- 综合排序
- 最热优先
- 最新优先
- 来自专栏mysql
hhdb数据库介绍(10-3)
预检测项 集群所有服务器已配置可用的SSH信息且用户为root 或具有sudo操作权限的用户 集群所有相关组件程序正常运行 集群至少配置一个数据节点和一个逻辑库 注意 集群所有相关组件程序的状态检测依赖于频率为 服务管理主页面显示已监控的集群的所有组件信息，并可通过服务管理列表上方的各个搜索过滤框进行数据筛选。 服务管理页面每页显示20条数据，超出20条则需翻页。 数据目录： 显示各服务组件对应的数据目录（组件为初次配置且SSH无法连接、KEEPALIVED\LVS非自动部署时均显示对应警告提示）。
1.1K10编辑于 2025-03-12 - 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
85930发布于 2020-08-11 - 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
这一小节使用digits手写数字识别数据集，不过混淆矩阵、精准率和召回率是应对极度偏斜的数据集提出来的分类指标，而digits手写数字识别数据集的10个类别整体并没有太大的偏斜，为了试验效果我们需要对digits 数据集进行改造，手动的让digits数据集产生比较大的偏斜。 这里将digits数据集中标签值为9的类别看作一个类别（即y = 1），而将digits数据集中所有标签值不为9的类别看作是另外一个类别（即y = 0），其实就相当于将10个类别的digits数据集的十分类问题转换成了 这样就将一个样本分布比较均衡的数据集改造成了极度偏斜的数据集，因为所有不等于9的样本数量肯定要比等于9的样本数量多得多，由于原始的digits数据集样本分布均衡，所以y = 1的样本数量大概是y = 0 ，所以需要使用y = digits.target.copy()将数据拷贝，这样修改y就不会影响到digits原始数据集了。
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DeepHub IMBA
计算卷积神经网络参数总数和输出形状
Output_shape = (batch_size, height, width, depth) 过滤器/核 在卷积神经网络中，输入数据与卷积核进行卷积，卷积核用于提取特征。 卷积核是一个矩阵，它将移动到图像像素数据(输入)上，并将执行与输入数据的特定区域的点积，输出将是点积的矩阵。 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 - 来自专栏全栈程序员必看
体验vSphere 6之7-为虚拟机启用容错
图9-2 故障详细信息 （3）在”选择数据存储”对话框，为辅助虚拟机选择数据存储。在新版本的FT中，主虚拟机与辅助虚拟机可以放置在不同的数据存储中，这进一步提高了”容错”的安全性，如图9-3所示。 图9-3 为辅助虚拟机选择数据存储 （4）在”选择主机”对话框，为辅助虚拟机选择主机，如图9-4所示。辅助虚拟机、主机要运行在不同的主机上。 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 4.526 118 我们可以看到性能最好的显然属于 JMapper，MapStruct 紧随其后，Dozer 性能最差，当然这个评测数据仅供参考，不同的版本、环境可能还会有不同的表现。 上图调整到了中国，数据很少，显然中国地区使用 Google 搜索的相对不多，但也能看到 MapStruct 确实是使用最多的，另外就是 Dozer、ModelMapper 了。
1.2K10编辑于 2022-03-03 - 来自专栏CSDN技术头条
实战Google深度学习框架：TensorFlow计算加速
根据当前参数的取值和随机获取的一小部分训练数据，不同设备各自运行反向传播的过程并独立地更新参数。可以简单地认为异步模式就是单机模式复制了多份，每一份使用不同的训练数据进行训练。 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 ? 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 - 来自专栏北京马哥教育
实战Google深度学习框架：TensorFlow计算加速
根据当前参数的取值和随机获取的一小部分训练数据，不同设备各自运行反向传播的过程并独立地更新参数。可以简单地认为异步模式就是单机模式复制了多份，每一份使用不同的训练数据进行训练。 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10-4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。
