- 综合排序
- 最热优先
- 最新优先
- 来自专栏Unity游戏开发
LightWeight RenderPipeline
ForwardShading 原理：每个作用于物体的像素光单独计算一次，drawCall随着物体与光照数量增加而成倍增加 优点：不受硬件限制 缺点：光照计算开销成倍增加随着光源和物体数量增加。 每个物体接受光照数量有限。
87220发布于 2019-06-19 - 来自专栏SeanCheney的专栏
greenlet: Lightweight concurrent programming
https://greenlet.readthedocs.io/en/latest/
59820发布于 2019-02-15 - 来自专栏张善友的专栏
Lightweight Test Automation Framework之旅
Lightweight Test Automation Framework是ASP.NET QA团队开发的自动化集成测试框架，并且应用在ASP.NET QA团队的自动化测试产品中，目前最新版本是April 根据ASP.NET QA团队博客上发布的Lightweight Test Automation Framework April Release，这个版本主要是修复bug和增加一些新特性，主要特性如下： 关于Lightweight Test Automation Framework的优点方面的介绍，引一段老赵的文章来说明： 由于直接在浏览器中运行，它天生便支持现有的——以及未来可能出现的任意浏览器。 如何在asp.net mvc项目中应用Lightweight Test Automation Framework ASP.NET QA 团队说Lightweight Test Automation Framework 首先去下载Lightweight Test Automation Framework 然后把Microsoft.Web.Testing.Lightweight.dll引用到项目中,在MVC项目的站点下建立一个目录
2.6K90发布于 2018-01-30 - 来自专栏计算机视觉理论及其实现
DRT: A Lightweight Single Image Deraining Recursive Transformer
过度参数化是深度学习中常见的技术，以帮助模型学习和充分概括给定的任务；然而，这往往导致巨大的网络结构，并在训练中消耗大量的计算资源。最近在视觉任务上强大的基于Transformer的深度学习模型通常有很重的参数，并承担着训练的难度。然而，许多密集预测的低级计算机视觉任务，如去除雨痕，在实践中往往需要在计算能力和内存有限的设备上执行。因此，我们引入了一个基于递归局部窗口的自注意结构，并提出了去雨递归Transformer（DRT），它具有Transformer的优越性，但需要少量的计算资源。特别是，通过递归结构，我们提出的模型在去雨中只使用了目前表现最好的模型的1.3%的参数数量，同时在Rain100L基准上超过最先进的方法至少0.33dB。消融研究还调查了递归对去雨结果的影响。此外，由于该模型不是刻意为去雨设计的，它也可以应用于其他图像复原任务。我们的实验表明，它可以在去雪上取得有竞争力的结果。
1.1K20编辑于 2023-10-07 - 来自专栏人生得意须尽欢
lightweight openpose 实操记录（pytorch环境）
封装太好了 作者打算从头到尾完整地训练一个自己地数据集合，并且要求速度为第一位，精度达到要求即可，经过简单调研，上面几个虽然很不错，但是系统学习下来成本可能比较高，所以后面再弄，打算从2018年的这篇lightweight
1.6K31发布于 2021-09-26 - 来自专栏walterlv - 吕毅的博客
UWP 轻量级样式定义（Lightweight Styling）
UWP 轻量级样式定义（Lightweight Styling） 发布于 2018-09-26 09:17 本文将介绍 UWP 轻量级样式定义（Lightweight styling），你既不用写太多代码，又能获得更多的样式控制。 </ResourceDictionary.ThemeDictionaries> </ResourceDictionary> </Page.Resources> 本段代码摘抄自 XAML Lightweight 本文会经常更新，请阅读原文： https://blog.walterlv.com/post/uwp-lightweight-xaml-styling.html ，以避免陈旧错误知识的误导
99720发布于 2020-02-10 - 来自专栏ThoughtWorks
Lightweight Architecture Decision Records | 雷达哔哔哔
今天是《雷达哔哔哔》的第一篇，Blip是Lightweight Architecture Decision Records ? 开发设计人员 关注问题： 传统的重文档编写维护量大，随着业务发展，很难保持同步 在一些敏捷项目中，随着关键文档的缺失、项目Knowledge及决策丢失导致长生命周期的项目知识传递问题 解决方案： 使用“ Lightweight 所以技术雷达推荐使用“ Lightweight Architecture Decision Records”来记录项目的重要决策，相比于传统文档，它最大的特点就是轻量（Lightweight），关注于创造价值而不是遵循流程 相关Blip及延展阅读： Lightweight Architecture Decision Records Blog | Documenting Architecture Decisions | Relevance Within Our Repositories — Embedded Artistry Architectural Decision Records | adr.github.io What are lightweight
