- 综合排序
- 最热优先
- 最新优先
- 来自专栏python3
笨办法学Python - 习题8-10:
注意：上述代码说明两个点，一个是%r 的作用，是占位符，可以将后面给的值按原数据类型输出(不会变)，支持数字、字符串、列表、元组、字典等所有数据类型。
91800发布于 2020-02-10 - 来自专栏AI机器学习与深度学习算法
机器学习入门 8-10 L1,L2和弹性网络
1 L0,L1,L2的由来 前几个小节详细介绍了岭回归和LASSO回归这两种模型正则化的方式，通过这两种方式能够帮助我们解决模型在训练过程中发生的过拟合。 ? 这两种模型正则化的方式都是在原始的损失函数后面添加一项，这一项的作用就是希望能够尽量减小学习到的系数θ值的大小。这样得到的拟合曲线趋向平缓，模型复杂度降低，模型的泛化能力提高。 ? 我们通过这种方式来限制θ的数量，使θ的数量尽可能的少，进而使我们得到的拟合曲线不会过于陡峭，在一定程度上模型复杂度降低，模型的泛化能力会提高（假设此时模型发生了过拟合）。 在这一章我们介绍了很多技术，包括如何看学习曲线；如何进行交叉验证；如何进行模型正则化等等，这些技术的目的都是为了让模型泛化能力变的更强。 模型泛化是机器学习非常非常重要的一个话题，当然这一章并没有涵盖和模型泛化相关的全部概念，不过这一章的知识足够应付后续机器学习算法的学习，课程的后续很快就会看到无论是逻辑回归模型、SVM还是决策树都需要进行模型泛化的处理
2.1K30发布于 2020-02-17 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题8-10 输出学生成绩
习题8-10 输出学生成绩 本题要求编写程序，根据输入学生的成绩，统计并输出学生的平均成绩、最高成绩和最低成绩。建议使用动态内存分配来实现。
1.9K30发布于 2020-09-15 - 来自专栏图形学与OpenGL
实验3 地理空间数据可视化
将上一步所得的PDF文件，导入Illustrator，以教材图8-10为模板，并在图中增加中国的数据，完成图8-10，并添上自己的署名，最终成图请以中文版为参考。图8-10英文版如下图所示： ? 再次提醒：最终成图是在参考图8-10的基础上，增加中国的数据。 三. 实验报告 实验报告中的实验过程请根据实验内容结合自己的具体实验过程填写； 实验结果：（1）自己家乡及其位置信息；（2）图8-10，可以手绘，可以文字描述，也可以将图缩小打印贴上； 实验分析部分可以对整个实验过程进行回顾与总结
1.6K20发布于 2018-10-09 - 来自专栏全栈数据化营销
数据分析实例：预测2016-2025年吸油烟机产品的市场规模
根据市场调研和权威分析得到吸油烟机的平均寿命一般都在8-10年左右，也就说更新换代的周期以8-10年为界限。那么为什么是从2016年开始呢？ 使用什么样的模型做预测呢？ 我们可以采用类推方法，看看同类产品在同类国家的使用情况，具体如下图： ? ? ?
1.3K30发布于 2019-05-09 - 来自专栏测试开发架构之路
Python好酷｜allpairspy一款高效的正交实验法生成用例工具
以上图为例： 性别：男、女 班级：一年级、二年级、三年级、四年级、五年级 年龄区间：8岁以下、8-10岁、10-13岁 在正交实验法中，性别、班级、年龄区间这三个被测元素称为 因素，每个因素的取值称之为水平值 import AllPairs parameters = [ ["男", "女"], ["一年级", "二年级", "三年级", "四年级", "五年级"], ["8岁以下", "8- return True parameters = [ ["男", "女"], ["一年级", "二年级", "三年级", "四年级", "五年级"], ["8岁以下", "8- OrderedDict({ "性别": ["男", "女"], "年级": ["一年级", "二年级", "三年级", "四年级", "五年级"], "年龄区间": ["8岁以下", "8- ([ [u"男", u"女"], ["一年级", "二年级", "三年级", "四年级", "五年级"], ["8岁以下", "8-
2K10编辑于 2022-08-01 - 来自专栏一枝花算不算浪漫的专栏
GuavaCache学习笔记一：自定义LRU算法的缓存实现
LinkedList+HashMap代码实现 LRUCache接口： /** * @Description: * @Author: wangmeng * @Date: 2018/12/8-10:49 LinkedList实现： /** * @Description:使用LinkedList+HashMap来实现LRU算法 * @Author: wangmeng * @Date: 2018/12/8- builder.toString(); } } LinkedList测试类： /** * @Description: * @Author: wangmeng * @Date: 2018/12/8- 实现 /** * @Description: 不是一个线程安全的类，这里是使用LinkedHashMap来做LRU算法 * @Author: wangmeng * @Date: 2018/12/8- internalLRUCache.toString(); } } LinkedHashMap测试类： /** * @Description: * @Author: wangmeng * @Date: 2018/12/8-
1.1K20发布于 2018-12-24 - 来自专栏朝雨忆轻尘
基于Spring Task的定时任务调度器实现
*
- "0 0 8-10 * * *" = 8, 9 and 10 o'clock of every day.
