9，模型的评估

模块中的交叉验证相关方法可以评估模型的泛化能力，能够有效避免过度拟合。 二，分类模型的评估 模型分类效果全部信息： confusion_matrix 混淆矩阵,误差矩阵。 ? 模型整体分类效果： accuracy 正确率。通用分类评估指标。 模型对某种类别的分类效果： precision 精确率，也叫查准率。模型不把正样本标错的能力。“不冤枉一个好人”。 recall 召回率，也叫查全率。模型识别出全部正样本的能力。 三，回归模型的评估 回归模型最常用的评估指标有： r2_score(r方，拟合优度，可决系数) explained_variance_score(解释方差得分) ? ? 留出法 为了解决过拟合问题，常见的方法将数据分为训练集和测试集，用训练集去训练模型的参数，用测试集去测试训练后模型的表现。

【i.MX6ULL】驱动开发9——Linux IO模型分析

，可以分为五种，这里先分类列出： 2 五种I/O模型分析 2.1 阻塞式I/O模型 阻塞式I/O模型是最常用、最简单的模型。 2.2 非阻塞式I/O模型 非阻塞就是轮询的方式，在这种模型中， I/O操作不会立即完成，recefrom操作可能会返回一个错误代码，说明这个命令不能立即满足。 阻塞式I/O模型：A用的是最老式的鱼竿，所以呢，得一直守着，等到鱼上钩了再拉杆； 非阻塞式I/O模型：B的鱼竿有个功能，能够显示是否有鱼上钩，所以呢，B就和旁边的MM聊天，隔会再看看有没有鱼上钩，有的话就迅速拉杆 ； I/O复用模型：C用的鱼竿和B差不多，但他想了一个好办法，就是同时放好几根鱼竿，然后守在旁边，一旦有显示说鱼上钩了，它就将对应的鱼竿拉起来； 异步I/O模型：D是个有钱人，干脆雇了一个人帮他钓鱼，一旦那个人把鱼钓上来了 模型、非阻塞式I/O模型、I/O复用模型、信号驱动式I/O模型、异步I/O模型，并通过生活中实际的场景进来类比。

DE-9IM 空间关系模型

DE-9IM 是Dimensionally Extended 9-Intersection Model 的缩写，直接翻译为 维度扩展的 9 个相交模型，本文记录相关内容。 简介 DE-9IM 是Dimensionally Extended 9-Intersection Model 的缩写，DE-9IM 模型是用于描述两个 二维几何对象（点、线、面） 之间的空间关系的一种模型 维度扩展九交模型（DE-9IM）是一种拓扑模型和标准，用于描述两个区域（二维中的两个几何图形，R2）的空间关系，在几何学、点集拓扑、地理空间拓扑、以及与计算机空间分析相关的领域。 空间关系 模型主要要描述的就是二维平面下的两个几何对象之间的空间关系。 DE-9IM 模型 DE-9IM 模型把几何对象分为 内部、边界、外部 三个部分，两个几何对象这三个部分两两之间的关系，就可以组合为一个3X3大小（就是 9 个值）的矩阵，这9个值的组合，就表示两个几何对象的空间关系

精灵之息 开发日志（9）

其实制作精灵之息的过程一直让我有种在上个世纪给FC红白机开发游戏的感觉。 想做的东西非常庞大，但是实际上能做的东西十分有限。

9. 注解开发总结

9. CMDB前端开发(上)

CMDB前端开发(上) 大纲 登录页面 后台基本布局 登录页面 前端代码架构可以参考： https://blog.51cto.com/devwanghui/6193473 开发前预览页面 仪表盘占位页面开发

Web前端学习 第9章 教务管理系统开发4 数据库模型

在上面的er图中，我们可以看出每个表都有不同的字段，不同的字段存储不同的信息，下面让我们来看一看各个表的不同字段吧。

Play For Scala 开发指南 - 第9章 Json 开发

Play Json 简介 Play 内置了一套JSON库，以帮助开发者简化JSON操作。 Play JSON 库提供的基本类型如下： JsString JsNumber JsBoolean JsObject JsArray JsNull 在日程开发中，我们很少跟这些 Play 为开发者提供了 Format 宏，只需要一行代码便可以完成声明操作。 Json 请求与 Json 响应 Json是目前使用最为广泛的数据交换格式，利用 Play 的 Json 库，我们可以开发非常健壮的 RESTful 应用。 小结 随着NoSQL数据库和微服务的不断普及，JSON数据在Web开发中显得越来越重要。借助 MongoDB 等 BSON数据库，我们可以实现全栈式 Json 开发，大大简化了数据的处理流程。

