思科系统会议讨论:以太网标准的制定与时间线提案

PDF格式 | 810KB | 更新于2025-03-20 | 94 浏览量 | 0 下载量 举报
收藏
从提供的文件内容来看,文档似乎是关于Cisco Systems, Inc. 内部的一个名为 "kochuparambil_3ck_01_1118" 的讨论或会议记录。文档中讨论了IEEE 802.3ck标准的进度和时间线,以及一些与此相关的内部审核流程。以下是根据提供的内容摘要的一些知识点: 1. IEEE 802.3ck 标准:这是一个特定的技术标准,可能涉及网络通信或以太网标准。IEEE 802.3系列标准主要规定了以太网局域网(LAN)的技术细节。 2. 讨论和时间线提案:文档提到了回顾7月份的讨论,以及在不同时间点(比如会议、工作组投票、赞助商投票、非正式审查等)的提案。这表明了标准制定过程中不同阶段的讨论和决策要点。 3. 审核流程: - 采纳基线(Adopt Baselines):这部分讨论可能涉及确定标准的基线版本,这是制定标准的基础。 - 任务组审查(Task Force Review):指的是由专门的任务小组对标准草案进行审查的步骤。 - 工作组投票(Working Group Ballot):工作组成员对草案进行投票,这可能是为了获得团队的共识或批准。 - 赞助商投票(Sponsor Ballot):在获得工作组内部支持后,标准草案将提交给赞助商进行投票,这通常是为了获得更高级别的批准。 - 非正式审查(& Informal Review):在正式投票前,可能会有一个非正式的审查过程,允许所有利益相关者对草案提出意见和建议。 4. 时间线提议:文档中包含了一个时间线,展示了从7月开始的不同时间点的会议安排。例如,“Adopt Baselines (4 mtg)”可能表示采纳基线的工作会在四次会议后完成。 5. Cisco Systems, Inc.:这家公司是全球领先的网络技术和解决方案供应商,参与标准化组织如IEEE的活动是其正常业务流程的一部分。 基于这些信息,我们可以构建出一个关于Cisco参与IEEE 802.3ck标准制定过程的知识框架。文档内容虽然简短,但涉及了标准化过程中的关键环节,从初步讨论到提案的制定,再到审查和投票阶段,每一步都是确保技术标准高质量完成的重要组成部分。通过这样的流程,利益相关者可以对标准进行充分的讨论和审查,最终形成广泛接受的技术规范。对于IT行业来说,这样的标准化工作是确保不同设备和系统之间互操作性和兼容性的基础。

相关推荐

filetype

import sys import threading import time from PyQt5.QtWidgets import * from PyQt5 import uic import pandas as pd import random # import pyqtgraph as pg import matplotlib.pyplot as plt from PyQt5.QtWidgets import QGroupBox from PyQt5 import QtWidgets from login_4 import Ui_CK from matplotlib.backends.backend_qt5agg import FigureCanvasQTAgg as FigureCanvas # df = pd.read_excel('shu.xlsx') class MyWindow(QWidget and QMainWindow,Ui_CK): def __init__(self): super().__init__() self.init_ui() groupbox = QGroupBox('Title',self) # self.plot = pg.PlotWidget(enableAutoRange=True) # self.ui.verticalLayout.addWidget(self.plot) # self.curve = self.plot.plot() #self.ui = uic.loadUi("./login_4.ui") def init_ui(self): print('1.1') try: self.ui = uic.loadUi("./login_4.ui") #print(threading.current_thread()) #print(self.ui.__dict__) # print(self.ui.label) # print(self.ui.label.text()) # 查看ui文件中有哪些控件 # 提取要操作的控件 self.user_name_qwidget = self.ui.lineEdit # 单位输入框 self.password_qwidget = self.ui.lineEdit_2 # 二级单位输入框 self.zhicheng_qwidget = self.ui.lineEdit_3 # 职称输入框 self.jiaoyuan_qwidget = self.ui.lineEdit_4 # 教员输入框 self.login_btn = self.ui.pushButton # 登录抽课按钮 self.textBrowser = self.ui.textBrowser # 授课对象显示区域 # 绑定信号与槽函数 self.textBrowser_2 = self.ui.textBrowser_2 # 文本显示区域课程名称 self.textBrowser_3 = self.ui.textBrowser_3 # 文本显示区域课次 self.textBrowser_4 = self.ui.textBrowser_4 # 文本显示区域教研室 self.login_btn.clicked.connect(self.login) self.login_btna = self.ui.pushButton_2 self.login_btna.clicked.connect(lambda: self.plot_q()) except Exception as e: print(e.__class__.__name__, e) def login(self): print('1.2') """登录按钮的槽函数""" #print(self.user_name_qwidget.text()) a = self.user_name_qwidget.text() e = sel 为什么会报错

