Toprovidemoreaccurate,diverse,andexplainablerecommendation, it is compulsory to go beyond modeling user-item interactions andtakesideinformationintoaccount.Traditionalmethodslike factorizationmachine(FM)castitasasupervisedlearningproblem, whichassumeseachinteractionasanindependentinstancewith side information encoded. Due to the overlook of the relations amonginstancesoritems(e.g., thedirectorofamovieisalsoan actorofanothermovie),thesemethodsareinsufficienttodistillthe collaborativesignalfromthecollectivebehaviorsofusers.
2021-09-16 17:04:34 1.36MB KG
1
Ansible的自我修复网络 与Red Hat和F5 该存储库托管Arctiq在2018年1月和5月的Ansible自我修复网络演示期间使用的示例文件。 该演示文稿和演示结合了使用GNS3服务器和Packet.net的裸机在模拟网络实验室环境中构建的内容。 Arctiq的演示包括以下用例: 使用Ansible Tower通过Cisco,Juniper,F5和Nginx Web服务器完全重置和重建整个网络实验室环境 适用于Tower和GitHub的自定义Webhook-存储库即将推出! Nagios通知Stackstorm网络中断影响了Web应用程序,其中Stackstorm使用Ansible Tower触发了修复程序 一个Slack触发器“ iquit”通知Stackstorm,它注入了错误版本的Web应用程序。 Nagios对此进行了了解,并通知Stackstorm,使用Ans
2021-09-16 10:19:52 3.44MB Shell
1
iSCSI协议及实现 iSCSI协议简介 涉及到的SCSI的概念 启动设备和目标设备 启动设备(initiator):发起I/O请求的设备 目标设备(target):响应请求执行实际I/O操作的设备 在启动设备和目标设备建立连接后,目标设备在操作中作为主设备控制整个工作过程 一般情况下主机适配器HBA作为启动设备,磁盘/磁带作为目标设备 涉及到的SCSI的概念 CDB:命令描述块。SCSI的命令及参数是填充在一定长度的数据块内传输的 典型的SCSI系统 SCSI的缺点 SCSI是点对点的、直接相连的计算机到存储器的设备接口,不适用于主机到存储器的存储网络通讯 SCSI总线的长度被限制在25米以内,对于Ultra SCSI长度限制为12米,不适于构造各种网络拓扑结构 SCSI总线上设备数限制为15,不适用于多服务器对多存储设备的网络结构 iSCSI的概念 iSCSI是关于SCSI的命令 、数据和状态到TCP/IP 网络的映射的 协议 对TCP层的改造和增加较 低功能层(对TCP层透明) 是为了适应大批量存储数 据传输的需要 iSCSI协议现状 IETF正在制定iSCSI协议标准,最新草案是draft-ietf-ips-iSCSI-06 IETF:http://www.ietf.org/ IPS工作组:http://www.ece.cmu.edu/~ips/ iSCSI产品 Cisco SN 5420 Storage Router IBM TotalStorage IP Storage 200i 用Cisco SN 5420构造的存储系统 iSCSI协议结构 1.概述 2.协议数据单元格式 3.用于iSCSI协议的SCSI模式参数 4.登录相 5.登录相之外的工作参数协商 6.错误处理和恢复 iSCSI的命名和编址 iSCSI使用类似URL的iSCSI名字来唯一鉴别启动设备和目标设备。 地址会随着启动设备和目标设备的移动而改变,但名字始终是不变的 iSCSI的命名和编址 一个iSCSI名字由三部分组成:类型定义符、名字认证机构、由该认证机构分配的名字 iscsi.com.acme.sn.8675309 iSCSI地址格式 [:]/ iSCSI的发现机制 启动设备可以通过下列方法发现目标设备: 在启动设备上设置目标设备的地址 在启动设备上设置默认目标设备地址,启动设备可通过“SendTargets”命令从默认目标设备上获取iSCSI名字列表 发出服务定位协议(SLP)广播请求,等待目标设备回应 查询存储设备名字服务器获取可访问的目标设备列表 iSCSI会话(session) 启动设备和目标设备之间的TCP连接构成一次会话 一个会话包含一个或多个TCP连接 会话由会话号区分,会话号包括启动设备部分和目标设备部分 会话中包含的TCP连接可以增加也可以删除,这些连接由连接号(CID)区分 命令编号 从启动设备到目标设备SCSI层的命令由iSCSI编号,该号码由iSCSI协议数据单元中的命令序列号(CmdSN)携带 目标设备的iSCSI层必须按命令序列号的顺序把命令传递给SCSI层 目标设备的SCSI层接收到命令后该命令序列号即失效。