- 综合排序
- 最热优先
- 最新优先
- 来自专栏奇点大数据
话说量化（3）
这简直就像是驱使着世界上所有的分子向一个固定方向运动一样困难，这种假设也只能是打打嘴炮，根本不可能成立的。 这就是市场，供需决定价格。只要供需都充分，没有人能够轻易操纵它。
40310发布于 2018-09-14 - 来自专栏量子化学
利用MOKIT从PySCF向其他量化程序传轨道
近期笔者和另一开发者wsr在MOKIT程序中加入了fchk(),py2molpro,py2molcas,py2qchem等模块，可用于从PySCF程序向其他量子化学程序传递分子轨道。 （为什么不用Gaussian算完了传轨道给其他程序：因为Gaussian是商业收费程序，有的课题组/机构没买） （3）自己基于PySCF开发新方法，无现有程序对应，但希望正确地传轨道至下一个量化程序进行后续计算 3. 注意Windows预编译版不支持本文功能，内含的是Gaussian与其他量化程序传轨道的小程序。
2K20编辑于 2022-12-07 - 来自专栏量子化学
利用MOKIT从ORCA向其他量化程序传轨道
本文介绍如何使用MOKIT从ORCA向其他量化程序传轨道，有以下可能的用途： （1）在ORCA中进行了RIJK或RIJCOSX加速的大体系HF/DFT计算，想传轨道给其他程序进行后续计算，或想产生fch （3）在ORCA中进行了CASSCF计算，想传CASSCF轨道给其他程序进行后续计算（例如MC-PDFT）。 defgrid3表示使用尽可能高的COSX格点。 若读者在计算中使用全电子基组，自然无此问题；若用了赝势，按上文操作产生其他量化程序的文件不会含赝势信息，即使轨道系数正确，SCF也会剧烈振荡。这里笔者推荐一种解决办法： Step 1. 以防覆盖 mkl2fch ZnMe2_o.mkl # 将轨道传回ZnMe2_o.fch 后续可以使用fch2inp，fch2inporb，fch2com，bas_fch2py等小程序传给其他量化程序做计算
2K20编辑于 2023-09-03 - 来自专栏量化投资与机器学习
3·15特刊：打假量化圈
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。 今天是3月15日，公众号为全网Quant带来一期特别策划内容——量化圈的那些割韭菜的人和事。 希望大家以后避免踩雷！ 『假』 大师 这一趴真的不想给很多人蹭热度！ 总结下来就是：太多了！ 『假』 培训 随着量化投资的普及，培训市场也是闻风而动，四面开花。朋友圈时不时的出现这样的分享及广告：9.9元Python量化入门到精通，9.9元人工智能量化培训，9.9元量化实战送100套策略。 入门； 3、借人工智能的幌子：讲一讲几个Python的机器学习工具包，就说自己是人工智能量化培训； 4、以数字币为标的：介绍一下个交易所的API接口，无意间给学员植入数字币量化致富的概念。 『假』 书籍 市面上的量化书籍太多了，太乱了，太无耻了...... 打开京东搜索“量化”，乱七八糟扑面而来！有种向地摊文学靠拢的迹象。
56020编辑于 2022-03-15 - 来自专栏Linyb极客之路
向nexus3私服上传jar包
一般向私服上传jar包有三种方法: 直接浏览器 cmd模式 IDE集成环境 准备环境 1.创建3rd_part库 使用默认用户admin/admin123登陆 点击左侧的repository\repositories 后,在右侧点击create repository 然后选择maven2(hosted),填写如下 跳到首页后选择maven-public 将3rd_part移到member中,即将3rd_part 交由maven-public管理，点击save 至此,创建仓库完成 2.创建3rd_part管理用户 创建用户: 用户名/密码-dev/dev123 直接浏览器 使用dev/dev123登陆，点击 / -DrepositoryId=deployment --settings E:\installed\mavenRepository\settings-private.xml 其中-Durl即3rd_part maven-snapshots/com/sijing/yjyuan/nexus-upload/1.0-SNAPSHOT/nexus-upload-1.0-20180303.072618-1.jar (3
