- 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。 ，方便大家上手 三、全量编译提效核心——EnjoyDependence 简介：狭义上 EnjoyDependence 是集依赖管理、构建发布、编译耗时统计等功能的 Gradle 插件。 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 - 来自专栏互联网数据官iCDO
关于2018年SEO的9个预测
引言：本文总结兰德2017年SEO预测的结果并提出关于2018年的9个预测。 翻译 | 池金锐 编辑 | 雨欣 在过去的十年里，我已经预测了每年SEO和网络营销将会如何发展。 分段描述我的2017年预测 ＃1：在12个月内，语音搜索将占据美国Google所有搜索量的25％以上。 尽管如此，PC端搜索体量仍将保持稳定，移动端（非语音类）将保持继续增长。 #5：亚马逊搜索将在年底前拥有谷歌整个网络搜索量的4％或更多。 -2 ——差得太远了,兰德。从Jumpshot的数据来看，亚马逊的搜索量甚至还不到谷歌的1%。 期待验证令人兴奋的结局，我对今年的预测更加有信心:-) 兰德2018年的9个预测 #1：截止到今年年底，自然的点击量将会下降约5%。 #9:美国将开始感受到网络中立性终结的痛苦，网络连接更加糟糕，限制更多，自由开放的网络也越来越少。
90480发布于 2018-03-27 - 来自专栏重庆的技术分享区
2018年的9个物联网预测
原文作者：Jordan Eller 原文地址：https://dzone.com/articles/9-iot-predictions-for-2018 2018年才刚刚开始，物联网正在加速到今年最大的一年 8）行业预测：意外偷窃 零售即将成为物联网技术战场。Amazon Go只是零售转型的开始。 由于气候变化对生产的严重威胁，许多IoT空间的领导人都预测农业将会有更多的增长。然而，由于消费者和医疗保健领导人要求降低成本和提高效率，数字健康在2018年将比农业增长更多。 9）人才缺口 随着物联网在过去几年的全面发展，可以肯定地说，有才华的开发人员会短缺，导致对服务合作伙伴（像我们这样！） 这并不能保证这些预测会成真，但可以肯定地说，物联网将使2018年成为历史上最聪明的一年。
72170发布于 2018-05-03 - 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。 本文小结 本文主要讲了我们在敏捷开发实践中的一些做法，包括 Team Leader 拆解任务、评估工作量和指派人员完成任务，我们认为这样做对于整个团队是最高效的、风险也是最小的；对于任务拆解，我们主要有两个大原则
44910编辑于 2023-12-18 - 来自专栏机器学习AI算法工程
9种提速又提效的模型优化方案
然而Transformer中注意力机制计算代价较高，随着序列长度的增加，这个计算量还会持续上升。 我这次就给大家分享9篇对Transformer模型进行效率优化的改进文章，以方便大家更高效地使用模型，寻找论文创新点。 文章主要涉及4个方向：稀疏注意力机制、Transformer处理长文本、Transformer运行提效以及卷积Attention，原文及源码都已整理 一、稀疏注意力机制 1.1 Longformer: 「方法简述：」时间序列预测是许多领域中的重要问题，包括太阳能发电厂能源输出、电力消耗和交通拥堵情况的预测。 实验表明，这些方法在时间序列预测方面具有优势。
3.2K11编辑于 2024-04-30 - 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
1 背景随着自动化测试左移实践深入，越来越多不同类型的需求开始用自动化测试左移来实践，在实践的过程中也有了新的提效诉求，比如技改类的服务拆分项目或者BC流量拆分的项目，在实践过程中，这类需求会期望不同染色环境在相同的配置条件下 2 实践成果在这种需要对接口返回response做全量json对比的背景下，商家域新的自动化平台新增了json全量对比的组件。 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。 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 - 来自专栏腾讯大讲堂的专栏
2015，科技产业的9个关键预测
9、文化产业，进一步受益于网络 影视剧、图书出版、音乐等领域，将从与互联网的融合中得到更多好处。 上面的9个预测，也许不会全部在我们这个时空里发生。 但作为严肃的商业分析平台，企鹅智酷希望通过科学的分析模型和精准的数据调查分析，来更多发现未来迷雾中的真正商业机会和漩涡陷阱。
79780发布于 2018-02-11 - 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？ ： v表示发文后一小时的阅读量，t表示发文后的小时数，y为发文后t小时的阅读量，最后当天总阅读量就是把不同t对应的预测值加起来即可。 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
29210编辑于 2025-08-12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- 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 ).rds 906K Apr 3 2021 GDSC2_Res.rds 可以看到 Cancer 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 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 代码探索 (GDSC) 数据库 直接看 v2的版本，有809 Cell lines 以及 198 Compounds 主要是八百多个细胞系的约2万个基因的表达量矩阵，以及对应八百多细胞系的约200个药物的
5.8K20发布于 2021-10-12 - 来自专栏Coggle数据科学
JDATA如期而至-用户购买时间预测Rank9
由于需要预测的是9月份购买的用户以及对应的第一次购买时间，因此时间的相关信息显得尤为重要。 目标解读：本次大赛分为两个部分，一个是预测购买的用户集合，一个是相应的第一次购买时间。 9月份是否购买，因此在线下我们可以假设8月份未知，用8月份之前的数据来提取用户集和特征。 同时，为了扩大样本量，我们进行了滑窗采样： image.png 同时，为了保证线上线下一致性，我们取了标签区间前3个月购买过目标品类的用户集作为我们构建训练数据的用户集合，标签日前9个月提取特征。 4组样本分布不同，标记区分样本组别，A榜带来一个百分点的提升 与线上评测保持分布一致，2~3个千分点的提升 S2： 由于线上需要我们预测9月份是否购买，因此在线下我们可以假设8月份未知，用8月份之前的数据来提取用户集和特征 同时，为了扩大样本量，我们进行了滑窗采样，分为两组训练集，一组测试集： （我们放弃了6月，因为分析数据得知618出现流量异常，同时我们也用了去除流量异常的节日，发现效果不佳。）
