更新了一波这个,用
https://github.com/moesoha/dnspod-ip-updater
tcp://ns1.dnspod.net:6666 代替了之前的 http://ifconfig.me/iphttps://github.com/moesoha/dnspod-ip-updater
GitHub
moesoha/dnspod-ip-updater
dnspod-ip-updater - Update records in DNSPod, with Mono.
Forwarded from 神奇的笔记 (神楽坂 立音)
Android 系统: 诶诶诶 我的 Doze 怎么自己启动了 ,这软件怎么被我杀了,我什么都没干啊…
绿色守护: 我干的!不服吗!
Android 系统: 老子的存储服务呢!
Storage Redirect: 你别说话
众软件:我的服务呢?我的广播接收器呢?我在哪?我是谁?
MyAndroidTools:听说你在找服务?
众软件:诶这个怎么是空的,这个怎么也是空的,说好的权限呢?
AppOps:你猜?
众软件:这是哪?这地方怎么这么小,好像不对啊!
Island:老实呆着吧!
众软件:我的目录呢?这怎么出来个文件?!
Dir:我帮你占了个位置,现在这个地方是我的了!
Magisk: 听说这是你的系统分区?我对这个有点看法。我觉得我这里这堆东西可以塞进去…恩…你们改的东西等重启我就帮你们扔了,不用谢我
Xposed: 哦,这是你的运行时,来来来,换成这个。哦哦这个地方,来来来把我这个加进去。这里啊,我对这个值有点自己的想法,不管你怎么想,反正我帮你改了下
绿色守护: 我干的!不服吗!
Android 系统: 老子的存储服务呢!
Storage Redirect: 你别说话
众软件:我的服务呢?我的广播接收器呢?我在哪?我是谁?
MyAndroidTools:听说你在找服务?
众软件:诶这个怎么是空的,这个怎么也是空的,说好的权限呢?
AppOps:你猜?
众软件:这是哪?这地方怎么这么小,好像不对啊!
Island:老实呆着吧!
众软件:我的目录呢?这怎么出来个文件?!
Dir:我帮你占了个位置,现在这个地方是我的了!
Magisk: 听说这是你的系统分区?我对这个有点看法。我觉得我这里这堆东西可以塞进去…恩…你们改的东西等重启我就帮你们扔了,不用谢我
Xposed: 哦,这是你的运行时,来来来,换成这个。哦哦这个地方,来来来把我这个加进去。这里啊,我对这个值有点自己的想法,不管你怎么想,反正我帮你改了下
Forwarded from 科技圈的日常 (Jimmy Tian)
正常女孩子挑衣服O(n!)
正常男孩子挑衣服O(n)
我们码农挑衣服就厉害了,O(1)
(via:https://twitter.com/Fatal1tyV/status/937573350246727680)
正常男孩子挑衣服O(n)
我们码农挑衣服就厉害了,O(1)
(via:https://twitter.com/Fatal1tyV/status/937573350246727680)
Forwarded from Solidot
Google AI 创造的 AI 超过人类创造的 AI
Google AI 已经能发明自己的加密算法,现在它还能创造自己的 AI 了。Google Brain 团队今年早些时候公布了 AutoML,能自己生成 AI 的 AI。研究人员尝试用 AutoML 创造出性能打败人类 AI 的子 AI。他们使用了强化学习的方法自动化机器学习模型的设计,AutoML 作为一个控制器神经网络创造一个执行特定任务的子 AI 网络。这个被称为 NASNet 的 子 AI 的任务是从视频里实时识别目标如人、汽车、交通灯、手提包和背包。AutoML 会评估 NASNet 的表现,然后使用获得的信息开发改进版本,重复这一过程数千次。研究人员用 NASNet 测试了 ImageNet 图像分类和 COCO 目标识别数据集,在 ImageNet 的测试中 NASNet 的正确率达到了 82.7%,比人类的最新结果高 1.2%,效率高 4%,计算需求也更少。Media
http://www.solidot.org/story?sid=54730
Google AI 已经能发明自己的加密算法,现在它还能创造自己的 AI 了。Google Brain 团队今年早些时候公布了 AutoML,能自己生成 AI 的 AI。研究人员尝试用 AutoML 创造出性能打败人类 AI 的子 AI。他们使用了强化学习的方法自动化机器学习模型的设计,AutoML 作为一个控制器神经网络创造一个执行特定任务的子 AI 网络。这个被称为 NASNet 的 子 AI 的任务是从视频里实时识别目标如人、汽车、交通灯、手提包和背包。AutoML 会评估 NASNet 的表现,然后使用获得的信息开发改进版本,重复这一过程数千次。研究人员用 NASNet 测试了 ImageNet 图像分类和 COCO 目标识别数据集,在 ImageNet 的测试中 NASNet 的正确率达到了 82.7%,比人类的最新结果高 1.2%,效率高 4%,计算需求也更少。Media
http://www.solidot.org/story?sid=54730