- 综合排序
- 最热优先
- 最新优先
- 来自专栏粮食检验
科技实弹丨酿酒企业原料收购如何实现“靶向”智能化升级
，目前行业内唯一对稻壳实现全自动扦样的产品。 图片科技实弹2 多谷物自动在线检验采用一体化设计，全流程谷物种类智能判断，以自动化机械与多维度控制系统，按执行标准与扦样环节形成联动的数字化流程，参照国标以机器建立统一的检测标准，实现多谷物杂质、容重、 水分、不完善粒自动在线检验，减少以往因两套系统而造成的瓶颈效应，从扦样到以上主要指标检验完成仅需5分钟，最大限度地“去人化”，所有检验指标均实现溯源。 特别是在不完善粒检验方面，根据国标实现了任何谷物和粮食以颗粒数和重量两种不同方式的在线检测，同时得出小麦千粒重数据，具备深度学习功能，实时动态提升检验准确度。 图片科技实弹3 无人值守自助称重打造真正无磅房、无磅员的业务模式。
39480编辑于 2022-11-09 - 来自专栏数说工作室
【学点统计学·非参数检验汇总】3. 多独立样本的非参数检验
飞扬 / 撰写 整理 数说君 / 编辑 ---- 本系列为【学点统计学·非参数检验汇总】 1. 回顾 单样本非参数检验 两独立样本非参数检验 2. 多独立样本的非参数检验 多独立样本的非参数检验是通过分析多组独立样本数据，推断样本来自的多个总体的中位数或分布是否存在显著差异。 方法包括：中位数检验、Kruskal-Wallis检验、Jonckheere-Terpstra检验等。 比如，对北京、上海、成都、广州四个城市的码农月收入进行比较。 （2）Kruskal-Wallis检验 Kruskal-Wallis检验实质是两独立样本的曼-惠特尼U检验在多个样本下的推广（什么是曼-惠特尼U检验？ （3）Jonckheere-Terpstra检验 Jonckheere-Terpstra检验也是检验多个独立样本来自的多个总体的分布是否存在显著差异的非参数检验方法.
2.9K121发布于 2018-04-08 - 来自专栏全栈程序员必看
2×3卡方检验prism_SPSS之卡方检验
【缺失值】栏，可在此栏内设置处理默认值的方式：【按检验排除个案】为系统默认选项，指在进行检验时，只排除参与检验的变量的默认值；【按列表排除个案】选项，表示剔除所有含有缺失值的个案。 3. 在主对话框中单击【精确】按钮，打开图3所示的【精确检验】对话框。 图3 选择计算显著性水平Sig.值的几种方法，包括以下三个选项： ▪ 仅渐进法，这是系统默认的计算显著性水平的方法。 选择该选项后，可以选择【每个检验的时间限制为】复选框，即设置计算时间限制，默认时间限制为5分钟，超过该时间，系统会自动停止运算并给出计算结果。 (3) 执行菜单栏中的【分析】→【非参数检验】→【旧对话框】→【卡方】命令。 (4) 将变量Number作为检验变量选入【检验变量列表】框中。 表3 卡方检验表 表3中x2=4.627，渐进方法的概率p值为0.866，远大于显著性水平0.05，因此可以接受原假设，证明该20面体是均匀的。
3.7K00编辑于 2022-08-29 - 来自专栏DeepHub IMBA
通过强化学习和官方API制作《星露谷物语》的自动钓鱼mod
目标的结果是使用官方 Stardew Valley 的 modding API 用 C# 编写一个自动钓鱼的mod。该模块加载了一个用 Python 训练的序列化 DQN 模型。 updateCounter,1] = OldState[1]; replayMemory[updateCounter,2] = OldState[2]; replayMemory[updateCounter,3] 训练 训练过程是“自我驱动的”，首先要自己玩游戏收集状态和奖励数据，然后训练一个初始化的效果很差的模型让它自动玩游戏，并为我们收集新的数据。 所以模型的目的是数据彻底探索这个状态空间，无论是你（人肉）还是模型玩游戏都没有关系，当然如果能够全部自动化看起来肯定更加的高大上。 public int Update(double[] currentState) { Tensor<double> input = new DenseTensor<double>(new[] {3}
1.2K10编辑于 2022-03-12 - 来自专栏数据分析师小熊
3分钟，看懂假设检验
