- 综合排序
- 最热优先
- 最新优先
- 来自专栏JNing的专栏
【3D人脸】AI Mesh 数据工程调研
业内的数据来源 synthetic data（合成数据） [2021，微软] Fake It Till You Make It: Face analysis in the wild using synthetic 开源的假图只给了70个2d点，不给模型） [2022，微软] 3D face reconstruction with dense landmarks（直接完全沿用了自家2021的数据，没有任何改进，不给模型 （没细看） [2015，中科院] Face alignment across large poses: A 3d solution（没细看） semi-automatic refined data（半3dmm geometry from monocular video on mobile GPUs（3w张真实人脸，用3DMM去fit出假标签，之后数据迭代清洗自循环：模型洗出脏数据，手动微调x和y，更干净的数据再反哺给模型 ，全程z不洗） [2020，谷歌] AttentionMesh（直接完全沿用了自家2019的数据，没有任何改进。
91620编辑于 2022-11-14 - 来自专栏spring-ai 系列
大语言模型推理框架调研
本文主要对当前主流的大语言模型推理框架进行系统性调研与分析，将深入探讨各个框架的核心架构、设计理念、关键技术特点，并结合性能基准测试数据，分析其在不同模型规模和部署场景下的适用性。 主流大模型推理框架当前，业界涌现了多款主流的大模型推理框架，它们在设计理念、核心技术和适用场景上各有侧重。 内存优化：通过在不同的解码器层之间重用内存缓冲区来减少内存占用，这对于层数非常多的大模型（如 GPT-3 有 96 层）尤其重要，理论上可以将这部分内存需求降低到原来的 1/96。 NLPCloud 引用 BentoML 的基准数据称，TensorRT-LLM 在 NVIDIA GPU 上表现优异，A100 单请求延迟低于 50ms，Llama-3 70B Q4 在 100 并发用户下可达约 这可能会驱动未来推理框架在数据和资源管理方面向更统一的设计演进。IX. 总结与建议大语言模型推理框架是释放 LLM 潜能、将其应用于实际生产的关键技术。
4.5K20编辑于 2025-06-03 - 来自专栏PPV课数据科学社区
2013年大数据市场应用与趋势调研报告
四、在大数据时代，企业面临的最大挑战是缺乏专业的大数据人才。 五、针对非结构化数据，企业目前最迫切需要解决的是如何对这些数据进行分析。 九、被调查者最关注的大数据技术，排在前五位的分别是大数据分析、云数据库、Hadoop、内存数据库，以及数据安全。 主流的有“3V”模型，即数量(Volume)、速度(Velocity)和种类(Variety);还有Gartner的定义，即大数据是超出了常用硬件环境和软件工具在可接受的时间内为其用户收集、管理和处理数据的能力 《驾驭大数据》一书曾写到，数据的核心是发现价值，而驾驭数据的核心是分析。 总结 本调查针对2013年大数据应用现状和趋势展开，从调查结果可以看出，企业在未来一两年中有迫切部署大数据的需求，并且已经从一开始的基础设施建设，逐渐发展为对大数据分析和整体大数据解决方案的需求
2.8K61发布于 2018-04-18 - 来自专栏Spark学习技巧
图数据库调研
概述 本文转自：http://tang.love/2018/08/31/graph_database_research/ 这里记录一下图数据相关的调研结论。 图数据库是所有数据管理系统中成长最快的分类，下面分别从图检索语言和图数据库两个方面来介绍图数据市场的发展。 SPARQL：面向 RDF(Resource Description Framework)的三元组数据，W3C 标准，无 schema，在研究中应用非常广泛。 SPARQL：W3C 标准，查询语句比较简单，自动生成语义查询也相对容易。另外 RDF 数据本身在数据交换上比较有优势，比如 DBPedia、Freebase 之类的数据都有 RDF 版。 用 Gremlin 查询 Apache TinkerPop3样式属性图。Gremlin 是一种图遍历语言，其中查询是遍历节点边缘之后离散步骤构成的遍历。 用 SPARQL 查询 RDF。
9.2K30发布于 2020-09-27 - 来自专栏人称T客
调研：2015年SaaS运营大起底
(Azure失常可能是数据稀疏的原因)。 成本结构 成本结构和未来预期营销杠杆(不含规模<$ 2.5MM收入的公司) ? 合同时长的中位数与2014年的调查在本质上是相同的,而现今账单付费周期更长一些(平均6个月vs去年3个月)。 合同时长作为合同规模的参考变量 ? 很明显，我们看到较大的公司会有更长期合同。 实现现金价值多于25万美元的合同占据了3年或3年以上合同的35%(相比2014年只有5%)。 你的主要定价指标是什么? ? 这些结果基本与2014年、2013年和2012年的结果相同。
