表1：CPU每个时钟周期执行浮点运算的次数 例如：A610r-F有两片AMD Opteron Processor 2218 HE 其理论浮点峰值=2.6G*2*4=20.8GFlops/Cycle 其实测峰值=18.37GFlops/Cycle 所以其Linpack的利用率=18.37/20.8=89.3% CPU Flops/Cycle CPU Flops/Cycle CPU Flops/Cycle Itanium2 4 Opteron 2 Xeon（双核） 4 Barcelona 4 Xeon(四核) 4

Laravel 5.5 Linux mint 18 PHPStorm 最近刚玩Laravel，手册源码还没来得及看完就跃跃欲试做了个小项目，其中有个需求是分组查询数据库中的一个字段并返回每个分组中的数量，还是去翻手册（手册确实够简单）: groupBy 和 having 方法可用来对查询结果进行分组。having 方法的用法和 where 方法类似： $users = DB::table('users') ->groupBy('account_id') ->having('account_id', '>', 100) ->get(); 网上去查，发现一个轮子 $user_

linux 下 移植 wifi . 概念讲解， iw ，wpa, dhco, hostapd每个步骤都有。

Mnist-时尚-赋值-PIAIC Fashion-MNIST是Zalando文章图片的数据集-包含60,000个示例的训练集和10,000个示例的测试集。每个示例都是一个28x28灰度图像，与来自10个类别的标签相关联。 Zalando打算将Fashion-MNIST用作直接替代MNIST原始数据集的基准机器学习算法。它具有相同的图像大小以及训练和测试分割的结构。原始MNIST数据集包含许多手写数字。 AI / ML /数据科学社区的成员喜欢此数据集，并将其用作验证其算法的基准。实际上，MNIST通常是研究人员尝试的第一个数据集。他们说：“如果它在MNIST上不起作用，那么它将根本不起作用”。 “好吧，如果它确实可以在MNIST上运行，那么在其他系统上仍然可能会失败。” Zalando试图替换原始的MNIST数据集内容每个图像的高度为28像素，宽度为28像素，总计784像素。每个像素都

Keras 自注意力 [| ] 处理顺序数据的注意力机制，考虑了每个时间戳的上下文。 安装 pip install keras-self-attention 用法 基本的 默认情况下，注意力层使用附加注意力并在计算相关性时考虑整个上下文。 以下代码创建了一个注意力层，它遵循第一部分中的方程（ attention_activation是e_{t, t'}的激活函数）： import keras from keras_self_attention import SeqSelfAttention model = keras . models . Sequential () model . add ( keras . layers . Embedding ( input_dim = 10000 , output_dim =

努梅罗夫 python脚本，用于解一维时间独立的Schrodinger方程的束缚态。 该脚本使用Numerov方法来求解微分方程，并显示所需的能级和带有这些能级中每一个的近似波动函数的图形。 跑步 要运行此代码，只需克隆此存储库并使用python运行Numerov.py脚本（需要numpy和matplotlib模块）： $ git clone https://github.com/FelixDesrochers/Numerov/ $ cd Numerov $ python Numerov.py 然后程序将要求您输入要显示的能级数和所需的电势（确保电势大约位于x = 0的中心）： $ >> Which first energy levels do you want (enter an integer) : 4 $ >> Potential (as a fonction of x):

全方面测每个键的灵敏度,有效的知道各按键是否OK

霍夫曼编码，对输入的字符集和各个字符对应的权值，例如A={a,b,c,d,e,f,g,h}，各个字符对应的权值为{5,29,7,8,14,23,3,11}，求出每个字符的霍夫曼编码。 【输入形式】 输入若干个字符（1 <= n <= 26），其权值为int型。 输入数据的第一行的整数n，表示字符数；接下来的n行是字符集，一行一个字符；最后一行是各字符的权值，以空格分隔。 【输出形式】 每个字符（节点）的霍夫曼编码。参见样例输出。 【样例输入】 4 a b c d 1 3 7 22 【样例输出】 a:000 b:001 c:01 　　d:1 【样例说明】 提示： 1、将最小两个子树合并过程中一定要从前向后去查找两个最小子树，最小子树作为新结点的左子树，次小子树作为新结点的右子树，编码过程中左子树定义为0，右子树定义为1 2、另外：一般原则要求： 　若有重复权值结点，原来森林中的结点优先选择（即深度小的结点优先，以确保最终总树深较浅并相对平衡）。新生成的权值和的结点后用。

模糊C均值算法 类型：聚类算法 使用的数据集：虹膜数据集 要求： Google colab或jupyter笔记本 套餐： 熊猫-https: numpy- //numpy.org/install/ Matplotlib- //matplotlib.org/stable/users/installing.html sklearn- //scikit-learn.org/stable/install.html 涉及的步骤： 打开“ fuzzy_c_means_algorithm_implementation.ipynb”文件。您可以在Google colab上或通过jupyter笔记本打开它。 如果您使用的是Jupyter笔记本，请安装上述必需的软件包。 在google colab或jupyter Notebook中打开文件后，运行所有单元格并查看输出。 观察图以了解算

全国多个城市近10的汽车保有量