Step 1: wget https://github.com/goharbor/harbor/releases/download/v2.6.0/harbor-offline-installer-v2.6.0.tgz tar -xvf harbor-offline-installer-v2.6.0.tgz cd harbor Step 2:修改 harbor.yml (裡面有一個參考範例 harbor.yml.tmpl，將其檔名改為 harbor.yml)至如下: Note: 簡單來說，改hostname即可 # Configuration file of Harbor

1768. Merge Strings Alternately 2024.01.10 C++ Version 1: class Solution { public: string mergeAlternately(string word1, string word2) { int len_word1 = word1.length(); int len_word2 = word2.length(); string concate = ""; if (len_word1 > len_word2){

https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/troubleshooting.html 更新環境： sudo apt update && sudo apt upgrade 設定變數： distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \ && curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - \ && curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

過往的尋求好模型的方法，即是 NAS (Neural Architecture Search)，但是過往的 NAS 技術是在一個給定設計空間 (designed search space)，並在此空間裡搜索出最佳的一組參數。這篇研究的重點是在於如何設計出設計空間(design design space)，而不僅是搜索出最佳的一組參數。 Chapter 1: Introduction 過往的研究如 LeNet、AlexNet、VGG 和 ResNet 等，皆讓我們對於模型的設計有更好的概念，像是模型的卷積、資料大小、模型深度、模型殘差等。而 NAS 為一種從一個設計空間中找出一個好的模型，但此方法無法讓我們知道如何找到一個好的網路架構。 過往的模型搜尋方法中，以手工設計 (manual design) 以及 NAS 為主。而各自的好處如下： 手工設計的好處：可解釋性、簡單、泛化 NAS 的好處：半自動化達到我們要求模型的效果

許多的影像問題，基本上都是採取傳統的 CNN 來作為訓練的手段，但是當遇到模型的深度夠深時，會經常遇到訓練上的問題。因此產生今天我們所要介紹的 paper：Deep Residual Learning for Image Recognition。Deep Residual Learning for Image Recognition 是2015年發布，並於 2016 年的 CVPR2016 獲得最佳論文獎。那就來看看這篇文章的內容吧！ Chapter 1: Introduction 在過往的研究中，發現傳統的 CNN 在影像類的處理，尤其是影像分類問題，有著顯著的發展。並且在一些研究指出，模型的深度對於影像類的問題處理有著非常大的影響，然後當模型的深度越深時，通常表現的狀況越好。但是一個問題出現了 想要訓練一個好的模型，就是讓模型盡量堆越多層就好了嗎？ 答案是否定的，原因可以來看一下這張圖片： 

當我們不僅希望知道該圖片的物件類別，並且可以準確定位該物件的位置，此時物件偵測則變成一件非常重要的事情。其應用非常廣泛，在生態研究中，可以快速定位出想要觀察到的物種，對於生態學家們可以更容易取得研究所需的資料。在自駕車的開發中，知道前方的物件為何，對於電腦判斷車的行走方向以及行駛速度都有著非常大的影響。因此 R-CNN (Region-based Convolutional Neural Networks) 的產生，對於該領域的研究有著開創的影響。 Chapter 1: Introduction 過往許多的電腦視覺領域中，將CNN的運算在最尾端加上一個分類器，用以對該影像中無論是物件或是背景的分類。但是當我們希望去定位該物件的位置時，==我們不僅僅需要知道他的位置，還需要匡出它的大小==。這即是這篇文章所希望處理的問題，並因此提出 R-CNN。R-CNN 的大致運作流程如下圖：  1. 輸入資料 2. 生成候選區域： 利用 Selective Search 對一張圖像生成大約 2000 個候選區域 3. 特徵擷取： 利用 CNN 對每個候選區域進行特徵擷取，擷取出一個 4096 維的特徵向量。

物件偵測一直是計算機視覺中非常重要的一個分支，其功能在上一篇介紹 R-CNN 中，也有稍作解釋。在此介紹一個現階段無論是學界、業界還是數據競賽中，做物件偵測常用的模型：YOLO。目前最常用的是 YOLO V3、V4，不過要了解 YOLO 的原理，從 YOLO V1 開始。 Chapter 1: Introduction 一開始作者就提到 YOLO 的幾個優點： First, YOLO is extremely fast. Since we frame detection as a regression problem we don’t need a complex pipeline. 使用迴歸模型的方式進行方框的預測，使得 YOLO 在物件偵測上速度非常快。 Second, YOLO reasons globally about the image when making predictions. Unlike sliding window and region proposal-based techniques, YOLO sees the entire image during training and test time so it implicitly encodes contextual information about classes as well as their appearance.

Paper: Link 針對 log 的分析在許多資訊系統上的應用上有著很大的價值，例如異常值分析對於建立一個穩定的系統是一個很實用的分析方法。但是 log 的資料類型非常多樣，且各種數值的意義皆不相同，因此從 log 資料分析出有意義的結論是相對困難的。所以誕生出 DeepLog，針對 log 資料提出一些系統性的分析方法。 統整這篇的一些小資訊： 方法採用 Deep LSTM 優勢為可以透過用戶反饋即刻學習，不僅是可以提升模型的準確度，也對於未來新的異常狀況有辦法處理 前言

Step 1: Set a docker-compose_pypi.yml: version: '3.9' services: pypi-server: image: pypiserver/pypiserver:latest container_name: qnap_ai_pypi ports: - 8080:8080

Step 1: 利用以下資訊，建構 docker-compose.yml version: "3" services: database: image: postgres:16.3-alpine environment: - POSTGRES_USER=codimd - POSTGRES_PASSWORD=change_password - POSTGRES_DB=codimd

ptt版: https://www.ptt.cc/bbs/studyabroad/M.1713448623.A.3A4.html 在碩一上秋天的某個統計學助教 Office Hour 結束後，有一個學生跑來問我說 「助教，你未來會想要念博士班嗎？」 「應該會想要吧，念統計跟教書真的很有趣，怎麼了嗎？」 「那真的是太好了，真的很希望你未來能來教書，你的教書方式真的可以幫到很多人。」 短短的幾句話，我現在仍然記憶猶新。也是因為這段對話，我知道我的熱情以及志業所在，也確定未來無論發生什麼事情，我還是要回歸我的初衷。出國念博士的目標，無論是一股衝動還是志業，也終於到離自己想做的事情更進一步的時候了。

Step 1: 啟動gitlab-runner 利用docker compose啟動gitlab-runner，該yml檔案內容如下: version: '3' services: gitlab-runner: image: gitlab/gitlab-runner:latest container_name: gitlab-runner-test restart: always volumes:

Docker Squash To Squash existed docker image, the procedures are as follows: Install docker-squash tool: pip install docker-squash Run docker-squash command: ~/.local/bin/docker-squash --tag <new_docker_image_tag> <target_docker_image_tag> To squash a docker image built by Dockerfile, the procedures are as follows: Change the Docker Daemon Settings: