torch.cat()torch.cat(Tuple[Tensor],dim)->Tensor输入为Tensor的List/Tuple，输出为一个Tensortorch.cat（）用于对张量的拼接，与数组拼接函数torch.stack（）用法类似，二者区别在于输入的变量是数组还是张量。其中初学者最费解的就是dim的选取，dim的取值范围由输入张量的维度决定，输入为n维张量，dim取值在[0,n-1],接下来我们以实验理解dim不同取值对应的不同操作结果。初次接触众多博客对dim的讲解为，对于两个二维张量作为输入，dim取0结果为两个张量按行拼接，取1结果为按列拼接，但是对于高维来说就有点难以直
torch.cat()torch.cat(Tuple[Tensor],dim)->Tensor输入为Tensor的List/Tuple，输出为一个Tensortorch.cat（）用于对张量的拼接，与数组拼接函数torch.stack（）用法类似，二者区别在于输入的变量是数组还是张量。其中初学者最费解的就是dim的选取，dim的取值范围由输入张量的维度决定，输入为n维张量，dim取值在[0,n-1],接下来我们以实验理解dim不同取值对应的不同操作结果。初次接触众多博客对dim的讲解为，对于两个二维张量作为输入，dim取0结果为两个张量按行拼接，取1结果为按列拼接，但是对于高维来说就有点难以直
平台：vivado2017.4最近在验证一个单独的模块时，希望可以在线实时改变内部寄存器的值。经过分析发现，VIVADO的VIO可以完美解决我的这个问题。下面来看看官方介绍。VIO它可以实时监控和驱动FPGA内部的信号，输入和输出端口的数量和宽度是可以设置的。因为VIO核心与被监控和驱动的设计是同步的，因此应用于设计的时钟约束也会应用于VIO。下面我们用VIO来监控模块IIC_JFM24C512的动作。此模块是一个EEPROM控制模块。这里使用VIO来给EEPROM写入数据，和读出数据。在IPCatalog中搜索VIO。这里我们分析EEPROM控制模块，我们需要监视的地方就是EEPROM读出的
平台：vivado2017.4最近在验证一个单独的模块时，希望可以在线实时改变内部寄存器的值。经过分析发现，VIVADO的VIO可以完美解决我的这个问题。下面来看看官方介绍。VIO它可以实时监控和驱动FPGA内部的信号，输入和输出端口的数量和宽度是可以设置的。因为VIO核心与被监控和驱动的设计是同步的，因此应用于设计的时钟约束也会应用于VIO。下面我们用VIO来监控模块IIC_JFM24C512的动作。此模块是一个EEPROM控制模块。这里使用VIO来给EEPROM写入数据，和读出数据。在IPCatalog中搜索VIO。这里我们分析EEPROM控制模块，我们需要监视的地方就是EEPROM读出的
本文主要介绍Logstash的一些常用输出插件；相关的环境及软件信息如下：CentOS 7.9、Logstash8.2.2。1、Stdout输出插件Stdout插件把结果数据输出到标准输出。input{stdin{}}output{stdout{}}2、File输出插件File插件把结果数据输出文件。input{stdin{}}output{file{path=>"/home/hadoop/a.txt"codec=>line{format=>"%{message}"#只把原始数据写入文件}}}3、Elasticsearch输出插件Elasticsearch 插件把结果数据写入到Elastics
本文主要介绍Logstash的一些常用输出插件；相关的环境及软件信息如下：CentOS 7.9、Logstash8.2.2。1、Stdout输出插件Stdout插件把结果数据输出到标准输出。input{stdin{}}output{stdout{}}2、File输出插件File插件把结果数据输出文件。input{stdin{}}output{file{path=>"/home/hadoop/a.txt"codec=>line{format=>"%{message}"#只把原始数据写入文件}}}3、Elasticsearch输出插件Elasticsearch 插件把结果数据写入到Elastics
FPGAVerilog相当于“Helloworld"的一段入门代码：moduletest(clk,a);inputclk;outputa;reg[8:0]a;always@(posedgeclk)beginaendendmodule仿真TestBench代码：`timescale1ns/1psmoduletest_vlg_vec_tst();regclk; wire[8:0] a;always#10clk=~clk;initialbegin clk=0; #120$stop;end testi1(.clk(clk),.a(a));endmodu
FPGAVerilog相当于“Helloworld"的一段入门代码：moduletest(clk,a);inputclk;outputa;reg[8:0]a;always@(posedgeclk)beginaendendmodule仿真TestBench代码：`timescale1ns/1psmoduletest_vlg_vec_tst();regclk; wire[8:0] a;always#10clk=~clk;initialbegin clk=0; #120$stop;end testi1(.clk(clk),.a(a));endmodu
最大深度互信息模型(DIM)执行图片搜索器MINE方法:之前看下面这句话的时候总是云里雾里,好好推了下公式终于明白啦。利用神经网络计算互信息可以转换为计算两个数据集合的联合分布和边缘分布之间的散度具体推导过程:如图,首先，我们有：I(X;Y)=H(X)-H(X|Y)其中，H(X|Y)表示给定随机变量Y的条件下，随机变量X的条件熵。根据条件熵的定义，我们有：H(X|Y)=-sum_xsum_yP(x,y)log(P(x|y))将这个公式代入上面的公式中，我们得到：I(X;Y)=H(X)+sum_xsum_yP(x,y)log(P(x|y))根据概率论中的乘法规则，我们有P(x,y)=P(x|y)
最大深度互信息模型(DIM)执行图片搜索器MINE方法:之前看下面这句话的时候总是云里雾里,好好推了下公式终于明白啦。利用神经网络计算互信息可以转换为计算两个数据集合的联合分布和边缘分布之间的散度具体推导过程:如图,首先，我们有：I(X;Y)=H(X)-H(X|Y)其中，H(X|Y)表示给定随机变量Y的条件下，随机变量X的条件熵。根据条件熵的定义，我们有：H(X|Y)=-sum_xsum_yP(x,y)log(P(x|y))将这个公式代入上面的公式中，我们得到：I(X;Y)=H(X)+sum_xsum_yP(x,y)log(P(x|y))根据概率论中的乘法规则，我们有P(x,y)=P(x|y)
