组件分享之后端组件——超轻量级的工作流引擎go-workflow背景近期正在探索前端、后端、系统端各类常用组件与工具，对其一些常见的组件进行再次整理一下，形成标准化组件专题，后续该专题将包含各类语言中的一些常用组件。欢迎大家进行持续关注。组件基本信息组件：go-workflow内容本节我们分享一个超轻量级的工作流引擎go-workflow,基本架构同Activiti工作流有些相似，但是它更精简，更轻量，它是一个工作流微服务。它将所有的无关流程的数据，包括用户、用户组等信息从服务中解耦出去，go-workflow只纪录流程的流转，同时使用json数组替代bpmn来生成流程定义，简化流程定义的生成
2017AAAI使用时空残差网络ST-ResNet进行城市区域流入流出客流量预测1研究对象城市客流流入流出根据经纬度将城市划分为网格I×J 1.1难点空间依赖性时间依赖性外部影响2模型 3实验北京出租车数据+纽约自行车数据评价指标：RMSE
论文:论文地址代码:代码地址作者在这篇文章中直接用GNN对目标的轨迹时空特征进行建模,并用时序CNN进行预测,代替了训练难度较大和速度较慢的RNN类方法.0.Abstract行人轨迹预测是一个比较有挑战性的任务,有着许多的应用.一个行人的轨迹不仅是由自己决定的,而且受其周围目标的影响.过去的方法都是学习每个行人自己的运动状态,然而本文的方法是用一个GNN对整个场景的行人之间的interaction进行建模.本文提出的方法叫Social-STGCNN,是在STGCNN(一个基于骨架的actionrecognization的方法)的基础上拓展到轨迹预测任务中的.1.Introduction过去的一
ICLR20231intro时间序列一般是连续记录的，每个时刻只会记录一些标量之前的很多工作着眼于时间维度的变化，以捕捉时间依赖关系——>可以反映出、提取出时间序列的很多内在特征，比如连续性、趋势、周期性等但是现实时间序列数据中的时间序列通常是由很复杂的时间特征组成，不同的时间维度上的变化会糅杂在一起，使得建模时间维度的变化异常困难在深度学习领域，很多模型有很强的建模非线性的能力，因而可以捕获时间序列中一些复杂的时间维度变化。但是他们各有一些弊端RNN：基于马尔可夫假设（t-1时刻的观测影响t时刻的预测），建模连续时刻的时间序列特征这类方法经常难以建模长期时间依赖性同时由于不能并行，效率堪忧T
ICLR20231intro时间序列一般是连续记录的，每个时刻只会记录一些标量之前的很多工作着眼于时间维度的变化，以捕捉时间依赖关系——>可以反映出、提取出时间序列的很多内在特征，比如连续性、趋势、周期性等但是现实时间序列数据中的时间序列通常是由很复杂的时间特征组成，不同的时间维度上的变化会糅杂在一起，使得建模时间维度的变化异常困难在深度学习领域，很多模型有很强的建模非线性的能力，因而可以捕获时间序列中一些复杂的时间维度变化。但是他们各有一些弊端RNN：基于马尔可夫假设（t-1时刻的观测影响t时刻的预测），建模连续时刻的时间序列特征这类方法经常难以建模长期时间依赖性同时由于不能并行，效率堪忧T
背景组内有很多项目都涉及复杂的任务流场景：集群创建、删除等生命周期管理k8s资源申请销毁....这些场景都有几个共同的特点：流程耗时且步骤复杂，需要几十步操作，其中包含云资源申请、脚本执行、接口调用等，且相互存在依赖关系。任务量随着业务增长而快速迭代，比如每个集群每天都会自动备份等任务需要调度执行。运维难度大，需要标准的框架约束业务实现，并基于此框架提供建设标准的运维体系，尽最大可能支持SLA方案调研在go体系内的各种方案硬编码结合定时TimerWorker实现虽然工作量较小，但是只能满足某个场景下的特定工作流，没有可复用性，暂不具备扩展性，无法建立标准。argo基于k8s,api-serve
目录🩸写在前面一、GitFlow介绍1.1什么是GitFlow1.2GitFlow常用分支说明1.3Gitflow中的分支介绍1.3.1主要分支（Master）1.3.2开发分支（Develop）1.3.3功能分支（Feature）1.3.4预发分支（Release）1.3.5 热修复分支（Hotfix）1.4GitFlow工作流程二、GitFlow实践2.1创建develop分支2.2开始新的 Feature2.3编辑 Feature 分支2.4完成 Feature 分支2.5开始Relase2.6完成Release2.7开始Hotfix2.8完成Hotfix三、GitFlow模拟3.1创建
🐋作者简介：博主是一位.Net开发者，同时也是RPA和低代码平台的践行者。🐬个人主页：会敲键盘的肘子🐰系列专栏：UiPath🦀专栏简介：UiPath在传统的RPA（Roboticprocessautomation）的基础上，增加了See（AI通过计算机视觉阅读用户的计算机屏幕）和Think（通过机器学习来发现平台能够为用户构建什么自动化流程）从而不断帮助用户自动化构建流程，而不仅仅是用户自主发现，自主构建。并且在构建的过程当中，做到了Low-code甚至是No-code的程度，让每一位员工都可以自主使用。🐶座右铭：总有一天你所坚持的会反过来拥抱你。🌈写在前面：WorkflowAnalyzer使
🐋作者简介：博主是一位.Net开发者，同时也是RPA和低代码平台的践行者。🐬个人主页：会敲键盘的肘子🐰系列专栏：UiPath🦀专栏简介：UiPath在传统的RPA（Roboticprocessautomation）的基础上，增加了See（AI通过计算机视觉阅读用户的计算机屏幕）和Think（通过机器学习来发现平台能够为用户构建什么自动化流程）从而不断帮助用户自动化构建流程，而不仅仅是用户自主发现，自主构建。并且在构建的过程当中，做到了Low-code甚至是No-code的程度，让每一位员工都可以自主使用。🐶座右铭：总有一天你所坚持的会反过来拥抱你。🌈写在前面：WorkflowAnalyzer使
1时序动作检测(TemporalActionDetection)(TemporalActionLocalization)-综述介绍1介绍2介绍3（老）综述2数据集介绍THUMOS14（时序动作检测）（本实验采用）THUMOS14测试集（用于可视化）单个视频THUMOS14的np文件THUMOS14的光流文件（google）或者THUMOS14的光流文件（腾讯云）EPIC-KITCHENS-100ActivityNet（最大的TAL数据集）3评价指标视频的tIOU_Loss4模型4.1I3D介绍论文（p3的图非常直观）I3D：Two-StreamInflated3DConvNets—CVPR20
