是他训练好的模型是基于GPU的，所以还需要重新训练，结果非常的慢…
  • 包含以下内容：
    • 购买竞价GPU
    • 通过SSH连接云服务器
    • 安装Torch、hdf5、cjson、loadcaffe
    • 安装cuda、cudnn、cunn
more >>

展开全文 >>

论文记录_U-Net:Convolutional Networks for Biomedical Image Segmentation

1、概述

  • 2015年提出的用于生物图像分割的网络，并在当时取得了冠军
    • [实际也可用于其他领域，比如一些Kaggle图像分割比赛中也有使用，并且取得了很好的成绩]
  • 一般的 CNN 是预测一张图片的类别，而图像分割需要预测每个像素属于的类别，使用是全卷积网络 FCN (fully convolutional network)
  • 网络结构包括收缩 [就是 CNN 的卷积操作]和对应的扩展 [可以进行反卷积，这里采用上采样(upsample)]
    • 收缩主要用于捕捉上下文特征
    • 扩展用于定位
  • 需要很少的训练集即可完成训练，很容易收敛
more >>

展开全文 >>

本站总访问量次 总访客数人次

tag:

    缺失模块。
    1、在博客根目录（注意不是yilia根目录）执行以下命令：
    npm i hexo-generator-json-content --save

    2、在根目录_config.yml里添加配置： 

      jsonContent:
    meta: false
    pages: false
    posts:
      title: true
      date: true
      path: true
      text: true
      raw: false
      content: false
      slug: false
      updated: false
      comments: false
      link: false
      permalink: false
      excerpt: false
      categories: false
      tags: true

程序猿👨🏻‍💻