*- "0 0/30 8-10 * * *" = 8:00, 8:30, 9:00, 9:30 and 10 o'clock every day.
*- "0 0 8-10 * * *" = 8, 9 and 10 o'clock of every day.
*- "0 0/30 8-10 * * *" = 8:00, 8:30, 9:00, 9:30 and 10 o'clock every day.
1.3K20发布于 2019-06-19 泊松表面重建技术
控制体素采样密度，影响细节还原）平滑迭代（--smooth）：3-5次（平衡光滑度与细节保留）法向权重（--normalWeight）：0.5-1.0（权重越大，法向对重建影响越强）3.4输出结果中间结果：八叉树模型 0.05%，孔洞率≤1%光滑度：表面法向夹角偏差≤10°，曲率变化均匀4.2误差控制误差来源量级控制方法点云噪声0.05-0.2mm先进行统计滤波（mean-k=50，stddev=1.0）；降低重建深度至8- 细节丢失重建深度不足或采样密度低提高重建深度至11-12；采样密度设为3-5，缩放系数1.2网格出现空洞点云密度不均或法向错误补全点云低密度区域；重新估计法向并调整一致性重建速度慢、内存溢出体素过细或点云过大降低重建深度至8- 重新调整法向一致性网格过度光滑、细节模糊平滑迭代过多或法向权重低减少平滑迭代至3次；提高法向权重至0.8-1.06.数字孪生集成规范输入：去噪配准后稠密点云（PLY/PCD）、点云法向数据中间：八叉树模型 、初始网格、法向图输出：OBJ/STL/PLY网格（优先OBJ，适配纹理映射）、glTF/GLB（数字孪生优先）坐标：右手系，Y轴向上，单位米，统一EPSG:4490（CGCS2000）模型要求：三角形数量
42410编辑于 2026-05-14高危 编号99999漏洞情报(26年8-10月) 多个严重漏洞：PHP执行远程控制代码 Linux虚拟机-宿主越界(CVE-2026-99999...
GHSA用生产者/消费者模型来描述这个问题：Producer：把请求内存挂到worker的全局状态上，复位被fatal打断；或者shutdown之后，非致命诊断又写了一次。
53130编辑于 2026-10-23- 来自专栏PingCAP的专栏
TiDB 在零氪科技（LinkDoc）大数据医疗系统的实践
LinkDoc 的主要应用场景 LinkDoc 通过将患者真实的病例数据和算法模型应用于肿瘤治疗，构建精准的诊疗模型并提供数据支持，从而辅助医院管理决策、辅助科研、辅助临床诊疗。 目前 Hubble 系统“肺癌淋巴结跳跃转移风险预测”模块可避免肺癌病人由于误判而导致提前 8-10 个月的复发，每年能让近两万病人的生命再延长 8-10 个月。
1.9K80发布于 2018-03-07 仅需3%训练数据的文本归一化技术
文本归一化将原始文本（如字符串"6-21-21"）扩展为语音合成模型可以使用的口语化形式（"twenty first of June twenty twenty one"）。 机器学习方法的挑战最近，学术界和工业界研究者开始开发基于机器学习的文本归一化模型，但这些方法也存在缺点：序列到序列模型偶尔会产生不可接受的错误符号分类模型需要语言学专家创建的特定领域信息类两种模型都需要大量训练数据 ，难以跨语言扩展Proteno解决方案在某机构计算语言学北美分会会议上，我们提出了名为Proteno的新文本归一化模型，解决了这些挑战。 97.4%技术方法处理流程Proteno将文本归一化视为序列分类问题，大部分类别是学习得到的：标记化：基于空格和Unicode类别变化的粒度标记化机制标注：对标记化文本进行逐标记标注类别生成：预定义类别：8- 结论Proteno是在数据标注要求较低的情况下进行文本归一化的强有力候选方案，同时能遏制不可接受的错误，使其成为生产文本到语音模型的稳健且可扩展的解决方案。
