原文地址：http://www.theonionrouter.com/about/overview.html.en#overview 概述 “The Tor network is a group of volunteer-operated servers that allows people to improve their privacy and security on the Internet. Tor’s users employ this network by connecting through a series of virtual tunnels rather than making a direct connection, thus allowing both organizations and individuals to share information over public networks without compromising their privacy. Along the same line, Tor is an effective censorship circumvention tool, allowing its users to reach otherwise blocked destinations or content.

如图： 解决办法 在el-dialog标签里添加 :modal-append-to-body=’false’ 实现效果： 问题解析 先来看看element-ui官网提供的属性说明文档 文档解释：翻译成大白话就是，若el-dialog弹出框设置了modal-append-to-body=’true’（默认）属性，它的遮罩层就会被插入到body标签下（即与组件所在的最外层div同一层级），知道这个原理就好办了。 问题分析：经过分析源代码可得，el-dialog的显示层和遮罩层都设置了position:fixed，当然显示层的z-index肯定要比遮罩层的大，才能正常的显示弹出框。问题就出在此处，若el-dialog的父级也设置了position:fixed，并且其z-index比弹出框的遮罩层的小（遮罩层处于更高一层），那么弹出框的内容就会被遮罩层所遮挡住了。 经过分析出问题的代码可得出，el-dialog的父级元素确实设置了position:fixed，并且其z-index比弹出框的遮罩层的小，所以就会出现遮罩层把内容挡住的问题。 解决方案 1、给el-dialog设置modal-append-to-body=“false”，使遮罩层插入至 Dialog 的父元素上。（推荐） 2、给position:fixed的父元素设置一个z-index，并且要比遮盖层的大。 3、el-dialog父元素不使用fixed定位。 为了验证这个问题，我特地写了个demo，如下图： 图一：modal-append-to-body=“true” 图二：modal-append-to-body=“false” (完)

网站：https://goprivatepay.com/ 钱包：https://goprivatepay.com/offlinewallet 矿池：https://pool.goprivatepay.com 挖矿软件矿池上有 QQ群交流：20654315 和谐- https://discord.gg/GeZH7bw 电报- https://t.me/joinchat/ImK8-BDtR1JGg0nvvasnBg Twitter的- https://twitter.com/pay_private 资源管理器 – https://explorer.goprivatepay.com 规格 – 1840万最大电源 – 120秒的时间 – 线性区块奖励（随时间降低） – Cryptonight – 快速PoW（抗ASIC和抗Nicehash） – 10％Premine LAUNCH Mainnet将于6月30日推出。 什么是PRIVATEPAY PrivatePay是一种隐私货币，它将使您在加密货币中更接近现实生活中的使用。 我们目前正致力于将借记卡直接转帐到银行账户分类代码和账户号码。PrivatePay借记卡将可用，使用户能够从全球ATM机直接提取XPP。 我们的任务 我们希望有一种方法允许新的/有经验的Cryptocurrency成员参与其中，最棘手的任务之一是将您的加密货币转换为法定货币，并且每日都会发生新的限制。PrivatePay希望 介入并消除限制和困难。我们努力成为用户友好型用户，并提供不太科技知识可以使用的应用程序，Blockchain技术非常棒，我们相信它可以 在现实世界的日常生活中绽放光芒。 使用案例 Jilian花了很多时间挖掘PrivatePay，并积累了大量的金币，但是……她并不熟悉他们交换费用并看到许多令人讨厌的费用。她决定从PrivatePay购买一张借记卡 链接到她的地址，一旦安装，她去了最近的ATM机，并从机器上直接退出她的XPP并走开。当月晚些时候，她注意到她的租金账单已经反弹，并决定通过内部PrivatePay银行应用程序设置直接扣款。 当账单将要出来时，PrivatePay会处理所有事情，她的房东再次面带微笑。 为什么选择PRIVATEPAY 我们是一支具有丰富经验的优秀团队，能够驾驶这枚硬币成为精彩的东西。我们坚信社区事务，并且我们始终乐于接受建议和意见，我们已经坐下来，并且 看到许多硬币因开发商或团队未与客户沟通而失败 – 我们将确保不会发生这种情况，因为我们希望以积极的氛围建设我们的社区。 PREMINE解释 4％花费 – PrivatePay将成为法律实体，因此与我们的借记卡发展一起的法律费用将变得相当昂贵。这些资金将使我们已经将合法公司的初始投资进一步纳入我们的项目。 4％花费 – 市场营销将是私人 支付最重要的方面之一，交换清单1％花费 – 服务器费用。如果任何一个百分比仍然存在，它将用于营销 1％花费 – 开发商硬币，将在月底发布。 成员： 菲尔（44岁，美国人）首席执行官/企业家投资人 – 菲尔是团队的重要资产，他是推动货币流通的人，所有团队成员都向他汇报。 Jake（29岁，澳大利亚）Android和iOS开发人员 Micheal（42岁，美国）C ++专家和基本PHP技能 Mykyta（31岁，乌克兰）平面设计师/ Web开发人员 Jessica（23岁，美国）市场营销和社交网络 Andrew顾问和总顾问

