- 综合排序
- 最热优先
- 最新优先
- 来自专栏mysql
hhdb数据库介绍(10-10)
，可进行数据节点主备切换。 数据节点管理每个数据节点都有自己的详情页面，用户可以在此页面中管理该数据节点的基本信息、存储节点以及数据节点切换规则。 点击“编辑”按钮可为数据节点修改名称。点击“刷新”按钮可刷新数据节点下主备存储节点的状态。逻辑库框内显示与该数据节点存在关联的逻辑库名称。表信息框内显示在该数据节点下创建的表名称。 存储节点信息为该数据节点下配置的存储节点。数据节点切换包括已在该数据节点下配置的切换规则。以及可为新配置的存储节点新增切换规则。 若选择“直接启用”则需要人为保证启用的存储节点与该数据节点下的其他存储节点数据一致。
48710编辑于 2024-12-05 - 来自专栏讲编程的高老师
吴恩达机器学习笔记10-10分钟理解梯度下降法
“Linear regression with one variable——Gradient descent”
1.1K20发布于 2020-08-14 Sim4Life 在医疗器械与植入式设备研发中的“建模—网格—解剖前处理”工具链解析
曲面网格从labelfield提取conformal三角面；可做修复、简化、再转NURBS；也是后面“CAD投影”“10-10电极贴头皮”的基础。 四、CAD投影+AI自动头部分割+10-10电极自动化这是近几年Sim4Life在脑刺激/EEG/tES/TMS/颞叶干扰方向上最强的增量能力。 AI自动头部分割：融合深度学习+传统CV，从单序列T1wMRI几分钟内切出最多40类组织（皮层下脑结构、眼、黏膜、颅内空气、多层颅骨/头皮等），并直接生成表面模型，已在地真数据上验证。 10-10系统自动布极：先在皮肤上预测4个标志点（鼻根Nz、枕外隆凸Iz、左右耳前点LPA/RPA），再在头皮曲面上构建测地网，自动把用户自定义电极模板按表面法向贴在C3/Cz/F3…等10-10位点； 一句话：过去一个“个体化tDCS方案+10-20/10-10布极”要手动标半天landmark；现在从MRI进来到solver-ready，已经接近半自动流水线。
12600编辑于 2026-08-25- 来自专栏深入理解Android
那些年在WebView上踩过的坑
webView.destroy(); 但可能会出现报错： 10-10 15:01:11.402: E/ViewRootImpl(7502): sendUserActionEvent() mView 10-10 15:01:26.818: E/webview(7502): at android.webkit.WebViewClassic.destroy(WebViewClassic.java: 4142) 10-10 15:01:26.818: E/webview(7502): at android.webkit.WebView.destroy(WebView.java:707) (Handler.java:99) 10-10 15:01:26.818: E/webview(7502): at android.os.Looper.loop(Looper.java:137 10-10 15:01:26.818: E/webview(7502): at java.lang.reflect.Method.invoke(Method.java:525) 10-10 15
3.1K31编辑于 2022-06-22 - 来自专栏Android点滴分享
Android 12+ 蓝牙外放问题总结
那接下来用log论证下： dumpsys media.metrics: 1951: {audio.bluetooth, (10-10 16:47:45.360), (10097, 25565, 10097 ), (event#=startBluetoothSco, scoAudioMode=SCO_MODE_UNDEFINED)} 1952: {audio.bluetooth, (10-10 16:47 , strategy: 17 dumpsys media.audio_flinger 10-10 16:47:13.696 UID 1000, 1 KVP received: BT_SCO= off 10-10 16:47:26.100 UID 1000, 1 KVP received: A2dpSuspended=false 10-10 16:47:33.188 UID 1000, 1 KVP received: BT_SCO=off 10-10 16:47:45.110 UID 1000, 1 KVP received: BT_SCO=off 10-
