- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
机器学习入门 6-7 sklearn中的随机梯度下降法
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍改进上一小节代码，封装自己的随机梯度下降法并应用，之后应用sklearn实现随机梯度下降法。
1.2K20发布于 2019-11-13 - 来自专栏布衣者博客
LeetCode-题库-刷题(6-7)
将一个给定字符串 s 根据给定的行数 numRows ，以从上往下、从左到右进行 Z 字形排列。 具体题目链接
42220发布于 2021-09-07 - 来自专栏python3
笨办法学Python - 习题6-7:
目录 1、习题 6: 字符串(string) 和文本 2、加分习题： 3、我的答案 4、习题总结 5、习题 7: 更多打印 6、习题总结 1、习题 6: 字符串(string) 和文本 学习目标：了解字符串的定义 5、习题 7: 更多打印 学习目标：熟练掌握字符串的格式化输出，这节主要是练习为主。 习题七中的练习代码是： #! 6、习题总结 习题7主要是回顾了之前学习的知识点，包括print操作，字符数串的格式化输出等。
68610发布于 2020-02-10 - 来自专栏iOS面试
iOS 面试策略之算法基础6-7节
之前介绍了最简单的搜索法：二分搜索。虽然它的算法复杂度非常低只有 O(logn)，但使用起来也有局限：只有在输入是排序的情况下才能使用。这次讲解两个更复杂的搜索算法:
83330发布于 2021-04-22 - 来自专栏AI SPPECH
IO竞赛2025年题目解析：中级难度（6-7）
2025年的中级难度（难度系数6-7）题目综合考察了选手的算法设计、数据结构应用、数学建模和问题分析能力。本文将深入解析2025年中级难度的IO竞赛题目，帮助选手们突破瓶颈，提升解题能力。 难度进阶路径: 入门(1-3) → 基础(4-5) → 中级(6-7) → 高级(8-10) 难度系数 考察重点 核心知识点 学习目标 6-7 高级算法、数据结构综合应用 高级动态规划、图论、数论、几何 8题） ├── 第四章：中级难度题目解题策略 └── 第五章：综合能力提升建议 第一章：2025年IO竞赛中级难度题目概述 根据2025年NOI修订版大纲，中级难度（CSP-S提高）的知识点难度系数为6- 解题策略: 问题分析 → 模型建立 → 算法选择 → 代码实现 → 测试优化 第五章：综合能力提升建议 对于想要在IO竞赛中取得好成绩的选手，以下是一些综合能力提升的建议： 系统学习：系统地学习各种算法和数据结构 学习交流：与其他选手交流学习经验，分享解题思路，拓宽视野。 关注前沿：关注算法和数据结构的最新发展，学习新的解题方法和技巧。
24210编辑于 2025-11-13 - 来自专栏linjinhe的专栏
设计数据密集型应用（6-7）：分片、事务
随着业务发展，用户数量、商品数量、订单数量都在持续增长，数据库的负载越来越高。我们开始对数据库进行垂直拆分（垂直分片），把这三张表拆到三个数据库，而业务代码改改数据库的配置就好。
74250发布于 2020-04-02 - 来自专栏全栈开发那些事
6-7 在一个数组中实现两个堆栈 (20分)
其中Tag是堆栈编号，取1或2；MaxSize堆栈数组的规模；Stack结构定义如下：
1.1K40编辑于 2023-02-27 - 来自专栏图形学与OpenGL
实验2 关系可视化
了解关系可视化知识，了解和学习散点图、饼图、堆叠柱形图、板块层级图和直方图等常见图表类型； 2. 学习图形语法方式绘图； 3. 学习与巩固R+Illustrator可视化绘图模式。 二. 将上一步所得的PDF文件，导入Illustrator，以教材图6-7为模板，完成图6-7，并添上自己的署名。 三. 实验步骤 1. 实验结果 图6-7英文和中文版分别如下图所示，大家提交作品文字部分按中文版处理，图形效果参考英文版。 ? ? 五.
