- 综合排序
- 最热优先
- 最新优先
- 来自专栏初见Linux
10-3 信号
三、信号 kill 命令通常用来“ 杀死 ”（终止）进程，它可以用来终止运行不正常的程序 或 拒绝终止的程序。如下例： kill命令示例.png 我们首先在后台启动了 xlogo 程序。She
86430发布于 2020-08-11 - 来自专栏mysql
hhdb数据库介绍(10-3)
单机部署为管理平台为用户提供单个组件安装部署的功能，弥补集群部署功能中无法单独安装某个组件的缺陷。具体功能说明与操作步骤请参考安装部署文档。
1.1K10编辑于 2025-03-12 - 来自专栏AI机器学习与深度学习算法
机器学习入门 10-3 实现混淆矩阵，精确率和召回率
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节首先通过具体的编程实现混淆矩阵进而计算精准率和召回率两个指标，最后使用sklearn中封装的库函数实现混淆矩阵、精准率以及召回率。
2.2K30发布于 2020-04-08 - 来自专栏完美Excel
VBA专题10-3：使用VBA操控Excel界面之设置工作表（续）
要隐藏其他工作表中的行，只需使用该工作表代替ActiveSheet，例如使用Sheets(1)代表第1个工作表，或者使用Worksheets(1)代表第1个标准工作表。隐藏所有行后，行标题几乎被隐藏，但列标题仍然在工作表中。
2.9K20发布于 2020-07-16 - 来自专栏Java技术栈
卧槽！Dozer 宣布停止维护，不要再用了。。
www.baeldung.com/java-performance-mapping-frameworks 实测结果： Framework Name p0.90 p0.999 p1.0 JMapper 10 -3 0.008 64 MapStruct 10-3 0.010 68 Orika 0.006 0.278 32 ModelMapper 0.083 2.398 97 Dozer 0.146 4.526 关注Java技术栈看更多干货 获取 Spring Boot 实战笔记！
1.2K10编辑于 2022-03-03 - 来自专栏about云
about云日志分析实战之清洗日志小实例2：导入日志清洗代码并打包
上一篇： about云日志分析实战之清洗日志1：使用spark&Scala分析Apache日志 http://www.aboutyun.com/forum.php? 对于iis日志，可参考 about云日志分析项目准备10-3：Spark Local模式之Log文本清洗 http://www.aboutyun.com/forum.php?
1K60发布于 2018-03-26 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题10-3 递归实现指数函数
习题10-3 递归实现指数函数 本题要求实现一个计算xn（n≥1）的函数。
1K10发布于 2020-09-15 - 来自专栏北京马哥教育
实战Google深度学习框架：TensorFlow计算加速
本文节选自《TensorFlow：实战Google深度学习框架》第十章。 图10-3中给出了一个具体的样例来说明异步模式的问题。其中黑色曲线展示了模型的损失函数，黑色小球表示了在t0时刻参数所对应的损失函数的大小。 假设在时间t1设备d0已经完成了反向传播的计算并更新了参数，修改后的参数处于图10-3中小灰球的位置。 然而这时的设备d1并不知道参数已经被更新了，所以在时间t2时，设备d1会继续将小球向左移动，使得小球的位置达到图10-3中小白球的地方。 从图10-3中可以看到，当参数被调整到小白球的位置时，将无法达到最优点。 异步模式训练深度学习模型存在的问题示意图 同步模式深度学习模型训练流程图 为了避免更新不同步的问题，可以使用同步模式。
1.5K70发布于 2018-05-02 - 来自专栏CSDN技术头条
实战Google深度学习框架：TensorFlow计算加速
本文节选自《TensorFlow：实战Google深度学习框架》第十章。 图10-3中给出了一个具体的样例来说明异步模式的问题。其中黑色曲线展示了模型的损失函数，黑色小球表示了在t0时刻参数所对应的损失函数的大小。 假设在时间t1设备d0已经完成了反向传播的计算并更新了参数，修改后的参数处于图10-3中小灰球的位置。 然而这时的设备d1并不知道参数已经被更新了，所以在时间t2时，设备d1会继续将小球向左移动，使得小球的位置达到图10-3中小白球的地方。 从图10-3中可以看到，当参数被调整到小白球的位置时，将无法达到最优点。 ? 图10-3 异步模式训练深度学习模型存在的问题示意图 ?