214 浏览量
filetype

from mindspore.train.callback import ModelCheckpoint, CheckpointConfig, LossMonitor, TimeMonitor class LossCallBack(LossMonitor): """ Monitor the loss in training. If the loss in NAN or INF terminating training. """ def __init__(self, has_trained_epoch=0, per_print_times=per_print_steps): super(LossCallBack, self).__init__() self.has_trained_epoch = has_trained_epoch self._per_print_times = per_print_times def step_end(self, run_context): cb_params = run_context.original_args() loss = cb_params.net_outputs if isinstance(loss, (tuple, list)): if isinstance(loss[0], ms.Tensor) and isinstance(loss[0].asnumpy(), np.ndarray): loss = loss[0] if isinstance(loss, ms.Tensor) and isinstance(loss.asnumpy(), np.ndarray): loss = np.mean(loss.asnumpy()) cur_step_in_epoch = (cb_params.cur_step_num - 1) % cb_params.batch_num + 1 if isinstance(loss, float) and (np.isnan(loss) or np.isinf(loss)): raise ValueError("epoch: {} step: {}. Invalid loss, terminating training.".format( cb_params.cur_epoch_num, cur_step_in_epoch)) if self._per_print_times != 0 and cb_params.cur_step_num % self._per_print_times == 0: # pylint: disable=line-too-long print("epoch: %s step: %s, loss is %s" % (cb_params.cur_epoch_num + int(self.has_trained_epoch), cur_step_in_epoch, loss), flush=True) time_cb = TimeMonitor(data_size=step_size) loss_cb = LossCallBack(has_trained_epoch=0) cb = [time_cb, loss_cb] ckpt_save_dir = cfg['output_dir'] device_target = context.get_context('device_target') if cfg['save_checkpoint']: config_ck = CheckpointConfig(save_checkpoint_steps=save_ckpt_num*step_size, keep_checkpoint_max=10) # config_ck = CheckpointConfig(save_checkpoint_steps=5*step_size, keep_checkpoint_max=10) ckpt_cb = ModelCheckpoint(prefix="resnet", directory=ckpt_save_dir, config=config_ck) cb += [ckpt_cb]

204 浏览量
filetype

import mindspore.nn as nn import mindspore.ops.operations as P from mindspore import Model from mindspore import Tensor from mindspore import context from mindspore import dataset as ds from mindspore.train.callback import ModelCheckpoint, CheckpointConfig, LossMonitor from mindspore.train.serialization import load_checkpoint, load_param_into_net from mindspore.nn.metrics import Accuracy # Define the ResNet50 model class ResNet50(nn.Cell): def __init__(self, num_classes=10): super(ResNet50, self).__init__() self.resnet50 = nn.ResNet50(num_classes=num_classes) def construct(self, x): x = self.resnet50(x) return x # Load the CIFAR-10 dataset data_home = "/path/to/cifar-10/" train_data = ds.Cifar10Dataset(data_home, num_parallel_workers=8, shuffle=True) test_data = ds.Cifar10Dataset(data_home, num_parallel_workers=8, shuffle=False) # Define the hyperparameters learning_rate = 0.1 momentum = 0.9 epoch_size = 200 batch_size = 32 # Define the optimizer optimizer = nn.Momentum(filter(lambda x: x.requires_grad, resnet50.get_parameters()), learning_rate, momentum) # Define the loss function loss_fn = nn.SoftmaxCrossEntropyWithLogits(sparse=True, reduction='mean') # Define the model net = ResNet50() # Define the model checkpoint config_ck = CheckpointConfig(save_checkpoint_steps=1000, keep_checkpoint_max=10) ckpt_cb = ModelCheckpoint(prefix="resnet50", directory="./checkpoints/", config=config_ck) # Define the training dataset train_data = train_data.batch(batch_size, drop_remainder=True) # Define the testing dataset test_data = test_data.batch(batch_size, drop_remainder=True) # Define the model and train it model = Model(net, loss_fn=loss_fn, optimizer=optimizer, metrics={"Accuracy": Accuracy()}) model.train(epoch_size, train_data, callbacks=[ckpt_cb, LossMonitor()], dataset_sink_mode=True) # Load the trained model and test it param_dict = load_checkpoint("./checkpoints/resnet50-200_1000.ckpt") load_param_into_net(net, param_dict) model = Model(net, loss_fn=loss_fn, metrics={"Accuracy": Accuracy()}) result = model.eval(test_data) print("Accuracy: ", result["Accuracy"])这段代码有错误

145 浏览量
手机看
程序员都在用的中文IT技术交流社区

程序员都在用的中文IT技术交流社区

专业的中文 IT 技术社区,与千万技术人共成长

专业的中文 IT 技术社区,与千万技术人共成长

关注【CSDN】视频号,行业资讯、技术分享精彩不断,直播好礼送不停!

关注【CSDN】视频号,行业资讯、技术分享精彩不断,直播好礼送不停!

客服 返回
顶部