- 综合排序
- 最热优先
- 最新优先
- 来自专栏量化投资与机器学习
中国版四因子模型，加入情绪指标，6不6？
美国高价值小盘：value-weight，6 Portfolios Formed on Size and Book-to-Market (2 x 3)；国际高价值小盘：value-weight，“6 Global 来源：Size and Value in China (Liu, Stambaugn and Yuan 2013) 当我们从第(4)列看到第(7)列：将每一价值指标单独纳入其自身回归的结果，四种价值指标都显示出对回报率的显著解释力 然后用两种方法检验FF-3模型和CH-3模型，看看哪种模型对中国A股更有解释力。 下面我们根据文章中的思想，构建一个简单的中国四因子模型，回测看看模型的效果到底如何吧。 回测周期：2000年1月至2019年3月。 于是作者根据中国市场多散户的特点，引入情绪性指标，构建PMO因子，组成了新CH-4，即中国四因子模型。经过检验，该模型比CH-3有更强的解释力度。
3.4K30发布于 2019-05-16 - 来自专栏大模型应用
大模型应用：算力分层治理：基于大模型算力四层匹配体系的优化方案.72
今天我们一如既往对算力刨根问底，拆解算力三层核心构成与四层匹配体系，用通俗易懂的示例，和大家一起跳出加卡误区，掌握大模型算力分层治理的核心逻辑，让每一份硬件投入都转化为实实在在的落地效率。 算力的四层匹配体系三层算力是核心骨架，而四层匹配是落地执行方案，是让三层算力发挥最大价值的全链路保障，也是解决加卡无效的核心路径。 第三步：逐层匹配（四层匹配落地）按照 “计算层 → 存储层 → 通信层 → 业务层” 的顺序，逐一进行匹配优化：计算层：确定最优数据精度、模型并行拆分方案，避免计算算力浪费；存储层：优化显存、内存、硬盘的容量与带宽 第四步：监控优化（闭环迭代）部署算力监控工具（如 Prometheus + Grafana），实时监控三层算力的利用率、四层匹配的效率；针对出现的瓶颈（如通信开销过大、显存利用率过低）进行迭代优化，形成 四、总结 结合大模型产业化落地的实操经验，算力焦虑的核心从不是硬件不够，而是认知和方法跑偏，加卡不是唯一的解决问题的途径，往往是忽视了算力的协同本质，与其盲目加卡，不如先梳理清楚计算、访存
21643编辑于 2026-04-10 - 来自专栏Triciaの小世界
力扣——四数之和
请你找出并返回满足下述全部条件且不重复的四元组 [nums[a], nums[b], nums[c], nums[d]] （若两个四元组元素一一对应，则认为两个四元组重复）： 0 <= a, b, c, 四数之和的双指针解法是两层for循环nums[j] + nums[i]为确定值，依然是循环内有left和right下表作为双指针，找出nums[j] + nums[i] + nums[left] + nums
25720编辑于 2023-04-12 - 来自专栏睡前机器学习
模型，奥力给！
也许机器学习的教材们也都这么认为，介绍任何模型，总是噼里啪啦，把算法原理和怎么训练风风火火过了一遍，然后就结尾了。 “那么......训练好的模型，要怎么用呢？” 偏差达到最小化，模型就训练好了。 那回到最开始的问题，怎样使用训练好的模型呢？ 也很简单，上面看出来了，模型无非就是一个喂点什么进去，然后就会吐点什么出来的玩意。 datasets.load_boston(return_X_y=True) X_train, X_test, y_train, y_test = train_test_split(X, y) 现在我们有了四套数据 记住，Y在机器学习里，都是代表有监督学习的参考答案，是要和模型的预测值比较的。 选一套模型吧。波士顿房价数据集是明码实价的回归问题，就选择用最最最基础的线性回归模型烹调好了。 首先是声明。 现在，可以使用这个模型了。
32720编辑于 2022-04-11 - 来自专栏超然的博客
ECMAScript 6 笔记（四）
概述 ES6引入了一种新的原始数据类型Symbol，表示独一无二的值。 下面先介绍四个操作方法。 add(value)：添加某个值，返回Set结构本身。 delete(value)：删除某个值，返回一个布尔值，表示删除是否成功。 // 键是函数 m.get(hello) // Hello ES6! （4）has(key) has方法返回一个布尔值，表示某个键是否在Map数据结构中。 （6）clear() clear方法清除所有成员，没有返回值。 遍历方法 Map原生提供三个遍历器生成函数和一个遍历方法。 keys()：返回键名的遍历器。 JSON转为Map Proxy ES6 原生提供 Proxy 构造函数，用来生成 Proxy 实例。
1.2K20发布于 2018-08-03 - 来自专栏机器之心
蚂蚁集团开 “卷” 金融大模型，“四力和一” 解决产业真命题
