- 综合排序
- 最热优先
- 最新优先
- 来自专栏Soul Joy Hub
《deep learning》学习笔记（8）——深度模型中的优化
在深度学习，尤其是深度神经网络的训练和预测中，大的模型往往要花上数天甚至是数月的训练时间，因此虽然模型的优化费事费力，仍然是一个高回报的步骤， 因为好的模型和优化方法可以极大的加速深度学习模型的训练。 假设 W 有特征分解： [图片上传失败…(image-d333b8-1524449135535)] 当特征值 lambda_i 不在 1 附近时，若大于1，则会爆炸，若小于1，则会消失。 与之对比，SGD收敛的一个充分条件是： [图片上传失败…(image-1092d6-1524449135535)] [图片上传失败…(image-8ae940-1524449135535)] 这种方法只适用于全批量优化中。本节将介绍最近提出的几种基于小批量的算法来自适应模型参数的学习率。 ? 8.5.4 选择正确的优化算法 本节以上部分讨论了一系列通过自适应每个模型参数的学习率以解决优化深度模型中的难题，究竟在实践中该如何选择并没有定论。
1.2K50发布于 2019-02-13 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）。 Step3：动态迭代每间隔设定时间（如8小时）自动执行一次上述计算，生成“当前机油剩余寿命百分比”。当剩余寿命低于15%时，系统向车队经理和司机端同步推送预警工单，并推荐最佳进站时间和最近服务站。 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Ethereum
《纸上谈兵·solidity》第 44 课：DeFi 实战(8) -- 利率曲线与资金池优化（动态利用率模型）
1、学习目标 理解 资金利用率（Utilization Rate, U） 概念 掌握 动态利率模型（线性 / 分段 / 曲线） 通过代码实现利率自动调整机制 编写 完整测试 验证资金利用率、借贷利率、存款收益随资金变化的联动 end{cases} 存款利率则由借款利率乘以利用率再乘以储备系数得出： R_d = R_b \times U \times (1 - reserveFactor) 4、Solidity 实现：动态利率模型 tests passed, 0 failed, 0 skipped (8 total tests) 6、优化与扩展思路 模型类型 特点 使用项目 优缺点 实战优化建议： 自动再平衡：当利用率过高时，动态提高借款利率，引导还款； 资金池隔离：不同资产采用不同利率曲线； 治理参数：通过 DAO 投票修改利率参数； 费率上限：防止极端市场时利率飙升。 分段利率曲线 DeFi 主流实现（Aave、Compound） 协议优化方向 利率自调、隔离池、治理参数 8、课后作业 修改 InterestRateModel，支持 三段式利率模型
33210编辑于 2025-10-12 - 来自专栏cwl_Java
性能优化-Tomcat8优化
1、Tomcat8优化 tomcat服务器在JavaEE项目中使用率非常高，所以在生产环境对tomcat的优化也变得非常重要了。 1.1 Tomcat配置优化 1.1.1、部署安装tomcat8 下载并安装： https://tomcat.apache.org/download-80.cgi ? 推荐使用nio，不过，在tomcat8中有最新的nio2，速度更快，建议使用nio2. 注意：这里在测试时，我们使用一个新的tomcat，进行测试，后面再对其进行优化调整，再测试。 1.5、调整JVM参数进行优化 接下来，测试通过jvm参数进行优化，为了测试一致性，依然将最大线程数设置为500， 启用nio2运行模式。
1.6K20发布于 2020-02-13 - 来自专栏算法工程师的学习日志
Simulink建模与仿真（8）-动态系统模型及其Simulink表示（离散系统模型及表示）
在实际的系统中，必须指定系统的采样时间，只有这样才能获得离散系统真正的动态性能。 线性离散系统 对于任何系统而言，系统的描述都可以采用抽象的数学形式来进行描述。 这里给出几个比较常用的函数： % 将系统传递函数模型转化为零极点模型 [zeros,poles,k]=tf2zp(num,den) % 将系统零极点模型转化为传递函数模型。 这里给出它与传递函数模型、零极点模型相互转化的函数命令： % 将系统状态空间模型转化为零极点模型 [zeros,poles,k]=ss2zp(F,G,C,D) % 将系统零极点模型转化为状态空间模型 [F,G,C,D]=zp2ss(zeros,poles,k) % 将系统状态空间模型转化为传递函数模型 [num,den]=ss2tf(F,G,C,D) % 将系统传递函数模型转化为状态空间模型 解：将传递函数模型转化为零极点模型： >> num=[2 -1 -5]; >> den=[1 3 6 2]; >> [zeros,poles,k]=tf2zp(num,den) 结果为： zeros =
2.3K10编辑于 2023-09-18 - 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
动态加载机制运用动态链 接的原理使得系统具有动态的加载和动态解析的能力，模块只有在被调用执行时才被链接，进入系统执行。 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 import java.util.ArrayList; import java.util.List; import java.util.concurrent.ExecutorService; /** * 动态压测模型的启动类 INFO-> main 当前用户：oker，工作目录：/Users/oker/IdeaProjects/funtester/,系统编码格式:UTF-8,系统Mac OS X版本:10.16 INFO->