4.9K20编辑于 2022-03-10 - 来自专栏python3
python向打印机发送数据（3）--
lines2 = f.read() f.close() lpt_data_printer("lines",lines2) elif count%6==3: f = open(r"D:\test\FP00003.txt") lines3 = f.read() f.close() lpt_data_printer ("lines",lines3) elif count%6==4: f = open(r"D:\test\FP00004.txt") lines4 = f.read
1.8K20发布于 2020-01-08 - 来自专栏机器之心
基于重排序的新量化方法RPTQ：实现大型语言模型的 3 比特量化
该工作首次将 LLM 模型的激活量化推向 3 比特。激活值的 3 比特量化同时也能与权重的 3 比特量化共同使用，大幅度降低了大型欲言模型的开销。 最近，GPTQ 使用 PTQ 成功地将 LLMs 的权重量化为 4 bit 或 3 bit。然而，对 LLMs 中的激活进行量化仍然是一项具有挑战性的任务。 图 3：一重排权重和激活的量化 Transformer 层的推断过程失意图。重排索引用符号 R1 到 R5 表示。 如图 3 所示，作者重新排序线性层的权重，使它们能够直接按照排序顺序产生激活。此外，作者修改了 LayerNorm 的方法，使其能够直接产生重新排序的激活，从而省去了在推理过程中进行显式通道调整。 此外，作者还开发了一种新的量化方案，W4A4KV、W4A3KV 和 W3A3KV，只对主要内存的消耗 —— 键缓存和值缓存（Key/Value Cache）进行量化。
1K20编辑于 2023-04-11 - 来自专栏罗西的思考
PyTorch如何实现前向传播(3) --- 具体实现
[源码解析] PyTorch如何实现前向传播(3) --- 具体实现 目录 [源码解析] PyTorch如何实现前向传播(3) --- 具体实现 0x00 摘要 0x01 计算图 1.1 图的相关类 1.2 本系列前几篇连接如下： 深度学习利器之自动微分(1) 深度学习利器之自动微分(2) [源码解析]深度学习利器之自动微分(3) --- 示例解读 [源码解析]PyTorch如何实现前向传播(1) --- 使用步骤 3 中的新Variable实例（就是前向计算的结果 Q）来初始化 SubBackward0 实例的 input_metadata_， 这样，就得到了如何进行 Q 的反向传播，但此时只是得到了如何计算 3）再将 前向计算 & 与反向传播 联系起来 ：前向运算之后得到新的Variable，这个就是 Q，使用步骤2) 中的 SubBackward0 实例初始化 Q 的 autograd_meta_->grad_fn 使用步骤3中的Variable实例来初始化 SubBackward0 实例的 input_metadata_， 3）前向运算后得到新的Variable result，使用Variable::Impl进行构建
1.8K10发布于 2021-10-26 - 来自专栏HappenLee的技术杂谈
ClickHouse源码笔记3:函数调用的向量化实现
分享一下笔者研读ClickHouse源码时分析函数调用的实现，重点在于分析Clickhouse查询层实现的接口，以及Clickhouse是如何利用这些接口更好的实现向量化的。 (当前ClickHouse不支持使用Explain语句来查看执行计划，这个确实是很蛋疼的~~） ClickHouse的执行PipeLine 这里分为了3个流 ExpressionBlockInputStream block.columns(); block.insert({ nullptr, result_type, result_name}); 3. 计算的最终结果 3.要点梳理 第二小节梳理完成了一整个函数调用的流程，这里重点梳理一下实现向量化函数调要点： ClickHouse的计算是纯粹函数式编程式的计算，不会改变原先的列状态，而是产生一组新的列 (这里可以打开gcc的编译flag:-fopt-info-vec或者clang的编译选项：-Rpass=loop-vectorize来查看实际源代码的向量化情况) 4.