Learning to See in the Dark ref：http://web.engr.illinois.edu/~cchen156/SID.html 介绍 去噪、去模糊都有，不过在低光照下还是比较难的。高ISO可以提亮，但也会放大噪声。直接缩放或者拉伸直方图，也有一定效果，不过并不能弥补光子不足的缺陷。增加曝光时间，如果移动了会变模糊。这篇文章就是喜欢严重缺少亮度的低光照条件，最好曝光时间还短。传统的去噪方法不行，拍一系列暗图也不行，这些在极低光照条件下基本都会失效。 本文采用的是数据驱动的方法，设计了一个深度神经网络，能实现颜色转换、去马赛克、减少噪声和图像增强。这种端到端的设计能减少噪声的放大和误差的积累。这篇文章提到以往大家做低光照的研究都是用的合成图像，或者没有ground truth的低光照，因此他们就收集了一些与低光照对应的清晰图像（可作为benchmark）。 相关工作： 去噪：全变分、小波域变换、稀疏编码、核范数最小化、BM3D（光滑、稀疏、低秩、自适应）。缺点：数据集一般都是合成的。一般认为BM3D在真实图片的表现结果比大部分其他算法好（Benchmarking denoising algorithms with real photographs）。多图效果不错，但本文想单图。 低光照图像增强：直方图均衡化、图像灰度校正（伽马校正）、暗通道反转、小波变换、Retinex model、光强映射估计。这些方法都认为退化图已经包含比较好的潜在信息，而没有考虑噪声和颜色扭曲的影响。 含噪数据集：RENOIR对应图片不是完美匹配、HDR+没有极低光照照片、DND也是白天获取的。本文收集了一些数据。 “看见黑暗”数据集 数据集是作者采集的，有5094张低曝光和高曝光的数据集。场景包含室内室外，都是在固定位置用三脚架拍的。采用app远程设置光圈、ISO等参数，室外光照在0.2勒克斯和5勒克斯之间，室内的更加黑暗。数据采集的原则是高曝光的只要保持视觉效果好即可，不一味追求移除全部噪声。他们称自己的数据集叫SID 方法 pipeline 部分方法流程图，其中L3指local,linear and learned filters。传统和L3都没有很好处理极低光照的情况。burst序列虽然可以满足一定的需求，但比较苛刻，而且需要“lucky imaging”。 本文用的是全卷积网络（FCN），而且不是处理普通的sRGB图片，而是用原始的传感器数据。 文章用到多尺度聚集网络（multi-scale context aggregation network (CAN)）和U-net（U-net: Convolutional networks for biomedical image segmentation），其中U-net是本文默认的网络。其他方法如残差并不适合这里，也许是因为色彩空间不一样。另外要尽量避免全连接层，因为完整的分辨率图可能有6000×4000。 放大率决定了输出的亮度，这是输入的时候提供的，网络的最终输出直接就是sRGB空间。 训练 L1和Adam，剪裁成512，学习率1e-4到1e-5，共4000个epoch。 实验 质量和感知 与传统的比，传统的含噪严重，颜色扭曲。 他说BM3D在真实图片的去噪效果好，所以就用BM3D来比。不过BM3D需要手动输入一个预估的噪声等级，对结果非常有影响。 实验结果放到Amazon Mechanical Turk平台上对比，由10个工作者来完成。 控制变量实验 用CAN替换U-net、用sRGB替换原始信号，SSIM或L2替换L1等等。其中不用原始信号那个掉得最快，其余的差并不太多。 整体的实验效果显然这个算法无敌，看起来就和白天一样。有时候会稍微过平滑一点，不过看上去视觉效果都还可以。 讨论 低光照成像有很少的光子数量和低信噪比。本文设计了数据驱动的方法，能有效提高成像表现，还贡献了SID数据集。 未来的方向：没有处理亮度域的映射，可能会损失一些两端的信息。缺少动态物体。放大倍数也要人为来选，以后可以让它像自动ISO那样。 算法也不够实时，在两个数据集上需要0.38或0.66秒。 我个人觉得这个算法是很不错的benchmark，但是数据集实在太大了，而且RAM的消耗非常大。

