在文獻裡 Molecular Generation 和 Molecule Generation 這倆說法各占一半,順便記錄下 captioning 的思路。
FreeBSD的官方文档和社区的完善程度是所有操作系统里首屈一指的水平,随便对比一下Linux的发行版CentOS、Ubuntu、Arch Linux,macOS,windows,高下立判。唯二缺点是用户少导致软件生态不如Linux(但有兼容层),且其中文资料比较匮乏,因此在这儿记录一下我使用时遇到的问题。
文章中也包含了我对RAID(主要是RAID用到的信息编码和群论)和UPnP、SMB等通用技术的理解。
Case | HP Gen7 (Proliant Microserver) | 209 |
Matherboard | ASRock B460M-ITX/ac (ALC887, WiFi5, BT4.2) | 465 |
CPU | Intel Pentium G6605 (2cores, 4threads, 4.30GHz, TDP58W, UHD Graphics 630) | 410 |
CPU cooler | ID Cooling IS-30 (graphene) 热管喷石墨烯 | 110 |
Memory | 金百达(KingBank) 银爵8G * 2 3200MHz C14低时序 | 209 |
Power Supply Unit(PSU) | 益横Enhance 7025B FLEX 1U 250W 80plus(铜牌) | 263 |
Storage | Seagate(希捷) ST4000VX015 CMR 4TB * 2 | 452 + 462 |
梵想S500Pro 256GB NVMe SSD M.2/PCIe, 某杂牌(舰灵)M.2 2280 SSD散热 | 114 | |
Western Digital(西数)WD5000LPLX黑盘 | 68 | |
RAID | LSI MegaRAID 9271-8i 6Gb/s 2208 1GBcache LSI49571-03电池 | 170 |
USB2.0扩展板, 半高PCI挡板 | 15 + 6.5 |
课程相关的Slides, Notes, Papers及花书作为主要参考材料。
Lecture1根据Course Materials完成了Code of Python Numpy Tutorial。
会将我学习到的,课上讲到的核心内容、自己的思考和理解、部分公式的推导、Assignments的代码原理和实现过程整理到本篇及后续的学习报告,以防止走马观花。
参考资料都整理在文末,转载请注明出处。
cs231n的课程名是Convolutional Neural Networks for Visual Recognition,即用于视觉识别的卷积神经网络,Lecture 1~4通过CV和ML基本概念及算法原理讲解了Visual Recognition问题的处理流程和学习DL必要的前置ML知识,我也趁这段时间,借助花书和统计学习方法恶补了必要的数学知识;Lecture 5~end才从CNN讲起,进入课程主题。
Update your browser to view this website correctly. Update my browser now