1.3K10发布于 2019-09-12 - 来自专栏从ORACLE起航，领略精彩的IT技术。
Oracle普通表->分区表转换(9亿数据量)
背景介绍： 环境：Linux 5.5 + Oracle 10.2.0.4 某普通表T，由于前期设计不当没有分区，如今几年来的数据量已达9亿+, 空间占用大约350G，在线重定义为分区表不现实，故采取申请时间窗口停此表应用 若T表数据量适当，可选用在线重定义操作时，可参考：http://www.cnblogs.com/jyzhao/p/3876634.html 1.创建分区表 2.设置新建分区表为nologging， 重命名原表
2.2K20发布于 2019-05-24 - 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。 比如我现在要训练模型参数量为175B，用于训练的语料总量为300B，即N=175B=175*10^9D=300B=300*10^9那么训练模型所需的总计算量为：C ≈ 6N*D=6*175B*300B= 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。 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
具体而言，我们提出了SparseTSF，这是一种极其轻量的LTSF模型，主干架构可以是单层线性结构或浅层多层感知机（MLP）。 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。 公式为： 直观上，SparseTSF 的整体预测过程可视为跨周期的稀疏滑动预测，其本质是参数共享的周期内预测，如图4所示。 图4. 我们在图9比较了不同方法受到历史窗口长度的影响。可以发现，随着窗口加长，CI方法（如SparseTSF、PatchTST）逐渐赶上甚至超过CD方法。 通过理论分析与实验验证，我们展示了SparseTSF模型的轻量特性及其在有效提取周期性特征方面的优势。特别是，我们在理论上证明了所提出的稀疏技术具备隐式结构正则化作用，能够显著提升模型的鲁棒性。
78410编辑于 2025-10-11 - 来自专栏鸿蒙开发笔记
OpenHarmony轻量系统开发【9】WiFi之STA模式连接热点
SSID to assoc_req */ rc = memcpy_s(assoc_req.ssid, HI_WIFI_MAX_SSID_LEN + 1, "RedmiK40", 8); /* 9: SSID to assoc_req */ rc = memcpy_s(assoc_req.ssid, HI_WIFI_MAX_SSID_LEN + 1, "RedmiK40", 8); /* 9:
62420编辑于 2024-09-06 - 来自专栏天下风云
.NET9 PreView5张量和AI算力
前言 .NET9 PreView5增强了对于人工智能的支持，多维数据的高效编码、操作和计算来扩展 AI 能力。 Tensor<T> 张量是人工智能 （AI） 的基石数据结构。 var t7 = Tensor.Subtract(t0, t0); // [[0, 0, 0]] var t8 = Tensor.Multiply(t0, 2); // [[2, 4, 6]] var t9 = Tensor.Multiply(t0, t0); // [[1, 4, 9]] var t10 = Tensor.Divide(t0, 2); // [[0.5, 1, 1.5]] var t11 Console.WriteLine(TensorPrimitives.CosineSimilarity(vector1, vector2)); // prints 0.9746318 现在(.NET9)
44710编辑于 2024-07-04 - 来自专栏李维亮的博客
Phpcms V9 栏目列表调用文章点击量及评论数量方法
今天在搞Phpcms做站时，需要在列表页、首页调用文章列表调用文章的点击量和评论排行，那么怎么才能做到在Phpcms v9首页、频道页、列表页、推荐位等页面获取文章浏览量和评论统计呢？ 原因起于phpcms官方默认的模版没有在列表页面调用过文章点击量和评论数量，而且文章的内页调用浏览量hit的方法不适用于列表页。 下面是具体的代码，分享在此。 一、Phpcms列表页面取得文章点击量及评论数量： {pc:content action="lists" catid="$catid" num="25" order="id DESC" page="$page views} 评论数:{if $comment_total}{$comment_total}{else}0{/if} {/loop} {$pages} {/pc} 二、Phpcms频道页面取得文章点击量及评论数量 40)} 点击：{$views} 评论：{if $comment_total}{$comment_total}{else}0{/if} {/loop} {/pc} 四、Phpcms推荐位取得文章点击量及评论数量
5.8K20发布于 2021-07-09 脑龄预测：系统评估站点效应、样本年龄范围和样本量
为了实现这一目标，我们在从 35,683 名健康个体（年龄范围：5-90岁；53.59%为女性）的脑形态测量发现样本中系统地研究了七种站点协调策略、年龄范围和样本量对脑年龄预测的影响后，选出了表现最佳的模型 对预训练模型进行了跨数据集通用性测试，独立样本包括 2101 名健康个体（年龄范围：8-80岁；55.35%为女性），并在另一个样本包括 377 名健康个体（年龄范围：9-25岁；49.87%为女性）中测试了纵向一致性 （3）当样本量超过 1600 名参与者时，大脑年龄预测模型准确率趋于稳定。 为此，我们汇总了 35,683 名健康个体（年龄 5-9岁）的大脑形态测量数据作为发现样本，以及 2102名健康个体（年龄 27.74岁）的独立样本数据作为复制样本。 纵向一致性样本包括参与西南纵向成像多模态研究 (SLIM) 和昆士兰双胞胎青少年大脑研究 (QTAB) 的 377 名健康个体（年龄范围：9-25岁；49.87%为女性）的数据。
46110编辑于 2025-03-24
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