原文链接：https://www.zhoubotong.site/post/76.html最近发现一个文档类网站，编写教程很合适，特地查了一下叫ReadtheDocs，可以使用Sphinx生成文档，GitHub托管文档，然后导入到ReadtheDocs进行展示，这里顺便记录一下搭建过程。环境：Sphinx+ReadtheDocs+宝塔+Github无论是管理技术文档、写书、写笔记，亦或想搭建一个属于你的个人知识库，都是一个不错的选择。废话不多说，进入下面正题吧！1.背景知识1.1ReadtheDocsReadtheDocs是一个基于Sphinx的免费文档托管项目。该项目在2010年由EricH
1.确认集群的协议是否一致,在连接的时候,改成一致的.例如集群配置的是TFramedTransport,TCompactProtocol时改成connection=happybase.Connection('localhost',port=9090,transport='framed',protocol='compact')2.将happyhbase依赖的thriftpy2升级到最新就可以了.
1.确认集群的协议是否一致,在连接的时候,改成一致的.例如集群配置的是TFramedTransport,TCompactProtocol时改成connection=happybase.Connection('localhost',port=9090,transport='framed',protocol='compact')2.将happyhbase依赖的thriftpy2升级到最新就可以了.
1.问题背景项目在引用自研组件库后，启动后webpack报错热更新存在问题，无法正常启动2.解决方案在询问组件库开发同事，被告知无问题；百度无果；查找webpack源码后，发现能定位到报错的代码位置，却无力解决时。我决定使用控制变量法，禁用热更新插件，来解决问题。幸运的是，还真就解决了，注释掉热更新组件后，组件能正常引入了。3.结尾目前此问题还不知道原因，只能去找找其他热更新插件是否可用了。
1.问题背景项目在引用自研组件库后，启动后webpack报错热更新存在问题，无法正常启动2.解决方案在询问组件库开发同事，被告知无问题；百度无果；查找webpack源码后，发现能定位到报错的代码位置，却无力解决时。我决定使用控制变量法，禁用热更新插件，来解决问题。幸运的是，还真就解决了，注释掉热更新组件后，组件能正常引入了。3.结尾目前此问题还不知道原因，只能去找找其他热更新插件是否可用了。
2012CVPR是本论文的会议版本。本文是乘积量化技术(PQ)最典型的索引方式。1INTRODUCTION乘积量化技术在查询时，需要找到query对应Voronicell或者和周边cell的点，如果数据量比较大，Cell也比较大的话，那么返回的点就会很多，需要花在Refine上的时间也会更多。因此一个迫切的要求是设计更为细粒度的分区，即voroonicell面积更小。一个最直接的方式是把codewords的个数提升一些，但是这同时意味着索引构建时间（学习时间）也更长。一些索引方法也可以引入进来，比如kd-tree，treecodebooks等，但是经常会降低查询准确性。本文提出的方法：多维倒排
2012CVPR是本论文的会议版本。本文是乘积量化技术(PQ)最典型的索引方式。1INTRODUCTION乘积量化技术在查询时，需要找到query对应Voronicell或者和周边cell的点，如果数据量比较大，Cell也比较大的话，那么返回的点就会很多，需要花在Refine上的时间也会更多。因此一个迫切的要求是设计更为细粒度的分区，即voroonicell面积更小。一个最直接的方式是把codewords的个数提升一些，但是这同时意味着索引构建时间（学习时间）也更长。一些索引方法也可以引入进来，比如kd-tree，treecodebooks等，但是经常会降低查询准确性。本文提出的方法：多维倒排
摘要多步（尺度）预测通常包含一个复杂的输入组合——包括静态（即时不变）协变量、已知的未来输入，以及其他仅在过去观察到的外生时间序列——没有任何关于它们如何与目标相互作用的先验信息。几种深度学习方法已经被提出，但它们通常是“黑盒”模型，并不能阐明它们如何使用实际场景中出现的全部输入。在本文中，我们介绍了时间融合变压器(TFT)——一种新的基于注意的架构，它结合了高性能的多步预测和对时间动态的可解释的洞察力。为了学习不同尺度上的时间关系，TFT使用循环层进行局部处理，并使用可解释的自我注意层进行长期依赖。TFT利用专门的组件来选择相关的特性和一系列的门控层来抑制不必要的组件，从而在广泛的场景中实现
摘要多步（尺度）预测通常包含一个复杂的输入组合——包括静态（即时不变）协变量、已知的未来输入，以及其他仅在过去观察到的外生时间序列——没有任何关于它们如何与目标相互作用的先验信息。几种深度学习方法已经被提出，但它们通常是“黑盒”模型，并不能阐明它们如何使用实际场景中出现的全部输入。在本文中，我们介绍了时间融合变压器(TFT)——一种新的基于注意的架构，它结合了高性能的多步预测和对时间动态的可解释的洞察力。为了学习不同尺度上的时间关系，TFT使用循环层进行局部处理，并使用可解释的自我注意层进行长期依赖。TFT利用专门的组件来选择相关的特性和一系列的门控层来抑制不必要的组件，从而在广泛的场景中实现
Gettingerror:"badreadofinttemp!"whentraininganewfontinTesseract2我正在尝试为Tesseract训练一种可以在我的Android应用程序中使用的新字体。我只需要训练数字，所以我创建了一个训练图像、框文件和unicharset文件。我已按照培训说明进行操作，但是当我尝试运行tesseract时，它显示badreadofinttemp!。我做错了什么？如何诊断此错误？训练是相当痛苦的。仔细检查您的训练工作流日志中的警告和错误。如果出现问题，您的训练数据将毫无用处。@gabe，你能推荐任何有用的链接吗？我在groups.google.co