1.6K80发布于 2018-02-12 - 来自专栏DeepHub IMBA
计算卷积神经网络参数总数和输出形状
S→stride, p→padding, n→input size, f→filter size 默认Stride =1，没有提到填充(所以，p=0) 输出形状= n-f+1 = 10-3 +1 =8 n = 10, f = 3 s = 1, p = 0 默认Stride =1，没有提到填充(所以，p=0) 输出形状= n-f+1 = 10-3 +1 =8 在使用卷积滤波器对输入图像应用卷积后，输出将是一个特征映射 n = 10, f = 3 s = 1, p = 0 默认Stride =1，没有提到填充(所以，p=0) 输出形状= n-f+1 = 10-3 +1 =8 在使用卷积核对输入图像应用卷积后，输出将是一个特征映射
1.4K30发布于 2021-08-20 - 来自专栏人工智能头条
实战Google深度学习框架：TensorFlow计算加速
本文节选自《TensorFlow：实战Google深度学习框架》第十章。 图10-3中给出了一个具体的样例来说明异步模式的问题。其中黑色曲线展示了模型的损失函数，黑色小球表示了在t0时刻参数所对应的损失函数的大小。 假设在时间t1设备d0已经完成了反向传播的计算并更新了参数，修改后的参数处于图10-3中小灰球的位置。 然而这时的设备d1并不知道参数已经被更新了，所以在时间t2时，设备d1会继续将小球向左移动，使得小球的位置达到图10-3中小白球的地方。 从图10-3中可以看到，当参数被调整到小白球的位置时，将无法达到最优点。 ? 图10-3 异步模式训练深度学习模型存在的问题示意图 ?
1.2K50发布于 2018-06-06 - 来自专栏愿天堂没有BUG（公众号同名）
高并发核心编程SpringCloud+Nginx秒杀实战，秒杀系统的系统架构
Zuul）完成认证、负载均衡、接口限流 对于总流量较大的系统会有一层甚至多层外部网关，因此限流的职责会从内部网关剥离到外部网关，内部网关（如Zuul）仍然具备权限认证、负载均衡的能力，具体的分层架构如图10 图10-3 外部网关与内部网关相结合完成权限认证、负载均衡、接口限 流 3.业务层负责保障数据一致性 秒杀的业务逻辑主要是下订单和减库存，都是数据库操作。 分布式计数器、分布式锁、分布式ID生成器等基础知识也是大家必须系统地学习和掌握的知识，但是不属于在本书介绍的内容，如果对这一块不了解，可翻阅本书姊妹篇《Netty、Redis、ZooKeeper高并发实战 本文给大家讲解的内容是高并发核心编程，Spring Cloud+Nginx秒杀实战，秒杀系统的系统架构 下篇文章给大家讲解的是高并发核心编程，Spring Cloud+Nginx秒杀实战，秒杀业务的参考实现
1.1K20编辑于 2022-10-28 - 来自专栏微服务生态
微服务反模式与陷阱翻译终结篇
服务消费者发送一个消息到第一个服务，然后发送另一个消息的第二个服务，如图10-3所示。在服务使用者执行提交之前，这些消息都保存在队列中。一旦服务使用者执行提交，两个消息就会被释放。 ? 图10-3 在图10-3中，服务消费者将消息发送到第一个队列中，然后服务消费者业务报错， 这时可以在消息事务中进行回滚，从消息系统的队列中删除掉刚才发的消息。
81020发布于 2018-08-22 - 来自专栏华章科技
终于有人把用户画像的流程、方法讲明白了
画像构建中用到的技术有数据统计、机器学习和自然语言处理技术（NLP）等，如图10-3所示。具体的画像构建方法会在本文后面的部分详细介绍。 ? ▲图10-3 用户画像的构建技术 2. 通过数据统计，有大约30%的用户在注册时填写了个人信息，将这30%的用户作为训练集，以构建全量用户的性别画像，所用数据如表10-3所示。 ▼表10-3 视频网站用户数据 ? 下面来构建特征。 （篇幅有限，这里不详细介绍，有需要的同学可以看《Spark机器学习进阶实战》一书第10.4.1节） 2. 用户画像使用 构建好用户画像并做了评估之后，就可以在业务中使用它。 本文摘编自《Spark机器学习进阶实战》，经出版方授权发布。 延伸阅读《Spark机器学习进阶实战》