原文链接： http://www.cnblogs.com/bakblog/p/9246289.html 买一个按键发光的键盘。 买一个可以调节高度和角度的台灯，放在不影响打字和不照眼睛的地方把键盘照亮。我自己用的是可以调节高度和角度的USB台灯，感觉比发光键盘用着还方便，因为不仅能用来照明键盘，还能用来看书等，只是我买的这一款用的时间长了会变热。 图片来自网络。 转载于:https://www.cnblogs.com/bakblog/p/9246289.html

任何设备使用时间长了难免会有故障，交换机也不例外，那么遇见故障我应该怎么办呢？首先我们应该对故障进行简单的分析，通过灵活使用排除法，如对比度、替换方法等，识别故障，及时排除。但是要做到这一点，就必须了解交换机故障的类型及具备对故障进行分析和处理的能力。下面就来看下一些故障的原因及其解决方法： 故障排除 当我们面对故障现象并分析问题时，无意中就已经学会使用排除法来确定发生故障的方向了。这种方法是指依据所观察到的故障现象，尽可能全面地列举出所有可能发生的故障，然后逐个分析、排除。在排除时要遵循由简到繁的原则，提高效率。使用这种方法可以应付各种各样的故障，但维护人员需要有较强的逻辑思维，对交换机知识有全面深入的了解。 对比法 所谓对比法，就是利用现有的、相同型号的且能够正常运行的以太网交换机作为参考对象，和故障交换机之间进行对比，从而找出故障点。这种方法简单有效，尤其是系统配置上的故障，只要简单地对比一下就能找出配置的不同点，但是有时要找一台型号相同、配置相同的交换机也不是一件容易的事。 设备替换测试 这是我们最常用的方法，也是在维护计算机使用较高频率的方法。 更换方法是指使用正常的开关元件来替换可能发生故障的部件，从而找到故障点的方法。 它主要用于硬件故障诊断，但应注意的是，组件的更换必须是相同品牌，相同类型的类似开关。 总结 由于交换机故障现象多种多样，没有固定的排除步骤，而有的故障往往具有明确的方向性，一眼就能识别得出。所以只能根据具体情况具体分析了。 对此，星万全科技拥有专业的技术团队为用户提供网络设备维修维保服务。主要包括交换机、路由器和防火墙等常见网络设备的配置和使用、网络故障诊断、局域网和广域网中硬件设备的检测与维护、网络安全的基本检测与维护等。

比特币吸金之道系列文章，由计算机黑客发明的网络货币，无国界，无政府，无中心。没有政府滥发货币，没有通货膨胀。在全球计算机网络中，自由的实现货币兑换和流通。 本系列文章只讲程序和策略，不谈挖矿… 关于作者： 张丹(Conan), 程序员/Quant: Java,R,Nodejs blog: http://blog.fens.me email: [email protected] 转载请注明出处： http://blog.fens.me/bitcoin-eth-truffle 前言 区块链的开发对于大多数的人来说，都是一件很新、很难的事情，有太多不一样的技术要学习。区块链有自己的设计理念，不同于传统分布式系统架构，数据同步机制，共识算法等。以太坊作为区块链2.0的产品，最独特是智能合约的设计，是超脱于技术的思维体系。 通过 Truffle 把这些不同的理念和思路进行整合，转换为开发人员能明白的一种编程方法。本文中的所有源代码已经上传到github，请有需要的同学下载使用: https://github.com/bsspirit/truffle-demo 目录 Truffle安装 初始化项目 启动测试节点 部署合约 自定义的智能合约 交互的控制台 启动合约服务 1. Truffle安装 Truffle是Dapp开发框架，他可以帮我们处理掉大量无关紧要的小事情，让我们可以迅速开始写代码-编译-部署-测试-打包DApp这个流程。Truffle是使用Nodejs开发的，我们首先需要安装Nodejs运行环境。关于Nodejs的详细使用，请参考系列文章从零开始nodejs系列文章 DApp是什么？ App我们都知道是客户端应用，DApp就是D+App，D是英文单词decentralization的缩写，即DApp为去中心化应用。 检查操作系统版本和Nodejs版本。 > cat /etc/issue Ubuntu 16.04 LTS \n \l # Nodejs版本 > npm -v 6.0.0 > node -v v8.9.4 全局安装Truffle工具。 # 安装truffle工具 > npm install -g truffle /usr/local/bin/truffle -> /usr/local/lib/node_modules/truffle/build/cli.bundled.js + [email protected] added 81 packages from 309 contributors in 2.

android:id="@+id/Load" android:layout_width="match_parent" android:layout_height="match_parent" android:clickable="true"> xmlns:app="http://schemas.android.com/apk/res-auto" android:id="@+id/spin_kit" style="@style/SpinKitView.Large.FadingCircle" android:layout_width="48dp" android:layout_height="48dp" android:layout_marginTop="60dp" android:layout_gravity="center" android:layout_centerInParent="true" app:SpinKit_Color="@color/colorAccent" /> // Top-level build file where you can add configuration options common to all sub-projects/modules. buildscript { repositories { jcenter() } dependencies { classpath 'com.android.tools.build:gradle:2.3.0' // NOTE: Do not place your application dependencies here; they belong // in the individual module build.gradle files } } allprojects { repositories { jcenter() maven { url 'https://jitpack.io' } } } task clean(type: Delete) { delete rootProject.

