本系列的文章是我在学习NoC经典书籍：PrinciplesandPracticesofInterconnectionNetworks以及相关的论文过程中所作的总结和归纳。在敦促自己建立更全面知识体系的同时，希望也能够帮助到对这一领域想作快速了解的同学。文章目录背景介绍片上网络是什么设计NoC时的考虑因素一个典型的应用场景：Processor-MemoryInterconnectNoC的组成部分拓扑结构（Topology）路由算法（Routing）流控制（FlowControl）背景介绍随着数字电路规模的不断增大，传统的总线型数据交换方式导致的数据传输速率低下，越来越成为限制性能提升的瓶颈。通过
之前我在《使用MitmProxy离线缓存360度全景网页》一文中演示了如何搭建python代理服务器MitmProxy。但之前是纯手工访问网页缓存数据，如果我们希望能够自动访问网页并对接代理下载数据，可以通过selenium控制游览器实现自动访问。对接selenium的代理服务器，有种用法是使用browsermobproxy，它基于Java开发，需要在https://chromedevtools.github.io/devtools-protocol/tot/Network/下载对应文件。参考：https://blog.csdn.net/u010741112/article/details/1
之前我在《使用MitmProxy离线缓存360度全景网页》一文中演示了如何搭建python代理服务器MitmProxy。但之前是纯手工访问网页缓存数据，如果我们希望能够自动访问网页并对接代理下载数据，可以通过selenium控制游览器实现自动访问。对接selenium的代理服务器，有种用法是使用browsermobproxy，它基于Java开发，需要在https://chromedevtools.github.io/devtools-protocol/tot/Network/下载对应文件。参考：https://blog.csdn.net/u010741112/article/details/1
1.什么是AB测试？为同一个目标，设计两种方案，将两种方案随机投放市场中，让组成成分相同（相似）用户去随机体验两种方案之一，根据观测结果，判断哪个方案效果更好，结果可以通过CTR(点击通过率)或者下单率来衡量。A/Btest不是只能A方案和B方案，实际上一个测试可以包含A/B/C/D/E/……多个版本，但是这多个方案之间只能有一个不同的地方，也就是理解未定"量"分析。A/B测试的更清晰的定义：A/B-test是为同一个目标制定两个方案，在同一时间维度，分别让组成成分相同（相似）的用户群组随机的使用一个方案，收集各群组的用户体验数据和业务数据，最后根据显著性检验分析评估出最好版本正式采用。2.A
1.什么是AB测试？为同一个目标，设计两种方案，将两种方案随机投放市场中，让组成成分相同（相似）用户去随机体验两种方案之一，根据观测结果，判断哪个方案效果更好，结果可以通过CTR(点击通过率)或者下单率来衡量。A/Btest不是只能A方案和B方案，实际上一个测试可以包含A/B/C/D/E/……多个版本，但是这多个方案之间只能有一个不同的地方，也就是理解未定"量"分析。A/B测试的更清晰的定义：A/B-test是为同一个目标制定两个方案，在同一时间维度，分别让组成成分相同（相似）的用户群组随机的使用一个方案，收集各群组的用户体验数据和业务数据，最后根据显著性检验分析评估出最好版本正式采用。2.A
概述TDNN（TimeDelayNeuralNetwork，时延神经网络）是用于处理序列数据的，比如：一段语音、一段文本将TDNN和统计池化（StatisticsPooling）结合起来，正如x-vector的网络结构，可以处理任意长度的序列TDNN出自Phonemerecognitionusingtime-delayneuralnetworksx-vector出自X-Vectors:RobustDNNEmbeddingsforSpeakerRecognition此外，TDNN还演化成了ECAPA-TDNN，而ECAPA-TDNN则是当前说话人识别领域，在VoxCeleb1数据集的三个测试集V
概述TDNN（TimeDelayNeuralNetwork，时延神经网络）是用于处理序列数据的，比如：一段语音、一段文本将TDNN和统计池化（StatisticsPooling）结合起来，正如x-vector的网络结构，可以处理任意长度的序列TDNN出自Phonemerecognitionusingtime-delayneuralnetworksx-vector出自X-Vectors:RobustDNNEmbeddingsforSpeakerRecognition此外，TDNN还演化成了ECAPA-TDNN，而ECAPA-TDNN则是当前说话人识别领域，在VoxCeleb1数据集的三个测试集V
YOLOV7基于自定义数据集训练专属于自己的目标检测模型0.引言1.数据集准备（1）把yolov7克隆到本地（2）指定格式存放数据集（3）按比例划分数据集（4）将xml文件转换成YOLO系列标准读取的txt文件（5）查看自定义数据集标签类别及数量2.训练配置准备（1）安装requirements（2）修改模型配置文件（3）修改数据加载配置文件3.训练检测模型4.测试模型性能5.实战检测模型性能6.导出模型7.后续0.引言YOLOv7作为YOLO系列的又一大巅峰之作，下面将介绍利用自己的数据集训练YOLOv7模型。github代码链接：https://github.com/WongKinYiu/
YOLOV7基于自定义数据集训练专属于自己的目标检测模型0.引言1.数据集准备（1）把yolov7克隆到本地（2）指定格式存放数据集（3）按比例划分数据集（4）将xml文件转换成YOLO系列标准读取的txt文件（5）查看自定义数据集标签类别及数量2.训练配置准备（1）安装requirements（2）修改模型配置文件（3）修改数据加载配置文件3.训练检测模型4.测试模型性能5.实战检测模型性能6.导出模型7.后续0.引言YOLOv7作为YOLO系列的又一大巅峰之作，下面将介绍利用自己的数据集训练YOLOv7模型。github代码链接：https://github.com/WongKinYiu/
本博客主要分为两部分：1、PINN模型论文解读2、PINN模型相关总结第一部分：PINN模型论文解读一、摘要基于物理信息的神经网络（Physics-informedNeuralNetwork，简称PINN），是一类用于解决有监督学习任务的神经网络，同时尊重由一般非线性偏微分方程描述的任何给定的物理规律。原理：它不仅能够像传统神经网络一样学习到训练数据样本的分布规律，而且能够学习到数学方程描述的物理定律。优势：与纯数据驱动的神经网络学习相比，PINN在训练过程中施加了物理信息约束，因而能用更少的数据样本学习到更具泛化能力的模型。缺陷：PINN的缺点是较难处理高维数据，低维可以处理，因为所需训练数
