摘要：
1.开始 1.1 简介 什么是事件流？ 事件流相当于人体的中枢神经系统的数字化。它是 "永远在线 "世界的技术基础，在这个世界里，业务越来越多地被软件定义和自动化，软件的用户更是软件。 从技术上讲，事件流是指以事件流的形式从数据库、传感器、移动设备、云服务和软件应用等事件源中实时捕获数据；将这些事件 阅读全文
摘要：
1.如何用脚手架快速新建一个vue3项目 安装vue-cli后，用如下命令创建 vue create my-vue3-project 默认创建vue3项目，直接回车即可。 新建完成后，如何引入element-plus？ 用Webstrom打开项目， 先运行一次npm install 然后运行npm 阅读全文
摘要：
1、如何做到快速创建Vue 2项目： 要快速创建Vue 2项目，可以按照以下步骤进行操作： 步骤1：确保已经安装了Node.js和npm（Node.js的包管理器）。 步骤2：打开终端或命令提示符，进入你想要创建项目的目录。 步骤3：运行以下命令安装Vue CLI（命令行工具）： npm -g in 阅读全文
摘要：
元学习（Meta-Learning）是一种机器学习方法，旨在使机器学习模型能够快速学习和适应新任务或新环境。它通过学习如何学习，为模型提供一种通用的学习能力，使其能够在面对新任务时快速学习和泛化。 下面举一个元学习的例子，以在图像分类任务中进行快速学习和适应为例： 假设我们有一个大型图像分类数据集， 阅读全文
摘要：
假设我们有一个简化的天气预测模型，其中考虑了三种可能的天气状态：晴天（Sunny）、多云（Cloudy）和雨天（Rainy）。我们使用马尔可夫过程来描述这些天气状态之间的转移。 我们可以定义一个状态空间S = {Sunny, Cloudy, Rainy}，其中有三种天气状态。 现在假设我们观察了一段 阅读全文
摘要：
非结构化剪枝，对每个参数进行选择性的剪枝，不考虑网络的特定结构或模式。 先训练一个完整的模型，然后再根据设置的剪枝率来选择保留每个矩阵中最重要的参数。简而言之，剪的是参数，而非通道channel和卷积核。 结构化剪枝，是针对整体的网络考虑，不是独立地对每个参数进行剪枝。而是对整个通道channel或 阅读全文
摘要：
低秩分解（Low-rank factorization）也可以通过几何的方式来解释，帮助我们理解其含义和应用。 假设我们有一个m×n的矩阵A，我们希望对其进行低秩分解，即将其分解为两个低秩矩阵的乘积：A ≈ UV^T。其中，U是一个m×k的矩阵，V是一个n×k的矩阵，k远远小于m和n。 几何上，可以 阅读全文
摘要：
奇异值分解（SVD）可以通过几何的方式来解释，从而帮助我们理解其含义和应用。 首先，我们可以将一个矩阵视为对向量空间的一种变换。假设有一个m×n的矩阵A，其中每一列可以看作是一个向量，而这些向量组成了一个n维的向量空间。奇异值分解可以将这个向量空间的变换分解为三个基本的几何操作：旋转、缩放和再次旋转 阅读全文
摘要：
分组卷积（Grouped Convolution）是一种在卷积神经网络中常用的卷积操作，它将输入特征图分成多个分组，并在每个分组上应用卷积操作。每个分组使用独立的卷积核进行卷积计算，最后将各个分组的输出合并起来形成最终的输出特征图。 传统的卷积操作是在整个输入特征图上进行的，使用一组卷积核对整个特征 阅读全文
摘要：
深度可分离卷积（Depthwise Separable Convolution）是一种在卷积神经网络中常用的卷积操作，它可以有效地减少计算量和模型参数的数量，从而提高模型的效率和速度。 传统的卷积操作是在输入特征图的每个通道上进行的，使用一组卷积核对每个通道进行卷积计算。而深度可分离卷积将卷积操作分 阅读全文
摘要：
# .Regular join组 第一种： left join 流任务中，只要left的流数据到了，就输出。如果右边流没有到，输出 [L,NULL]；如果右边流到了，输出 [L, R] 第二种： right join 流任务中，只要right的流数据到了，就输出。如果左边流没有到，输出 [NULL， 阅读全文