蒲公英 · JELLY技术周刊 Vol.26: 请问您这个月要来点肝么?

HEADER

蒲公英 · JELLY技术周刊 Vol.26

今年的十月,不知道大家在 TODO List 上新增了多少条目准备尝鲜,你可能已经准备了 Vue3、Webpack5 以及 React v17.0 RC,然而十月中可却远不止这些东西值得一试,npm CLI 提示你可以通过npm install -g npm@7体验新版本,Chromium Blog 的推文也显示 Chrome 正在部署 HTTP/3 和 IETF QUIC……

登高远眺

天高地迥,觉宇宙之无穷

基础技术

NPM v7.0.0 发布

npm v7.0.0 带来了比较多的新特性,WorkspacespeerDependencies自动被安装、支持yarn.lock等,将与NodeJS v15一起发布。如果你想立即尝试,可以使用npm i -g npm@7在终端运行安装。

Chrome 正在启用 HTTP/3,支持 IETF QUIC

QUIC(Quick UDP Internet Connections)是谷歌制定的一种基于UDP的低延时的互联网传输层协议,结合了TCP、TLS等协议的特性。HTTP/3 是HTTP的最新版本,仅在QUIC上运行。
译文:https://www.oschina.net/news/119045/chrome-is-deploying-http3-and-ietf-quic

工程化

Webpack 5 Module Federation: JavaScript 架构的变革者

Module Federation是 Webpack 5 的新特性之一,它可以使 JavaScript 应用在客户端或服务器上动态运行另一个 bundle 或者 build 的代码。在了解学习这个特性的过程中,本文是最好的教程,因为它是由Module Federation的作者之一的Zack Jackson发布的,他在文中写到"Module Federation之于JavaScript Bundler,如同Apollo之于GraphQL",并阐述了相关的技术实现以及项目实践。
译文: https://zhuanlan.zhihu.com/p/120462530

图形编程

iOS UIScrollView 动画的力学原理

了解动画效果的力学原理对于设计的还原度非常重要,本文深度剖析 iOS UI 滚动视图动画的力学原理。
译文:http://www.martinrgb.com/blog/index.html#/HOW_UIScrollView_Works

设计哲学

被忽视的设计:中文字体

字体是设计的基本要素之一,然而关于 Type Design 的视频少之又少,非专业人士对其认知也非常有限,很多人都会觉得:“啊,原来空气也是要设计的吗?”,字体作为设计的基本要素之一,它关乎着一个民族的设计风格,这个视频用短短的六分钟简单动画和旁白将中文字体的基础知识给说明白了~

工具推介

svga——AE动画的另一个实现/展示方法

相比起有名的bodymovin lottie,svga使用了另一种方法记录动画信息:每一帧的信息在导出前计算好,记录在导出好的文件中,播放器在渲染时只需逐帧渲染,不需关心关键帧间插值的计算。由此带来的是解析、播放器的库比lottie的精简许多(gzip前57KB),导出的文件也较小;另外限制也更多:不支持复杂的矢量形状图层、不支持AE自带的渐变、生成、描边、擦除等、对设计工具原生动画不友好,对图片动画友好

沧海拾遗

沧海拾遗,积跬步以至千里

设计稿 101% 还原之 Web 字体处理

字体设计是设计中的基本要素,同样也是在还原设计稿的过程中,提升用户体验的重要一环,在兼顾体验的同时 101% 的来还原设计稿的所有细节才能不负项目中所有同学的心血。这篇关于 Web 中文字体处理的方案总结,相信会让大家都有所收获,特殊字体和网页性能再也不是一道单选题了~

1KB 的 3D 游戏 ???

JS1k 这个大赛不知道有多少同学听过,在限制 1024 字节内的 JavaScript 代码完成一个参赛作品,而本期推荐的这个 3D 小游戏就出自这个比赛,很难以置信对吧,还不快进来爽一把!(顺便给大家一个小问题,如果让你来用 1KB 以内的代码完成一个 3D 小游戏,可以做到吗?)

「蒲公英」期刊,每周更新,我们专注于挖掘「基础技术工程化跨端框架技术图形编程服务端开发桌面开发人工智能设计哲学前端框架」等多个大方向的业界热点,并加以专业的解读;不仅如此,我们还会推介精选凹凸技术文章,向大家呈现团队内的研究技术方向。

抬头仰望,蒲公英的种子会生根发芽,如夏花绚烂;格物致知,我们登高远眺、沧海拾遗,以求积硅步而至千里。

蒲公英 · JELLY技术周刊贡献指南

欢迎关注凹凸实验室博客:aotu.io

或者关注凹凸实验室公众号(AOTULabs),不定时推送文章:

欢迎关注凹凸实验室公众号

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值