80620发布于 2018-11-06 - 来自专栏AustinDatabases
POSTGRESQL lightweight lock 轻量级锁是什么 ？
这样的定义在POSTGRESQL 中也不是例外，postgresql lightweight lock 简称 LWLocks 主要的作用也是控制内存中的数据访问。 lightweight 锁主要应用与POSTGRESQL 以下的部分 1 事务提交状态缓存部分 2 数据页缓存部分 3 子事务缓存部分 在设计和使用这些LW LOCK 的时候会根据PG 内部的模块来划分 在Lightweight 的锁使用中，同样也分为三个部分，加锁，释放和等待三个动作，在加锁中，通过LWLockAcquire(LWLockMode*lock, LWLockMode mode) 来获取锁 参考部分文字： https://www.percona.com/blog/2018/10/30/postgresql-locking-part-3-lightweight-locks/ https://
95020编辑于 2022-12-12 - 来自专栏Rust语言学习交流
【每周一库】 simsearch - a simple and lightweight fuzzy search engine
本期的每周一库带来的是simsearch，一个运行在内存的轻量级字符串模糊搜索引擎。
51330发布于 2020-09-23 - 来自专栏数据分析与挖掘
ULSAM：Ultra-Lightweight Subspace Attention Module for Compact Convolutional Neural Networks
地址：https://arxiv.org/pdf/2006.15102.pdf
50300发布于 2020-08-26 - 来自专栏ECS服务器
A lightweight open-source video cloud based on Nodejs, SRS, FFmpeg, WebRTC, etc.
A lightweight open-source video cloud based on Nodejs, SRS, FFmpeg, WebRTC, etc.
81410编辑于 2023-04-18 - 来自专栏一个会写诗的程序员的博客
一篇文章读懂 React and redux 前端开发 -DvaJS, a lightweight and elm-style framework.快速上手Dva 概念#例子和脚手架Dva 图解K
DvaJS： React and redux based, lightweight and elm-style framework. https://dvajs.com/ 实例项目源码：https://
1.8K30发布于 2018-12-12 JavaScript 前端集成贵金属 K 线图：10 分钟快速实现
读完你将掌握：最适合 K 线图的前端库选型对比用 Lightweight Charts 快速渲染第一根 K 线通过 HTTP 拉取历史数据 + WebSocket 接收实时更新成交量副图、安全代理等工程要点一 库 定位 K 线原生支持体积 (gzip)性能特点 授权 Lightweight Charts专业金融图表 ✅ Charts（本文使用）需要丰富图表类型 + 中文文档 → ECharts海量数据 + 极致渲染性能 → KLineChart二、Lightweight Charts 极速上手（模拟数据版）2.1 安装 npm install lightweight-charts或直接使用 CDN：<script src="https://unpkg.com/<em>lightweight</em>-charts/dist/<em>lightweight</em>-charts.standalone.production.js <em>Lightweight</em> Charts 核心用法：createChart、CandlestickSeries、setData / update。模拟数据快速原型，以及如何替换为真实 API。
20910编辑于 2026-05-19- 来自专栏111222444
测试发文
同时，最近也有lightweight fine-tuning，即固定语言模型大部分参数，微调2-4%任务相关的参数，但是作者认为还是太多。 同时，最近也有lightweight fine-tuning，即固定语言模型大部分参数，微调2-4%任务相关的参数，但是作者认为还是太多。 同时，最近也有lightweight fine-tuning，即固定语言模型大部分参数，微调2-4%任务相关的参数，但是作者认为还是太多。 同时，最近也有lightweight fine-tuning，即固定语言模型大部分参数，微调2-4%任务相关的参数，但是作者认为还是太多。 同时，最近也有lightweight fine-tuning，即固定语言模型大部分参数，微调2-4%任务相关的参数，但是作者认为还是太多。