2.5K30编辑于 2022-10-25 - 来自专栏完美Excel
VBA专题10-10：使用VBA操控Excel界面之在功能区中添加自定义切换按钮控件
添加的步骤与本系列上一篇文章《VBA专题10-9：使用VBA操控Excel界面之在功能区中添加自定义按钮控件》中的步骤相同，即：新建一个启用宏的工作簿并保存，关闭该工作簿，然后在CustomUI Editor中打开该工作簿，输入下面的XML代码：
2.8K10发布于 2021-02-05 - 来自专栏脑电信号科研科普
【EEG基础知识扫盲】EEG中的10-20和10-10标准导联是如何确定电极位置的？
《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》 本文中对EEG研究中的10-20和10-10标准导联系统做一个详细的介绍，只当是做一个EEG基础知识的“扫盲”，希望对EEG新入门的朋友有所帮助 10-10标准导联 所谓的10-10导联系统，如图2所示，10-10导联系统中的电极位置可以按如下方式确定： 1）找出四个标志点nasion (鼻根，Nz), inion (枕骨隆起，Iz), 左侧（LPA TP7-CPz-TP8连线, P7-Pz-P8连线,AF7-AFz-AF8连线，PO7-POz-PO8连线，也可确定相应的电极位置； 6）图2中黑色的电极表示传统10-20导联中的21个电极；因此，可以说10
12.3K20发布于 2020-11-11 - 来自专栏企鹅号快讯
AI需要大数据，而大数据也需要AI
美国知名AI作家Bernard Marr 说过：“过去，由于有限的数据集、非实时的数据和无法在数秒内分析大量数据，而导致AI发展受阻。 今天，可以实时访问数据和工具，实现快速分析，从而推动了AI和机器学习，并允许向数据优先的方法过渡。我们的技术现在已经足够灵活，可以访问这些庞大的数据集，以快速推进AI和机器学习应用程序。” AI和大数据形成了一种真正的共生关系，彼此需要。 然而，Manchett警告说，AI尚不足以满足非技术业务的需求。“为了实现大数据和AI的目标，你仍然需要理解提取、转换和加载的概念，以及机器学习是什么，可以做什么。” 数据占据了中心位置。 “通过云计算，任何人都可以轻而易举地获得数据，大数据和AI的可能性在我们的生活中变得越来越真实。”然后，AI和机器学习将变得司空见惯。
904100发布于 2018-01-18 - 来自专栏Java编程
Java: 对字符串计算公式实现加减乘除运算
复杂度也就是O(n)级别 弊端： 补充： 本小代码没有考虑数据溢出，也没有考虑字符串公式合法性，只是想抛砖迎玉，侧重计算优先级。 System.out.println("myCalculate(1*2+3) = " + myCalculate("1*2+3")); System.out.println("func(10 -10/5+2) = " + func("10-10/5+2")); System.out.println("myCalculate(10-10/5+2) = " + myCalculate ("10-10/5+2")); System.out.println("func(2-10*1/5) = " + func("2-10*1/5")); System.out.println
1.5K20编辑于 2024-08-27 - 来自专栏ATYUN订阅号
【观点】AI需要大数据，而大数据也需要AI
AI和大数据已经形成了一种真正的共生关系，彼此需要相得益彰。 美国知名AI作家Bernard Marr 说过：“过去，由于有限的数据集、非实时的数据和无法在数秒内分析大量数据，而导致AI发展受阻。 今天，可以实时访问数据和工具，实现快速分析，从而推动了AI和机器学习，并允许向数据优先的方法过渡。我们的技术现在已经足够灵活，可以访问这些庞大的数据集，以快速推进AI和机器学习应用程序。” AI和大数据形成了一种真正的共生关系，彼此需要。 “通过云计算，任何人都可以轻而易举地获得数据，大数据和AI的可能性在我们的生活中变得越来越真实。”然后，AI和机器学习将变得司空见惯。
59870发布于 2018-03-06 - 来自专栏AI系统
【AI系统】数据并行