RNAvelocity 9：scVelo应用—动力学模型

动力学模型 在这里，我们使用通用动力学模型来解释完整的转录动态。 这产生了一些额外的见解，如潜在时间和假定驱动基因的识别。 与以前的教程一样，应用胰腺内分泌发育数据集来展示。 我们运行动力学模型来学习剪切动力的完整转录动力学。 [9]: df = adata.var df = df[(df['fit_likelihood'] > .1) & df['velocity_genes'] == True] kwargs = dict 'degradation rate', xticks=[.1, .4, 1], **kwargs) scv.get_df(adata, 'fit*', dropna=True).head() [9] 潜在时间 动力学模型可恢复细胞过程的潜在时间。这个潜伏时间代表细胞的内部时钟，并接近细胞在分化时所经历的实时，分析仅基于其转录动力学。

加速 PyTorch 模型训练的 9 个技巧

[1_CER3v8cok2UOBNsmnBrzPQ](9 Tips For Training Lightning-Fast Neural Networks In Pytorch.assets/1_CER3v8cok2UOBNsmnBrzPQ.gif 将模型的不同部分放在不同的GPU上，batch按顺序移动 有时你的模型可能太大不能完全放到内存中。 9. 多节点GPU训练 每台机器上的每个GPU都有一个模型的副本。每台机器获得数据的一部分，并且只在那部分上训练。每台机器都能同步梯度。 在.backward()上，所有副本都接收到所有模型的梯度副本。这是模型之间唯一一次的通信。 英文原文：https://towardsdatascience.com/9-tips-for-training-lightning-fast-neural-networks-in-pytorch-8e63a502f565‍‍‍

winform部署yolov9的onnx模型

C# WinForms 部署 YOLOv9 ONNX 模型简介 在当今的计算机视觉领域，目标检测是不可或缺的一项技术。 ONNX是一个开放的模型表示，使得不同深度学习框架之间可以相互转换和共享模型。这使得YOLOv9模型可以在C#环境中得到高效利用。 用户可以通过界面上传图像，应用程序则利用YOLOv9模型进行目标检测，并在图像上标注出目标物体的位置和类别。 通过C# WinForms部署YOLOv9的ONNX模型，我们可以为用户提供一个功能强大的目标检测工具。 性能逆天~，YOLOv9杀疯了！最新的实时目标检测模型！代码已开源！，一款小工具，让你直连谷歌翻译！

9-线程概念与多线程模型

因此内核级线程的切换必须在核心态下执行 注意 操作系统只能“看见”内核级线程，因此只有内核级线程才是处理机分配的单位 以下方的多对多模型为例，其由三个用户级线程映射到两个内核级线程上，在用户看来，进程中同时有三个线程并发执行 ，但在操作系统看来，只有两个内核级线程，所以哪怕是在4核处理机的计算机上运行，该进程也最多只能被分配到两个核心，最所只有两个用户进程并行执行 多线程模型 多对一模型 一对一模型 多对多模型

RNAvelocity 9：scVelo应用—动力学模型

动力学模型 在这里，我们使用通用动力学模型来解释完整的转录动态。 这产生了一些额外的见解，如潜在时间和假定驱动基因的识别。 与以前的教程一样，应用胰腺内分泌发育数据集来展示。 我们运行动力学模型来学习剪切动力的完整转录动力学。 [9]: df = adata.var df = df[(df['fit_likelihood'] > .1) & df['velocity_genes'] == True] kwargs = dict 'degradation rate', xticks=[.1, .4, 1], **kwargs) scv.get_df(adata, 'fit*', dropna=True).head() [9] 潜在时间 动力学模型可恢复细胞过程的潜在时间。这个潜伏时间代表细胞的内部时钟，并接近细胞在分化时所经历的实时，分析仅基于其转录动力学。

自学鸿蒙应用开发（9）- TimePicker组件

如下面代码中21行~49行所示，在获取TimePicker组件后，一方面在button的动作响应中计算所选时刻和当前时刻的秒数差之后用小窗口表示出来；另一方面在用户操作TimePicker时将选择结果表示在TextFile组件上。