1.3K20发布于 2018-10-09 - 来自专栏AI算法与图像处理
2020年计算机视觉技术最新学习路线总结 （含时间分配建议）
建议时间：每周6-7小时 解决对象检测问题： 目标检测技术的分步介绍 https://www.analyticsvidhya.com/blog/2018/10/a-step-by-step-introduction-to-the-basic-object-detection-algorithms-part 建议时间：每周6-7小时 图像分割简介： 图像分割技术的分步介绍 https://www.analyticsvidhya.com/blog/2019/04/introduction-image-segmentation-techniques-python 建议时间：每周6-7小时 PyTorch： PyTorch教程 https://pytorch.org/tutorials/ PyTorch的初学者友好指南 https://www.analyticsvidhya.com 建议时间：每周6-7小时 自然语言处理（NLP）的基础知识： 斯坦福-词嵌入： https://youtu.be/ERibwqs9p38 递归神经网络（RNN）简介： https://youtu.be/ 建议时间：每周6-7小时 了解生成对抗网络（GAN）： Ian Goodfellow的生成对抗网络（GAN）： https://youtu.be/HGYYEUSm-0Q GAN 论文 https://arxiv.org
12.9K1416发布于 2020-08-28 - 来自专栏IT从业者张某某
C++100-C++拓展002-float精度问题
C++100-C++拓展002-float精度问题 摘要 本系列为C++学习系列，会介绍C++基础语法，基础算法与数据结构的相关内容。 本文为C++拓展内容，包括float精度为6-7的问题，并提供相关案例练习。 尾数位23位，则有2^23 = 8388608，一共七位有效数字（能保证的为6位），即float的精度为6-7位有效数字。 long long 最大值：" << ULONG_LONG_MAX << '\n'; } 输出： 在线练习： http://noi.openjudge.cn 总结 本系列为C++学习系列
56020编辑于 2023-10-16 - 来自专栏亨利笔记
国庆假期免费观看VMworld 2021线上大会
一年一度的 VMworld 将于 10 月 6-7 日（亚洲时区）开幕，VMware将展示最新技术成果和新产品。本次大会采用线上虚拟形式，全球用户均可免费观看大部分的内容。 相关文章： 使用Bitfusion在K8s上共享GPU资源 没错，AI原生云GPU算力圈的"super爱豆"就是他 在主会场的主题演讲上，我们还会演示最新的基于VCF/TKG的云原生联邦学习解决方案， 相关文章： 云原生技术赋能联邦学习 联邦学习：保护隐私安全以及克服数据孤岛的机器学习 ---- 要想了解云原生、机器学习和区块链等技术原理，请立即长按以下二维码，关注本公众号亨利笔记 （ henglibiji
24120编辑于 2023-04-04 - 来自专栏量子化学
使用EzReson进行化学共振分析（4）：实例：Diels–Alder加成的共振分析
会看到共有175个线性独立的共振结构，但我们只考察最重要的前三个共振结构，依次是[6-7 8-92-1]（22.69%）、[7-8 9-26-1]（13.78%）和[7: 8-96-1]（5.45%）， 按上述方法来对反应复合物进行WFRT分析（选取第36、37和38条LMOs），得到最重要的前三个共振结构依次为[6-7 8-9 2-1]（84.38%）、[9: 7-8 2-1]（1.92%）和[1: 6-7 8-9]（1.91%）。 可见，类反应物的Lewis结构（[6-7 8-9 2-1]）占非常大的优势；次要共振结构（[9: 7-8 2-1]）则反映了双烯上醛基的吸电子效应，使得电子在分子内又6号碳极化到9号碳；第三重要的共振结构 （[1: 6-7 8-9]）占比（1.91%）与前一个（1.92%）几乎相同，它反映出甲氧基的推电子效应使电子从2号碳极化到了1号碳。
86610发布于 2021-02-26 - 来自专栏毕业设计
分布式电商系统的设计与实现⑦-2
）点击新品，输入价格区间，是否排序等操作通过上述操作均能查询出相关商品符合预期结果搜索商品界面如下图6-6所示：图 6-6 搜索商品界面1.1.3 秒杀商品相关功能测试秒杀商品的测试用例分析表如下表6- 表 6-7 秒杀商品的测试用例分析表测试主题测试步骤预期结果实际结果秒杀商品（1）进入商品首页，找到秒杀栏 （2）进入秒杀栏，可以查看所有秒杀商品。 2）点击购物车，选中要删除的商品 （3）点击删除选中的商品成功从购物车列表剔除符合预期结果购物车的商品数量（1）进入购物车列表 （2）选中商品，修改商品数量成功修改商品符合预期结果购物车界面如下图6- 7所示：图 6-7 购物车界面1.1.5 订单相关功能测试该模块提供提交订单，支付等功能，该功能模块测试用例分析如下表6-9所示：表 6-9 订单功能测试用例分析表测试主题测试步骤预期结果实际结果提交订单
34810编辑于 2024-06-23 - 来自专栏区块链大本营
快讯 | 比特大陆被曝Q2亏损超6亿美元
区块链大本营8月14日讯 据财经网爆出，比特大陆第二季度亏损约6-7亿美元，S9矿机的价格下跌85%。 此外，原推文还爆出比特大陆持有库存12.4亿美元，而S9矿机价格累计下跌85%，第二季度亏损约6-7亿美元。
42220发布于 2018-09-21 - 来自专栏杨熹的专栏
TensorFlow 2.0 Tutorial: 1. 先搭建一个最简单的模型