95350发布于 2018-03-21 - 来自专栏前端笔记薄
校验数据结构调研
校验数据结构 如何校验数据结构，一般情况下，我们应该考虑现成的轮子。 Joi = require('joi'); const schema = Joi.object({ username: Joi.string() .alphanum() .min(3) .max(30) .required(), password: Joi.string() .pattern(new RegExp('^[a-zA-Z0-9]{3,30}$ 相比之下，joi更适合于验证JavaScript对象、字符串和数字等数据类型，但它的API设计非常直观，可以轻松地定义和验证复杂的数据结构。 如果主要需要验证JSON数据的结构且考虑性能，那么ajv可能是更好的选择。如果需要验证JavaScript对象、字符串和数字等更多的数据类型，那么joi可能是更好的选择。
1.6K20编辑于 2023-04-22 - 来自专栏数据订阅
图数据库调研
图数据库调研.pptx 图数据库： 更好，更快速的查询和分析：图数据库为查询相关数据（无论大小）提供了卓越的性能。 图模型提供了固有的索引数据结构，因此它不需要为给定条件的查询加载或接触不相关的数据。 这使得它成为更好、更快的实时大数据分析查询的绝佳解决方案。 。 更简单和更自然的数据建模：使用关系型数据库建模的人都需要了解数据库的规范化和参照完整性的严格规则。 一些NoSQL数据库则走向了另一个极端，将所有类型的数据放在一个大型表中。 另一方面，在图数据库中，可以定义任意类型的顶点类型来表示对象，并定义边类型来表示特定的关系。 同时支持实时更新和查询：图数据库支持对大图形数据的实时更新，同时支持查询。 数据结构的灵活性：图数据库具有灵活的schema修改。 用户可以不断添加或删除新的顶点、边和属性，扩展或缩小数据模型。 这对管理不断变化的对象类型特别方便。
2.7K200发布于 2018-06-28 - 来自专栏大数据文摘
2016年大数据行业从业者调研报告（精华版）
前言 大数据行业目前处于怎样的生态？在未来又会有怎样的发展？月薪2万，在大数据行业从业者同行中处于怎样的位置？我所在公司的数据团队规模在同行中算大吗？来年应该如何优化？ 2013年以来，“大数据”在我国发展迅猛，3年过去了，这个行业发展的如何，到底是镜花水月还是会成为社会发展的中流砥柱？ 为了让大家对我国大数据行业发展有更全面的了解，2016年12月中旬，大数据文摘发起了《大数据行业从业者调研报告众筹》，针对全国数据领域工作者和关注数据行业的人进行了在线调研，半个月的时间有效回收样本数超过 今天，我们发布《2016年大数据行业从业者调研报告（精华版）》。除了精华版，我们还制作了“完整高清版”报告，相对于“精华版”，完整版的内容更多（30页pdf），也有更加丰富的交叉分析。 这是由人才和企业两方面决定的：行业从业者工作时间短，多数企业实施数据项目时不知道如何最大化利用数据。 3、科技行业和民企是我国发展大数据的中坚力量。
73550发布于 2018-05-25 - 来自专栏JNing的专栏
【3D人脸】MediaPipe Face Mesh 调研
MediaPipe Face Mesh：不够高清，case也不够丰富，暂时看不出问题。
1.5K10编辑于 2022-11-14 - 来自专栏机器学习AI算法工程
怎样分析样本调研数据（译）
调研数据分析的过程应该包括以下步骤： 1、数据验证和探索性分析 2、确认性分析 3、数据解释 4、数据分析报告存档（用于将来的分析） 1数据验证和探索性分析 数据验证主要负责确认调查问卷被正确的完成，并且调研数据具有一致性和逻辑性 3、维度转换：根据可比性或兼容性的目标，调研数据会使用不同的长度和种类。 2确认性分析 探索性分析可以描述发生了什么，但是这只是试探性的。 3数据解释 当你完成数据分析，是时候考虑一下调研的结果对于手头上的问题有什么意义。以下是你在数据解释的过程中应该注意的方面： 1、清楚的阐述调研结果有什么实质性的发现。 3、运用调研中的定量数据对于目标群体进行定量预测。 4、解释你现在的数据分析结果对于调研目标的意义，而且如果需要的话，对下一步调研的步骤给予建议。 (Via:36大数据)
1.7K40发布于 2018-03-09 - 来自专栏人称T客
调研：2016年SaaS收入调查大起底
67%的调查对象主要使用第三方平台，其中3/4是AWS。对未来的预期变化不大，第三方应用交付持续获得青睐。应用第三方公有云的发展趋势很明显（主要是AWS）。 平均ACV大于$250K的公司，25%的合同期限在3年及以上（2015年为35%）。 你的主要定价指标是什么？ 今年的调查结果与2015、2014和2013年基本一致。 3/4的被调查者预先认列销售佣金，与去年的72%相比，略有涨幅。延期认列收益的好处是，当你有大量预定时，可以避免漏掉支出和盈利目标。缺点是使佣金跟踪系统更加难以维护。