CV–深度学习–神经网络–卷积神经网络 – 计算机视觉是人工智能中发展最迅速的内容。 – 2016年思科估计80%的网络数据是像素数据，进入到一个信息爆炸的时代，原因：1、互联网载体；2、传感器–手机、摄像头 – 互联网暗物质–数据冗余，像素信息很难理解，就像银河系内的暗物质。 – YouTube服务器接受150h video/60s。人眼很难给这些数据做标记、分类、索引，操作这些数据需要自动化。 CV–跨学科领域 – 涉及：工程、物理、生物、心理学、计算机科学以及数学 – CV–深度学习–神经网络 斯坦福cs231n类似的课程 cs131 – 本科介绍课程 cs231a – 核心CV课程、课题包括图像处理、成像、3D重建、视频分段、目标识别以及场景理解 cs231n – 神经网络（深度学习）在图像识别中的应用 CV的简短历史 1、寒武纪大爆发（BIG BANG）-公元前5.43亿年 浮游生物漂浮在水中，等着食物进入嘴中，突然有一天生物爆发 澳大利亚研究起源是生物进化出了眼睛，捕捉光线，进行环境信息交换，获取食物。 视觉的出现是大爆发的最主要驱动力 2、文艺复兴时期 现代意义上的相机的出现-达芬奇，现代视觉工程的开端，记录世界，但是没有信息的理解，仅仅是复制。 电影、商用相机（柯达）、摄像机。 3、动物视觉原理&架构–Hubel&Wiesel 将电极放入猫的大脑中，基础视觉皮质（primary visual cortex）– 处理视觉 神经元处理视觉信息，实际上后脑处理视觉部分远离眼睛，50%的大脑参与视觉处理 视觉占据更多资源，因为视觉处理太难了，视觉信息含量大。 猫的实验中，目标是鱼-神经元脉冲，实际上鱼、花、草都不会产生神经元脉冲。更换幻灯片产生边缘切换会激发神经元信号 基础视觉区的神经元是按照列组成，每一列响应不同的线条。 4、Block world by Lary Roberts in 1963，计算机视觉博士论文，后来从事互联网 大脑对信息的处理是基于边缘和形状，边缘决定结构 5、1966年 人工智能实验室：1、MIT；2、Stanford John McCarthy建立，比计算机科学还要早 AI一次由John McCarthy提出，计算机视觉由MIT开始研究 暑期工程目标，未完成。 6、《Vision》–David Marr，1970 视觉是分层的，图像时多层的：输入层、边缘层、2.5D层、3D（最后重建） 视觉是复杂的，像素的排列组合无穷无尽。 7、视觉算法研究 Generalized Cylinder，1979年：整个世界的形状是有圆柱体组成 Pictorial Structure，1973：物体有简单部分形状组成，各个部位有“弹簧”组成，允许变形 线条边缘，David Lowe，1987：线条边缘，圆形和方形 Normalized Cut，Shi & Malik，1997：第一次使用现实图片，通过感知分组对彩色图片进行分类 Face Detection， Vio & Jones， 2001：黑白条形过滤寻找人脸，第一个人工智能人脸检测算法 “SIFT” & Object Recognition, David Lowe,1999: 特征映射，目标识别 Spatial Pyramid Matching, Lazebnik, Schmid & Ponce, 2006：金字塔特征提取 Histogram of Gradients(HOG),Dalal & Triggs, 2005: 梯度直方图 Deformable Part Model，Felzenswalb, McAllester, Ramanan, 2009：可变形部件模型 8、PASCAL 视觉目标检测挑战 20种目标检测，2006-2012 9、Imagenet-2010 22k种类和14Millon图片，集合的dataset IMAGENET,大尺寸视觉识别挑战赛（计算机视觉顶级挑战赛）：1000种类，1431167图片 2012年AlexNet-CNN卷积神经网络使得错误率大幅下降，后续都是神经网络模型，2015年已经低于人类的识别率5.

在搜索栏里搜索设备管理器，打开后找到电池的选项，对电池下面的两个选项，分别右键点击禁用设备，然后再启用设备，可能会重启计算机，操作完后应该就能解决。