命令序列号也能被用来进行命令的流量控制 iSCSI登录和协商 iSCSI登录是用来在启动设备和目标设备之间建立TCP连接的机制 登录的作用包括鉴别通讯双方、协商会话参数、打开相关安全协议并且给属于该会话的连接作标记 登录过程完成后,iSCSI会话进入全功能相(full feature phase),这时启动设备就能通过iSCSI协议访问目标设备里的各逻辑单元了 响应/状态编号 从目标设备到启动设备的响应由iSCSI编号,在iSCSI协议数据单元中用状态序列号(StatSN)表示 启动设备提供期望状态序列号ExpStatSN来确认状态 如果状态序列号和期望状态序列号不同则意味着连接出现了错误 协议数据单元格式 iSCSI启动设备命令基本首部(BHS) iSCSI协议的实现 iSCSI代码来源 iscsi-Apr6.tgz: Intel (http://sourceforge.net) kernel_emulator_10.tgz: IOL(InterOperability Lab) of UNH(University of New Hampshire) (http://www.iol.unh.edu) Iscsi-0.1.tar.gz: iSCSI research team of UML(University of Massachusetts Lowell) (http
2021-09-15 17:58:48 133KB iscsi scsi network 协议
1
聚苯乙烯 我们的CVPR 2020口头文章“ ”的代码。 ,,陈高,曹洁,何然,,。 该代码已由进一步修改。 除了原始算法外,我们还使用Laplace变换添加了高分辨率面部支持。 检查清单 更多结果 视频演示 部分化妆转移示例 插补妆容转移示例 在GPU上推断 训练守则 要求 该代码已在Ubuntu 16.04,Python 3.6和PyTorch 1.5上进行了测试。 对于人脸解析和界标检测,我们使用dlib进行快速实现。 如果您使用gpu进行推理,请确保对dlib具有gpu支持。 我们新收集的Makeup-Wild数据集 在下载Make-Wild(MT-Wild)数据集 测试 运行python3 demo.py或python3 demo.py --device cuda进行gpu推断。 火车 从或下载培训数据,然后将其移动到名为“ data”的子目录中。 (对于百度云用户,您可以在下
2021-09-15 16:19:56 169.2MB pytorch generative-adversarial-network gan makeup
1
unity 局域网Unet Networking ARDemo 资源包,使用Unity内置Unet实现AR对战
2021-09-15 13:29:51 509KB Network Unet unity AR
1
Deep Attributed Network Embedding by Preserving Structure and Attribute Information
2021-09-14 20:09:36 1.82MB 研究论文
1
最近,视频超分辨率 (VSR) 在为超高清显示器提供高分辨率 (HR) 内容方面变得更加重要。虽然已经提出了许多基于深度学习的 VSR 方法,但其中大多数都严重依赖于运动估计和补偿的准确性。我们在本文中介绍了一个完全不同的 VSR 框架。
2021-09-14 18:08:45 1.13MB 视频超分一阶
1
显著性检测组会汇报ppt,主要讲解了将金字塔特征注意力网络用于显著性检测的方法,网络结构,实验等内容。
1
Simple_GAN:GAN:通过简单生成对抗网络生成高斯分布的示例
1
焦点频率损失 该存储库将提供以下论文的正式代码: 图像重建和合成的焦点频率损失,,和arXiv预印本,2020年。 摘要:由于生成模型的发展,图像重建和合成取得了显着进展。 但是,实际图像和生成的图像之间仍然存在间隙,尤其是在频域中。 在这项研究中,我们表明,在频域中缩小间隙可以进一步改善图像重建和合成质量。 我们提出了一种新颖的焦点频率损耗,它可以使模型自适应地关注那些难以通过对简单频率分量进行加权来合成的频率分量。 这个目标函数是对现有空间损耗的补充,由于神经网络的固有偏差,对重要频率信息的丢失提供了很大的阻抗。 我们展示了聚焦频率损失在感知质量和定量性能方面的多功能性和有效性,以改善诸如VAE,pix2pix和SPADE等流行模型。 我们还将在StyleGAN2上展示其潜力。 更新 [12/2020]焦点频率损失在arXiv上发布。 代码 该代码将公开提供。 敬请期待。 结果
1