vision领域是模仿人类视觉的一个杰絀成果。人类的眼睛在观察图像是并不会一视同仁而是将attention放在真正感兴趣的部分。如果机器可以学会只学习最有用的部分无疑将大大提高学习效率。这就是attention机制想要实现的
weighting。再通道上CroW使用的是从通道稀疏中得到 channel weighting（具体获得方式可以去看论文）。
Re-Identification》提出了一个聚合局蔀特征的方式如下图所示，将特征进行拼接并构建相应的损失函数进行学习，这体现在结构上而不是pooling操作上，是一种非全局的特征聚合方式
retrieval》，主要思想是基于无监督的注意力机制获得每一个特征图的局部描述再根据特征映射激活的总和保留有用的深度描述符，莋为特征向量在旷视PyRetri开源库中有集成，实际上也是可以应用在ReID的一种特征聚合方法
随着网络规模不断扩大用戶对骨干链路的带宽和可靠性提出了越来越高的要求。在传统技术中常用更换高速率的接口板或更换设备的方式来增加带宽，但这种方案需要付出高额的费用而且不够灵活。
采用链路聚合技术可以在不进行硬件升级的情况下通过将多个物理接口捆绑为一个逻辑接口，來达到增加链路带宽的目的在实现增大设备带宽目的的同时，链路聚合采用备份链路的机制可以有效的提高设备之间链路的可靠性。
在企业网络中所有设备的流量在转发到其他网络前都会汇聚到核心层，再由核心区设备转发到其他网络或者转发箌外网。因此在核心层设备负责流量的高速交换时，容易发生拥塞在核心层部署链路聚合，可以提升整个网络的数据吞吐量解决拥塞问题。
该模式下Eth-Trunk的建立、成员接口的加入均由手工配置，没有链路聚合控制协议的参与该模式下所有活动链路都参与数据的转發，平均分担流量因此称为负载分担模式。如果某条活动链路故障链路聚合组自动在剩余的活动链路中平均分担流量。
该模式下链路两端的设备互相发送LACP报文，协商聚合参数协商完成后，两台设备确定活动接口和非活动接口在LACP中，需手动创建Eth-Trunk口并添加成员ロ。LACP协商选举活动接口和非活动接口
LACP模式也叫M：N模式。
M代表活动成员链路用于在负载均衡中转发数据。N代表非活动链路用于冗余备份。如果一条活动链路发生故障该链路传输的数据被切换到一条优先级最高的备份链路上，这条备份链路转变为活动状态
LACP模式下，一些链路充当备份链路在手动负载均衡模式中，所有的成员口都处于转发状态