21010编辑于 2025-11-05生成式人工智能（大模型）服务上线备案常见问题解答
答：大模型备案是由属地网信办初审，各省市的要求不太一样，以下是大概笼统流程：企业与属地网信办沟通并演示大模型，领取备案申请表企业内部准备备案材料和模型安全评估上交属地网信办属地网信办审核材料并测试模型属地网信办通过后 打印材料递交至中央网信办中央网信办对材料进行复审，开专家评审会中央网信办复审通过后反馈至属地网信办下发备案号，择期公示备案周期：从准备材料到获取备案号全国大多数地区备案周期在5-8个月左右，北京地区则周期更长些，长至8- 答：上线备案申请表中，关于模型基本信息需准确填写模型的名称、版本、功能特点等；安全措施部分要详细说明数据安全保护措施、内容过滤机制、用户数据管理机制等；服务范围要明确模型面向的用户群体、应用领域等。 如果只是对模型的一些参数进行微调，需要走什么样的流程？答：模型升级若新增多模态功能等重大变化，需要重新备案、。 如果只是对模型的一些参数进行微调，通常不需要重新备案，但企业应密切关注参数调整对模型性能和安全性的影响，确保符合最新备案政策要求。
1K10编辑于 2025-06-11- 来自专栏数据分析与挖掘
pycaret之集成模型（集成模型、混合模型、堆叠模型）
1、集成模型 组装训练好的模型就像编写ensemble_model一样简单。它仅采用一个强制性参数，即经过训练的模型对象。 此函数可用于混合可以使用blend_models中的estimator_list参数传递的特定训练模型，或者如果未传递列表，它将使用模型库中的所有模型。 3、堆叠模型 堆叠模型是使用元学习的整合方法。堆叠背后的想法是建立一个元模型，该模型使用多个基本估计量的预测来生成最终预测。在PyCaret中堆叠模型就像编写stack_models一样简单。 此函数使用estimator_list参数获取训练模型的列表。所有这些模型构成了堆栈的基础层，它们的预测用作元模型的输入，可以使用meta_model参数传递该元模型。 restack参数控制将原始数据公开给元模型的能力。默认情况下，它设置为True。当更改为False时，元模型将仅使用基本模型的预测来生成最终预测。
3.7K10发布于 2020-10-27 - 来自专栏IT技能应用
什么是Spring Framework 框架？
Spring Framework 为现代基于 Java 的企业应用程序提供了一个全面的编程和配置模型 - 在任何类型的部署平台上。 Framework 5.3.x：JDK 8-19（预期） Spring 框架 5.2.x：JDK 8-15 Spring 框架 5.1.x：JDK 8-12 Spring 框架 5.0.x：JDK 8-
1K40发布于 2021-07-29 - 来自专栏腾讯云TVP
为什么说DeepSeek是国运级的产品
破解算力困局的范式革命通过算法架构创新实现"算力降维打击"，采用稀疏激活网络（MoE）架构将训练效率提升3倍，模型推理成本降低60%。 中国AI产业研究院数据显示，DeepSeek-7B模型在同等精度下训练能耗仅为国际主流模型的27%。2。 创新生态的范式重构构建了"数据蒸馏-算法增强-场景驱动"的三元创新体系：通过多模态数据增强技术将数据利用效率提升150%；创新注意力机制使模型参数有效性提高32%；在金融、制造等垂直领域实现85%的行业知识覆盖度 技术要素的精准突破在算力维度开发动态异构计算技术，实现不同精度计算的智能调度；算法层面首创知识蒸馏-强化学习混合架构，使模型迭代速度提升4倍；数据方面构建了包含5300亿token的多源知识图谱。 IDC预测该技术路线将在5年内释放3.2万亿数字经济增量，使中国AI产业全球份额提升8-10个百分点。这种技术-经济-战略的三重突破，不仅重构了全球AI竞争格局，更验证了非对称创新路径的可行性。