数据并行是一种广泛应用于分布式 AI 系统中的技术，旨在通过将数据集划分为多个子集并在不同计算节点上并行处理这些子集，以提高计算效率和速度。 分布式数据并行 DDP分布式数据并行（Distributed Data Parallel, DDP）是数据并行的一种高级形式，它综合了多种优化，是当前应用最广的并行算法之一，通常用于大型 NPU AI 集群和 AI 系统中。 在通信的同时也会继续计算梯度，这样就无需等待所有计算完成后再集中进行通信，也不必在计算完成后等待通信完成，从而将通信过程覆盖到计算时间内，充分利用 AI 集群，提高了 AI 集群使用率。 DDP 反向传播中计算与通信的重叠导致无需等待所有计算完成后再集中进行通信，也不必在计算完成后等待通信完成，提高了 AI 集群的使用率。
1.3K10编辑于 2024-12-07 - 来自专栏技术墨客
从数据到AI
一篇关于數據倉庫建設、人工數據分析、AI數據分析的讲义 數據Data&信息Information 信息 信息是一個客觀存在物體的自然表現，比如說“I am a local villain.” 隨著數據的不斷累積和堆積在數據背後發現了驚人的統計規律，隨著這些統計規律的發展漸漸的出現了AI分析和數據分析。 數據&數據分析&AI 如下圖是建立數據分析工程的過程 ? 根據需要訓練AI模型。 數據倉庫的建立 聯機事物型系統&決策分析系統 在數據能力上，通常將系統的數據結構模型分為2類，聯機事物型、決策分析型。 數據倉庫案例展示superset 地址：http://192.168.0.212:8088 賬號：admin 密碼：admin 數據分析到AI訓練 進過大量的數據演練，可以逐漸的發現數據背後的統計規律。
1K50发布于 2019-11-21 AI Agent + 数据工程
一位在数据领域深耕多年的创业者告诉我，早期AI在数据工程领域的切入点其实很务实——那些原本需要大量人工的数据治理工作，恰恰是大模型最擅长的地方。 比如从海量数据中提炼关键信息、自动生成数据文档、识别重复和冗余的表结构。这些事情以前要靠专人花时间梳理，现在AI可以快速完成。 但这只是第一步。 更深层的变化在于，数据工程的需求本身正在被AI重塑。 以前的交付物很明确：一张张处理好的数据表，加上一个Dashboard，业务方看数据就够了。 现在呢？业务方不仅看Dashboard，还想直接跟数据对话——问AI一个问题，AI直接给出答案。 好的数据工程，应该配合AI在事中就做好管理和体系搭建。” 这句话背后是一个残酷的现实：以前数据工程师的工作更像是管道工——把数据从A搬到B，分层、清洗、汇总。 现在的要求变成了规划师——不仅要搬数据，还要让数据能被AI正确理解和调用。 这需要的不仅是技术能力，更是思维方式的转变。
43110编辑于 2026-02-28- 来自专栏程序小工
【Git】修改已经提交的commit内容
一对多关系的新增操作[完成下单接口方法] da0bd4e 10-13 订单创建[添加订单信息到order order_product表] 5ab5068 10-11 订单快照的实现 09c2116 10 编辑最久远的需要修改的分支的前一个分支上 git rebase -i 60b8f01 显示的内容： pick 6edda7e 下单接口业务模型 pick 8493571 10-9 下单接口说明文档补充注释 pick 09c2116 10 将pick修改为reword [保留提交的分支记录，但是编辑提交的信息] r 6edda7e 下单接口业务模型 pick 8493571 10-9 下单接口说明文档补充注释 pick 09c2116 10
10.3K30发布于 2018-09-12 openEuler 高效 AI 数据管道
开篇介绍AI训练的瓶颈往往不是模型计算，而是数据预处理。openEuler提供高效的数据处理管道，支持并行加载、GPU预处理、数据增强等优化。今天聊聊如何加速AI数据处理。 数据处理优化：多进程DataLoader并行加载提升5-10倍，DALIGPU预处理释放CPU，预取机制减少等待时间，数据缓存避免重复读取。 存储优化：NVMeSSD提升I/O吞吐，分布式文件系统支持大规模数据集，数据格式优化TFRecord/Parquet提升读取效率。 QPS提升40%，Web服务器并发提升50%，大数据任务快35%。 优化要基于数据驱动，每次都要测试对比，确保有效且稳定。
40410编辑于 2025-12-03转载:【AI系统】数据并行
数据并行是一种广泛应用于分布式 AI 系统中的技术，旨在通过将数据集划分为多个子集并在不同计算节点上并行处理这些子集，以提高计算效率和速度。 分布式数据并行 DDP分布式数据并行（Distributed Data Parallel, DDP）是数据并行的一种高级形式，它综合了多种优化，是当前应用最广的并行算法之一，通常用于大型 NPU AI 集群和 AI 系统中。 在通信的同时也会继续计算梯度，这样就无需等待所有计算完成后再集中进行通信，也不必在计算完成后等待通信完成，从而将通信过程覆盖到计算时间内，充分利用 AI 集群，提高了 AI 集群使用率。 DDP 反向传播中计算与通信的重叠导致无需等待所有计算完成后再集中进行通信，也不必在计算完成后等待通信完成，提高了 AI 集群的使用率。
