- 综合排序
- 最热优先
- 最新优先
- 来自专栏用户6296428的专栏
有赞 Android 编译进阶之路——全量编译提效方案
作者：Silas 团队：零售移动 前言：有赞移动技术沙龙刚过去不久，相信很多同学对《有赞Android秒级编译优化实践》的分享还记忆犹新，分享中提到了全量编译提效与增量编译提效两种方案。 本期我为大家详细介绍下基于 EnjoyDependence 的全量编译提效方案。 二、编译提速目标 全量编译从 15min+ 降至 3min 内 低侵入性，尽量不改造工程结构，保证工程稳定 方案稳定可靠，不能影响业务同学的开发效率 易于扩展，可以灵活对接各种已有系统 方便管理，尽可能保证低廉的学习理解成本 发布是整个全量编译提效方案的基础，只有稳定可靠的aar发布才能保证全量aar构建的可靠。 结语 基于 EnjoyDependence 的全量编译提效方案一期内容分享到此就结束了，但是我们的编译优化项目并未停止，我们会持续攻坚克难，找寻最优解。
1.8K30发布于 2020-08-24 - 来自专栏研发效能EE
DevOps｜研发提效-敏捷任务拆解、工作量评估和指派
- 工作量要自己评估任务，不需要Leader评估； - 工作量要用故事点，不要用人天； - 任务要自己认领，不需要用人指派。 你说的都对。但我们在实践中通常看其实际效果决定是否采用。 人天是结合了故事点和执行人员两种因素后，在时间上/工作量上的评估，更容易理解和也容易跟进。 任务拆解原则 我们的任务拆解有两个重要的原则 1）高价值优先原则 2）粒度不要超过3人天。 高价值任务优先拆解：拆解任务时，优先拆解高价值的任务。 任务粒度要不超过3人天，也就是说如果一个任务需要三人天内完成。三天内没有完成是一件非常严重的事情。 ：高价值优先原则和粒度不要超过3人天。
44910编辑于 2023-12-18 - 来自专栏得物技术
自动化实践-全量Json对比在技改需求提效实践
测试过程利用全量json对比组件，不光测试一轮极大提高了测试效率，在二轮还可以用自动化回归提效。 3 实践过程3.1 源组件：JSONCompareUtils本次全量json对比引用的源组件是JSONCompareUtils，是Artemis框架提供的。 JSON比对失败【{str(e)}】') raise e return res3.3组件应用步骤1: 提取接口返回json1、json2图片图片步骤2:添加组件图片步骤3: 本文为例，举了几个例子涉及提效需求点：服务拆分技改类需求中需要对不同服务两个或者多个接口返回response全量json结果对比的场景；拆分前和拆分后的代码相同接口需要在相同配置不同染色环境下返回response 需要在不同染色多次对比结果的场景；以上场景均能通过自动化+全量json对比组件的方式去提效测试，且在后续回归中直接用自动化覆盖回归，尤其在商家服务拆分跨好几个迭代涉及上千个接口的大的技改类需求中，达到明显的提效效果
58210编辑于 2023-08-08 - 来自专栏张俊红
如何利用Excel对公众号阅读量进行预测？
作为一名分析师(算卦的)，我就想着能不能对公众号的阅读量进行预测呢？如果在发文后能预测到公众号最终的阅读量，那么其实就没必要每过一会就去看一次后台，因为你已经知道了最终结果。 那应该如何预测呢？ 看到这里就会有两个预测方向，一个是去预测每个小时的分时阅读量，另一个是预测每个小时截止到当前的累积阅读量。 累积阅读量会相对比较好预测，可以看到，累积阅读量的趋势是符合对数分布的，直接在Excel中添加对数分布的趋势线，和真实的累积阅读量趋势是完美重合。 ? 那分时阅读量该如何预测呢？ 我们随机挑过去三天的分时阅读量数据进行乘幂分布拟合，最后得到3个不同的模型： 通过上面的拟合结果可以看出，幂函数的常数项基本约等于发文一小时的阅读量，x为发文后的小时数，指数约为-1，所以我们可以粗劣的将发文一小时后的阅读量预测模型设定为 该篇文章虽然以公众号阅读量预测为例，但是方法同样时也适用于其他场景下的预测，比如分时段销量预测。
1.2K10发布于 2021-01-18 基于随机森林的共享单车租赁量预测实现方案
性能指标计算from sklearn.metrics import mean_absolute_error, mean_squared_error# 预测best_rf = grid_search.best_estimator_y_pred 类别不平衡处理# 租赁量分层抽样from imblearn.over_sampling import SMOTEsmote = SMOTE(sampling_strategy='auto')X_resampled 实时预测流程def predict_next_hour(new_data): # 数据预处理 processed_data = preprocess(new_data) # 特征工程 engineer_features(processed_data) # 加载模型 model = joblib.load('bike_rental_rf.pkl') # 预测 return model.predict(processed_data)3.
