篇文中我们已经好像大概似乎看起来貌似搞定了ECB、CBC、CFB、OFB、CTR这五个英文单词缩写代表啥意义了，也弄清楚了aes-128-ecb中的128是啥意思了，好像还接触了一下填充的概念，最后就差那个iv向量到现在还没搞明白是个什么鬼玩意了… …
大家好，我是永强，就是老李之前经常给你们说的区块链大神、大学肄业却依然大公司iOS主程一波儿流、只生活在老李口中尚未真实露面的混工资高手、老王的左膀右臂 ——— 赵永强。我和尼古拉斯赵四之间并没有什么强关联，我只是单方面认识他而已。
QUnit 是一个轻量级的 JavaScript 测试框架，可以方便的在浏览器和 Node.js 环境中运行。QUnit 的语法简单易懂，提供了强大的断言库和多种测试报告格式，适合对简单的 JavaScript 代码进行单元测试。
“他山之石，可以攻玉”，站在巨人的肩膀才能看得更高，走得更远。在科研的道路上，更需借助东风才能更快前行。为此，我们特别搜集整理了一些实用的代码链接，数据集，软件，编程技巧等，开辟“他山之石”专栏，助你乘风破浪，一路奋勇向前，敬请关注。
根据我的经验，写一个模块或 CLI 工具前你所要做的第一件事就是设置一个开发环境。对这个步骤有人喜欢有人愁。但不管怎样，它可能总是花掉你很多时间，你得不停地调整你配置的方方面面。
选自Google Research 机器之心编译 参与：路雪 视频人类动作识别是计算机视觉领域中的一个基础问题，但也具备较大的挑战性。现有的数据集不包含多人不同动作的复杂场景标注数据，今日谷歌发布了精确标注多人动作的数据集——AVA，希望能够帮助开发人类动作识别系统。 教机器理解视频中的人类动作是计算机视觉领域中的一个基础研究问题，对个人视频搜索和发现、运动分析和手势交流等应用十分必要。尽管近几年图像分类和检索领域实现了很大突破，但是识别视频中的人类动作仍然是一个巨大挑战。原因在于动作本质上没有物体那么明
AI科技评论按：在计算机视觉研究中，识别视频中人的动作是一个基础研究问题。个人视频搜索和发现、运动分析和手势交流等应用中，都会用到这项至关重要的技术。尽管过去的几年里在图像中分类和识别物体的技术上，我们已经取得了令人振奋的突破，但识别人类的动作仍然是一个巨大的挑战。从本质上来说，视频中人的行为更难被明确定义，而物体的定义更为明确。所以构建精细动作标记的视频数据集非常困难。目前虽然有许多基准数据集，比如UCF101、ActivityNet和DeepMind Kinetics，采用基于图像分类的标签方案，为数据
在计算机视觉研究中，识别视频中人的动作是一个基础研究问题。个人视频搜索和发现、运动分析和手势交流等应用中，都会用到这项至关重要的技术。 尽管过去的几年里在图像中分类和识别物体的技术上，我们已经取得了令人振奋的突破，但识别人类的动作仍然是一个巨大的挑战。从本质上来说，视频中人的行为更难被明确定义，而物体的定义更为明确。所以构建精细动作标记的视频数据集非常困难。目前虽然有许多基准数据集，比如 UCF101、ActivityNet 和 DeepMind Kinetics，采用基于图像分类的标签方案，为数据集中的每
最近一年多一直在做前端的一些测试，从小程序到店铺装修，基本都是纯前端的工作，刚开始从后端测试转为前端测试的时候，对前端东西茫然无感，而且团队内没有人做过纯前端的测试工作，只能一边踩坑一边总结经验，然后将容易出现问题的点形成体系、不断总结摸索，最终形成了目前的一套前端测试解决方案。在此，将有赞的前端质量保障体系进行总结，希望和大家一起交流。
作者： Chunhui Gu & David Ross 编译：魏子敏，龙牧雪，谭婧 就在昨天，谷歌blog发布了一个堪比“视频版”ImageNet的数据集-AVA（A Finely Labeled Video Dataset for Human Action Understanding ），为视频动作识别这一图像识别中的重大课题提供了新的“原材料”。这个崭新的数据集填补了在复杂的场景下，多人执行不同操作的标注空白。 以下为google blog原文，大数据文摘对其进行了编译： 在计算机视觉领域，教会机器在视
永强被吓坏了！因为永强看到了某个微信群有人指出我上篇打酱油附送的那篇文章《震惊！北京一男子竟然用swoole做了这种事！》太low了，不过这都是误会，一些都已经烟消云散了。
最近将内部测试框架的底层库从mocha迁移到了AVA，迁移的原因之一是因为AVA提供了更好的流程控制。
在深度学习领域，我们可以检索到各种各样的入门课程，但真正能让人「入门」的可能没有几个。
这文描述了通过 Babel 生成 npm 包的最小设置。你可以在 GitHub 中看到 re-template-tag 中的设置。
https://mrvollger.github.io/StainedGlass/
3月14日总是很“热闹”，这一天是白色情人节，而且这一天跟科技圈有一些特别的缘分。首先，3.14是圆周率节，然后，这一天我们要纪念两位人类科学史上的重量级大佬：