9.开发newapp的首页index

1.轮播图效果 1.在后端开发获取banner的api： 1.在后端项目NewCenter/apps/user_operations/views.py中开发获取片区banner图的视图： from django.shortcuts 3.公告列表功能开发 1.在后端，修改user_operations.models.py下的公告表为： 1.models.py： from django.db import models from users.models

MongoDB运维与开发(9)---readConcern

// MongoDB运维与开发(9)---readConcern // readConcern产生背景： MongoDB的写请求写入Primary， secondary从Primary自动获取并且应用

jetty 9 嵌入式开发示例

jetty 9 嵌入应用程序后，小型的web应用直接打成一个单独的jar包，就可以直接运行，非常适合做Demo演示或云端集群部署。 org.eclipse.jetty.util.thread.QueuedThreadPool; 8 import org.eclipse.jetty.util.thread.ThreadPool; 9 yjmyzz.jetty.demo.server.JettyWebServer; 7 import yjmyzz.jetty.demo.util.FileUtil; 8 import yjmyzz.jetty.demo.util.JarUtils; 9 WEB_DIR, selfPath); 106 } 107 logger.info(selfPath); 108 } 109 } 我在github上开源了一个jetty9

第9章 Spring Boot开发者工具第9章 Spring Boot开发者工具

第9章 Spring Boot开发者工具 Spring Boot为Maven和Gradle提供构建工具插件。 plugin: 'war' 运行命令： gradle bootRun 9.3 Spring Boot热部署：spring-boot-devtools spring-boot-devtools 是一个为开发者服务的一个模块 base ClassLoader：用于加载不会改变的jar（eg.第三方依赖的jar） restart ClassLoader：用于加载我们正在开发的jar（eg.整个项目里我们自己编写的类）。 正是这样的实现机制，导致我们使用scala语言集成SpringBoot开发的时候，一起使用scala-maven-plugin插件跟spring-boot-devtools的时候会报错。 9.4 Spring Boot远程调试 有时会遇到一些问题：开发环境是正常的，而线上环境是有问题，而此时就需要远程调试来定位问题。 使用Spring Boot开发应用程序，支持远程调试。

使用python部署yolov9的onnx模型

此次，YOLOv9 由中国台湾 Academia Sinica、台北科技大学等机构联合开发，相关的论文《Learning What You Want to Learn Using Programmable ，从而使得模型的预测结果能够最接近真实情况。 结果表明，与基于深度卷积开发的 SOTA 方法相比，GELAN 仅使用传统卷积算子即可实现更好的参数利用率。 对于 PGI 而言，它的适用性很强，可用于从轻型到大型的各种模型。 我们可以用它来获取完整的信息，从而使从头开始训练的模型能够比使用大型数据集预训练的 SOTA 模型获得更好的结果。下图 1 展示了一些比较结果。 对于新发布的 YOLOv9，曾参与开发了 YOLOv7、YOLOv4、Scaled-YOLOv4 和 DPT 的 Alexey Bochkovskiy 给予了高度评价，表示 YOLOv9 优于任何基于卷积或

数据挖掘模型的9条经验总结

“预测”已经成为数据挖掘模型可以做什么的可接受的描述，即我们常说的“预测模型”和“预测分析”。这是因为许多流行的数据挖掘模型经常使用“预测最可能的结果”（或者解释可能的结果如何有可能）。 这种方法是分类和回归模型的典型应用。 但是，其他类型的数据挖掘模型，比如聚类和关联模型也有“预测”的特征。这是一个含义比较模糊的术语。 体现预测模型价值的有两种方式：一种是用模型的预测结果来改善或影响行为，另一种是模型能够传递导致改变策略的见解（或新知识）。 如果不适合业务问题，高准确度并不能提高模型 的价值。 模型稳定性同样如此，虽然稳定性是预测模型的有趣的度量，稳定性不能代替模型提供业务理解的能力或解决业务问题，其它技术手段也是如此。 总之，预测模型的价值不是由技术指标决定的。数据挖掘者应该在模型不损害业务理解和适应业务问题的情况下关注预测准确度、模型稳定性以及其它的技术度量。 第九，变化律：所有的模式因业务变化而变化。