1.2K10编辑于 2025-02-11 - 来自专栏学习
【软件测试】敏捷模型（Scrum模型）和V模型、W模型
敏捷模型 前面的那些模型以前非常流行，但现在开发人员在使用的时候会遇到各种问题。主要困难包括在项目开发期间处理来自客户的变更请求，以及合并这些变更所需要的高成本和时间。 在实际工作中，一款产品的功能是不断在变化的 所以为了克服这些缺点，就提出了敏捷软件开发模型。在敏捷模型中，需求被分解成许多可以增量开发的小部分。敏捷模型采用迭代开发。每个增量部分都是在迭代中开发的。 敏捷模型主要旨在帮助项目快速适应变更请求。 V 模型 V 模型中，明确的标注了测试过程中存在的不同类型的测试 右边的测试，都需要参考左边对应高度的要求 缺点： 仅仅把测试作为在编码之后的一个阶段，未在需求阶段就介入测试。 缺点和瀑布模型一样 W 模型（双 V 模型） V 模型中未将测试前置的问题在 W 模型中得以解决 开发 V 模型并不是单单指编码阶段，而是为产品开发流程而实施的各个阶段 测试的对象不仅是程序，需求、
3.4K10编辑于 2024-11-15 - 来自专栏数据分析与挖掘
pycaret之训练模型（创建模型、比较模型、微调模型）
1、比较模型 这是我们建议在任何受监管实验的工作流程中的第一步。此功能使用默认的超参数训练模型库中的所有模型，并使用交叉验证评估性能指标。它返回经过训练的模型对象。 2、创建模型 在任何模块中创建模型就像编写create_model一样简单。它仅采用一个参数，即型号ID作为字符串。 尽管有一个单独的函数可以对训练后的模型进行集成，但是在通过create_model函数中的ensemble参数和方法参数创建时，有一种快速的方法可以对模型进行集成。 3、微调模型 在任何模块中调整机器学习模型的超参数就像编写tune_model一样简单。它使用带有完全可定制的预定义网格的随机网格搜索来调整作为估计量传递的模型的超参数。 对于有监督的学习，此函数将返回一个表，该表包含k倍的通用评估指标的交叉验证分数以及训练有素的模型对象。对于无监督学习，此函数仅返回经过训练的模型对象。
2.9K10发布于 2020-10-27 - 来自专栏凌中的锋雨-博客
萌国ICP备案「杂记」
EMAIL，标题：加入萌备，内容（示例）： 站名：萌心见地 地址：get.moe 首页：get.moe 简介：萌域中心 站长：萌域萌主 联系：i@s.moe 萌号：20201314 萌号自选 (8- ICP号是8－10位以2020开头的号码，目前自选号,也就说可以选靓号玩。 邮箱建议用对应的域名邮箱申请，目前似乎不用证明域名是不是你的样子，我是不是要帮度娘申请个？
17.9K10编辑于 2022-03-16 - 来自专栏Java架构师必看
星星模型&&雪花模型
在多维分析的商业智能解决方案中，根据事实表和维度表的关系，可将常见的模型分为星型模型和雪花型模型。在设计逻辑型数据的模型的时候，就应考虑数据是按照星型模型还是雪花型模型进行组织。 星型模型 当所有维表都直接连接到“ 事实表”上时，整个图解就像星星一样，故将该模型称为星型模型。 ? 雪花模型 当有一个或多个维表没有直接连接到事实表上，而是通过其他维表连接到事实表上时，其图解就像多个雪花连接在一起，故称雪花模型。雪花模型是对星型模型的扩展。 雪花模型和星星模型的区别： 星型模型因为数据的冗余所以很多统计查询不需要做外部的连接，因此一般情况下效率比雪花型模型要高。星型结构不用考虑很多正规化的因素，设计与实现都比较简单。 在雪花模型中，数据模型的业务层级是由一个不同维度表主键-外键的关系来代表的。而在星形模型中，所有必要的维度表在事实表中都只拥有外键。 3）性能 第三个区别在于性能的不同。
1.2K31发布于 2021-08-10
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号