- 综合排序
- 最热优先
- 最新优先
- 来自专栏Python与算法之美
10，模型的优化
搜索超参数空间以优化超参数需要明确以下方面： 估计器 超参数空间 交叉验证方案 打分函数 搜寻或采样方法（网格搜索法或随机搜索法） 优化模型的常见方法包括 网格搜索法，随机搜索法，模型特定交叉验证， 信息准则优化。 三， 模型特定交叉验证 一些特定的模型，sklearn构建了一些内部含有交叉验证优化机制的估计器。 它们主要是在linear_model模块。 四， 信息准则优化 模型选择主要由两个思路。 解释性框架：好的模型应该是最能解释现有数据的模型。可以用似然函数来度量模型对数据集描述能力。 预测性框架：好的模型应该是最能预测结果的模型。 其中L为似然函数，k为模型参数个数，n为样本数量。 linear_model.LassoLarsIC 采用了信息准则进行优化。
77421发布于 2020-07-17 - 来自专栏腾讯云中间件的专栏
10月最新动态！
腾讯云中间件 - 微服务团队产品2021年10月简报： API网关：正式发布云原生网关 ，完美兼容开源 Kong 网关，为您幅度降低网关建设成本；支持条件路由插件，支持自定义认证/请求体插件。 支持 Nacos原生应用无缝迁移TSF；日志投递规则绑定部署组支持全选功能；支持 Kona JDK 11&JDK 运行环境动态切换。 # 支持 Kona JDK 11&JDK 运行环境动态切换 对于容器部署组上传镜像程序包支持 Kona JDK 11。当用户切换运行环境，在部署组动态更新 JDK 运行版本，且重启部署组生效。 消息队列 CKafka ■ 产品介绍 分布式、高吞吐量、高可扩展性的消息服务，具备数据压缩、同时支持离线和实时数据处理等优点 # 提供标准版平滑升级到专业版的工具 2021年09月09日起，由于架构优化 # 优化ACL策略 支持预设 ACL 规则，后续创建 Topic 的时候自动应用这套规则。
1K40发布于 2021-11-09 基于运营工况的重型卡车保养周期动态优化模型
本文提出一种基于运营工况的重型卡车保养周期动态优化模型，以发动机累计功、燃油消耗量、机油衰减指数、工况特征等多维参数为核心决策依据。 三、动态优化模型：给发动机装上“可穿戴健康监测”2023年2月，潍柴动力股份有限公司公开了一项发明专利——“发动机机油更换周期预测方法及车辆”（专利号CN115795270B）。 4.1测试设计分组车辆数运营线路保养模式监测方式对照组A10台随机分配固定3万公里换油常规保养+每5000公里油样抽检对照组B10台随机分配固定2万公里换油常规保养+每5000公里油样抽检测试组C10台随机分配力猛动态模型预见性养护 铁磨损浓度：测试组换油终点均值68ppm，对照组A为92ppm，动态模型使机油在高里程段仍保持更低的磨损颗粒浓度总碱值剩余：测试组换油终点均值5.8mgKOH/g，对照组A为4.2mgKOH/g，动态模型避免了 5.4验证层：反向优化模型每一台按动态模型保养的车辆，其换油周期的油液检测数据、发动机后续运行状态、故障记录都会回传至算法中心，持续迭代工况权重系数。
12810编辑于 2026-02-12- 来自专栏互联网大杂烩
最优化模型数据挖掘之优化模型
数据挖掘之优化模型 1.1数学规划模型 线性规划、整数线性规划、非线性规划、多目标规划、动态规划。 ---- 1.2微分方程组模型 阻滞增长模型、SARS传播模型。 ---- 1.3图论与网络优化问题 最短路径问题、网络最大流问题、最小费用最大流问题、最小生成树问题(MST)、旅行商问题(TSP)、图的着色问题。 ---- 1.4概率模型 决策模型、随机存储模型、随机人口模型、报童问题、Markov链模型。 ---- 1.5组合优化经典问题 多维背包问题(MKP) 背包问题：n个物品，对物品i，体积为iw，背包容量为W。如何将尽可能多的物品装入背包。 解决这一类经典组合优化问题的方法有： 穷举法，贪心法，动态规划法，分支限界法，回溯法等传统算法以及一些智能算法如蚁群算法和遗传算法。
1.4K20发布于 2018-08-22 - 来自专栏喔家ArchiSelf
性能优化之动态加载