63110编辑于 2024-12-13- 来自专栏AI
AI中的数据存储
流水线中的数据存储类型和量级 图片 每个AI流水线中都涉及到数据存储 数据源-数据提取过程中涉及到: PB级别的顺序写 数据准备过程中: TB级别的顺序读 模型训练过程中: GB级别的随机读 检查点和恢复过程中 中间采用高性能全闪存,通过是TLC, 弥补机械盘性能, 总容量比HDD少 右边采用对象存储, 存储集群或JBODS, 包含大量机械盘, 总容量占比高 AI集群中的数据移动 图片 1.数据采集阶段，原始数据按顺序写入对象存储层 RAG 还可以创建额外的 I/O 活动 5.归档流程: 模型输入和输出被捕获并写入对象存储层的磁盘 旨在优化 AI 存储效率的产品组合 QLC 提升新型 AI DC(数据中心) 构建的电源效率 每个 DGX 有关建模详细信息，请参阅附录“QLC 功率效率与 HDD” 模型训练与数据存储 AI 数据穿越存储层之旅 最近的检查点基本在SSD上 早期的检查点数据在HDDS AI数据量级和性能 检查点：提高存储容量和吞吐量 Blob 存储层一次性访问可实现高吞吐量 AI负载中的存储扩展性 总结 AI集群流程中的数据存储需要根据实际业务的量级和性能要求做分层存储, 这样成本可控且性能满足需求 AI行业也会带动存储行业发展,
2K11编辑于 2024-09-18 AI+Data：AI时代的企业数据治理
随着AI应用对多源异构数据的需求增加，企业对于非结构化数据的价值化需求也在加速释放，而相应的数据治理模块也将获得进一步的关注与优化。 对于部署AI应用的企业来说，数据资源的质量直接决定了AI应用能否成功落地。因此，在推进AI应用的过程中，开展针对性的数据治理工作是首要且必要的步骤。 AI模型对数据高度敏感，低质量的数据会导致“garbage in, garbage out”的问题，即输入数据的缺陷会直接影响到输出结果的质量。 为了确保AI模型的有效性和准确性，必须保证数据的完备性和准确性。有效的数据治理不仅可以为AI模型提供高质量的数据原料，还能提高模型的拟合效果，进而增强AI应用的实际性能。 在金融、医疗、零售、工业以及互联网等数据基础建设较好的行业中，面向AI时代的数据治理正在逐步显现其优势。
1.4K10编辑于 2025-01-03数据质量决定AI命运
上个月参加一个AI技术沙龙，我问了在座的技术负责人这样一个问题。 原本以为会听到关于算力、算法或者成本的回答，结果大家的答案出奇一致——数据质量。 一个创业公司的CTO感慨地说："我们现在花的钱，80%都在找数据、清洗数据、标注数据，真正的模型训练反而是小头。" 这个回答让我意识到，我们正处在AI发展的一个重要转折点。 解密高质量数据集的三张面孔 很多人对数据集的理解还停留在"图片+标签"的层面，认为只要有数据就能训练AI模型。但实际上，高质量数据集远不止这么简单。 从数据模态来看，现代AI需要的是多维度的数据生态。 2025年，AI智能体和高质量数据集建设的双重推进，将把人工智能带入一个新的发展阶段。这个阶段的特征是数据质量成为决定性因素，技术创新与数据资源同等重要。 数据质量决定AI命运，也决定我们在AI时代的命运。
41710编辑于 2026-02-02- 来自专栏祝威廉
数据部门如何All In AI
这也是很多大数据部门领导非常焦虑的地方。 那么出路在哪里呢？ All In AI 事实上，真正能帮助业务提高效能，提供创新产品的必然是AI，AI是一种模式的输出。 从上面我们可以看到，数据部门的最大价值，最终会通过AI来进行落地，并且还会给部门/公司提供了极为丰富的想象空间。 如何 All In AI？ 对于这件事情，我们要仔细研究一个核心的东西： 资源。 我们知道，AI平台是基于数据平台的之上的，其结构是一个金字塔形状的。所以第一步你需要有一个良好的数据平台，其次你还需要有一个AI平台，让单一算法落地变得容易。 现阶段，按我的了解，AI平台通常只能做到针对单一算法的自助化。那么为了让组织更加合理高效，重构数据部门团队就很有必要了。 总结 本文我们说了为什么要All In AI，要实现All In AI 不仅仅需要有一个好的平台（数据、算法平台）,也需要有良好的动员人力资源的能力，采用一个合理的算法组织架构充分利用人力资源。
52320发布于 2018-08-27
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