55720发布于 2021-11-19 - 来自专栏开源部署
Tomcat-8 Manager动态部署
tomcat8 安装请参考： http://www.linuxidc.com/Linux/2014-10/108065.htm。 点击左边的Tomcat Manager链接，提示输入用户名和密码，本文都是coresun，然后可以看到以下页面： 将项目导出为war包,点击“选择文件”，将war加入进去，点击Deploy，至此动态部署完成
38310编辑于 2022-07-03 - 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
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 对于一组数1,2,4,8,16,32，每个数只使用一次，可以凑成如下的数： 用1,2可以凑出3，即1,2可凑出1\sim 3之间的任意数 则用1,2,4可以凑出1\sim 7之间的任意数 则1,2,4,8 可以凑出1\sim 15之间的任意数 则1,2,4,8,16可以凑出1\sim 31之间的任意数 则1,2,4,8,16,32可以凑出1\sim 63之间的任意数 综上，使用2^0,2^1,2^2,\dots 15，故需添加一个数2(17-15)，来凑到17 即用1,2,4,8,2即可凑出1\sim 17之间的任意一个数 对于第i个物品，体积为v[i]，价值为w[i]，共有s[i]件 由二进制优化，我们可以将 使用多次的用二进制优化捆绑 使用无限次的按照背包的最大空间调整使用次数，再用二进制优化捆绑 代码 #include <bits/stdc++.h> using namespace std; const
1.3K10编辑于 2022-09-19 - 来自专栏全栈程序员必看
tomcat8 JVM 优化
-XX:NewSize：设置年轻代大小 -XX:PermSize：设置永久代大小 -XX:MaxPermSize：设置最大永久代大小 JVM内存模型 1.1、Java栈 Java栈是与每一个线程关联的 1.3、Java 的内存模型 a、Young，年轻代（易被 GC） Young 区被划分为三部分，Eden 区和两个大小严格相同的 Survivor 区，其中 Survivor 区间中，某一时刻只有其中一个是被使用的 如果服务器只运行一个 Tomcat： 机子内存如果是 8G，一般 PermSize 配置是主要保证系统能稳定起来就行： JAVA_OPTS="-Dfile.encoding=UTF-8 -server 2 -XX:+DisableExplicitGC" 机子内存如果是 16G，一般 PermSize 配置是主要保证系统能稳定起来就行： JAVA_OPTS="-Dfile.encoding=UTF-8 2 -XX:+DisableExplicitGC" 机子内存如果是 32G，一般 PermSize 配置是主要保证系统能稳定起来就行： JAVA_OPTS="-Dfile.encoding=UTF-8
90011编辑于 2022-08-28 - 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Python与算法之美
8，模型的训练
根据问题特点选择适当的估计器estimater模型： 分类(SVC,KNN,LR,NaiveBayes,...) 回归(Lasso,ElasticNet,SVR,...) 一，分类模型的训练 ? ? ? ? ? ? ? ? ? 二，回归模型的训练 ? ? ? ? ? ? ? ? 三，聚类模型的训练 KMeans算法的基本思想如下： 随机选择K个点作为初始质心 While 簇发生变化或小于最大迭代次数： 将每个点指派到最近的质心，形成K个簇 重新计算每个簇的质心 ? ，最后一个estimator可以是任意类型（transformer，classifier，regresser） 管道本身可以看成一个超级estimater,可用GridSearchCV等方式进行超参数优化 可以结合FeatureUnion 和 Pipeline 来创造出更加复杂的模型。 ?
82031发布于 2020-07-17 - 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 - 来自专栏AI人工智能
深度学习模型优化
来源商业新知网，原标题：如何优化深度学习模型 看过了各式各样的教程之后，你现在已经了解了神经网络的工作原理，并且也搭建了猫狗识别器。你尝试做了了一个不错的字符级RNN。 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。 以下是使用最佳学习速率时大致可以获得的收敛速度（来自Notebook的示例）： Notebook https://colab.research.google.com/gist/iyaja/ef385db236775f881af0056d1ae8c477 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
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