作为一个前端工程师，经常会遇见转换成数组的需求，被转换的对象有可能是String、Set()、null、Map()、undefined、或者是数组本身。我们最经常的做法就是写一个arrify函数帮我去进行转换。久而久之因为经常会做不同的项目中遇到同样的需求所以我们通常会把他封装成一个npm包发布出去，方便于代码的重复应用，和引用。
背景 去年我写过一篇文章：撰写合格的 REST API。当时 Juniper 裁掉了我们在德州的一支十多人的团队，那支团队有一半的人手在之前的半年里，主要的工作就是做一套 REST API。我接手这个工作时发现那些API写的比较业余，没有考虑几个基础的HTTP/1.1 RFC（2616，7232，5988等等）的实现，于是我花了些时间重写，然后写下了那篇文章。 站在今天的角度看，那时我做的系统也有不少问题，很多 API 之外的问题没有考虑： API 的使用文档。当时我的做法是把文档写在公司使用的协作系统 c
随着大数据的发展，人们越来越多地使用数据分析来解决问题。为了提高数据分析的效率，各种先进的数据可视化工具应需而生，可以直接根据指定的数据源，生成炫酷又直观的图表。
人工智能将在未来网络如何切片、支持多种用途(包括物联网和私有5G网络)方面发挥重要作用。
TL;DR——什么是好的单元测试？ 其实我是个标题党，单元测试根本没有“艺术”可言。 好的单元测试来自于好的代码，如果说有艺术，那也是代码的艺术。 注：以下“测试”一词，如非特指均为单元测试。 单元
TypeScript 是一种由微软开发的自由和开源的编程语言。它是 JavaScript 的一个超集，而且本质上向这个语言添加了可选的静态类型和基于类的面向对象编程。
我看到没有多少人谈论改进 JavaScript 代码的实用方法。以下是我用来编写更好的 JS 的一些顶级方法。
随着微信等社交App的兴起，语音聊天成为很多App必备功能，大到将语音聊天作为主要功能的社交App，小到电商App的语音客服、店小二功能，语音聊天成为了必不可少的方式。
李杉 编译自 FastCompany 量子位 报道 | 公众号 QbitAI VSCO凭借带有浓浓胶片风的滤镜，圈了不少粉，但别忘了，它是个图像分享应用：它的功能除了“创造”之外，还有“发现”和“连接
作者：Christoph Feichtenhofer、Haoqi Fan、Jitendra Malik、Kaiming He
到底 SlowFast 网络是怎样的设计、有什么特征、效果如何，下面就一起来看一下~
【导语】继图像领域之后，现在的 CV 领域，大家都在研究哪些内容？近日，Facebook AI 实验室的 Christoph Feichtenhofer、何恺明等人发表一篇论文，在视频识别领域提出了一种 SlowFast 网络，并且在没有预训练模型情况下，此网络在 Kinetics 数据集上取得79.0% 的准确率，是当前该数据集上的最佳表现。在 AVA 动作检测数据集上，同样实现了 28.3 mAP 的最佳水准。
本文介绍了面向未来的测试框架 AVA，它具有多线程、快速、配置简单、支持 Promise、Generator 和 Async 语法等优点。与其他测试框架相比，AVA 在性能方面表现突出，并提供了更丰富的配置选项。同时，AVA 的设计使得测试用例更加简洁和独立，能够很好地支持现代 JavaScript 特性。
看一个框架首先看这个框架介绍文档的第一句话，从中可以看出作者对这个这个框架的定位：
我们很熟悉以REST实现的API，可以用任何能够发出http 请求的库或者工具来测试REST API。去年随着GraphQL在全球风靡，它也出现在了最近两期的ThoughtWorks技术雷达中，当我们面对新的GraphQL APi时，QA应如何应对？ 知彼知己，方能百战百胜，下面让我们首先来看看什么是GraphQL，它和传统的REST API又有什么不同？
前言 ❝这篇文章是前端自动化测试系列的开始，自动化测试系列会从理论走向实践，真正带领大家学会使用前端自动化测试框架，并能在业务中落地。 看完整个系列，还不会使用自动化测试工具为生产提效，请来找我！ ❞
【新智元导读】教机器理解视频中的人的行为是计算机视觉中的一个基本研究问题，谷歌最新发布一个电影片段数据集AVA，旨在教机器理解人的活动。 该数据集以人类为中心进行标注，包含80类动作的 57600 个视频片段，有助于人类行为识别系统的研究 数据集地址：https://research.google.com/ava/ 论文：https://arxiv.org/abs/1705.08421 教机器理解视频中的人的行为是计算机视觉中的一个基本研究问题，对个人视频搜索和发现、运动分析和手势界面等应用十分重要。尽管在
大家好，这是专栏《计算摄影》的第二篇文章，这一个专栏来自于计算机科学与摄影艺术的交叉学科。今天我们讨论的问题是图像美学评估问题。
不知道大家在使用redis的时候，有没有遇到过如下错误：java.lang.ClassNotFoundException，这个错误是因为反序列化时找不到对应的对象导致的。