一、假设检验是干什么的？ 假设检验最常见的场景有两个： 总之是吵架必备，怼人利器。 二、什么时候适合用假设检验？ 当错误很明显的时候，不需要做假设检验。 此时必须做抽样检测，就得用到假设检验方法。 在论证新点子很好的时候，也需要先把新点子做出来，再做小范围测试。此时也要用假设检验方法。总之，假设检验方法适合于抽样检验/小范围测试的场景。 设定原假设以后，还要设定“小概率事件”到底有多小。一般用显著性水平α来表示。α是一个人工给定的数，一般给0.10,0.05,0,01看起来够小就行。 四、得到假设以后怎么操作？ 得到假设后，需要选择合适的检验统计量，代入参数，计算是否属于小概率事件。 检验统计量，和要检验的假设有关系。 以上检验均值/比例的方法，统称参数检验，还有非参数检验，比如检验身高和体重之间是否有关系。这些方法在实际工作中有不同的应用场景，之后再慢慢介绍吧。
1.1K10发布于 2021-09-15 - 来自专栏python3
Python3并发检验代理池地址
【用线程池并发检验代理有效性】 #encoding=utf-8 #author: walker #date: 2016-04-14 #summary: 用线程池并发检验代理有效性 import os , 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko', } #检验单个代理的有效性 None #声明 exMsg = None try: r = requests.get(url=desturl, headers=Headers, proxies=proxies, timeout=3) feature = 'xxx' #目标网页的特征码 validProxyPool = GetValidProxyPool(rawProxyPool, desturl, feature) 【用协程并发检验代理有效性 #encoding=utf-8 #author: walker #date: 2017-03-28 #summary: 用协程并发检验代理有效性 #Python sys.version：3.6.1 (v3.6.1
56130发布于 2020-01-03 - 来自专栏运维
多磁盘自动分区自动挂载脚本
起源： 准备测试tfs分布式存储，发现一台服务器24块大盘，还有好几台服务器， 想想那么碰分区格式化，UUID自动挂载，还好有自动脚本。 1，yes能在你需要输入y时帮你操作，要不一台服务器不间断24次y还不知道什么时候敲击 2，UUID也能自动获取，这样才能自动挂载且盘符能固定 #! /bin/bash #mkfs.ext4 mkdir /data/disk{1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24} mount -t ext4 /dev/sbb /data/disk1 mount -t ext4 /dev/sdc /data/disk2 mount -t ext4 /dev/sdd /data/disk3 data/disk2 ext4 defaults 0 0"}' >>/etc/fstab blkid /dev/sdd |awk '{print $2 " /data/disk3
2.1K20发布于 2018-11-14 - 来自专栏SAP S4HANA研习（2025年度）
SAP QM 事务代码QE01为检验批录入检验结果后自动评估和关闭？
SAP QM 事务代码QE01为检验批录入检验结果后自动评估和关闭？在SAP QM模块中有一个基础设置，在工厂代码级别上。 执行事务代码QE01,为某个检验批录入检验结果，回车，进入如下界面，为检验特性录入结果，回车，系统不做任何特别反应。保存，执行事务代码QE03看结果，检验结果录入后，系统没自动完成评估和关闭动作。 2, 如果将Recording configuration 栏位值被设置为X - All background function.重新执行事务代码QE01为检验批录入结果，录入结果，回车，系统自动弹出Manual 3, 如果将Recording configuration 栏位值被设置为1 - Automatic close.执行事务代码QE01去录入检验结果，回车，系统弹出如下的Manual valuation 窗口，回车，回到如下界面，系统不会自动保存。
47910编辑于 2024-11-15 - 来自专栏诡途的python路
Task3：常见分布与假设检验
