xgl

自从OpenAI的Ian J.Goodfellow大神发的开创性文章GAN以后，GAN的发展是膨胀式的，工业界的各个大牛也随之加入GAN蓬勃发展的大军中。除了OpenAI之外，工业界好多公司都参与到了GAN的研究中，包括了Facebook、Google、Apple等公司。其中一个发表比较的多的就是Facebook的Soumith Chintala，他参与发表了DCGAN、LPGAN、WGAN以及SSGAN，其中WGAN也是得到了大量的关注，该文详细的对GAN的缺陷进行了深入解析，然后提出了具有里程碑式的改进，个人认为这对后续GAN的发展起到了很关键的作用；另外Google也是在GAN相关方向上发表了4篇以上的论文，G家的工程能力再一次凸显出来，一上来就结合adboost、unrolled、autoencoder等方向发表了几篇文章；除此之外就连Apple也将自己对外发表的第一篇AI论文SUGAN献给了GAN领域，该SUGAN文章讲述如何利用合成图像而不是随机向量作为输入结合GAN对合成图像的质量进行无监督的改善提升然后用于训练。 随着GAN在目标优化上的不断持续改进，目前应用方向也得到了一些扩展，涉及的方向包括但不限于如下：图像生成，文本生成图像，根据场景生成视频，骨架图检索，图像超分辨率，通讯保护等。由于GAN的生成对抗特性，它特别适用于不同域上的特征映射，这个想象空间就会非常大，结合之前DL的一些常见应用可以展望如下结合域上的一些应用：图像文本结合，图像语音结合，图像视频结合等。另外它可以天然的去做无监督学习、半监督学习等。 在观察了工业界以及应用上的一些动向后，需要来看下到底GAN的目标函数是怎样的？在调研中发现，生成对抗式网络的目标函数也是经过了很多轮的改进。首先GAN文章提出了生成对抗式网络，其基本公式如下：

一、论文&代码 论文：https://www.ecva.net/papers/eccv_2022/papers_ECCV/papers/136630615.pdf 模型&代码：https://modelscope.cn/models/damo/cv_pathshift_action-recognition/summary 二、背景 高效的时空建模(Spatiotemporal modeling)是视频理解和动作识别的核心问题。相较于图像的Transformer网络，视频由于增加了时间维度，如果将Transformer中的自注意力机制(Self-Attention)简单扩展到时空维度，将会导致时空自注意力高昂的计算复杂度和空间复杂度。许多工作尝试对时空自注意力进行分解，例如ViViT和Timesformer。这些方法虽然减小了计算复杂度，但会引入额外的参数量。本文提出了一种简单高效的时空自注意力Transformer，在对比2D Transformer网络不增加计算量和参数量情况下，实现了时空自注意力机制。并且在Sthv1&

前言 好久没有写关于技术类型的文章了，很多朋友都催我写写，这也快到年底了，所有抽了点时间写一篇，希望能借此来回馈大家在过去一年中对我的支持。 PS：本文中有3张GIF效果图太大，没办法上传，追求看完美效果的朋友可以摆驾链接：百度网盘 请输入提取码    提取码：xad4 插件高清GIF效果。 需求 今天要分享的技术方案是我在写bg-boom这款插件当中一小块的代码实现方案，先从需求说起吧，其模块整体的需求是丰富idea的背景功能，具体需求为： 让idea背景功能支持图片 让idea背景功能支持gif图片 让idea背景功能支持视频（既动态桌面的效果） 让idea背景功能支持广播收听 让idea背景功能支持TV在线收看 让idea背景功能支持直播在线收看（要支持MMS、RTMP、RTCP、RTSP、M3U8等直播流协议） 让idea背景功能支持音乐在线播放（既实现在线音乐播放器的功能） 让idea支持从网页中自动爬取图片、视频、直播流等资源自动播放 让idea所有产品都能够支持以上功能，包括但不限于IntelliJ IDEA、WebStorm、DataGrip 、Android Studio、CLion 、PhpStorm 、PyCharm等产品 让idea在linux、window、mac平台上也支持以上功能

什么是云原生？ 简单认识 云原生有一个简单的理解：云指的就是云服务器，原生指的就是云服务器中自带的应用软件。这些应用软件可以高效弹性扩缩容（指的就是增加或减少服务器的数量）后，自动适配新的服务器数量环境，而不需要运维或开发做什么。 应用场景 设想一种场景：有一个电商系统，其中包括商品浏览模块、商品购物车模块、商品支付模块，每个模块一共部署了10000台服务器，共计30000台服务器。那么双11的到来了，这些服务器肯定不够用，那么怎么安排才能满足双11的需求呢？那么可以把双11活动分解成： 活动前：双11前引导用户浏览商品，并把商品添加到购物车 活动中：双11开始，引导用户直接从购物车下单购买 按照上述分解之后，活动前的访问压力就集中到商品浏览、商品购物车模块，支付模块的压力相对就较小了，那么此时是否可以把支付模块的一半服务器分配给商品浏览和商品购物车模块使用呢？答案是肯定能的。反之活动中，购物车和支付模块的压力变大，我们可以同样把商品浏览模块的一半服务器分配给购物车和支付模块使用。通过以上的合理调配，你会发现我们没有增加新服务器，也能应对高并发。 云原生雏形 上述场景如果要实现，会关注到几个关键点，其实这些就是云原生的雏形特点。 程序首选要拆分成商品浏览模块、商品购物车模块、商品支付模块——这个思想后续发展成微服务 上万台的服务器，从机房到服务器的建设是相当大的一个工程，