- 综合排序
- 最热优先
- 最新优先
- 来自专栏mysql
hhdb数据库介绍(10-4)
该功能用来查看和管理所有计算节点集群中存储节点所在实例的主从关系。实例信息可以通过主机名、端口号、和存储节点版本号进行筛选。
97710编辑于 2025-03-13 - 来自专栏AI机器学习与深度学习算法
机器学习入门 10-4 F1 Score
该来的自然来，会走的留不住；不违心、不刻意、不必太在乎、放开执念，随缘是最好的生活。
2.1K20发布于 2020-04-08 - 来自专栏完美Excel
VBA专题10-4：使用VBA操控Excel界面之设置工作簿视图和窗口
如果活动工作表不是标准工作表，那么上述语句执行时会导致运行时错误，因为图表工作表、宏工作表或对话框工作表没有这些视图选项。
5.6K20发布于 2020-08-04 - 来自专栏机器学习算法与Python学习
机器学习(8) -- 降维
图10-4给出了样本在3维空间的分布情况，其中图(2)是图(1)旋转调整后的结果。 图10-4 样本在3维正交空间的分布 ? 图10-5 样本投影在2维平面后的结果 由图10-4可以很明显的看出，对当前样本而言，s1平面比s2平面的最近重构性要好（样本离平面的距离更近）；由图10-5可以很明显的看出，对当前样本而言，s1平面比 （其中 是n*1的向量） 在matlab中具体实现如下，其中X为m*n的矩阵： Sigma = (1/m) * X'* X; 对2中求得的协方差矩阵Sigma进行特征值分解 在实践中通常对协方差矩阵进行奇异值分解代替特征值分解
1.2K100发布于 2018-04-04 - 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10-4 递归求简单交错幂级数的部分和
习题10-4 递归求简单交错幂级数的部分和 本题要求实现一个函数，计算下列简单交错幂级数的部分和： f(x,n)=x−x2+x3 −x4+⋯+(−1)n−1xn 函数接口定义： double
1.6K10发布于 2020-09-15 - 来自专栏化羽学Java
Java实用类(五) -Math类和指定范围的随机数
Math.random() * b )——>[a，a + b) //(int)(a + Math.random() * b )——[a，a + b) //4~9-->(int)(4 + Math.random() * (10 0; i < 20; i++) { int RandomNum = 0; //生成0~9的随机整数 RandomNum = (int)( 4+Math.random() * (10
91920编辑于 2022-10-28 顶刊分享----空间免疫评分系统预测肝癌复发
REC和非REC HCC之间最显著的差异是非REC HCC IF中NK细胞的富集评分显著高于REC HCC（P = 4.3 × 10-4），表明IF中NK细胞浸润增加的患者复发风险较低。 CD56+ ordinary NK（P = 3.5 × 10-2）、CD3-CD16+CD56+细胞毒性NK（P = 3.0 × 10-3）和CD3-CD57+ mature NK（P = 8.0 × 10 人外周血的流式细胞术分析进一步证明，SPON2+NK细胞比SPON2-NK细胞表达显著更高水平的IFNγ（P = 1.0 × 10-4）和穿孔素（P = 2.0 × 10-4）。
30220编辑于 2025-03-17- 来自专栏Java技术圈子
编译与优化
上述3个处理过程里，执行插入式注解时又可能会产生新的符号，如果有新的符号产生，就必须转回到之前的解析、填充符号表的过程中重新处理这些新符号，从总体来看，三者之间的关系与交互顺 序如图10-4所示。 图10-4 Javac的编译过程[2] 我们可以把上述处理过程对应到代码中，Javac编译动作的入口是 com.sun.tools.javac.main.JavaCompiler类，上述3个过程的代码逻辑集中在这个类的 如果这些插件在处理注解期间对语法 树进行过修改，编译器将回到解析及填充符号表的过程重新处理，直到所有插入式注解处理器都没有 再对语法树进行修改为止，每一次循环过程称为一个轮次（Round），这也就对应着图10
71920编辑于 2023-02-28 - 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10-3 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。 图10-4 辅助虚拟机运行截图 当ESXi主机内存是4GB、5GB时，尝试启动容错虚拟机，则会弹出”父资源池中可用内存资源不足”的提示，如图10-5所示。
1.5K40编辑于 2021-12-23 - 来自专栏大模型应用
大模型应用：Skill架构解析：理解大模型Skill的本质、核心组成和本地模型实践.116
今天我们就边实践边领悟，真正茅塞顿开，为后续深入高阶开发打下扎实根基。二、基础概念1. = { "name": "simple_calculator", # Skill名称 "description": "解决简单的数字计算问题，支持加减乘除，输入为数学表达式（如3+5、10 ： 帮我算3加5的结果 === 大模型读取Skill配置 === Skill名称：simple_calculator Skill功能：解决简单的数字计算问题，支持加减乘除，输入为数学表达式（如3+5、10 -4*2） === 大模型解析用户需求 === 提取到的计算表达式：10-4*2 === 调用计算Skill === === 大模型整理结果 === 最终回答： 你要计算的表达式是10-4*2，结果是 一步步从基础了解到应用实践，从概念到简单示例，再到本地模型实战，把 Skill 的开发流程、核心逻辑都讲透了。