29210编辑于 2025-08-12- 来自专栏青益云记
「 3.JavaScript字面量与变量 」
DOCTYPE html> <head> <meta charset="utf-8"> <title>字面量和变量</title> <script type="text/javascript "> /* 字面量，都是一些不可改变的值 比如：1 2 3 4 5 字面量都是可以直接使用的,但是我们不会直接使用字面量 变量，变量可以用来保存字面量，而且变量的值是可以随便改变的 变量更方便我们使用，所以再开发中都是通过变量去保存一个字面量 ， 而很少直接使用字面量 */ // alert("12332123123123"); //声明变量
49120编辑于 2023-01-03 - 来自专栏AI篮球与生活
3个用于提效的Python函数，建议收藏！！
Python作为一种编程语言，在人们的日常工作与生活中应用地愈加广泛，有些人将其用来做爬虫、数据分析与可视化，也有不少人用它来做机器学习与深度学习建模预测。 为了避免敲打出复杂而又冗长的代码，今天小编就来和大家分享一下Python当中可以提效的三个函数方法，希望大家可以喜欢。 ，以此将函数作用在列表中的每一个元素上， def num_func(x): return x**2/2 然后我们将其放入map()函数当中并且作用于列表当中的每一个元素， data = [1,3,5,7,9,12 24.5, 40.5, 72.0] 相信读者在日常的实践操作中用for循环的比较多，但是与map()函数相比还是略显复杂与冗长，同时更加简洁的方式就是map和lambda结合， data = [1,3,5,7,9,12
1K20发布于 2020-07-13 - 来自专栏佛曰不可说丶
vue3+TS实现满天心飘落动效
，毕竟大力出奇迹 近来，在研究在线IDE颇有收获，打算写个专栏文章， 手摸手打造类码上掘金在线IDE ,有兴趣的jym 可以关注动态，后续会有更多的文章 研究课题 既然是码上掘金秀代码，那怎么能没有动效呢 那么问题来了，什么是好的动效呢？ 得够花哨，得能拓展， 实现得简单，还得能百搭 于是想起了当年JQ时代盛行的一招从天而降的动效- 漫天心，经过几天研究，我给他用vue3 重写了 git地址 重要的不是特效，而是重写过程中反映出来的实现思路 ，期望给各位jym 在开发的道路上打开格局，open 起来 vue3思路 vs jq时代思路 我们知道在jq时代大家想要实现动效，除了css3的有限效果之外，最主要的手段就是操作DOM 例如:我们先要实现方块来回移动 你吹牛x吧 别急，一个的移动我们加了一行代码，那一屏幕的动效在动呢？
1.3K30编辑于 2022-09-28 轻量？智能？协同？你选的标注工具，到底有没有帮你提效？
你选的工具，是在帮你提效，还是在拖你后腿？ 下面我们来具体分析几类常见的数据标注工具LabelImg / LabelMe（开源轻量类）这类工具是最早期、最广泛传播的图像标注工具，很多初学者从这里入门。优点：开源免费、安装便捷、界面简洁。 无需本地部署、无需额外插件，轻量又高效，随时随地都能开启工作。标注类型多样，主流格式全覆盖支持 COCO、YOLO 等主流格式；矩形、多边形等多种标注方式；支持快捷键操作，大幅提升标注效率。 高效协作，管理灵活标注任务可多人协同，支持任务分发；标注结果可审阅、可打回，保障质量；提供统计报表，清晰掌握进度与工作量。
1.4K10编辑于 2025-08-05腾讯云AI客服方案在金融等场景的量效实践与案例验证
知识运营提效：某头部人寿案例中，问答对生成时间从1小时缩短至5分钟，有答案问题召回率100%，准确率86%；语义切分模型使回答完整性提升20%。
32420编辑于 2026-04-29腾讯云智能会话质检与混元3D大模型：驱动服务质效升级与3D创作提效
部署智能质检与3D生成双方案 智能会话质检：大模型驱动的全量主动洞察 基于腾讯云智能会话质检方案，以预训练大语言模型（LLM）为核心，构建“全量接入-深度分析-实时监控-人机协同”体系： 全量数据接入 ：覆盖企微等渠道客咨、导购、售后全量会话； AI自动分析：LLM实现上下文理解、真实意图识别、情感倾向判断、实体提取（产品型号、订单号等），替代关键词匹配； 实时监控预警：检测高风险行为（辱骂客户 混元3D大模型：全流程3D资产生成与编辑 依托腾讯云混元3D大模型，提供“几何生成-纹理贴图-动作驱动-布线优化”一体化能力： 几何生成：支持文生3D（文本输入，如“现代手枪蓝橙相间科技感”）、图生 验证量化质效与创作提效价值 智能会话质检核心成效 服务质量把控：全量监督服务不规范、话术不当等问题，标准化流程提升客户满意度与复购意愿（据企业创新在线学堂“会话质检核心价值意义”）； 数据价值挖掘： 客户实践：从3D创作到服务升级落地 混元3D典型应用案例 三缘科技MakerRoad平台：协助对接混元3D API，用户上传图片一键生成3D打印模型，无需建模知识，实现“想法→落地”提效（据企业创新在线学堂