思维导图 单样本T检验 目的：利用来自某总体的样本数据，推断该总体的均值是否能与制定的检验值之间存在显著的差异 要求：样本来自的总体服从正态分布 步骤： 1、提出原假设：总体均值与检验值之间不存在显著差异 备择假设：总体均值与检验值之间存在显著差异 2、选择检验统计量 3、P<0.05，拒绝原假设，总体均值与检验值之间存在差异 P>0.05，接受原假设，总体均值与检验值之间不存在显著差异 独立样本T检验 目的：利用来自两个总体的独立样本，推测两个总体的均值是否存在显著差异 要求： 1）两组数据互相独立互不相干 2）两组样本来自的总体符合正态分布 3）方差齐性，即两组样本的方差没有显著性差异 步骤： 1、提出T检验原假设：两总体均值无显著性差异 T检验备择假设：两总体均值有显著性差异 2.选择检验统计量 3.F检验（方差齐检验）原假设：两总体方差无显著性差异 F检验备择假设 备择假设，两总体均值有显著性差异 2.选择检验统计量 4、T 检验结果 P<0.05,接受备择假设，两总体均值有显著性差异 T 检验结果 P>0.05,接受原假设，两总体均值不存在显著性差异
72410编辑于 2022-05-09 - 来自专栏好奇心Log
python绘图 | 国家气象局开源预报检验库（多图预警）
目前该程序提供了可供复用的函数达200多个，集成了开展检验所需的基础函数（包括数据的读写、插值、累加、平均、选取、分组等）、检验算法（包括各类二分类、多分类、连续型变量、概率预报和集合预报的检验等）和检验图形产品 有无预报检验 综合检验图performance() 绘制二分类预报的综合检验图，其横坐标为成功率，纵坐标为命中率，并绘制了等bias和等ts曲线辅助线，检验结果以圆点方式显示在图中，从而可以直接浏览成功率 连续型预报检验 散点回归图scatter_regress() 绘制观测-预报散点图和线性回归曲线，横坐标为观测值，纵坐标为预报值，横坐标和纵坐标取值范围自动设为一致，在图形中间添加了完美预报的参考线。 图中横坐标和纵坐标取值范围自动设为一致，并在图形中间添加了完美预报的参考线。 ? 时间序列对比 多模式多时效对比图time_list_line() 将不同时刻起报的预报和实况在同一张图中进行显示对比，便于及时发现问题，以曲线的方式叠加显示。 ?
4.7K32发布于 2020-10-15 - 来自专栏SAP S4HANA研习（2025年度）
SAP QM 对09类型检验批做处置后系统自动更新批次的下次检验日期
SAP QM 对09类型检验批做处置后系统自动更新批次的下次检验日期SAP QM的09检验类型用于支持复验场景，即某些物料每隔一段时间需要检验一次。 对于这些物料，业务人员需要指定其复验周期，比如每半年检验一次，每3个月检验一次。当某次检验的检验批完成处置(Usage Decision)之后，SAP系统会自动计算下次检验日期。 1, 如下的09类型的检验批.物料号是355，复检间隔期是90天，即每90天复验一次。 该检验批上的批次号是2024112701，MSC3N查看批次主数据，Next Inspection日期是2024.11.272, 执行事务代码QA11，对该检验批执行使用决策.保存，系统提示说是否要修改成新的检验日期 ，点击’New:25.03.24’，3,再次执行MSC3N显示该批次主数据.Next Inspection被改为2025.03.24 (笔者执行QA11的日期是2024.12.24, 90天后就是2025.03.24
44900编辑于 2024-12-24 - 来自专栏Laoqi's Linux运维专列
Ansible 多机房自动部署发布
在只有少量服务器的情况下，大多数运维人员会选择手动更新，减少自动化部署发布的开发成本。 在我们发布风控情报服务的时候，就遇到了自动化部署发布的问题。 由于风控服务在用户场景中处于非常重要的地位，对SLA要求极高，需要提供毫秒级别的访问质量，为了达到这一点，消除掉公网的消耗，需要支持多机房服务，而同时带来的问题就是，如何保持各机房的软件版本统一，能够做到快速的统一发布 二、如何解决问题 目前自动化部署发布领域已经有了比较成熟的方案，中小公司会维护一些自动化脚本或开源软件，而大公司由于复杂的网络环境更多会选择维护一套专属的部署发布系统。 简要说明下我们的项目如何使用ansible实现了多个环境的自动化部署发布。
2K30发布于 2018-05-31 - 来自专栏MiningAlgorithms
机器学习3--过拟合：交叉检验与正则化
目录 1，如何判断欠拟合与过拟合：学习曲线 2，欠拟合； 3，过拟合； 4，对抗过拟合； 5，方差--偏差分解. 1，如何判断欠拟合与过拟合：学习曲线 在训练模型时，涉及到选择与比较不同的模型在训练集和测试集的预测结果 3，过拟合： 模型过于复杂，把样本的部分随机误差当作了总体的数据规律，并用模型进行解释。这部分解释并不能推广到总体分布的其他样本中。 high variance 减少不必要的模型复杂度 ? 4，对抗过拟合 交叉检验 正则化(regularization) L1 L2 3.1，交叉检验： 从验证训练结果入手 ?
