《Spatio-TemporalRepresentationWithDeepNeuralRecurrentNetworkinMIMOCSIFeedback》文献阅读​ 该文献的作者是天津大学的吴华明老师，在2020年5月发表于IEEEWIRELESSCOMMUNICATIONSLETTERS。​ 该文献提出了一种基于深度学习的压缩CSI方法，使用深度循环神经网络(RNN)来学习时间相关性，根据不同结构下解耦的时空特征表示设计了特征提取模块，并采用深度可分离卷积来恢复信道。1研究背景​ 在频分双工(FDD)MIMO网络中，UE可以估计出下行CSI，然后将CSI反馈给BS对下一个信号进行预编

《Spatio-TemporalRepresentationWithDeepNeuralRecurrentNetworkinMIMOCSIFeedback》文献阅读​ 该文献的作者是天津大学的吴华明老师，在2020年5月发表于IEEEWIRELESSCOMMUNICATIONSLETTERS。​ 该文献提出了一种基于深度学习的压缩CSI方法，使用深度循环神经网络(RNN)来学习时间相关性，根据不同结构下解耦的时空特征表示设计了特征提取模块，并采用深度可分离卷积来恢复信道。1研究背景​ 在频分双工(FDD)MIMO网络中，UE可以估计出下行CSI，然后将CSI反馈给BS对下一个信号进行预编

K8SScheduler是做什么的 KubernetesScheduler的作用是将待调度的Pod按照一定的调度算法和策略绑定到集群中一个合适的WorkerNode（以下简称Node）上，并将绑定信息写入到etcd中，之后目标Node中kubelet服务通过APIServer监听到Scheduler产生的Pod绑定事件获取Pod信息，然后下载镜像启动容器，调度流程如图所示：Scheduler提供的调度流程分为预选(Predicates)和优选(Priorities)两个步骤：预选，K8S会遍历当前集群中的所有Node，筛选出其中符合要求的Node作为候选优选，K8S将对候选的Node进行打分经

K8SScheduler是做什么的 KubernetesScheduler的作用是将待调度的Pod按照一定的调度算法和策略绑定到集群中一个合适的WorkerNode（以下简称Node）上，并将绑定信息写入到etcd中，之后目标Node中kubelet服务通过APIServer监听到Scheduler产生的Pod绑定事件获取Pod信息，然后下载镜像启动容器，调度流程如图所示：Scheduler提供的调度流程分为预选(Predicates)和优选(Priorities)两个步骤：预选，K8S会遍历当前集群中的所有Node，筛选出其中符合要求的Node作为候选优选，K8S将对候选的Node进行打分经