近半年时间，素来以新技术最早采用者著称的金融机构以及科技公司纷纷下场： 3 月，美国彭博正式发布百亿级语言大模型 BloombergGPT； 5 月，度小满推出国内首个千亿级中文金融大模型「轩辕」； 6 一、金融大模型：屹立在万亿 Token 上的「知识力」 通用大模型缺少金融领域的专业力、知识力、语言力以及安全力，金融大模型实现落地行业是一个复杂化的系统工程，需要将「四力」形成合力。 蚂蚁金融大模型具有「四力」，知识力、语言力、专业力和安全力 所谓知识力，主要是指金融大模型的底座能力，模型规模只有足够大（通常百亿以上），才会有「涌现」现象的出现。预训练大模型则需要海量数据。 四、「四力合一」的上与下：底层支持与产业应用 强大底层算力设施为蚂蚁金融大模型提供了一个好的基础和起点。 蚂蚁探索出了一条路： 以行业大模型为认知和交互的中枢，调用领域知识和专业服务，这是一个「大模型 + 知识 + 服务」驱动的架构，为消费者和产业应用，提供「四力」的支撑。
1.1K50编辑于 2023-09-19 - 来自专栏瓜大三哥
UVM模型（四）
UVM模型（四） 1.常用到的uvm_component uvm_driver:所有的driver都要派生自uvm_driver。
1.5K90发布于 2018-02-26 - 来自专栏石云升
波特五力模型
波特五力模型是分析企业竞争环境的一个分析模型。 根据波特的观点，每家企业都受到“直接竞争对手、顾客、供应商、潜在新进公司和替代性产品”这五个“竞争作用力”的影响。 我们用波特五力模型试着分析下实体书店竞争是否激励。 直接竞争对手：如果直接对标卖书，那么其他书店是你的直接竞争对手，如果你定位是给一个线下的安静空间，享受书店的文化氛围。 你看，在思考这个模型的时候，可以帮助我们制定相应的竞争战略，同时也帮助我们想清楚了很多细节问题。这就是工具的价值。
61510编辑于 2022-08-25 - 来自专栏null的专栏
注意力FM模型AFM
概述在CTR预估任务中，对模型特征的探索是一个重要的分支方向，尤其是特征的交叉，从早起的线性模型Logistic Regression开始，研究者在其中加入了人工的交叉特征，对最终的预估效果起到了正向的效果 AFM（Attentional Factorization Machines）[2]模型在FM模型的基础上，引入了Attention机制，通过Attention的网络对FM模型中的交叉特征赋予不同的权重 如果将FM模型放入到神经网络的框架下，FM模型的结构可以由下图表示：图片对于每一个特征都赋予一个$k$维的向量，如上图中的第二个特征x_2 的k 维向量为\mathbf{v}_2 ，同理，第四个特征x_ AFM的网络结构在注意力FM模型AFM（Attentional Factorization Machines）中，是在FM的基础上引入了Attention机制，通过Attention网络学习到每个交叉特征的权重 总结AFM模型在FM模型的基础上，引入了Attention机制，通过Attention的网络对FM模型中的交叉特征赋予不同的权重。参考文献[1] Rendle S.
88330编辑于 2023-01-16 - 来自专栏人工智能与演化计算成长与进阶
序列模型3.7-3.8注意力模型
3.7 注意力模型直观理解 Attention model intuition 长序列问题 The problem of long sequences 对于给定的长序列的法语句子，在下图中的网络中，绿色的编码器读取整个句子 而对于长句子，注意力模型 会和人类翻译一样，每次翻译句子中的一部分，从而提高句子翻译长句子的能力。 ? 注意力模型 Attention model intuition “Bahdanau D, Cho K, Bengio Y. 与普通的 RNN 不同的是，注意力模型不会看每一个输入的单词，而是对输入的每个单词选择一定的 注意力权重 用于 表示这个单词对于正在翻译的单词具有多大的影响 下图中的 分别表示前三个单词对第一个词语的翻译具有的影响力 ---- 3.8 注意力模型细节 Attention model 特征提取模型 使用的双向循环神经网络，这样其对于 前向传播 和 后向传播 分别有激活值 $\overrightarrow{a^{ 对于一个时间步
66610发布于 2020-08-14 - 来自专栏null的专栏
注意力FM模型AFM
概述 在CTR预估任务中，对模型特征的探索是一个重要的分支方向，尤其是特征的交叉，从早起的线性模型Logistic Regression开始，研究者在其中加入了人工的交叉特征，对最终的预估效果起到了正向的效果 AFM（Attentional Factorization Machines）[2]模型在FM模型的基础上，引入了Attention机制，通过Attention的网络对FM模型中的交叉特征赋予不同的权重 如果将FM模型放入到神经网络的框架下，FM模型的结构可以由下图表示： 对于每一个特征都赋予一个 k 维的向量，如上图中的第二个特征 x_2 的 k 维向量为 \mathbf{v}_2 ，同理，第四个特征 AFM的网络结构 在注意力FM模型AFM（Attentional Factorization Machines）中，是在FM的基础上引入了Attention机制，通过Attention网络学习到每个交叉特征的权重 总结 AFM模型在FM模型的基础上，引入了Attention机制，通过Attention的网络对FM模型中的交叉特征赋予不同的权重。 参考文献 [1] Rendle S.