3 月 6-7 日，在 TensorFlow 的 2019 峰会上正式推出了 2.0 Alpha 版本。 例如，我们有一组训练集，x 和 y 之间满足这个关系： y = (2 * x) - 1 接下来要建立一个最简单的神经网络，让它来学习出这种关系，输入新的 x ，可以输出相应的 y。 神经网络在学习这个关系时，它先是猜一个系数，比如 y=10x+10， 这样模型的输出和实际的结果就会有一个差距，loss 就是来表示这个差距。 np.array([-3.0, -1.0, 1.0, 3.0, 5.0, 7.0], dtype=float) 训练模型， 这里最简单的方式是用 model.fit，在这一步中模型会用上面提到的过程，开始学习 print(model.predict([10.0])) ---- 学习资料： Introduction to TensorFlow for Artificial Intelligence, Machine
1.5K20发布于 2019-04-09 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine ——MYD11A1 V6产品提供1200×1200公里网格内的每日陆地表面温度（LST）和发射率值数据集
Average emissivity error ≤ 0.022: Average emissivity error ≤ 0.043: Average emissivity error > 0.04Bits 6- Average emissivity error ≤ 0.022: Average emissivity error ≤ 0.043: Average emissivity error > 0.04Bits 6- emissivity error ≤ 0.02 2: Average emissivity error ≤ 0.04 3: Average emissivity error > 0.04 Bits 6- emissivity error ≤ 0.02 2: Average emissivity error ≤ 0.04 3: Average emissivity error > 0.04 Bits 6-
46110编辑于 2024-02-02 - 来自专栏FREE SOLO
启示录：日本涉谷未来之光TOD成功建设经验
在城市土地供应日益紧张、城市人口膨胀、公共交通快速发展的今天，涩谷之光以复合业态功能叠加和选择重点业态精心打造，并最大限度对接公共交通资源的开发策略，创造了高度集约的城市商业综合体，值得当下中国城市商业开发学习借鉴 涩谷之光的地下2-3层为对接地铁的配套餐饮商业，地下1层到地上5层为零售商业，其中2层对接轻轨站，6-7层为餐厅餐饮业态，8层为文化创意业态，9层为会议功能，10层为剧院及空中客厅，通过10层的空中客厅可到达
2.4K41发布于 2021-06-24 - 来自专栏MixLab科技+设计实验室
真相（Zhenxiang）： 用真相帮生活过滤
作品名称：真相（Zhenxiang）Slogan： 用真相帮生活过滤 项目背景：这是一个由0编程基础的学员，在经过线下2天的AI编程学习后，在3小时的黑客松（Hackathon）比赛中独立开发完成的MVP 核心痛点与洞察：作者观察到两个关键的人群过渡期： 6-7岁儿童： 从家庭进入学校的社会化过程。 大学毕业生： 从校园进入职场的转变过程。 信仰 (Belief)： 逻辑自洽但无法证明的价值观（例如：“不努力学习以后就找不到好工作”）。
10610编辑于 2026-03-25 - 来自专栏AI科技大本营的专栏
帮你偷懒的“老板探测器”，简直是机器学习年底最佳应用
在漫长的无心工作的“年底”里，你们大概需要动用深度学习技能来假装好好工作：当老板快要走到身后，让电脑自动隐藏“工作不宜”的窗口。 付出这么多努力就为了工作时开个小差？ 老板和我的座位距离约6-7米，如果我在看“工作不宜”的东西，当老板离开座位，有4-5秒的时间切换界面。 策略 用深度学习训练一个模型，让电脑能认出老板的脸。 识别老板的脸 接下来，我们用机器学习算法让计算机认出老板的脸。分为以下三步： 收集图片 处理图片 建立机器学习模型 让我们一步一步来看。 处理图片 我们收集了大量包括人脸的图片，但是学习算法还不能直接用，因为图片里包含太多不是人脸的部分。因此，我们需要把脸部剪切出来。 我主要用ImageMagick来做脸部提取的工作，得到了下面这些脸部照片： 现在可以开始学习了。
84490发布于 2018-04-26 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine ——MOD11A1/A2 V6产品提供1200×1200公里网格内的每日陆地表面温度（LST）和发射率值1KM分辨率数据集
Average emissivity error ≤ 0.022: Average emissivity error ≤ 0.043: Average emissivity error > 0.04Bits 6- Average emissivity error ≤ 0.022: Average emissivity error ≤ 0.043: Average emissivity error > 0.04Bits 6- emissivity error ≤ 0.02 2: Average emissivity error ≤ 0.04 3: Average emissivity error > 0.04 Bits 6- emissivity error ≤ 0.02 2: Average emissivity error ≤ 0.04 3: Average emissivity error > 0.04 Bits 6-
77610编辑于 2024-02-02
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