为此，创建一个动态路径的加载应用会极大方便编码，提升开发效率。 用户首先访问入口页面视图，视图请求控制器，控制器响应特定行为，获取相应模型数据，而后将处理结果反馈到视图中呈现给用户。 为实现控制器类中方法能调用不同视图和模型，需要在实例化类对象之前，加载类的定义，即要完成对不同存储位置下类的引用。为优化代码的性能，节省无谓的精力消耗，应用类自动加载方案。 $class_name.".class.php"; elseif(substr($class_name, -10) == "Controller") require __URL__. $class_name.".class.php"; } 作为是一种网页优化技术，动态加载可以在网页加载时延迟加载不必要的资源，以提高页面的加载速度和性能。 如何对软件系统进行全方位的优化是一个系统工程，如果您希望成为一个对系统性能有追求的工程师，我们最近出版的《性能之道》一书可能会给您带来实际的帮助和较大的启发。
94910编辑于 2025-01-20 - 来自专栏数据智能小站
产品动态 | 腾讯云NLP 10月最新动态
光球.jpg 10月，腾讯云AI中心下的腾讯知文NLP产品推出了新功能，部分接口的性能得到了优化提升。 微商.jpg -- 功能优化 -- 1. 自然语言处理NLP·情感分析 情感分析接口的打分机制优化得更为平滑，使得文本情感的倾向性分析更为准确、细腻。
3.9K71发布于 2019-11-28 - 来自专栏量化小白上分记
动态情景Alpha模型
01 WHY DCA 传统的多因子模型是在一个特定域内对所有股票一视同仁的打分，市值行业中性化后排序打分。 如果发现存在因子在某些变量分组下，显著的不一样，就可以用前文最大化IR的方法来优化。 这里还可以做的一点是单个情景内的权重能否再优化，这个也是参考研报，比如说都是按照SIZE分组，两只股票都在高SIZE组，但一个在上沿，一个在下沿的话，这两个股票肯定是有差异的，所以也可以根据情景来对股票打分 实证就略过了，感兴趣的童鞋可以自己尝试下 参考文献 [1]动态情景Alpha模型再思考——因子选股系列研究之十九 [2]动态情景多因子Alpha模型——因子选股系列研究之八 [3]量化多因子系列（2） ：非线性假设下的情景分析因子模型
1.1K40编辑于 2023-04-03 - 来自专栏FunTester
动态模型之动态增减【FunTester测试框架】
思路 首先要抛弃原有的模型结构，将每个多线程任务都当做一个可管理对象，需要有一个中断方法，然后有一个全局的运行状态的管理类，包含一些基础添加，删除，终止单个多线程任务的能力。 首先对多线程任务基础类进行改造，我重新写了一个com.funtester.base.constaint.ThreadBase的子类com.funtester.base.constaint.FunThread，专门用于创建动态模型任务 } } /** * 运行待测方法的之前的准备 */ public void before() { } /** * 动态模型正常不会结束 * @return */ @Override public abstract FunThread clone(); /** * 线程终止,用于动态调节并发压力 import java.util.ArrayList; import java.util.List; import java.util.concurrent.ExecutorService; /** * 动态压测模型的启动类
55720发布于 2021-11-19 - 来自专栏Java知识点
第10章_索引优化与查询优化
虽然 SQL 查询优化的技术有很多，但是大方向上完全可以分成 物理查询优化 和 逻辑查询优化 两大块。 物理查询优化是通过 索引 和 表连接方式 等技术来进行优化，这里重点需要掌握索引的使用。 关联查询优化 # 3.1 数据准备 # 分类 CREATE TABLE IF NOT EXISTS `type` ( `id` INT(10) UNSIGNED NOT NULL AUTO_INCREMENT ` INT(10) UNSIGNED NOT NULL AUTO_INCREMENT, `card` INT(10) UNSIGNED NOT NULL, PRIMARY KEY (`bookid`) 优化是必须的。 # 9.2 前缀索引对覆盖索引的影响 结论： 使用前缀索引就用不上覆盖索引对查询性能的优化了，这也是你在选择是否使用前缀索引时需要考虑的一个因素。 # 10.