2.5K30发布于 2021-02-22 - 来自专栏生信入门课
生信入门课DAY3--向逸一
1、将miniconda下载到服务器上wget +下载链接（下载链接https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3- latest-Linux-x86_64.sh）2、安装minicondastep1:安装bash Miniconda3-latest-Linux-x86_64.sh （按提示操作，直至thank you for installing Miniconda3)step2：激活source ~/.bashrc（验证激活，输入conda出现满屏信息代表激活成功） 如果激活不成功，删除文件（rm -r /home /bio06/miniconda3），重新安装3、添加镜像# 使用中科大的镜像conda config --add channels https://mirrors.bfsu.edu.cn/anaconda condastep1：查看当前服务器上安装的所有软件列表conda liststep2：安装软件conda install fastqc -y 【-y是yes，安装过程中conda问你的问题全部回答yes】step3：
55650编辑于 2023-02-09 - 来自专栏友人a的笔记丶
Vue2向Vue3过渡，持续记录
vue3 不同构建版本 Vue3中不再构建UMD模块化的方式，因为UMD会让代码有更多的冗余，它要支持多种模块化的方式。 Vue3中将CJS、ESModule和自执行函数的方式分别打包到了不同的文件中。在packages/vue中有Vue3的不同构建版本。 作为配置项使用：https://v3.cn.vuejs.org/guide/component-provide-inject.html 组合式API中使用：https://v3.cn.vuejs.org 的改变 官方文档：https://v3.cn.vuejs.org/guide/migration/v-model.html#%E4%BD%BF%E7%94%A8-v-bind-sync 在 3.x 中， 在这些情况下，可以通过向根元素添加 v-once 指令来确保只对其求值一次，然后进行缓存，如下所示： app.component('terms-of-service', { template: `
8.2K40编辑于 2023-02-17 - 来自专栏编程
3分钟带你学会git向github推送！
学习并使用了一段时间git之后，想着自己当初摸黑入门的坎坷，就想着把git向github推送的入门使用写下来，希望可以帮助大家，当然，不得不推荐廖神（廖雪峰大神的git教程，通俗易懂，大家去看看） 注意 点击， 会出现一个页面，让你添加一个新的 SSH，其中的title可以随意命名， 将刚才复制的SSH粘贴到底下的文本框中，再点击add ssh key; 我们成功的连接到了本地； 第八步：从本地向远程推送 现在本地库和远程库已经连接上了； 我们可以在编辑一个文件 learngit.txt 添加到本地库中，提交到分支master上，然后开始向远程库推送； 依次输入命令： vim learngit.txt（ 每次提交之后，github你的主页会有 一个表格来展示你的提交，不同深度的绿色代表你提交文件的多少，效果如下： git 向 github的推送小白教程就到这里了，有错误还请大家指出~
1K70发布于 2018-01-24 - 来自专栏各类技术文章~
vue3了，试试轻量化的Vuex -- Pinia？
vue3了，试试轻量化的Vuex -- Pinia？ 一， pinia介绍 Pinia 是 Vue.js 的轻量级状态管理库，最近很受欢迎。 它使用 Vue 3 中的新反应系统来构建一个直观且完全类型化的状态管理库。 Pinia的成功可以归功于其管理存储数据的独特功能(可扩展性、存储模块组织、状态变化分组、多存储创建等)。 ，安装使用Pinia 在项目根目录中打开终端，输入以下命令 yarn add pinia@next # or with npm npm install pinia@next // 该版本与Vue 3兼容 webkit-font-smoothing: antialiased; -moz-osx-font-smoothing: grayscale; text-align: center; color: #2c3e50 webkit-font-smoothing: antialiased; -moz-osx-font-smoothing: grayscale; text-align: center; color: #2c3e50
1.8K50发布于 2021-11-04 - 来自专栏韩曙亮的移动开发专栏
【Cubase】Cubase 量化设置 ( 量化预置 | 长度量化 | 快捷键设置 | 量化开头 | 量化 MIDI 事件结尾 | 量化 MIDI 事件长度 )
