频率时钟偏移模型

编者注:12月14日,腾讯 广点通高级研究员靳志辉在2014中国大数据技术大会上发表演讲,题为<Peacock: 大规模主题模型及其在腾讯业务中的应用>,以下为作者演讲实录.大家好,我来自腾讯的效果广告平台部,参与开发的广告平台是广点通,广点通目前是腾讯最大的效果广告平台,每天承接的流量接近150亿PV,未来其实应该会达到200亿PV的流量,这是非常海量的流量.作为技术人员,我们在腾讯的梦想就是希望腾讯变成更加技术型的公司.我们团队在广告部门所负责的主要工作是各种机器学习工具的开发,以及利用机

网络时间的那些事及 ntpq 详解 Gentoo(也许其他发行版也是?)中 "ntpq -p" 的 man page 只有简短的描述:"打印出该服务器已知的节点列表和它们的状态概要信息." 我还没见到关于这个命令的说明文档,因此这里对此作一个总结,可以补充进 "man ntpq" man page 中.更多的细节见这里 "ntpq – 标准 NTP 请求程序"(原作者),和 其他关于 man ntpq 的例子. NTP 是一个

自从我写完这个话题的上半部分之后,就感觉头脑中出现了许多细小的声音,久久挥之不去.它们就像是在为了一些鸡毛蒜皮的小事而相互争吵个不停.的确,有关分布式的话题就是这样,琐碎异常,而且每个人说的话听起来似乎都有道理.   今天,我们就继续探讨这个话题的后半部分.本文中,我们将从Antirez反驳Martin Kleppmann的观点开始讲起,然后会涉及到Hacker News上出现的一些讨论内容,接下来我们还会讨论到基于Zookeeper和Chubby的分布式锁是怎样的,并和Redlock进行一些对

第一部分 ZooKeeper的概念和基础这一部分适合任何对ZooKeeper感兴趣的读者,该部分介绍ZooKeeper所处理的问题,以及在ZooKeeper的设计中的权衡取舍. 第1章 简介 在计算机诞生之后很长的一段时间里,一个应用服务是在一个独立的单处理器计算机上运行一段程序.时至今日,应用服务已经发生了很大的变化.在大数据和云计算盛行的今天,应用服务由很多个独立的程序组成,这些独立的程序则运行在形形色色.千变万化的一组计算机上.相对于开发在一台计算机上运行的单个程序,如何让一个应用中多个独

一.前言 VLC播放音视频的核心流程梳理,从live555收流到ffmpeg解码的整套流程 涉及到MultiFramedRTPSource.RTPSource.FramedSource.live555.es_out.decoder.video.clock.video_output.araw.mtime.dec.input.output.filters.directx等核心类. 二.核心点备注 1.RTPSource中使用报文时间戳与当前时间计算抖动的核心代码 unsigned arrival =

使用WX scope可以观察眼图,具体步骤如下: 1.点击autorange,采用手动调整: 2.调整secs/div和counts/div到合适的位置: 3.将T offset调整到最小值: 4.点击persistence: 5.调整analogy alpha到最小值: 即可显示眼图. 下面是BPSK调制,发送端宏成型滤波器输出端观察到的眼图: 在接收端定时恢复之前的眼图如下: 接收端经过定时恢复后的眼图: 由于在信道中并没有引入时钟偏移,所以定时恢复之前也能观察到比较好的眼图 另外,如果安装

v0.12悠长的开发周期(已经过去九个月了,并且还在继续,是有史以来最长的一次)让核心团队和贡献者们有充分的机会对性能做一些优化.本文会介绍其中最值得注意的几个. 支持塞住模式的可写流 现在可写流可以支持"塞住(corked)"模式,类似于你执行man tcp时见到的socket选项TCP_CORK和TCP_NOPUSH. 当被塞住时,写到流中的数据会排队直到流被重新开塞(uncorked).这样Node.js可以将比较小的写操作合并成比较大的,从而减少系统调用和TCP往返. http

显卡31 0d 后不亮怎么办? 1.显卡31 0d 后不亮 (A) 测色度显存A线的波形,如有波形,再测晶体的波形,晶体有波形,为主芯片坏晶体无波形,再测晶体两脚的电压,有电压是晶体坏,无电压是主芯片坏. (B)如色度显存无波形,测BIOS的A区和D区,如果A区无波形,再测金手指上的阴值及波形及电压,如果正常,再测BIOS的阻值,就有为主芯片坏,BIOS也有可能坏,如是BIOS的A区有波形D区无波形,为BIOS坏.BIOS的A和D区都有波形,为主芯片坏. 2.显卡插上不能运行WINDOWS,为主

锋网首发.   引言 2006年,机器学习界泰斗Hinton,在Science上发表了一篇使用深度神经网络进行维数约简的论文 ,自此,神经网络再次走进人们的视野,进而引发了一场深度学习革命.深度学习之所以如此受关注,是因为它在诸如图像分类.目标检测与识别.目标跟踪.语音识别.游戏(AlphaGo)等多个领域取得了相当优秀的成绩,掀起了又一波人工只能浪潮.深度学习技术逐渐成为机器学习领域的前沿技术,近年来得到了突飞猛进的发展,这得益于机器学习技术的进步以及计算设备性能的提升.英伟达公司研发的图形处