- 综合排序
- 最热优先
- 最新优先
- 来自专栏初见Linux
11-3 激活修改
三、修改环境 现在用户已经知道了系统启动文件的位置和内容，就可以修改启动文件，来自定义我们的环境。(准) 1.用户应当修改哪些文件 一般来说，在 PATH 中添加目录或定义额外的环境变量，需要将这些更改放入到 .bash_profile 文件中（或者是其它的等效文件，这取决于系统的发行版本，比如 Ubuntu 系统使用的是 .profile 文件），其它的改变则应录入 .bashrc 文件中。除非是系统管理员需要修改用户公用的默认设置，普通用户只需对主目录下的文件作出修改即可。当然用户也可以修改其它目录
83210发布于 2020-08-11 - 来自专栏AI机器学习与深度学习算法
机器学习入门 11-3 Soft Margin SVM
这里存在一个问题，如果使用Hard Margin SVM算法对下面的数据集进行二分类，Hard Margin SVM算法首先要保证能够正确的将红色和蓝色两个类别区分开。 ? ▲更加一般的情况 此时数据集是线性不可分的，没有任何一条直线能够正确的将现在的数据集划分成两个类别。 这种情况下Hard Margin SVM算法就已经不是泛化能力强不强的问题了，而是根本无法将两个类别的数据集正确划分开，无法得到一根合适的直线来充当决策边界。 参数C是一个新的超参数，我们可以使用网格搜索这样的策略来找到对于你所解决问题、你所采集的数据集而言最合适的超参数C的值。 前面介绍的无论是为线性回归算法还是逻辑回归算法加入正则项的本质就是让模型针对训练数据集有更高的容错能力，拥有了容错能力之后，使得我们的模型对训练数据集中的那些极端的样本点不再那么敏感，通过这种方式当面对那些极端样本点的时候
1.1K31发布于 2020-07-02 - 来自专栏阿飞的学习记录
23种设计模式之里氏替换原则
Liskov { public static void main(String[] args) { A a = new A(); System.out.println("11 System.out.println("1-8="+a.func1(1,8)); B b = new B(); System.out.println("11 return a+b; } public int func2(int a,int b){ return func1(a,b)+9; } } 输出 11 -3=8 1-8=-7 11-3=14 1-8=9 11+3+9=23 这里我们B类的本意是调用方法进行 11-3的运算 但是因为我们B类重写了A类的方法 导致我们的11-3的结果变为了14 我们发现原来正常运行的相减功能发生了错误 -3="+b.func3(11,3)); } } 输出 11-3=8 1-8=-7 11+3=14 1+8=9 11+3+9=23 11-3=8 组合的方式依然可以使用A的方法
49110编辑于 2022-03-23 - 来自专栏学习笔记持续记录中...
Java设计模式：（1）设计模式七大设计原则-里氏替换原则
Liskov01 { public static void main(String[] args) { A a = new A(); System.out.println("11 Liskov { public static void main(String[] args) { A a = new A(); System.out.println("11 b.func1(1, 8)); System.out.println("11+3+9=" + b.func2(11, 3)); System.out.println("11
72320发布于 2020-03-17 - 来自专栏愿天堂没有BUG（公众号同名）
如果你精通java虚拟机：新生代垃圾回收YoungGC之后，薪资不止20K
以线程栈为例，G1会扫描虚拟机所有JavaThread和VMThread的线程栈中的每一个栈帧，找到其中的对象引用，并对它们应用G1ParCopyClosure，如代码清单11-3所示： 代码清单11- 之前根集中的引用指向Eden Region对象，对这些引用应用G1ParCopyClosure之后，Eden Region的对象会被复制到SurvivorRegion，所以根集的引用也需要相应改变指向，如图11 图11-3 清理根集 copy_to_survivor_space在移动对象后还会用G1ScanEvacuatedObjClosure处理对象的成员，如果成员也属于CSet，则将它们放入一个G1ParScanThreadState
77020编辑于 2022-10-31 - 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 - 来自专栏量子位
不是男人也要上100层：Unity专为AI开发了游戏，还启动了10万美元挑战赛
操作栗 发自 凹非寺 量子位 出品 | 公众号 QbitAI 会打游戏，对一只AI来说已经不算稀缺技能了。 上星期五，DeepMind星际AI横扫人类职业选手的战绩曝光，世人已开始颤抖。 ? 也许过不了多久，人类的游戏就没有办法继续满足AI的野心。 那么，这些前途无限的AI选手，也该有属于自己的游戏了，人类玩家不得入内的那种。 这个游戏就是为AI，特别是强化学习AI，定制的。玩家要在一座古旧的高塔里，突破前仆后继的封锁，一层一层往上爬。 每一层都是随机生成的，没有人知道下一关会是什么样子。 在探索未知和运用已知之间，做出理智的权衡，对强化学习AI来说是非常关键的生存技能。 ? 以及，没有哪一关是从前见过的；就像没有哪一天是从前过过的。这样的游戏设置可以锻炼AI的泛化能力。 比赛分成两个回合，2月11日就要开始了： 第一回合 (2/11-3/31) ：爬上25层。 第二回合 (4/15-5/24) ：爬上100层。
58530发布于 2019-04-24 - 来自专栏CSDNToQQCode
软考中级(软件设计师)——数据流图(DFD图下午第一题15分)(必拿题)
软考中级(软件设计师)——数据流图(DFD图下午第一题15分) ---- 目录 软考中级(软件设计师)——数据流图(DFD图下午第一题15分) 数据流图基本概念 数据字典 数据平衡原则 答题技巧： 一 根据上图示例描绘下面的图： 顶层图是系统： 数据字典 数据平衡原则 顶层数据流图 顶层数据流图只含一个加工表示整个系统；输出数据流和输入数据流为系统的输入数据和输出数据，表明系统的范围，和与外部环境的数据交换关系 信用 卡客户可以通过CCMS查询并核实其交易信息(包括信用卡交易记录及交易额)●图11-3和图11-4分别给出了该系统的顶层数据流图和0层数据流图的初稿。 11-3 11-4 [问题1] (3分) 根据[说明]， 将图11- 3中的E1 ~ E3填充完整。 [问题2] (3分) 图11-3中缺少三条数据流,根据[说明] , 分别指出这三条数据流的起点和终点。
4.7K21编辑于 2022-11-30 - 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ops技术分享
Python格式处理--json
11", "items": { "breakfast burritos": "$6.00", "pancakes": "$4.00" } }, "lunch" : { "hours": "11
1.6K30发布于 2021-06-21 - 来自专栏瓜大三哥
移位寄存器的工作原理
数据从串行输入端D1输入。左边触发器的输出作为右邻触发器的数据输入。 依此类推，可得4位右向移位寄存器的状态，如表11-3所示。 通过Verilog HDL 实现8 比特位宽、64 深度的移位寄存器。
1.8K80发布于 2018-02-24 - 来自专栏ops技术分享
Python格式处理--xml
"$6.00">breakfast burritos</item> <item price="$4.00">pancakes</item> </breakfast> <lunch hours="<em>11</em>
1.6K10发布于 2021-06-18 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。
40310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。
62910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
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