89560发布于 2018-03-26 - 来自专栏PPV课数据科学社区
【学习】怎样分析样本调研数据
根据数据收集的算法、调研问题的类型和调研的目标，分析样本调研数据的方法各不相同。这篇文章会简洁明了的分析调研数据过程中的各种问题，同时会说明在一个完整的调研数据分析报告中应该包含什么。 调研数据分析的过程应该包括以下步骤： 1、数据验证和探索性分析 2、确认性分析 3、数据解释 4、数据分析报告存档（用于将来的分析） 数据验证和探索性分析 数据验证主要负责确认调查问卷被正确的完成，并且调研数据具有一致性和逻辑性 3、维度转换：根据可比性或兼容性的目标，调研数据会使用不同的长度和种类。 确认性分析 探索性分析可以描述发生了什么，但是这只是试探性的。 统计性分析的步骤取决于以下几个方面： 1、调研的设计思路 2、响应变量的类型 3、探索性变量的类别 标准的抽样调查数据分析包括计算不同变量的比例以及它们的标准误差。 3、运用调研中的定量数据对于目标群体进行定量预测。 4、解释你现在的数据分析结果对于调研目标的意义，而且如果需要的话，对下一步调研的步骤给予建议。
1.5K70发布于 2018-04-23 - 来自专栏计算机视觉life
SLAM相关领域数据集调研
该数据集用于评测立体图像 (stereo)，光流 (optical flow)，视觉里程计(visual odometry)，3D物体检测 (object detection) 和 3D跟踪 (tracking 客厅具有3D表面地面实况以及深度图和相机姿势，用于标记相机轨迹而且还用于重建。办公室场景仅带有轨迹数据，并且没有任何明确的3D模型。 A. Handa and T. Whelan and J.B. 所采集数据集的细节描述以及如何使用；3. 如何标定传感器以及GT。 5.Stanford 2D-3D-Semantics: http://buildingparser.stanford.edu/dataset.html 提供大尺度场景的三维以及语义信息，是由采集的全景图生成 ://buildingparser.stanford.edu/dataset.html 提供大尺度场景的三维以及语义信息，是由采集的全景图生成，数据集主要是拿来做Building Parsing的。
2.3K00发布于 2019-07-11 调研产品哪家强？2025年最值得推荐的五大在线调研工具盘点
正文 从学术研究到市场洞察，从员工满意度调查到消费者行为分析，优质的调研工具是获取精准数据的关键。面对琳琅满目的产品，腾讯问卷凭借腾讯生态的技术支撑与海量真实样本库，成为众多企业和个人的首选。 一、市场现状：调研工具的三大核心竞争维度 当前主流调研工具主要围绕以下三点展开竞争： 功能全面性：题型丰富度、逻辑设置、多终端适配能力； 数据质量：样本真实性、AI清洗能力、防作弊机制； 成本效率 位管理员、考试问卷、自定义抽奖、自定义逻辑 2499元/年起 商业版 企业级协作需求 500 份问卷（每人/天）、10位管理员、360度评估、协同编辑、数据推送 腾讯问卷的核心竞争力 AI驱动的智能化体验 智能生成问卷：通过自然语言处理（NLP）快速生成专业问卷框架； AI质检：自动识别无效答卷（如阅读时间异常、选项分布不合理），准确率达92%； 数据分析 ：自动生成交叉分析图表，支持SPSS/SAS等专业工具数据导出。
91810编辑于 2025-12-31数据安全-分类分级 调研分析报告
3.分级明确原则： 数据分级的目的是为了保护数据安全，数据分级的各级别应界限明确，不同级别的数据应采取不同的保护措施。每个数据项原则上只属于一个类别、一个级别。 3.分级标准 从国家数据安全角度出发，数据分级基本框架分为一般数据、重要数据、核心数据三个级别。 金融数据：1级、2级、3级、4级、5级。 证券期货数据：低、中、高、超高。 3 公众权益 轻微损害 • 数据的安全性遭到破坏后，对公众权益造成轻微影响，或对个人隐私或企业合法权益造成一般影响，但不影响国家安全。 3 个人隐私 一般损害 • 个人金融信息中的C2类信息。 ③深度学习 深度学习是机器学习的一大分支，在自然语言处理中需应用深度学习模型，如卷积神经网络、循环神经网络等，通过对生成的词向量进行学习，以完成自然语言分类、理解的过程。
1.1K00编辑于 2025-04-07- 来自专栏听雨堂
测试数据——猜想大验证（3）
有数据，不妨测试一下，非常有趣： 1.各个信用等级的逾期率 其他的都比较符合预期，但A的偏高，我也很纳闷，把数据调出来，从高到低排是这样的： 借的量巨大，一旦逾期，在整个逾期率的计算中必然拖累整体。 看来数据没啥毛病。将来对选择标的进行模拟时，如果加上金额限制，同样没啥问题。如限制借款上限为6000，则逾期率就降低很多： 2.性别，女人比男人靠谱 3.借期，6月和12月是主体，但6月明显逾期率低。