68140编辑于 2023-02-02 四力PLUS商家增长平台产品介绍
三、应用框架和功能介绍 功能框架 四力经营看板： 商品诊断力：新增商品分类（明星/话题/高潜/低潜商品，基于吸引力<浏览PV/UV、加车人数>和业务贡献）与爆款识别（追踪头部爆款转化详情，如曝光量- 深度洞察看板-人群画像：结合方略标签产品化，支持省份/性别/年龄/学历/城市分布等画像洞察，开通需联系四力助理@罗芸冰（数据接入达标后开通）。 数据建模共创：人货匹配推荐、市场空间测算、异业合作匹配度等共创模型。 会员产品与服务：3大合作服务（战略规划、运营服务、数字化升级），3大权益（流量支持、数据能力、市场声望），含四力360°经营看板、知识库、战略咨询。 全城潜客地图精度：Geohash6约1.2km*0.6km、Geohash7约150m*150m。
9610编辑于 2026-03-31- 来自专栏新智元
【谷歌大脑力作】RNN最新技术：注意力增强 RNN，四大模型
【新智元导读】谷歌大脑团队的Chris Olah & Shan Carter 整理了 2016 年递归神经网络（RNN）的发展，总结了神经图灵机、注意力界面、自适应计算时间和神经编程器这四个使用注意力对常规 他们认为，这四大模型会对接下来 RNN 发展产生重大影响。新智元提供本文中文翻译，可访问原始页面查看更多。图片均来自原文。 在 RNN 之间使用注意力的一大应用是翻译（Bahdanau, et al., 2014）。传统的序列到序列模型必须将整个输入全部转换为单一的一个向量后，再反向扩展。 还有 Vinyals 和 Le 2015 年写的论文，让模型在生成回应时，关注之前的一部分对话，通过这种方式建立对话模型。 ? 注意力还能用于卷积神经网络和 RNN 之间的界面。 训练自适应计算时间模型时，需要为代价函数加上一个“思考代价”（ponder cost）。思考代价会根据模型花费的计算量对模型进行惩罚会。思考代价的值越大，模型用于提升性能的时间牺牲就会越小。
1.3K50发布于 2018-03-23 - 来自专栏TopFE
ES6学习笔记(四)
数值的扩展和对象的扩展 ES6提供了二进制和八进制数值的新的写法,粉笔用前缀0b和0o表示 ES6在Number对象上新提供了Number.isFinite() 和Number.isNaN()两个方法, ES6将全局的parseInt()和parseFloat()移植到Number对象上面,行为保持不变.Number.isInteger()用来判断一个值是否为整数.ES6在Number对象上新增了一个极小的常量 ES6引入了Number.MAX_SAFE_INTEGER 和Number.MIN_SAFE_INTEGER两个常量,用来表示这个范围的上下限.Number,isSafeInteger()则表示判断一个整数是否落在这个范围之内
46710编辑于 2022-01-23 - 来自专栏NewBeeNLP
什么 是模型的记忆力！
一句话概述：更大的模型更可能学到重复数据的特性，去重是缓解模型记忆危害的不错策略。 之前的很多研究主要聚焦在模型或数据集固定的情况，或比较狭窄的变化上。也有衡量现有模型记忆的，但更多关注如何避免问题并确保模型输出的新颖性，而不是研究最大限度地记忆来研究模型风险。 模型有四种尺寸：125M，1.3B，2.7B 和 6B。 实验结果如下图所示： 更大模型记住更多 如图 a 所示，相比 Baseline 的 GPT-2 能完成 6% 的评估样本，GPT-Neo 相似大小（1.3B）达到了 40%，GPT-2 记住的大多是无意义的序列 特别当训练数据分布偏斜（比如有很多重复样本）时，更大的模型更可能会学习到意外的数据集特性。因此，仔细分析用于训练更大模型的数据集变得更加重要，因为更大模型可能比小模型记住更多细节。
88130编辑于 2022-11-11 2021智慧零售私域增长指南：四力模型驱动私域增长新范式