38110编辑于 2026-04-02- 来自专栏BestSDK
Face++ 3D人像光效SDK震撼上线！
据了解，人像光效模式就是通过一系列软硬件配合的技术，让大家能够在拍摄人像或者后期编辑时利用算法，为照片添加上逼真的光影效果，比如自然光、摄影室灯光、轮廓光等。 四年磨一剑的Find系列这一次并没有让翘首以盼的消费者们失望，Find X 不仅具备充满艺术感的3D玻璃机身设计，更有3D结构光、曲面全景屏、双轨潜望结构等多项黑科技。 此外，Find X还向大家向世人展示了超强的人像光效处理能力。 ? 相对于iPhone X 的人像光效技术，Face++为OPPO Find X所提供的人像光效技术解决方案具有很大的优越性，比如对于硬件没有过多的依赖，可以支持为数众多的机型和平台，并可同时满足前置或后置的单摄 更重要的是，对于人们需求日渐旺盛的美颜需求，OPPO Find X也启用了全新的3D美颜，可以对每个人的面部进行针对性的美颜，这就突破了现阶段手机上广泛采用的磨皮美颜算法，实现了人物美的各有特点。
1.6K40发布于 2018-07-30 - 来自专栏生信技能树
药物预测之认识表达量矩阵和药物IC50
药物预测需要训练集，一般来说推荐使用权威资源作为训练集建好模型，这样就可以去预测你自己的数据。 权威的药物预测训练集资源 那么，比较权威的资源一般就是Cancer Therapeutics Response Portal (CTRP) 和 Genomics of Drug Sensitivity Therapeutics Response Portal (CTRP) 数据库里面的细胞系表达量矩阵是来自于转录组测序， 所以 提供了 FPKM和TPM两个版本供用户选择。 然后呢 Genomics of Drug Sensitivity in Cancer (GDSC) 数据库里面的细胞系表达量矩阵应该是芯片，因为它使用了 RMA Normalized and Log ggboxplot(melt(GDSC2_Res[ , 1:4]), "Var2", "value") +th ; p3 library(patchwork) p1+p2+p3 如下所示 ： 表达量矩阵被归一化很好
5.8K20发布于 2021-10-12 - 来自专栏DrugOne
用几何量和物理量改进E(3)等变消息传递
在本文中，作者展示出用更多几何和物理量来丰富节点属性的潜力。 这篇论文的主要贡献有以下四点： 对等变图网络进行扩展，使得节点和边属性不再局限于标量。 用于可控向量场的一类新的激活函数，基于可控节点属性和可控多层感知机的极少，这类激活函数允许将几何和物理量注入到节点更新中。 通过非线性卷积的定义对不同的等变图神经网络有统一的见解。 任务是通过优化预测和基本事实之间的平均绝对误差来回归出各种分子的化学性质。 如表3所示，随着可控特征向量阶数提高，性能也随之提高，对于小的cutoff radius尤其明显。 作者关注的是Initial Structure to Relaxed Energy（IS2RE）任务，该任务将输入作为初始结构并预测最终的能量。 SEGNNs是第一个允许几何和物理量对于节点更新进行控制的网络，同时作者还介绍了一类新的等变激活函数。最后作者将SEGNNs运用到大量不同的任务中。
1.1K10编辑于 2021-12-16 - 来自专栏医学数据库百科
3DSNP | 非编码SNP 3维功能预测
所以就不就给大家介绍一个利用三维基因组数据来分析非编码区SNP 功能的数据库：3DSNP: https://omic.tech/3dsnpv2/ 背景数据集介绍 在 3DSNP 当中，作者主要是通过Hi-c 的数据来观察这些 SNP 的 3D 的情况。 相互作用预测 在关于 SNP 的相互作用关系方面，首先观察了这个 SNP 上下 2kb 位置的基因是哪些 同时也基于三维基因组的数据分析了这个 SNP 在三维角度和哪些基因有关系 除了数据上的关系， 另外除了 SNP 和基因的关系也分析了 SNP 和其他 SNP 在三维上的关系 调控作用预测 首先作者基于 scATAC-seq 分析了 SNP 对于染色质开放状态的影响。 总的来说 以上就是 3D SNP 数据的主要功能了。在 3DSNP 结果的每一个部分都提供了结果下载的地方。可以下载相对应的预测结果。
1.3K11编辑于 2021-12-09 - 来自专栏Michael阿明学习之路
3. 分类（MNIST手写数字预测）
