今天来梳理语音识别相关的关键技术和发展脉络。语音识别：定义、关键技术、技术发展、应用场景与商业化成功一、语音识别的定义语音识别，也称为自动语音识别（ASR），是指将人类的语音转换为机器可读的文本或命令的技术。它是人机交互的重要组成部分，旨在让计算机能够理解并执行人类的语音指令。语音识别技术涉及到信号处理、模式识别、自然语言处理等多个领域的知识。二、关键技术信号处理和特征提取：语音信号是一种复杂的时变信号，包含丰富的信息。信号处理的目标是从原始语音信号中提取出有用的特征，如梅尔频率倒谱系数（MFCC）等，以便后续的分类和识别。声学模型：声学模型是语音识别中的关键部分，它描述了语音信号与文本之间的

Obisidian是一款markdown软件，使用它可以方便地记笔记、记录科研日常。然而如果在多个设备上使用obsidian，会牵扯到笔记/vault/仓库同步问题。下面来介绍如何用git管理obsidian。1.创建gitee账号略2.下载Obsidian略3.新建git仓库3.1在gitee上新建仓库3.2链接本地仓库3.2.1在本地创建一个文件夹用于以后存放笔记3.2.2cd到这个文件夹里面3.2.3初始化本地仓库输入下面指令gitinit3.2.4用obsidian打开这个仓库（文件夹/vault）3.2.5链接本地仓库和远程仓库复制gitee仓库的ssh地址打开控制台，输入下面的命令

Self-supervisedSingle-view3DReconstructionviaSemanticConsistency论文地址：https://arxiv.org/abs/2003.06473作者：XuetingLi,SifeiLiu,KihwanKim,ShaliniDeMello,VarunJampani,Ming-HsuanYang,andJanKautz发表：ECCV2020链接：https://github.com/NVlabs/UMR笔记参考：https://zhuanlan.zhihu.com/p/464151329Abstract该模型通过收集二维图像和轮廓来预测目标

论文解决了什么问题？提出了一个新的简单网络架构——transformer，仅仅是基于注意力机制，完全免去递推和卷积，使得神经网络训练地速度极大地提高。Weproposeanewsimplenetworkarchitecture,theTransformer,basedsolelyonattentionmechanisms,dispensingwithrecurrenceandconvolutionsentirely.论文采用了什么方法？用多头注意力取代推导层。论文达到了什么效果？该论文提出的模型，在WMT2014英语翻译德语和英语翻译法语的任务实验中，打破了当时的最好记录，并且其训练成本仅仅是

MambaMamba:Linear-TimeSequenceModelingwithSelectiveStateSpacesMambaMamba摘要背景存在的问题本文的做法实验结果文章内容Transformer的缺点Structuredstatespacesequencemodels(SSMs)介绍本文的工作模型介绍StateSpaceModelsSelectiveStateSpaceModels本文的灵感来源ImprovingSSMswithSelectionEfficientImplementationofSelectiveSSMsASimplifiedSSMArchitectureSel

Leetcode1609.奇偶树题目描述广度优先搜索（BFS）深度优先算法（DFS）思路一（BFS）思路二（DFS）Thanks♪(･ω･)ﾉ谢谢阅读！！！下一篇文章见！！！题目描述根据题目信息，我们可以整理出一些基本思路。首先我们需要想办法遍历每层数据其中需要记录二叉树当前深度。遍历的过程中进行判断，不符合要求就返回false基本就需要做到这两大板块就可以完成我们的任务了。重要的是这个过程如何实现：这里我们用到两个常用方法：广度优先搜索（BFS）和深度优先搜索（DFS）。下面初步解释一下两种算法：广度优先搜索（BFS）广度优先搜索是连通图的一种遍历算法，是很多重要图算法的原型（比如Dijks

部署参考官网部署方式：https://dolphinscheduler.apache.org/zh-cn/docs/3.1.3/guide/installation/standalone部署方式：单机部署，伪集群部署，集群部署。如果是新手，想要体验DolphinScheduler的功能，推荐使用Standalone方式体检。如果你是在生产中使用，推荐使用集群部署或者kubernetes。1、单机部署（Standalone）Standalone仅适用于DolphinScheduler的快速体验.​如果你是新手，想要体验DolphinScheduler的功能，推荐使用Standalone方式体检。

原文代码摘要本文研究的是文档级关系抽取，即从文档中抽取出多个实体之间的关系。现有的方法主要是基于图或基于Transformer的模型，它们只考虑实体自身的信息，而忽略了关系三元组之间的全局信息。为了解决这个问题，本文提出了一种新的方法，它通过预测一个实体级关系矩阵来同时捕获局部和全局信息。这种方法类似于计算机视觉中的语义分割任务。本文的主要贡献是提出了一个文档U形网络，它由一个编码器模块和一个U形分割模块组成。编码器模块用于捕获实体的上下文信息，U形分割模块用于捕获图像风格特征图上的三元组之间的全局相互依赖性。本文在三个公开的数据集DocRED、CDR和GDA上进行了实验，结果表明，本文的方法

1.      科技正在改善我们的生活1.1.        从表象看，网络世界为我们带来了诸多便利1.1.1.          比价网站的创建、各式各样的电商促销、数不尽的手机应用程序的确降低了商品的售价，提升了产品的品质，丰富了消费者的选择1.2.        以前，往往是为数不多的本地经销商左右着民众采购过程中的各类问题1.2.1.          我们只能根据商铺老板提供的有限商品信息做出采购决策1.3.        互联网商务为我们提供了另一个选项1.3.1.          使消费者摆脱了对本地经销商的依赖，曾经那些奔波于超级市场四下搜寻商品的岁月已一去不返1.4.   

1.      大数据分析1.1.        随着“大数据军备竞赛”与定价算法的广泛应用，线上购物平台与实体商铺的界限也变得越来越模糊1.2.        在沃尔玛疯狂扩张的时代，它给地区性商业带来的伤害不亚于一场地震1.2.1.          当地的小型商铺往往只能缴械，贡献出自己的销售额，而主街的繁华就此凋零1.2.2.          如果有谁想要挫败沃尔玛进军美国各大城市的扩张野心，那么这简直是要激化社会底层矛盾1.3.        威胁并非来自人们的口诛笔伐，而是互联网电商的节节高歌击溃了它的扩张梦想1.3.1.          面对电商对实体店的深度冲击，人们在实体