63830编辑于 2026-05-24 - 来自专栏机器学习与自然语言处理
Stanford机器学习笔记-10. 降维(Dimensionality Reduction)
图10-4给出了样本在3维空间的分布情况，其中图(2)是图(1)旋转调整后的结果。 图10-4 样本在3维正交空间的分布 ? 图10-5 样本投影在2维平面后的结果 由图10-4可以很明显的看出，对当前样本而言，s1平面比s2平面的最近重构性要好（样本离平面的距离更近）；由图10-5可以很明显的看出，对当前样本而言，s1平面比
1.1K80发布于 2018-03-13 - 来自专栏喵叔's 专栏
【GIT最佳实践】--GIT最佳实践
一、提交消息规范 提交消息规范是在使用Git进行版本控制时的一项最佳实践，它有助于组织和标准化提交消息，使团队更容易理解和管理项目的变更历史。 通过遵循这些Git提交消息规范的最佳实践，你可以提高团队协作的效率，更容易维护项目的历史记录，并降低理解和管理代码变更所需的认知负担。 三、GIT工作流程的最佳实践 在Git中，使用适当的工作流程是关键的最佳实践，它有助于组织团队的协作，确保代码库的整洁性，并提高项目的可维护性。 以下是关于Git工作流程的最佳实践： 选择适合项目的工作流程： 根据项目的性质和规模，选择适合的工作流程。 遵循这些实践可提高代码质量、协作效率和项目可维护性。
2.3K40编辑于 2023-10-09 - 来自专栏Hadoop数据仓库
维度模型数据仓库（十五） —— 多重星型模式
source.factory_master; COMMIT; 清单（五）- 10-2 使用Kettle转换初始装载工厂数据只需要一个表输入和一个表输出步骤即可，如图（五）- 10-2到图（五）- 10 图（五）- 10-2 图（五）- 10-3 图（五）- 10-4 工厂的信息很少改变，所以可能希望在一个CSV文件里提供任何关于工厂的最新信息。 执行清单（五）- 10-4里的脚本创建这个表。 product_code INT, production_date DATE, factory_code INT, production_quantity INT ); 清单（五）- 10
71020编辑于 2022-12-02 - 来自专栏FunTester
PreparedStatement实践和批处理实践
之前在学习JDBC使用的过程中，主要使用了实现类是StatementImpl单独执行的一些SQL语句，一直也是相安无事。在最近复习JDBC的过程中，发现了一些新知识，发现了新大陆 PreparedStatement 。
47010编辑于 2024-01-10 - 来自专栏CSDN技术头条
实战Google深度学习框架：TensorFlow计算加速
一个比较好的实践是将计算密集型的运算放在GPU上，而把其他操作放到CPU上。GPU是机器中相对独立的资源，将计算放入或者转出GPU都需要额外的时间。 图10-4 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。在同步模式下，所有的设备同时读取参数的取值，并且当反向传播算法完成之后同步更新参数的取值。 图10-4展示了同步模式的训练过程。从图10-4中可以看到，在每一轮迭代时，不同设备首先统一读取当前参数的取值，并随机获取一小部分数据。然后在不同设备上运行反向传播过程得到在各自训练数据上参数的梯度。
1.6K80发布于 2018-02-12 - 来自专栏人工智能头条
实战Google深度学习框架：TensorFlow计算加速
一个比较好的实践是将计算密集型的运算放在GPU上，而把其他操作放到CPU上。GPU是机器中相对独立的资源，将计算放入或者转出GPU都需要额外的时间。 图10-4 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。在同步模式下，所有的设备同时读取参数的取值，并且当反向传播算法完成之后同步更新参数的取值。 图10-4展示了同步模式的训练过程。从图10-4中可以看到，在每一轮迭代时，不同设备首先统一读取当前参数的取值，并随机获取一小部分数据。然后在不同设备上运行反向传播过程得到在各自训练数据上参数的梯度。 所以这两种训练模式在实践中都有非常广泛的应用。
1.2K50发布于 2018-06-06 - 来自专栏猫头虎博客专区
Kubernetes实践：从入门到实践
Kubernetes的实践 3.1 安装和配置 安装Kubernetes的过程因操作系统和环境的不同而异。但一般来说，可以使用kubeadm、minikube等工具进行安装。
32110编辑于 2024-04-09 - 来自专栏新智元
1780亿个参数，能识别25万个词条，这个语言模型的诞生只为挑战王者GPT-3？
优化程序方面，研究人员对J1-Large和J1-Jumbo分别使用了1.2×10-4和0.6×10-4的学习率，以及200万和320万个token的批大小。
76230发布于 2021-08-25 - 来自专栏开发运维工程师
开发实践｜JWT从原理到实践
好事发生这里推荐一篇实用的文章：人工智能中的深度学习：原理与实践，作者：【远方2.0】。
66820编辑于 2024-12-08 - 来自专栏鸿蒙开发笔记
HarmonyOS 开发实践 —— 应用内存优化实践
随着移动应用的日益复杂，内存管理成为开发者面临的重要挑战之一。在HarmonyOS系统中，合理优化应用内存对于提升应用性能和用户体验至关重要。本文将详细介绍HarmonyOS提供的内存管理工具和接口，以及一些实用的内存优化方法。
1.4K20编辑于 2024-12-22
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