- 综合排序
- 最热优先
- 最新优先
- 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 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 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AI机器学习与深度学习算法
机器学习入门 4-5 超参数
通过前面的小节，我们知道了kNN算法中k这个参数值，在sklearn中k这个值被封装成了k_neighbors参数。在前面我们随机的指定参数k的值，究竟k的值为多少的时候，模型才是最好的呢？这就涉及到了机器学习领域非常重要的问题~超参数问题。
77430发布于 2019-11-13 - 来自专栏Hank’s Blog
4-5 R语言函数 split
#split根据因子或因子列表将 向量或其他对象分组 #通常与lapply一起使用 #split(参数):split(向量/列表/数据框,因子/因子列表) > x <- c(rnorm(5),runif(5),rnorm(5,1)) > x [1] 0.61008707 0.81746169 -1.09859969 -1.78134612 -1.94262725 0.99760581 [7] 0.37793960 0.05258653 0.38525197 0.46051864 -0.
94540发布于 2020-09-16 - 来自专栏大前端_Web
javascript高级程序设计(4-5)章笔记
从一个变量向另一个变量复制引用类型的值，复制的其实是指针，因此两个变量指向同一个对象。
76640发布于 2018-09-27 - 来自专栏运维之路
【每日一思】2022年第4-5周
一直认为理想情况下的数据运营方法应该基于“贴源层数据-》指标（至少到带有主题的流水）-》洞察-》决策-》执行”的路线，这样才能减少返工的重复性工作量。
28920编辑于 2022-03-07 - 来自专栏iOS面试
iOS 面试策略之算法基础4-5节
前面介绍了数组、字典、字符串、链表、栈、队列的处理和应用方法。本节将会探讨平常相对很少用到、面试中却是老面孔的数据结构：二叉树。本节主要包括以下内容：
1.1K60发布于 2021-04-20 - 来自专栏NetCore 从壹开始
4-5 安装并迁移数据库：mysql
docker volume create volume_name命令新建一个数据卷
89820编辑于 2023-01-09 - 来自专栏AI SPPECH
IO竞赛2025年题目解析：基础级难度（4-5）
2025年的IO竞赛基础级（难度系数4-5）题目开始涉及更多的数据结构和算法思想，对选手的编程能力和逻辑思维提出了更高的要求。 难度进阶路径: 入门(1-3) → 基础(4-5) → 提高(6-8) → 竞赛(9-10) 难度系数 考察重点 核心知识点 学习目标 4-5 数据结构、算法应用 栈、队列、树、图的基础应用 掌握基础数据结构的使用和简单算法的实现 ） ├── 第四章：基础级题目解题技巧总结 └── 第五章：从基础到提高的学习建议 第一章：2025年IO竞赛基础级题目概述 根据2025年NOI修订版大纲，基础级（CSP-J提高）的知识点难度系数为4- cout << result[0] << " " << result[1] << endl; return 0; } 2.7 题目7：最小生成树（Kruskal算法） 题目描述：给定一个无向图 3.1 题目1：最短路径（Dijkstra算法） 题目描述：给定一个带权有向图，找出从起点到所有其他顶点的最短路径。
37810编辑于 2025-11-13 - 来自专栏跟着官方文档学小程序开发
第二章 小程序开发指南4-5
当向服务器端发送的数据超过1024字节时，就要采用HTTP POST的方式，此时传递的数据就必须要使用data参数，基于这个情况，一般建议需要传递数据时，使用data参数来传递。 一般的实现方法就是在页面onLoad回调之后通过wx.request向服务器发起一个请求去拉取首页商品列表的数据，等待wx.request的success回调之后把数据通过setData渲染到界面上，示例代码如下
79710编辑于 2025-08-25 - 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. 第三章：量化云原生底座效能：资源利用率与并发处理能力的指数级跃升 通过自研操作系统与大规模多集群容器算力平台（TCS）的底层调优，腾讯云在网络层（VPC网络加速HARP、RDMA网络加速TCCL）与框架层进行深度优化 ，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%+。
18610编辑于 2026-05-30- 来自专栏前端说吧
flag - 4-5月份预整理总结的文章目录
附源码 使用vue实现自定义多选与单选的答题功能 vue中使用axios，实现向请求头中传递cookie值 vue中，mode为history时，build打包后页面空白的解决方法（暂未解决） 基于vue
75930发布于 2018-06-25 - 来自专栏算法之名
量化交易
针对可交易的投资商品，理性地运用逻辑分析和回归统计判断市场趋势称为量化交易。 量化策略 量化策略就是赚钱"因子"，可以分为基本面和技术面。
62210编辑于 2024-08-21 - 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 ?
94910发布于 2019-05-26 - 来自专栏前端说吧
flag - 4-5月份预整理总结的文章目录
1.关于echarts各种稀奇古怪让人想骂niang地需求的配置 2.vue中，mode为history时，build打包后页面空白的解决方法 3.vue中使用axios，实现向请求头中传递cookie
88650发布于 2018-05-17 - 来自专栏育种数据分析之放飞自我
笔记 | GWAS 操作流程4-5：LM模型+数值+因子+PCA协变量
第一列为FID 第二列为ID 第三列以后为协变量（注意，只能是数字，不能是字符！）
4.5K40发布于 2020-05-29 - 来自专栏小明的博客
量化交易
量化投资没有确切的定义，它泛指通过数学分析、挖掘价格波动规律，或者通过对相关宏观经济、财务数据、量价关系、资金交易等数据进行建模，寻找数据之间的关系，以获得稳定利润为目标，持续计算生成定量化的投资信号 多资产多策略配置: 对冲风险更高收益 技术信息理论的三大假设 市场行为包容消化一切信息 市场运行以趋势方式演变 历史会重演（我们可以通过历史数据来推断未来走势 绩效评估指标 绩效指标也被称为风险指标，它们也是量化投资的基石
2.8K20编辑于 2022-09-06 - 来自专栏云霄雨霁
无向图----无向图的实现
（有权无向图则为边的权重和） 连通图：从任一顶点能够达到另一个任意顶点。 无向图的API： public class Graph Graph(int V) 创建一个含有V个顶点但不含有边的图 int V() 顶点数 int E() 边数 void addEdge(int v,int w) 向图中添加一条边v--w Iterable<Integer> adj(int v) 和v相邻的所有顶点 String
2.6K00发布于 2018-05-30 - 来自专栏NetCore
平民化量化平台-刚米量化
目前国内量化基金规模已经越来越庞大，量化投资的规模更是巨大，计算机的运行速度已经远远超过我们大脑，虽然说无法做到每次投资都赚钱，但只要数据够大，胜率超过50%以上，甚至60%以上，经过长时间的复利，就能达到很好的效果 量化交易具有以下几个方面的特点： 1、纪律性。根据模型的运行结果进行决策，而不是凭感觉。纪律性既可以克制人性中贪婪、恐惧和侥幸心理等弱点，也可以克服认知偏差，且可跟踪。 2、系统性。 普通人是否适合量化？ 1 其实普通人很难进行量化，因为量化的基础是基于历史大数据，如果实盘还需要实时数据，这些都是很耗费人工和资金的。 那普通人想要尝试量化，该如何做呢？ 在刚米量化平台你可以做什么？
97330编辑于 2022-09-16
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