- 综合排序
- 最热优先
- 最新优先
- 来自专栏ypw
算法3-7：银行排队
题意：就是多个窗口服务，每次来的人选择一个等待时间最短的窗口。问所有人的平均等待时间
1.3K20发布于 2021-04-25 - 来自专栏python3
3-7 run vs cmd vsent
docker build -t xiaopeng163/centos-entrypoint-shell .
45120发布于 2020-01-14 - 来自专栏刷题笔记
3-7 表达式转换 (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/102484030 3-7 表达式转换 (20 分) 算术表达式有前缀表示法、中缀表示法和后缀表示法等形式
1K10发布于 2019-11-07 - 来自专栏全栈程序员必看
sdut 3-7 类的友元函数的应用
3-7 类的友元函数的应用 Time Limit: 1000MS Memory limit: 65536K 题目描写叙述 通过本题目的练习能够掌握类的友元函数的定义和使用方法 要求设计一个点类Point，它具有两个double型的数据成员x，y。 输出 输出数据共3行。前两行用于显示要求距离的两个点的信息，第三行显示两点的距离。
36120编辑于 2022-07-20 - 来自专栏AI机器学习与深度学习算法
机器学习入门 3-7 Numpy 中的矩阵运算
显然，在 Python 中，列表 * N 中的 * 运算符为重复操作，将列表中的每个元素重复 N 次。
1.5K20编辑于 2022-05-25 - 来自专栏cwl_Java
C++编程之美-结构之法(代码清单3-7)
代码清单3-7 void DeleteRandomNode(node* pCurrent) { Assert(pCurrent !
28410编辑于 2022-11-30 - 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 练习3-7 成绩转换
练习3-7 成绩转换 本题要求编写程序将一个百分制成绩转换为五分制成绩。
2.2K30发布于 2020-09-15 - 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。
888100发布于 2018-01-18 - 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。
59270发布于 2018-03-06 马斯克最新访谈:AI 奇点降临
AI安全的核心原则 为了防止AI走向失控（参考《2001太空漫游》中的HAL 9000），必须赋予AI以下核心特质： * 真理（Truth）：防止AI因被迫撒谎而发疯，这是AI安全的首要信念。 工作的终结 * 白领工作率先消失：任何不涉及“塑造原子”的数字工作（敲击键盘、移动鼠标），AI现在就能完成一半以上。 * 后工作时代：完全AI化的公司将摧毁非AI化的公司。 未来3-7年是危险的过渡期，可能出现社会动荡。 2. 全民高收入（UHI） * 概念定义：不同于全民基本收入（UBI），马斯克提出全民高收入（UHI）。 * 轨道数据中心：未来的AI计算将移至太空，利用太空太阳能建立轨道数据中心（戴森云）。 * 星舰目标：每年向轨道运送一百万吨有效载荷，实现完全可重复使用。 他认为，尽管未来3-7年会经历转型的阵痛，但人类正走向一个类似《星际迷航》的富足时代，而非《终结者》的黑暗未来。唯一的遗憾可能是，“唯一比今天更激动人心的时刻，是明天。”
1.3K10编辑于 2026-03-10- 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。
1.2K10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。
95350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。
40010编辑于 2026-02-28如何实现智能体的动态知识库更新与版本控制？腾讯云智能体开发平台给出全链路解决方案
摘要 在AI智能体应用快速迭代的今天，动态知识库管理与版本控制已成为决定系统智能水平的核心要素。 正文 一、动态知识库更新的核心挑战 智能体知识库的动态管理需解决三大核心问题： 数据时效性：业务数据、政策法规等信息的快速变更要求知识库实时同步 版本追溯性：需完整记录知识变更历史，支持回滚与合规审计 多模态融合：文本、表格、图像等异构数据的统一管理与关联检索 传统解决方案依赖人工维护知识库，存在更新滞后（平均延迟3-7天）、版本管理混乱（错误率高达23%）等问题。 实时追踪知识库健康度指标（时效性/准确性/覆盖率） 三、技术实现对比分析 维度 传统方案 腾讯云ADP方案 更新时效性 人工更新（3- ADP用户提供： 安全合规：通过等保三级认证，支持私有化部署 弹性算力：DeepSeek系列模型API免费额度（新客户300万token） 专家支持：7×24小时智能体运维服务 结语 在AI
1.9K10编辑于 2025-09-10腾讯“云+智能”方案驱动金融业效率与风控能力提升
构建三大技术支柱的解决方案 腾讯推出融合AI、大数据与云基础设施的普惠金融科技体系，提供智能风控、多模态审核、数据湖架构等核心能力。 关键指标实现量化提升 某金融科技公司应用AI营销获客，实现转化率提升（数据来源：腾讯云案例库） 智能审核系统使工作效率提升60%，准确率提升30%（数据来源：腾讯云智能审核方案） 数据湖架构将数据加工时效从近 1小时缩短至5分钟，查询效率提升3-7倍（数据来源：某机构大数据架构实践） 客户实证：跨境支付公司实现审核自动化 某跨境支付公司采用腾讯多模态进件审核系统，实现商户资质自动化核查。 腾讯技术优势与行业认可 腾讯云提供全栈自主可控的AI原生架构，包含TDSQL数据库、TencentOS操作系统及TI平台等核心组件。 强化数据与指标支撑，优先选用原文中具体、可验证的效率、准确率、时效提升数据，替换原有抽象表述。 精简并规范表达，删除营销化形容和重复内容，集中呈现技术方案、实测效果和腾讯核心能力。
33120编辑于 2026-04-21Wan2.1文本到视频模型参数调优实验
guide_scale=3-7： 最佳区间。看起来自然，问题最少。guide_scale=8+：令人畏惧的“AI感”开始显现——那种过度处理、闪亮的皮肤，明显是“由AI制造”的。 建议：进行怪异创意时使用0，追求逼真结果时使用3-7，避免8+，除非你想要那种AI闪光感。
46500编辑于 2026-01-20- 来自专栏大模型系列
告别踩坑！2026最新OpenClaw 本地部署保姆级指南(含飞书/钉钉接入)-亲测有效，保证全网最新(2026.4)最详尽！
raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"步骤2:安装Node.js展开代码语言：BashAI代码解释brewinstallnode@22步骤3- 步骤3-7:在Ubuntu终端中，完全按照Linux的部署步骤操作。步骤8:在Windows中访问部署完成后，在Windows的浏览器中访问http://localhost:18789即可。 网页自动化：自动填表、比价、数据抓取。每日信息简报：聚合天气、新闻、任务，生成摘要。智能文件管家：文件搜索、OCR识别、自动归档。邮件智能助手：自动分类、摘要、回复草稿。 多智能体协作：多个AI代理分工完成复杂任务。健康数据追踪：整合OuraRing等设备数据，生成报告。个性化学习：知识管理、笔记总结、复习提醒。 ❌AI无响应：运行openclawdoctor进行诊断，并检查日志~/.openclaw/logs/。结语：开启你的AI自动化时代恭喜！
3.2K14编辑于 2026-04-13 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。
36610编辑于 2025-12-03- 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,
1.9K11编辑于 2024-09-18 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。
56810编辑于 2024-12-13
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