83830编辑于 2023-08-02 - 来自专栏小工匠聊架构
Oracle优化07-分析及动态采样-动态采样
---- 07系列文章 Oracle优化07-分析及动态采样-直方图 Oracle优化07-分析及动态采样-DBMS_STATS 包 Oracle优化07-分析及动态采样-动态采样 ---- 动态采样Dynamic_sampling 动态采样（ Dynamic Sampling）技术的最初提出是在 Oracle 9i R2，在段（表，索引，分区）没有分析的情况下，为了使 CBO 优化器得到足够的信息以保证做出正确的执行计划而发明的一种技术 我们使用动态采样来看一下 ? dynamic sampling used for this statement (level=2) 在 Oracle 10g 以后默认对没有分析的段做动态采样。 ---- Level 10 采样的表包含满足 Level 9 定义的所有表，同时对表的所有数据进行动态采 样。 采样的数据块越多，得到的分析数据就越接近与真实，但同时伴随着资源消耗的也越大。 动态采样发生在硬分析时，如果很少有硬分析发生，动态采样的意义就不大.
70620发布于 2021-08-16 - 来自专栏人工智能与演化计算成长与进阶
动态多目标优化研究综述
本文对动态多目标优化的研究进行了比较 全面的综述，具体内容包括：（1）本文介绍了动态多目标优化的相关理论背景；（2）本文介绍了动态多目标优化问题的分类 并对现有的测试函数进行归纳总结；（3）在对动态多目标优化问题的一般解决方案作简单分析的基础上本文详细讨论了动态 多目标优化算法的研究现状；（4）本文还对动态多目标优化算法的性能评价指标进行了归类介绍；（5）本文通过实验对比了 主流动态多目标优化算法的性能；（6）本文总结了动态多目标优化算法的一些实际应用案例；（ 近年来，越来越多的学者开始关注动态多目标 优化问题的研究，这是因为动态多目标优化具有重 要的理论研究价值，并且动态多目标优化在现实生 活和工业生产的许多方面都具有非常广泛的应用 前景，下面简单地列举几个动态多目标优化算法的 本文主要介绍了动态多目标优化的相关理论 背景及动态多目标优化问题的分类、动态多目标优 化算法的研究现状以及性能评价指标、主流动态多 目标优化算法的性能对比及动态多目标优化算法 的实际应用案例，在以上内容的基础上本文总结了 作者 仅测试了算法在FDA1上的性能，也证明了在FDA1 上预测是有效的，但是作者也表明可以采用其它的 预测模型来解决复杂的优化问题，比如人工神经网 络，贝叶斯模型等，并且可以研究不同的预测模型 所适合的问题类型
3.8K40发布于 2021-06-09 - 来自专栏HAUE_LYS'Blog
动态规划专题——背包模型
数据范围 1≤T≤10, 1≤N≤100, 1≤Si≤100, 1≤Ei≤105, 0≤Li≤105 输入样例： 3 4 20 10 1 5 30 5 100 30 1 5 80 60 3 10 4 1000 10 3 1000 10 8 1000 2 12 300 50 5 200 0 输出样例： Case #1: 105 Case #2: 8 Case #3: 500 思想 贪心 + 即dp[i][j] = max(dp[i - 1][j], dp[i][j - v[i]] + w[i])，与k取值无关 由此k层循环可以被优化掉 进一步优化，发现更新方式同01背包： 01背包：dp 数据范围 n≤15,m≤3000 输入样例： 3 10 1 2 5 输出样例： 10 思想 货币的数量不限，转化为完全背包问题 状态表示： 集合：dp[i][j]表示前i种货币，选择的面值恰好等于 数据范围 0<N≤1000, 0<M≤500, 0<K≤100 输入样例1： 10 100 5 7 10 2 40 2 50 1 20 4 20 输出样例1： 3 30 思想 状态表示： 集合
