- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据科学（冷冻工厂）
PyTorch 模型性能分析和优化 - 第 6 部分
玩具模型 为了方便我们的讨论，我们使用流行的 timm python 模块（版本 0.9.7）定义了一个简单的基于 Vision Transformer (ViT) 的分类模型。 我们将模型的 patch_drop_rate 标志设置为 0.5，这会导致模型在每个训练步骤中随机丢弃一半的补丁。 优化建议：尽可能使用索引而不是收集 现在我们知道问题的根源在于 DropPatches 模块的 torch.gather 操作，我们可以研究长主机设备同步事件的触发因素可能是什么。 结果 在下表中，我们比较了在不同场景下训练玩具模型的性能结果： 在我们的玩具示例中，优化虽然可衡量，但影响不大——性能提升约 2%。 请务必查看我们在媒体上发布的其他帖子，其中涵盖了与机器学习工作负载的性能分析和性能优化相关的各种主题。
70920编辑于 2023-10-22 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）。 +每5000公里油样抽检测试组执行力猛动态保养模型，换油时机完全由算法决策，不做人为干预。 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- 来自专栏房东的猫
《Elasticsearch 源码解析与优化实战》第6章：数据模型
QUERY_AND_FETCH：对于查询仅涉及单个分片的场景，ES会自动对查询流程做优化，在数据节点进行Query Phase的最后，直接执行Fetch操作。此类查询为QUERY_AND_FETCH。 通过去除一轮任务调度优化查询性能，优化过程由ES自动完成，用户不感知。 我们把保持分片副本之间的同步，以及从中读取的过程称为数据副本模型(data replication model)。 Sequence IDs https://www.elastic.co/cn/blog/elasticsearch-sequence-ids-6-0 Es 从6.0 开始引入了 Sequence [ˈsiːkwəns 假设索引：website 有2个主分片和1个副分片，当分片website[0] 的序列号增加到5时，他的主分片离线，副分片被提升为新的主分片，对于后续写操作，序列号从6开始递增。
1.9K11发布于 2020-12-28 - 来自专栏大模型应用
大模型应用：情感分析模型微调深度分析：从基础预测到性能优化.6
引言 情感分析作为自然语言处理的基础任务，在社交媒体监控、产品评价分析、客户服务优化等领域发挥着重要作用。 今天我们将从实践角度出发，由浅入深地探讨情感分析模型微调后的深度分析方法，从而能够掌握模型评估与优化的完整流程。二、情感分析模型微调1. 这种深度分析为模型优化提供了明确方向，帮助我们构建更加可靠、鲁棒的情感分析系统。 实际微调过程中我们要保障数据质量，高质量、有代表性的数据比复杂的模型架构更重要，同时我们要在生产环境中持续监控模型性能，及时发现性能衰减，优化调整时理解模型的预测行为是优化的第一步，需要关注正确率之外的置信度 、概率分布等指标，形成系统性方法确保效果：建立完整的分析-诊断-改进循环，确保持续优化，并针对不同应用场景，调整分析重点和优化策略。
35233编辑于 2026-02-03 - 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mathor
枚举+优化（6）——双指针优化2
ans ans = s } } } print ans 这个算法的时间复杂度是O(NML)，NML是三个数组的长度，最大值都是10万，显然会超时 优化 ); } cout << ans; return 0; } 例4.题目链接：hihoCoder1607 思路 一般的暴力枚举这题肯定是过不了的，数据量太大，那我们就要想办法优化
62750发布于 2018-06-19 - 来自专栏喔家ArchiSelf
性能优化之动态加载
6. 前端系统的动态加载 对PHP 开发环境下MVC 模式的网站代码设计来说，分离的组织代码路径的获取是令人头疼，也是代码运行中最容易产生错误的地方。 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"; } 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python3
Python学习笔记6——动态类型
参考博客：Python进阶09 动态类型 Python深入06 Python的内存管理 都是非常棒的文章 其实这都是我前两天通过手机看的博客，感觉get到了新知识、新技能，今天早上挖的坑，因为上午有课（ 动态类型(dynamic typing)是Python另一个重要的核心概念。Python的变量(variable)不需要声明，而在赋值时，变量可以重新赋值为任意值。这些都与动态类型的概念相关。 动态类型 在我们接触的对象中，有一类特殊的对象，是用于存储数据的。常见的该类对象包括各种数字，字符串，表，词典。在C语言中，我们称这样一些数据结构为变量。而在Python中，这些是对象。 引用和对象分离，是动态类型的核心。引用可以随时指向一个新的对象： a = 3 a = 'at' 第一个语句中，3是储存在内存中的一个整数对象。通过赋值，引用a指向对象3。 从动态类型看函数的参数传递 函数的参数传递，本质上传递的是引用。
61720发布于 2020-01-19 - 来自专栏后端精进之路
JVM性能优化系列-(6) 晚期编译优化
6. 晚期编译优化 晚期编译优化主要是在运行时做的一些优化手段。 从而抵消了额外的编译时间开销. 6.4 编译优化技术 在即时编译器中采用的优化技术有很多，本节主要针对以下四种优化技术： 语言无关的经典优化技术之一：公共子表达式消除 语言相关的经典优化技术之一：数组范围检查消除 其基本行为是分析对象动态作用域：当一个对象在方法中被定义后，它可能被外部方法所引用，如作为调用参数传递到其他方法中，称为方法逃逸；被外部线程访问到，称为线程逃逸。 java语言是动态的类型安全语言，这就意味着虚拟机必须频繁地进行安全检查 java语言中虚方法的使用频率远远大于C/C++语言，导致即时编译器在进行一些优化时的难度要远大于C/C++的静态优化编译器 java语言时可以动态扩展的语言，运行时加载新的类可能改变程序类型的继承关系，导致许多全局的优化措施都只能以激进优化的方式来完成 java虚拟机中对象的内存分配都是在堆上进行的，而C/C++的对象则有多种分配方式