文章目录 一、要解决的问题 二、量化预置 三、长度量化 四、快捷键及设置 1、快捷键及设置 2、量化开头 3、量化 MIDI 事件结尾 4、量化 MIDI 事件长度 五、对 MIDI 进行量化操作 本博客中的所有设置都是在 ; 三、长度量化 ---- 长度量化 参数设置 : 在下图 处设置长度量化 , 如果设置成 " 1/16 " , 那么使用鼠标拖动时 , 音符的长度只能是 16 分音符的整数倍 ; 上述的 量化预置 ; 2、量化开头 量化开头 : 默认按键 " Q " 是量化开头 ; 将所有音符的开始位置对齐到 " 量化预制 " 对应的格子中 ; 该设置是系统自带的 , 不建议修改 ; 3、量化 MIDI 事件结尾 量化 MIDI 事件结尾 : 首先选中左侧的 " 量化类别 / 量化 MIDI 事件结尾 " , 点击右侧的 " 输入快捷键 " 下方的输入框 ; 输入快捷键后 , 点击 " 指定 " " 快捷键 , 量化音符长度 , 此时音符都排列整齐了 , 音符开头和音符长度进行了量化 , 音符结尾自然也进行了量化 ;
4.8K00编辑于 2023-03-28 构建高确定性融合创新底座：驱动政企架构从“可用”向“好用”的量化演进
专属云架构演进与多级算力融合 将传统虚拟化平台向云原生专属云演进，提供从IaaS到PaaS的产品交付： 部署形态全覆盖：提供建设区域行业云平台（TCE，具备全栈自主供应与多地多活）、私有化PaaS平台（ 多级算力调度：系统性支持裸金属（自研HostOS）、VM虚拟机、KubeVM轻量化虚机以及云原生容器，通过多级算力融合替代传统VMWare架构。 2. 3. 办公协同层面的私有化深度集成 以企业微信作为移动协同办公的统一底座与鉴权入口（统一3A管理），底层通过专有连接能力，深度打通腾讯会议（最高支持2000人超大会议与AI纪要）与腾讯文档（最高支持200人同时协作 ，在实际应用场景中实现了量化的业务指标提升： 计算资源ROI指标：通过服务质量监控与算力隔离，通用算力资源利用率实现 提升200%+；GPU容器部署密度实现 提升200%+。
18510编辑于 2026-05-30- 来自专栏联远智维
轻量化设计在3D打印中的应用
3D打印通过逐层叠加原材料的方式，可以实现传统制造业难以解决的个性化、复杂的、高难度的制造难题，是传统制造技术的一次重要革命，广泛应用于汽车、航空、航天、医疗、教育、电子产品等领域，如下图所示。 其中，采用3D 打印方法进行产品设计所包含的关键技术主要有：1、选用何种打印材料，采用何种打印机（打印原理），如何能够降低成本？2、如何进行产品结构设计，得到所需要的三维模型？ 打印机在打印金属、软胶等特殊材料的过程中具有较高的成本，成为限制该技术向消费者广泛推广的重要因素。 于此同时，3D打印与打印件的重量有直接的关系，因此，设计阶段采用轻量化结构设计，指导产品结构的选型，相关参数的选取，进而降低打印件的质量，提高打印件的性价比，对该技术的推广具有重要的意义。 例如：需要设计一款台灯支架，具体要求为：1、能够作为具有一定的刚度；2、台灯发光过程中具有部分热量辐射到支架上，使之温度升高（具有一定耐温性）；3、尽可能实惠。
2.1K20编辑于 2022-01-20 - 来自专栏DrugScience
超量化合物库筛选策略–P3
上期回顾： 超量化合物库筛选策略–P1 超量化合物库筛选策略–P2 具体步骤： 3. Chemical Science 10, 370–377 (2019). doi: 10.1039/c8sc04228d [3] https://github.com/open-reaction-database
69720编辑于 2022-05-17 Python 量化
Python 量化是指利用 Python 编程语言以及相关的库和工具来进行金融市场数据分析、策略开发和交易执行的过程。 Python 由于其简洁、易学、强大的生态系统和丰富的金融库而成为量化交易的首选编程语言之一。 量化交易在金融领域得到广泛应用，它允许交易者通过系统性的方法来制定和执行交易策略，提高交易效率和决策的科学性。 量化主要是通过数学和统计学的方法，利用计算机技术对金融市场进行量化分析，从而制定和执行交易策略。 更多 Python 量化内容可以查看：Python 量化交易。 实例应用 接下来我们先看一个 Python 量化简单的应用实例，可以使用移动平均策略，使用雅虎金融数据来实现。 该策略的基本思想是通过比较短期和长期移动平均线来生成买入和卖出信号。
53810编辑于 2025-12-16- 来自专栏图像处理与模式识别研究所
图像量化
from skimage import data from matplotlib import pyplot as plt image=data.coffee()#原始图像 ratio=128#设置量化比率 range(image.shape[2]):#图片通道数 image[i][j][k]=int(image[i][j][k]/ratio)*ratio#对图像中的每个像素进行量化 本文的图像量化过程是将256级的彩色图像量化到2级的彩色图像。 量化等级越多，量化比率越低，所得图像层次越丰富，灰度分辨率越高，图像质量好，但数据量大；量化等级越少，量化比率越高，图像层次欠丰富，灰度分辨率低，可能会出现假轮廓，图像质量变差，但数据量较小。 图像量化的作用是在一定主观保真图像质量的前提下，丢掉对视觉影响不大的信息，以获得较高的压缩比。
84620编辑于 2022-05-28 - 来自专栏机器学习、深度学习
模型量化
下图显示不同量化策略对速度的提升影响 ? 量化卷积过程 ? 加速策略： AND, XOR and bitcount operations 训练过程 ? 分类性能对比 ?
94810发布于 2019-05-26
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