1.3K10编辑于 2022-09-19 - 来自专栏Reck Zhang
Java 10 - 内存模型
内存模型 主存储器与工作存储器 主存储器 方法区(Method Area) 方法区用于存储类的信息, 常量, 静态变量, 即时编译器编译后的代码. 栈(Java Virtual Machine Stacks) 代表着Java方法执行的内存模型, 每个方法执行时都会创建一个栈帧来存储方法的变量表, 操作数栈, 动态链接方法, 返回值, 返回地址等信息
37820发布于 2021-08-11 - 来自专栏FunTester
动态模型中嵌入静态模型实践
在之前的动态模型之动态增减【FunTester测试框架】中分享了动态的性能测试模型的实现，后面在实际工作中也是受益匪浅，有文为证动态压测模型让工作更轻松。 相对一段时间来说只有一些简单的功能： 设置步长 增减步长 终止测试 很长一段时间内都够用了，但是随着测试的深入，可能需要执行更多动态用例，如果靠人力一个个输入会比较麻烦。 这个时候我又想起来了静态模型的好处来。就是过程不需要中途干预，可以按照预定的测试计划执行。 那么问题来了，如何才能将动态模型和静态模型结合在一起呢？ 经过权衡，还是将静态的模型融入动态模型比较方便，毕竟还是先启动再说，后续过程随意设置参数调整压力比较方便。 思路 非常简单，就是在异步线程中增加对命令的支持即可。 这里我以动态QPS模型为案例，修改异步控制器。
37520编辑于 2022-12-09 - 来自专栏AI工程落地
Mxnet模型性能优化
导语：模型优化有很多方法，比如模型压缩、模型剪纸、转tensorrt等。本文讨论mxnet模型tesorrt优化，主要解决动态batch、Op不支持问题。 1. 3.1 支持动态batch mxnet没有dynamic_axes可以配置，此时转好的模型batch固定为1。 ONNX中对shape的处理，可以为text，所以我们可以直接修改onnx模型去支持动态batch。 ： [不支持动态batch] 修改后模型结构： [支持动态batch] 3.2 PRelu参数修改 报错如下： [TensorRT] ERROR: relu0_1: slope tensor must onnx_simp_file = "face_recg_simp.onnx" engine_file = "face_recg.trt" max_batch_size = 16 max_ws = 10
71420编辑于 2022-02-25 - 来自专栏AI人工智能
深度学习模型优化
但是，如果你愿意花费时间和精力，那么通过使用贝叶斯优化，你的模型效果将大大提升。 贝叶斯优化 与我们迄今为止看到的其他方法不同，贝叶斯优化使用了算法的先前迭代的知识。 本质上，左侧表示将超参数映射到模型的度量的真实函数（如验证准确性，对数似然，测试错误率等）的概率为Fn(X)，给定一些样本数据Xn等于右侧的式子。 现在我们有了优化函数，就开始进行优化吧。 Colab Notebook上画的LR范围测试图（CIFAR10上训练的DenseNet）： Colab Notebook https://colab.research.google.com/gist/ iyaja/988df5818fd887cc7542074ea2bfb74e/fastai-imagefolder-playground.ipynb 在CIFAR10数据集上训练的DenseNet 201 一旦找到最佳模型，Nanonets就会把它放在云端，以便你使用其Web界面测试模型，或使用两行代码将其集成到你的程序中。 跟不完美模型说拜拜吧。 结论 在本文中，我们讨论了超参数和一些优化它们的方法。