6.9K44发布于 2021-07-12 - 来自专栏全栈程序员必看
干货请收好：终于有人把用户画像的流程、方法讲明白了「建议收藏」
作者：马海平 于俊 吕昕 向海 本文摘编自《Spark机器学习进阶实战》，如需转载请联系我们 01 概述 用户画像的核心工作就是给用户打标签，标签通常是人为规定的高度精炼的特征标识，如年龄、性别、地域、 画像构建中用到的技术有数据统计、机器学习和自然语言处理技术（NLP）等，如图10-3所示。具体的画像构建方法会在本章后面的部分详细介绍。 ▲图10-3 用户画像的构建技术 2. 通过数据统计，有大约30%的用户注册时填写了个人信息，我们将这30%的用户作为训练集，来构建全量用户的性别画像，我们的数据如表10-3所示。 本文摘编自《Spark机器学习进阶实战》，经出版方授权发布。 延伸阅读《Spark机器学习进阶实战》 点击上图了解及购买 转载请联系微信：togo-maruko 推荐语：科大讯飞大数据专家撰写，从基础到应用，面面俱到。
3.3K41编辑于 2022-09-05 - 来自专栏华章科技
干货请收好：终于有人把用户画像的流程、方法讲明白了
作者：马海平 于俊 吕昕 向海 本文摘编自《Spark机器学习进阶实战》，如需转载请联系我们 01 概述 用户画像的核心工作就是给用户打标签，标签通常是人为规定的高度精炼的特征标识，如年龄、性别、地域、 画像构建中用到的技术有数据统计、机器学习和自然语言处理技术（NLP）等，如图10-3所示。具体的画像构建方法会在本章后面的部分详细介绍。 ? ▲图10-3 用户画像的构建技术 2. 通过数据统计，有大约30%的用户注册时填写了个人信息，我们将这30%的用户作为训练集，来构建全量用户的性别画像，我们的数据如表10-3所示。 本文摘编自《Spark机器学习进阶实战》，经出版方授权发布。 延伸阅读《Spark机器学习进阶实战》 点击上图了解及购买 转载请联系微信：togo-maruko 推荐语：科大讯飞大数据专家撰写，从基础到应用，面面俱到。
5.6K61发布于 2018-12-10 - 来自专栏全栈程序员必看
体验vSphere 6之7-为虚拟机启用容错
图10-2 容错虚拟机正在启动 （3）在vSphere Web Client控制台中，在”摘要”选项卡中可以看到当前容错虚拟机，所在的主机为192.168.80.11，如图10-3所示。 图10-3 容错虚拟机所在主机 （4）在左侧选择另一个ESXi主机192.168.80.12，在”Virtual Machine”列表中可以看到正在运行的辅助虚拟机，如图10-4所示。
1.5K40编辑于 2021-12-23 - 来自专栏全栈程序员必看
hfe和HFE_hfe参数
Jior:lc和IB在下限比值为 IC0.9×10-39×10-4 IB30×10-63×105=30 而上限为 I(60×10-3 IB300×10-6200 I的变化与Ic的变化之比为 △Ic(60 -0.9)×10-3 △IB(300-30)×10-≈219 Doc:在电路中,用hEF=IC/IB表示集电极电流IC和基极 电流IB之比,并称hEF为直流电流放大系数。
46730编辑于 2022-09-20 - 来自专栏黎鹤舞的编程技术栏
常用的数据单位符号
负数单位符号 十进制（SI） 二进制（计算机存储） 数据速率单位 d = 10-1 1 KB = 1,000(103) B 1 KB = 1,024 (210)B 1 Kbps = 1,000 bps m = 10
47700编辑于 2024-05-27 - 来自专栏程序猿DD
都在说微服务，那么微服务的反模式和陷阱是什么（三）
服务消费者发送一个消息到第一个服务，然后发送另一个消息的第二个服务，如图10-3所示。在服务使用者执行提交之前，这些消息都保存在队列中。一旦服务使用者执行提交，两个消息就会被释放。 ? 在图10-3中，服务消费者将消息发送到第一个队列中，然后服务消费者业务报错， 这时可以在消息事务中进行回滚，从消息系统的队列中删除掉刚才发的消息。
1.1K50发布于 2018-02-01
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