13000编辑于 2022-05-19 - 来自专栏礼拜八不工作
解决常见的Windows开机无网络问题
解决由于 Network LightWeight Filter 协议导致的无网络问题 系统升级后无法联网，网上搜了半小时，各种方法都尝试了，无果。 网上找了一下 Network LightWeight Filter 的资料： Network LightWeight Filter（NLWF）是一个网络协议，它在网络适配器和操作系统之间提供了一个轻量级的过滤机制 例如，如果网关无法设置或系统检测后提示以太网适配器的驱动程序可能出现故障，并且有线和无线连接都无法上网时，可能是因为网卡里多了一个Network LightWeight Filter协议并且被勾选上了。
1.4K21编辑于 2024-11-01 - 来自专栏架构师进阶
架构设计之MQ选型梳理
RocketMQ：Apache RocketMQ™ is a unified messaging engine, lightweight data processing platform. RabbitMQ： RabbitMQ is lightweight and easy to deploy on premises and in the cloud. Flexible & Powerful Open Source Multi-Protocol Messaging Apache RocketMQ™ is a unified messaging engine, lightweight
95620编辑于 2022-03-24 - 来自专栏Windows技术交流
安全相关网卡过滤器导致网不通或虽然网通但业务异常
WinpkFilter LightWeight FilterDNE LightWeight FilterSuperFirewallEx LWF DriverSafeDog Filter……这些安全相关网卡过滤器可能导致网不通去掉勾后再测试
98920编辑于 2023-03-15 10 Top-Rated Translation Tools for Every Scenario: A Curated List from In-Depth
Lightweight & Efficient: The browser extension is ready to use right after installation—no complicated Summary: Huiyi Translator centers on "side-by-side translation + full-scenario adaptation," combining lightweight Lightweight & Convenient: Ready to Use AnytimeTop 10. Youdao Translator (Lightweight Tool by Youdao)Highlights: Fast photo translation, voice conversation
55310编辑于 2025-08-15- 来自专栏CSDN社区搬运
SAM-Adapter
nn.Linear(self.embed_dim, self.embed_dim//self.scale_factor) for i in range(self.depth): lightweight_mlp self.scale_factor, self.embed_dim//self.scale_factor), nn.GELU() ) setattr(self, 'lightweight_mlp handcrafted_feature.view(N, C, H*W).permute(0, 2, 1) prompts = [] for i in range(self.depth): lightweight_mlp = getattr(self, 'lightweight_mlp_{}'.format(str(i))) # prompt = proj_prompt(prompt) prompt = lightweight_mlp(handcrafted_feature + embedding_feature) prompts.append(self.shared_mlp
70310编辑于 2025-01-02 - 来自专栏AI部落联盟
预训练的卷积模型比Transformer更好？
Pre-Trained Convolution Models Lightweight Depthwise Convolution 1.Depthwise convolutions 假设输入一个tensor Lightweight Convolutions Lightweight Convolutions在Depthwise Convolution的基础上使用了 ， 是一个具有softmax归一化核以及共享输出通道和权重的深度可分离卷积 Dynamic Convolutions Dynamic Convolutions 是Lightweight Convolutions的一种变种，该方法关键的思想是学习特定位置的核来执行轻量级卷积: 作者实验了lightweight convolutions、dynamic convolutions以及dilated convolutions。
1.7K20发布于 2021-06-15
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