49410编辑于 2023-10-19 - 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iSharkFly
Confluence 6 性能优化 原
新的版本通常有更好的性能优化。 因没有足够内存避免 swapping 总是关注你服务器的交换（swapping）活动。 我们推荐你使用你熟悉的数据库，因为你能够更好的对数据库进行维护，这个可能相对你不熟悉的数据库来说，能更好的让你对数据库的性能进行优化。 数据库状态和查询分析 现代的数据库会基于你对数据库运行的查询历史来对查询进行优化。使用 SQL EXPLAIN 语句将会告诉你数据库查询的优化情况。 如果数据库查询命中率明显的不同，那么你需要考虑对数据库运行状态收集和优化。针对你数据库的版本不同，优化的版本和方向也会不同。 https://www.cwiki.us/display/CONF6ZH/Performance+Tuning
1.4K40发布于 2019-01-30 - 来自专栏每天晒白牙
IPv6定位优化
背景 随着 IPv6的推进，我们发现线上需要使用 IPv6 定位的流量已经达到了 8000 QPS。 此前我们并未对 IPv6 定位做任何缓存或者其它优化，这部分流量会直接请求定位服务，随着流量进一步提升可能触发调用量报警以及流控。 另外由于此前已经对 IPv4 进行了缓存，如果 IPv6 不做相应的优化，因为多了一次 RPC 请求，服务的响应时间会随着 IPv6 流量占比提升而变长。 inet6Address, Integer mask, Integer localId) { if (inet6Address == null || localId == null || localId 通过上述代码使用定位数据的每一行调用 put 方法即可完成前缀树的构建，下边看下构建好的前缀树如何进行查找： public Integer get(Inet6Address inet6Address)
94320发布于 2021-04-12 - 来自专栏量子位
如何优化ChatGLM-6B？一行代码就行 | 最“in”大模型
大语言模型的应用与微调优化必要性 ChatGPT 的横空出世开启了大语言模型 (LLM) 的普及元年，BERT、GPT-4、ChatGLM 等模型的非凡能力则展现出类似通用人工智能 (AI) 的巨大潜力 本文结合目前在中文应用场景中具有出色表现的开源预训练大模型 ChatGLM-6B，介绍如何通过对其开源 Prompt-tuning 代码进行极少量的修改，并结合第四代英特尔® 至强® 可扩展处理器[1] 基于英特尔® 架构硬件的微调优化方案 本文通过以下三个方面实现了基于第四代英特尔® 至强® 可扩展处理器的 ChatGLM 高效微调优化： 1、借助英特尔® AMX，大幅提升模型微调计算速度 AMX 是内置于第四代英特尔 在英特尔® 至强® CPU Max 系列产品上，结合之前的两项优化，我们可以通过以下命令行启动 ChatGLM-6B 微调： △图 7. 在拥有 32 个物理核的英特尔® 至强® CPU Max 9462 双路服务器上启动微调 优化结果 通过以上简单软、硬件综合优化，无须采用昂贵的 GPU 硬件，即可实现对 ChatGLM-6B 模型的高性能微调
70730编辑于 2023-09-08 - 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 ---- 动态采样的级别 Level 0 不做动态分析 ---- Level 1 Oracle 对没有分析的表进行动态采样，但需要同时满足以下 4 个条件。 ---- Level 5， 6， 7， 8， 9 采样的表包含满足 Level 4 定义的表，同时分别使用动态采样默认数据块的2， 4， 8， 32， 128 倍的数量来做动态分析。 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
输出样例： 3900 思想 01背包模板题 将优先度和花费的乘积视为价值 代码 #include <bits/stdc++.h> using namespace std; const int N = 1e6 = max(dp[j],dp[j - v[i]] + v[i]) 代码 #include <bits/stdc++.h> using namespace std; const int N = 1e6 ：dp[j] += dp[j - v[i]] 代码 #include <bits/stdc++.h> using namespace std; const int N = 1e6 + 3; int 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 0<N≤1000 0<V,M≤100 0<vi,mi≤100 0<wi≤1000 4 5 6 1 2 3 2 4 4 3 4 5 4 5 6 输出样例： 输出样例： 8 思想 状态表示
1.3K10编辑于 2022-09-19 - 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DotNet NB && CloudNative
使用 .NET6 打造动态 API
SDK 6.0.100-rc.2.21505.57 VS2022 Preview 7.0 地址 GitHub: https://github.com/known/ApiLite 目标 根据Service动态生成 接口的类 需要生成api的Service必须继承IService接口 GET请求的方法必须以Get开头 核心代码 主要是ApiFeatureProvider和ApiConvention这两个自定义类来动态生成 ApiConvention实现了IApplicationModelConvention接口，动态添加Action。 下面是主要代码，完整代码请在GitHub上下载。 AddDynamicApi(mvcBuilder, option);//添加动态api return builder; } private static void AddDynamicApi
1.3K20编辑于 2022-03-22 - 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 ： [旧slope模型结构] 修改后模型结构： [新slope模型结构] 4. onnx简化 from onnxsim import simplify model_onnx = onnx.load(onnx_path
71420编辑于 2022-02-25
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