1.2K40发布于 2019-08-08 - 来自专栏粽子的深度学习笔记
mmdetectionmmdetection3d多机多卡训练
因为3d检测训练时间太久，所以想要在mmdet3d上开多机，发现加载完标注文件pkl/json之后，卡住了，找到如下报错 其中有个warning ：using best-guess GPU, "| grep v >/dev/null && echo $i ; done; > /dev/null" ) os.environ["NCCL_IB_GID_INDEX"] = "3"
1.6K10编辑于 2022-09-19 - 来自专栏站长的编程笔记
ThinkPHP6.0 自动多应用部署、多应用智能识别
本文前提：在多应用模式中 1. 自动多应用部署 官方手册原文 多应用模式 2. 自动多应用模式的URL地址默认使用 3. 多应用智能识别 1. 自动多应用部署 官方手册原文 多应用模式 ---- 通过index.php入口文件访问的话，并且没有设置应用name，系统自动采用自动多应用模式 如果没有指定访问的应用，自动访问默认应用 http:// 自动多应用模式的URL地址默认使用 ---- 访问admin应用 http://serverName/index.php/admin 访问shop应用 http://serverName/index.php /shop 就是说 pathinfo 地址的第一个参数就表示当前的应用名，后面才是该应用的路由或者控制器/操作 http://serverName/index.php/应用/控制器/方法 3. 多应用智能识别 ---- 应用不存在时，系统会自动切换到单应用模式，并进行全局路由（route/*.php）匹配检查 如果希望应用不存在的时候，直接访问默认应用的路由 在全局配置文件 config/app.php
88420编辑于 2023-02-18 - 来自专栏SAP S4HANA研习（2025年度）
SAP QM高阶之检验计划Usage 3不支持DMR
SAP QM高阶之检验计划Usage 3不支持DMRSAP QM模块中的DMR（Dynamic Modification Rule）可以用于自定义加严、正常、减量和跳过检查的标准，例如在连续合格后切换到更简单的检验阶段 使用事务代码QDL3报表可查看当前的质量级别。标准SAP QM中，我们可以在检验计划组抬头数据里指定DMR的Level。不过，Task List Usage 3是不支持DMR的。 如下配置：Define Task List Usages,可以看到Task List 2/4/3(Universal)条目里DCr这列是空的，如上图。
27210编辑于 2025-01-12 - 来自专栏点云PCL
SurroundOcc：用于自动驾驶的多摄像头3D占用网格预测
Zheng, Zheng Zhu , Jie Zhou, Jiwen Lu 编辑：点云PCL 代码：https://github.com/weiyithu/SurroundOcc.git 摘要 在基于视觉的自动驾驶中 首先，我们为每个图像提取多尺度特征，并采用空间2D-3D注意力将它们提升到3D体积空间。然后应用3D卷积逐渐上采样体积特征，并对多个级别进行监督。 然后，使用3D卷积网络来上采样和组合多尺度的体积特征。最后，多尺度体积特征通过 3D 卷积网络上采样和组合，并通过递减的损失权重来监督每个级别的占据预测。 图2. 所提方法的流程。 首先使用主干网络提取多摄像头图像的多尺度特征，然后，我们采用2D-3D空间注意力来融合多摄像头的信息，以多尺度方式构建3D体积特征。 多尺度占据预测 本文采用了 2D-3D U-Net 架构，将多尺度的 2D 特征输入到不同数量的 2D-3D 空间注意力层中，提取多尺度的 3D 体积特征。
1.7K20编辑于 2023-09-11 多领域对话自动评估技术突破
自动评估与Alexa的对话随着与Alexa的交互越来越多地涉及多轮对话，Alexa使用这些对话来填充请求的细节或协调多个技能。与所有已部署的AI模型一样，对话模型需要定期评估以确保满足客户需求。
19710编辑于 2025-10-13多领域对话自动评估技术突破
自动评估与语音助手的对话交互随着与语音助手的交互越来越多地涉及多轮对话，评估这些对话模型的质量变得至关重要。传统方法依赖人工评估，既缓慢又昂贵。
14710编辑于 2025-10-16- 来自专栏企鹅号快讯
波音展示无人电动货运飞机原型 借机检验自动驾驶技术
腾讯科技讯 1月11日消息，波音公司周三展示了一台无人电动垂直起降货运飞机（CAV）原型，对此，波音方面表示，这一原型还将用来检验类似飞机的自动驾驶技术。 波音负责研发无人电动垂直起降货运飞机部门Boeing HorizonX的副总裁史蒂夫-诺德伦德（Steve Nordlund）表示，“我们的新CAV原型，体现了自动驾驶货运飞机的最新可能性，而且这种飞机还可能承担物流和其它运输业务
73360发布于 2018-02-06
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