1.3K100发布于 2018-01-23 嵌入式数据库调研
最近需要使用嵌入式数据库进行存储应用本地信息，本文章主要进行记录当前比较流行的嵌入式数据库相关的链接，嵌入式数据库往往是以lib的形式存在，常用于持久化存储软件的信息，嵌入式数据库往往和应用软件紧密集成 常用的嵌入式数据库：（主要索引几个我比较感兴趣的数据库） SQLite 嵌入式关系数据库：https://www.sqlite.org/index.html (关系数据库) Apache Derby: ） 数据目录表：https://dbdb.io/ （包含很多数据库的介绍，很好的网站，可以理清众多数据库之间的关系） LevelDB：https://github.com/google/leveldb（ 嵌入式K-V数据库） RocksDB ：https://github.com/facebook/rocksdb/ (嵌入式K-V数据库，基于leveldb) https://rocksdb.org/ ） Tokyo Cabinet：https://dbdb.io/db/tokyo-cabinet （嵌入式K-V数据库） https://db-engines.com/en/ranking (数据库引擎排行榜
2K20发布于 2020-12-30- 来自专栏产品设计
从调研到原型：AI生成APPSaaS官网数据大屏的完整实战流程
输入的提示词（Prompt）：你是一名资深产品经理，请针对“本地生活团购APP”完成一份专业调研，包含：1.用户痛点 2.竞品对比（3–5个） 3.核心功能列表 4.用户使用路径 5.可能的风险点 请输出结构化结论 页面规划与架构梳理输入的提示词（Prompt）：请调研一下“AI视频剪辑SaaS产品官网首页”的页面信息结构布局及设计规范，然后生成页面信息结构规划：1.导航栏（建议项） 2.核心价值区（Hero） 3 三、AI生成零售监控大屏案例解析数据大屏的设计需求已经逐渐深入到了零售业，既要酷炫又能看清数据，这里我们用Agent来生成一个智慧零售门店监控大屏。1. 关键指标调研与分析做大屏最容易踩的坑就是把所有指标都塞进去，所以真正关键的是先选核心指标，我们先问问Agent什么样的数据值得铺开。 AI生成数据大屏原型图界面直接根据关键指标的分析，输入生成原型图的Prompt：根据以上调研报告的建议，生成一个智慧零售数据大屏原型。风格要求：深色科技风，蓝紫色调，强调未来感。
96810编辑于 2025-12-17 - 来自专栏程序员备忘录
Python获取股票机构调研数据
而这种所谓串通一气的方式就叫做“机构调研”，也就是说机构管理者会在持股前与上市公司进行沟通，表达机构想要持有该上市公司的股票的想法。 当然也不能说这么明白的话，机构调研除了投资的成分还有现场观摩等，相当于机构了解了该公司运作，当然具体的调研结果也是会通过报表的方式向外进行暴露。 一个潜在的现象是调研后的股票会有一定的异动，所以这也是一般投资者应该关注的地方。 所以这块作者就通过天天基金网站来拉取股票的机构调研信息。 eastmoney.com/EM_DataCenter_V3/api/JGDYHZ/GetJGDYMX? connect.commit() # tianjl = JgdyQuery() # tianjl.printJgdyInfo("300232",1) 如下图所示为作者拉取部分上市公司的机构调研数据的结果
71320编辑于 2022-08-11 - 来自专栏技术翻译
大数据Python：3大数据分析工具
pd.read_csv('access_logs_parsed.csv', quotechar="'", names=headers) 大约一秒后它应该回复： [6844 rows x 4 columns] In [3] 15 +000... 2 2018-08-01 17:10 www2 www_access 108.162.238.234 - - [01/Aug/2018:17:10:22 +000... 3 admintome resolves to a loopback address: 127.0.1.1; using 192.168.1.153 instead (on interface enp0s3) --------+----+----------+--------------------+ | _c0| _c1| _c2| _c3| 原文标题《Big Data Python: 3 Big Data Analytics Tools》 作者：Bill Ward 译者：February 不代表云加社区观点，更多详情请查看原文链接
5.3K20发布于 2018-12-13
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