80120发布于 2019-05-06 - 来自专栏量化投资与机器学习
投资组合优化模型
投资组合优化方面的文献已经有数十年的历史了。在今天的推文，我们将介绍一些传统的投资组合优化模型。总体目标是从考虑的所有可能的具有定义的目标功能的投资组合中选择资产的投资组合。 2 比较投资组合优化 全局最小方差投资组合 全局最小方差投资组合 ? 是一种资产组合，它为我们提供尽可能低的收益方差或投资组合波动性。 我们的目标是希望从模型中找到最佳权重，从而使我们的风险最小化。 下面的问题包括我们的Minimisation问题 ? quad_form函数采用 ? 我们可以使用R中的Disciplined Convex Programming(CVXR)包，其中: 分析问题 检验凸性 将问题转化为规范形式 解决问题 我们希望从模型中找到最佳权重，以使我们的风险最小化 4 结果分析 有8种不同的投资组合优化模型。将所有数据汇总在一起，可以更快速地检查结果。 ? ? ? 从图中可以看出，全局最小方差投资组合显示出投资组合收益的最低波动性。
2.2K21发布于 2020-02-20 - 来自专栏生活不止眼前的代码
SpringDataJPA笔记(10)-动态设置表名
SpringDataJPA笔记(10)-动态设置表名 在实际使用中可能会遇到需要动态设置表名的情况，特别是通常在后台管理系统里面，总有一些相似的功能需要抽象出来写一些公共的方法，以减少代码开发量，降低重复劳动
2.5K30发布于 2020-03-24 - 来自专栏CVer
旷视揭秘大模型训练神器！看 MegEngine 如何实现动态图显存优化
二 动态图显存优化与 DTR 策略 2.1 动态图显存优化 对于动态图的显存优化，相比静态图，最明显的变化是，动态图无法提前获得全局的计算图信息。 下面是 MegEngine 框架上开启不同显存优化的训练耗时对比，baseline 是在动态图模式下不加任何显存优化运行的结果。 对于这种网络，在动态图里实现会比较自然。因此，这里只取了动态图 DTR 优化的结果与 Baseline 比较。 比如下图在 ResNet-50 上，batchsize=400 时，动态分配显存的峰值为 9595MB，静态分配显存的峰值为 8549MB，降低了 10% 左右。 更宏观地，我们希望抽象出一套同时适用于静态图和动态图的显存优化策略，如下图所示： ?
1.3K40发布于 2021-06-09 动态张量运算自动优化技术突破
动态张量运算的自动优化深度学习模型核心依赖于张量运算——矩阵的高维扩展版本，这些运算可能重复数万次。 尽管速度大幅提升，DietCode还改善了生成代码的性能：相比先前自动调度器提升最高达70%，相比现有张量运算库中手动优化代码提升最高达19%。这有望加速客户的动态形状机器学习工作负载。 动态工作负载处理任意长度文本字符串的NLP模型是动态设计模型的典型代表，允许可变尺寸输入。但其他应用也需要动态工作负载，例如神经架构搜索通过不同形状组件构建深度学习架构，这需要操作不同形状张量。 某些模型（如BERT语言模型）在网络不同层应用相同操作，这些层具有不同数量的节点。微内核技术自动调度器通常依赖计算内核——程序模板能极大加速不同候选优化的评估速度。 获得优化的微内核后，训练高效决策树模型将工作负载形状映射到微内核。该决策树被集成到执行张量操作的二进制文件中，将任意形状的输入路由到适当的微内核进行处理。关于实验结果和更多细节，请参阅相关论文。
15710编辑于 2025-08-25
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