- 综合排序
- 最热优先
- 最新优先
- 来自专栏Python
6-4、Python 数据类型-元组
元组也是序列结构，但是是一种不可变序列，你可以简单的理解为内容不可变的列表。除了在内部元素不可修改的区别外，元组和列表的用法差不多。
42150编辑于 2023-11-09 - 来自专栏全栈开发那些事
6-4 链式表的按序号查找 (10分)
L是给定单链表，函数FindKth要返回链式表的第K个元素。如果该元素不存在，则返回ERROR。
54330编辑于 2023-02-27 - 来自专栏AI机器学习与深度学习算法
机器学习入门 6-4 实现线性回归中的梯度下降法
这一小节我们使用自己构造的数据进行试验，并且在计算梯度下降法的时候并没有使用向量化的方式提高效率。因此在下一小节中，将在真实的数据上使用向量化的梯度下降法来求解线性回归模型。
74920发布于 2019-11-13 - 来自专栏CSDNToQQCode
6-4 字符串加密（Java解法，两种网上的类型题）
目录 6-4字符串加密，第一种类型题： Java题解1： 字符串加密，第二种类型题： Java题解2： ---- 6-4字符串加密，第一种类型题： 本题要求实现一个函数，能对一行字符串
57840编辑于 2023-02-10 MyEMS 开源能源管理系统后台配置指南 —— 网关管理模块详解
系统可选功能覆盖光伏监控、储能管理、充电桩调度、微电网控制、设备故障诊断、工单流程管理及 AI 能源优化等模块，为用户提供全链路能源管理解决方案。 在展开的二级菜单中，点击 “网关管理”（该模块负责所有数据采集网关的配置与监控）。 上传填写完成的文件，点击 “导入” 按钮，系统将自动校验并添加网关（如图 6-4 所示）。导出操作：同上路径进入列表页，点击 “导出” 按钮。 四、相关功能延伸网关作为数据采集的核心节点，可关联 “设备管理” 模块配置仪表协议（如 Modbus、MQTT），或在 “数据监控” 页面查看网关实时采集的能耗数据曲线。 （注：文中图 6-1 至图 6-4 需根据实际界面补充截图说明，建议标注按钮位置与交互效果。）
64610编辑于 2025-06-17- 来自专栏TechBlog
电路分析之正弦稳态电路的仿真与研究
将测量数据填入表6-1。 （3）将图6-4中的电阻换成电容，如接入一个0.1uF电容，设置DDS频率为4kHz，幅度的峰峰值值U = 2V，用双踪示波器观测电容两端电压与流过电容的电流之间的相位差。 将测量数据填入表6-1。 （4）将图6-4中的电容换成电感，如接入一个10mH电感，设置DDS频率为40kHz，幅度的峰峰值值U = 2V用双踪示波器观测电感两端电压与流过电阻的电流之间的相位差。 （2）信号源输出幅度的调整方法与前面实验相同，输出频率分别调整为8kHz和15kHz，用示波器直接读取两种频率下各元件上的电压数值，将测量数据填入表6-4。 将测量数据记入表6-4 “示波器测量”一栏。 （4）根据上述电路测量的各电压有效值数据，计算总电压U和总电流I的相位差φ，填入表6-4；画出两种频率下相量关系图，并分析其电路性质。 列写各实验数据表格。 2. 利用实验测量数据，画出R、L、C元件上电压和流过的电流之间的相量关系图；画出RL、RLC串联电路相量关系图，并分析电路性质。
2.2K31编辑于 2022-08-03 - 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 - 来自专栏毕业设计
分布式电商系统的设计与实现⑦-1
对于秒杀商品的增删改查等操作对于秒杀商品的增删改查均能正常执行符合预期结果修改商品界面如下图6-3所示：图 6-3 修改商品界面1.1.4 广告管理相关功能测试广告管理，可以对于广告进行增删改查等功能，以及修改广告的状态，该模块的测试用例分析表如下表6- 4所示：表 6-4 广告管理测试用例分析表测试主题测试步骤预期结果实际结果广告管理（1）点击广告管理，对于广告进行增删改查等操作 （2）点击启用按钮，对于广告状态进行启（禁）用对于广告的相关信息进行增删改查以及启用禁用均可正常执行符合预期结果广告管理页面如下图 6-4所示：图 6-4 广告管理页面我正在参与2024腾讯技术创作特训营最新征文，快来和我瓜分大奖！
44300编辑于 2024-06-22 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。
42910编辑于 2026-02-28- 来自专栏叶子陪你玩编程
python基础语法很OK？做几题测试一下（2）
掌握3大结构，运算符，基础数据类型的知识后，只要在掌握常用的数据结构及其方法，函数，其实已经可以解决你碰到的很多问题了。 接下来可以尝试找一些具体的应用方向学习一下，比如图像处理，文档处理，数据分析，爬虫，GUI，web等等，因为当前的知识已经足够用了。 今天我找了一些题目，不知道自己学的怎样的，可以试试，看看这些常用的数据结构是否熟练，能否将其应用到实际问题中去。 4)/(4/6)', '((12-4)-4)*6', '(12*4)-(4*6)', '((12+4)*6)/4', '(12+4)*(6/4)', '(12*4)-(6*4)', '(12*4)/(6- 4)/(4/6)', '((12-4)-4)*6', '(12*4)-(4*6)', '((12+4)*6)/4', '(12+4)*(6/4)', '(12*4)-(6*4)', '(12*4)/(6-
62020编辑于 2021-12-13 - 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6-4 使用函数输出指定范围内的Fibonacci数
习题6-4 使用函数输出指定范围内的Fibonacci数 本题要求实现一个计算Fibonacci数的简单函数，并利用其实现另一个函数，输出两正整数m和n（0<m≤n≤10000）之间的所有Fibonacci
3.3K30发布于 2020-09-15 - 来自专栏【计网】Cisco
操作系统 | 源码分析
其中arch：硬件结构相关代码 kernel：进程调度和管理 mm：内存管理 fs：文件系统 drivers：驱动程序 ipc：进程间通讯 include：头文件，定义内核数据结构 2.下载使用 sched.h的调度函数schedule()，并将全部代码导入如图6-2. 3.进程调度队列的组织如图6-3. 4.三种调度类型（SCHED_FIFO、SCHED_RR、SCHED_OHTER）实现过程如图6- 它与优先级的关系如图6-9. 7.对实时进程和多CPU的支持如图6-10. 8.评价linux的调度策略，提出改进意见如图6-11. 1.4 实验过程 图6-1 图6-2 图6-3 图6-
46410编辑于 2024-02-20 - 来自专栏数据科学CLUB
机器学习数学基础——积分和导数
导数四则运算典例 image.png 扩展 平分差与完全平分差公式： 1、完全平方差公式：(a-b)²=a²-2ab+b² 概念：两数差的平方，等于它们的平方和，减去它们的积的2倍即完全平方公式 例子：(6- )²=6²-2x6x4+4²=36-48+16=4 2、平方差公式：a²-b²=(a+b)(a-b) 概念：一个平方数或正方形，减去另一个平方数或正方形得来的乘法公式 例子：6²-4²=(6+4)x(6-
1.5K40发布于 2020-06-12 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。
40210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,
2K11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。
62610编辑于 2024-12-13AI+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
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