写技术文章其实是个很好的学习方式。首先你得自己摸清楚原理，然后才能尝试去表达出来。你写出来的东西，别人看了，给予你反馈，也是一个互相学习的过程。这不，前几天碰到一个读者提出的一个问题，让我发现了自己文章中的一个疏漏，下面就来说说这个问题。
萌新要学习Selenium了，安装是个坑。还要下载相关配件，可以参考python 安装selenium环境（https://my.oschina.net/hyp3/blog/204347） 1、使用Firefox实例 from selenium import webdriver import time firefox = webdriver.Firefox() #初始化Firefox浏览器 url = 'https://www.zhihu.com' firefox.get(url) #调用get方法抓
在 1982 年的电影《银翼杀手》的开幕镜头中，一个调查员不断向询问一名为 Leon 的机器人，旨在激发他的情绪反应。在电影中，同情心是区分人类与人工智能（AI）的一些特征之一。 当测试的问题进行到 Leon 的母亲身上时，Leon 站起来，掏出一支枪，并将调查员射杀。 对人类而言，这不是一个令人感到开心的结局，但当好莱坞刻画的人工智能，却很少是这样的结局。 编剧和导演们几十年来一直在银幕上将人工智能放在人类的对立面，而这些情节的科学合理性如何？ 我们咨询了一组人工智能专家，并让他们评价 10 部人工智能
就是 version 这一类里的一种图标，选择 npm 一栏填入包名，然后复制成 Markdown 内容，就会得到诸如：
问题: java.lang.UnsupportedClassVersionError: xxxxx Unsupported major.minor version 52.0
本文来源于全球的5254份前端工具使用的调查报告，期望通过本文能够帮助大家更好的了解最新的前端开发工具趋势。
Facebook AI Research在近期的博文中公布了其在ICCV研讨会最新开源的视频理解代码库: PySlowFast。其代码库可帮助使用者在视频识别（Video Classification）、行为检测（Action Detection）等任务中轻易复现现今的基线模型和诸多SOTA的算法，可谓是视频理解领域必不可少的利器之一。
图像质量和美学的量化一直是图像处理和计算机视觉的一个长期存在的问题。虽然技术质量评估涉及到测量像素级的退化，如噪声、模糊、压缩失真等，但美学评估捕获了图像中与情绪和美感相关的语义层次特征。最近，用人工标记数据训练的深层卷积神经网络(CNNs)被用来处理特定类图片的图像质量的主观性质，例如景观。但是，这些方法在其范围内是有限的，因为它们通常将图像分类为低质量和高质量两个类。我们的方法预测了评级的分布。这将导致更准确的质量预测，其与地面实况的相关性更高，适用于一般图像。 在“NIMA:神经图像评估”中，我们引入
本文仓库 https://github.com/lxchuan12/read-pkg-analysis.git，[1]
这个也比较好理解，因为这个函数是主程序的入口，通常是不需要返回结果的。使用 void 也没关系。
一起来来看看JavaScript中一些新特性，本文将介绍它们的语法和相关链接，帮助读者及时了解它们的进度，我们将通过编写一个小型测试项目，展示如何快速上手使用这些新特性！
AI 科技评论按：本文发布于 Google Research Blog，作者为 Hossein Talebi， 机器感知领域软件工程师兼 Peyman Milanfar 研究科学家。AI 科技评论做了不改动原意的编辑和修改。 美是否存在标准？在图像处理与计算机视觉领域，图像质量与美学的量化问题一直困扰着研究者们。从技术的角度来说，图片质量的评估主要与像素降级相关，比如噪声、模糊、压缩等等。而图像在美学层面的评估，则需要根据图片所传达的情感或美感所连接的语义级特征来评判。 近年来，在人类标记数据的训练下，CN
chage 命令是用来修改帐号和密码的有效期限，系统会根据改信息确定用户何时必须更改其密码。
谷歌希望通过开放这个数据库，进一步改进他们基于视频识别的机器视觉能力。 谷歌在机器视觉学习方面积累大量的数据以及技术，最近，他们推出了一个新的视频数据库，名称为“原子视觉行为（AVA）“，该数据可由一
如果你正在筹划新的前端项目或者重构现有项目，那么你需要认识到现在的前端开发环境已经今非昔比，这其中有太多的选择了：React、Flux、Angular、Aurelia、Mocha、Jasmine、Babel、TypeScript、Flow…… 它们的本意是将开发简单化，却无形中提高了学习成本，也给未来项目的维护带来了不确定性。 好在这一现象正在退热，优胜劣汰，优秀的项目慢慢沉淀下来，开发方式也越来越清晰。有些开发者正在尝试使用基于上述技术的框架进行开发，也在一定程度上减少了学习成本。 本文中主要介绍了一些
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
即时通信 IM
对象存储