3. scoring='accuracy') # array([0.9464, 0.9472, 0.9659]) 写一个预测不是5的分类器，直接返回 全部不是5 from sklearn.base import , 4., 5., 6., 7., 8., 9.]) sgd_clf.classes_[5] # 5.0 label 5 获得的决策值最大，所以预测为 5 强制 Scikit-Learn 使用 OvO 可以看出，数字被错误的预测成3、8、9的较多 把3和5的预测情况拿出来分析 def plot_digits(instances, images_per_row=10, **options): size 3 和 5 之间的主要差异是连接顶部的线和底部的线的细线的位置。 如果你画一个 3，连接处稍微向左偏移，分类器很可能将它分类成5。反之亦然。换一个说法，这个分类器对于图片的位移和旋转相当敏感。
1.7K20发布于 2020-07-13 - 来自专栏zaking's
JavaScript 模式》读书笔记（3）— 字面量和构造函数3
这是字面量和构造函数的最后一篇内容，其中包括了JSON、正则表达式字面量，基本值类型包装器等知识点。也是十分重要的哦。 五、JSON JSON是指JavaScript对象表示以及数据传输格式。 // 一个输入JSON字符串 var jstr = '{"name":"value","some":[1,2,3]}'; // 反模式 var data = eval('(' + jstr + ')' var dog = { name:'Fido', dob:new Date(), legs:[1,2,3,4] }; var jsonstr = JSON.stringify(dog 2、使用正则表达式字面量。 我们这篇文章整体的内容就结束了，我们主要学习了对象字面量、数组字面量、正则表达式字面量、以及构造函数和new、还有一些其他的内置构造函数比如不建议使用的String()、Number()、Boolean
99420发布于 2020-03-26 - 来自专栏并行训练方案
语言模型训练时间预测，计算量估计 Scaling Laws for Neural Language Models
一、模型计算量C ≈ 6N*D其中C表示训练语言模型所需的总计算量，N表示模型参数量，D表示用于训练的语料总量，6表示每训练一个token所需的浮点计算量约为6N，其中前向计算2N，反向计算4N。 注意：这里的6是针对Transformers，如果其它模型结构，还请重新确定每个参数的平均计算量。开了激活点检查activation checkpoint，这个系数是8。 6*175*10^9*300*10^9=3.15*10^23=3.15*10^7 PFlops二、模型训练耗时估计哈哈哈，都知道所需的总的计算量，那不是轻轻松松估计训练耗时。 T=C/(MFU*S)其中C表示训练语言模型所需的总计算量，S表示训练模型所用集群的算力，MFU(Model FLOPs Utilization)训练模型时的算力利用率。 视频教程：模型计算量预测 训练时间估计_哔哩哔哩_bilibili参考文献：[2001.08361] Scaling Laws for Neural Language Models (arxiv.org
84710编辑于 2024-07-22 - 来自专栏时空探索之旅
TPAMI & ICML Oral | SparseTSF：轻量且鲁棒的稀疏时序预测
本文同样采用这种 CI 策略，探索如何在单通道序列建模中设计一种更加轻量却依然有效的方法。 结合该技术，仅依赖单层线性层或双层 MLP 作为预测骨干网络，即构成了SparseTSF，如图3所示。 图3. 为解决上述问题，我们在稀疏预测前额外引入滑动聚合（sliding aggregation）操作，如图3所示。 SparseTSF与其他主流模型在多变量长时序预测任务中的结果对比 表3展示了在单变量时序预测任务上的对比结果。 其原因在于单通道预测任务中，线性方法已经具备足够的预测能力与鲁棒性，无需额外的非线性结构来拟合多通道模式。 表3.
78410编辑于 2025-10-11 - 来自专栏全栈程序员必看
《JavaScript 模式》读书笔记（3）— 字面量和构造函数3
这是字面量和构造函数的最后一篇内容，其中包括了JSON、正则表达式字面量，基本值类型包装器等知识点。也是十分重要的哦。 五、JSON JSON是指JavaScript对象表示以及数据传输格式。 // 一个输入JSON字符串 var jstr = '{"name":"value","some":[1,2,3]}'; // 反模式 var data = eval('(' + jstr + ')' var dog = { name:'Fido', dob:new Date(), legs:[1,2,3,4] }; var jsonstr = JSON.stringify(dog 2、使用正则表达式字面量。 我们这篇文章整体的内容就结束了，我们主要学习了对象字面量、数组字面量、正则表达式字面量、以及构造函数和new、还有一些其他的内置构造函数比如不建议使用的String()、Number()、Boolean
82740编辑于 2022-07-21
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