2021智慧零售私域增长指南 •发布机构：腾讯智慧零售 •发布时间：2021年 •行业标签：零售,电商,餐饮,技术服务,生活服务,通用工具,通用SaaS •产品标签： #腾讯智慧零售四力增长模型 报告旨在以四力增长模型为核心，为零售企业提供私域建设方法论与实战案例，推动全渠道数字化增长。 •核心分析模型：腾讯智慧零售四力增长模型（组织力、运营力、商品力、产品力），架构图关键要素包括四力协同、公私域联动、数据驱动。 第五章：核心观点 •核心发现：私域是企业增长关键，四力增长模型是私域建设方法论。 结论：腾讯云以“四力模型”为核心，通过技术赋能与生态协同，为企业提供可落地的私域增长路径，助力实现“有效私域”与GMV可持续增长。
10510编辑于 2026-05-072021腾讯智慧零售私域增长指南：四力模型驱动全域增长新范式
本报告旨在分享“四力增长模型”方法论及服饰、美妆、3C等7大行业实战案例，助力企业从私域基建到规模化增长。 •核心分析模型：“四力增长模型”（组织力、运营力、商品力、产品力），架构图关键要素包括“公域引流-私域沉淀-运营转化-数据复盘”全链路。 •调研时间范围：2020年1月-2021年6月。 •唯一性：首个提出“四力增长模型”并落地多行业的云服务商，通过“千域计划”共建私域生态，获BCG联合认证为私域增长方法论标杆。 权威背书：腾讯公司高级副总裁林璟骅、腾讯智慧零售副总裁陈菲领衔，联合BCG发布《抢滩私域新战场——2021中国私域营销白皮书》，验证四力模型有效性。
6410编辑于 2026-05-07- 来自专栏摸鱼网工
TCPIP 四层模型概述
TCP/IP模型诞生背景 其实TCP/IP模型比OSI参考模型诞生的还早，早在上个世纪60年代 就已经开始研发，直到90年代才发展成为计算机之间最常用的网络协议 为什么OSI参考模型没有流行开来？ 84年提出来OSI模型的时候，TCP/IP 模型已经在网络中占据了主导地位 而OSI参考模型的层数划分过多，部分功能难以实现 且层级之间还有重复功能，因此没有广泛流行开来 TCP/IP四层模型基本概述 Transfer Control Protocol / Internet Protocol 传输控制协议 / 网际协议 同样与OSI参考模型一样，采用了层次化结构 每层负责不同通讯功能，只不过进行了简化设计 ，规划出了四层模型 各层级分层作用 网络接口层 在TCP/IP模型中，对于网络层以下的模块并没有阉割的描述 因此TCP/IP模型中的网络接口层对应着OSI参考模型的数据链路层、物理层 主要功能 该层主要负责我们物理线路和接口以及链路层之间的通信 主要协议 以太网、HDLC/PPP 网络层 网络层是TCP/IP模型中最重要的一个部分，我们主机如何将数据发往目的网络并且正确送达关键就是靠的该层的技术 （说白了还是IP寻址、路由查找） IP协议（Internet
1.4K20编辑于 2022-12-15 - 来自专栏全栈程序员必看
TCPIP协议四层模型
TCP/IP协议族是一个四层协议系统： ####1.
66810编辑于 2022-09-07 - 来自专栏各类技术文章~
【力扣-哈希表】8、四数之和（18）
请你找出并返回满足下述全部条件且不重复的四元组 [nums[a], nums[b], nums[c], nums[d]] （若两个四元组元素一一对应，则认为两个四元组重复）： 0 <= a, b, c, 1,1,2],[-2,0,0,2],[-1,0,0,1]] 复制代码 示例 2： 输入： nums = [2,2,2,2,2], target = 8 输出： [[2,2,2,2]] 复制代码 思路 这里四数之和 算法步骤： 先对数组nums进行排序 最外层for循环，只需要对第一个数字进行去重处理 第二层for循环，先进行去重处理 设置左右指针，遍历中间的数字，记录符合要求的四个数字 代码 // 参考三指针的方法 } else { // 找到了四个数时
37800发布于 2021-11-06
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