1.5K70发布于 2018-05-02 - 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。
80720发布于 2018-08-22 - 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 = 10-3 1 MB = 1,000 KB 1 MB = 1,024 KB 1 Mbps = 1,000 Kbps µ = 10-6 1 GB = 1,000 MB 1 GB = 1,024 MB
47600编辑于 2024-05-27 - 来自专栏气象学家
Science Advances | 清华大学团队揭示气候变化下全球中低纬度海洋绿度和藻类暴发频率下降趋势
同时，现场观测存在标准不一、空间覆盖不均等问题，进一步限制了数据质量。 –2023年全球海洋表层日尺度、0.25°×0.25°空间分辨率的叶绿素a浓度数据集(图1)。 该数据集各项统计指标表现优异，表明OCNET模型在复杂环境下具备良好的独立预测能力。 图1 OCNET模型重构全球海洋叶绿素a浓度数据流程图 研究表明，全球中低纬度海洋的“绿度”整体呈现显著衰减，叶绿素a浓度以(-0.35±0.10)×10-3 mg·m-3·yr-1的速率下降。 沿海区域降幅更为显著，达每年(-0.73±0.22)×10-3 mg·m-3(图2)。其中，北半球的叶绿素a浓度显著衰退的区域面积约为增长区的4.4倍(图2A)。
16510编辑于 2026-03-25 - 来自专栏ops技术分享
redis原理（2）
数据读写 执行节点查找操作时， 先根据key计算hash值， 然后顺时针找到第一个大于 等于该哈希值的token节点， 如图10-3所示 image.png 这种方式相比节点取余最大的好处在于加入和删除节点只影响哈希环中 但一致性哈希分区存在几个问题： ·加减节点会造成哈希环中部分数据无法命中， 需要手动处理或者忽略 这部分数据， 因此一致性哈希常用于缓存场景。 当使用少量节点时， 节点变化将大范围影响哈希环中数据映射， 因此 这种方式不适合少量数据节点的分布式方案。 ·普通的一致性哈希分区在增减节点时需要增加一倍或减去一半节点才 能保证数据和负载的均衡。
39400发布于 2021-05-18 - 来自专栏人工智能头条
实战Google深度学习框架：TensorFlow计算加速
根据当前参数的取值和随机获取的一小部分训练数据，不同设备各自运行反向传播的过程并独立地更新参数。可以简单地认为异步模式就是单机模式复制了多份，每一份使用不同的训练数据进行训练。 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 ? 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。
1.2K50发布于 2018-06-06 - 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。
46530编辑于 2022-09-20 - 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 - 来自专栏实战docker
LeetCode279:完全平方数，动态规划解法超过46%，作弊解法却超过97%
以10为例，10=(10-3*3) + 3*3，但是这不是唯一，还有10=(10-2*2) + 2*2，所以到底j等于几？ 根据题意，应该是dp[10-3*3]和dp[10-2*2]中最小的那个 至此，分析完毕，可以愉快的写代码了 编码 完整源码如下所示，可见，对应前面分析的j的多种可能，要取最小值 class Solution
71820编辑于 2022-09-29 - 来自专栏思影科技
深度学习在静息态功能磁共振成像中的应用
fMRI数据预处理 本工作使用的英国生物样本库fMRI数据通过Melodic管道进行最小限度的预处理。 对于KRR方法，超参数网格被扩展为核映射函数(线性核/多项式核等)，正则化参数的范围为([10-3,10-2,10-1,1])，核映射函数中的gamma参数(范围为[−4,2])。 对于EN回归方法，将调优参数alpha乘以惩罚项(在[10-1、10-2、10-3、10-4、10-5、10-6]范围内)和凸组合惩罚参数(在[0,1]范围内均匀采样的10个值)也视为超参数。 此外，对于3D CNN DL模型，作者使用的批量大小为16，初始学习率设置为10-2并通过在[10-1,10-2,10-3,10-4,10-5,10-6]范围内进行调优。 两层双向LSTM模型和graph-CNN均使用了Adam优化器，并对学习率在[5×10-2,10-2,5×10-3,10-3,10-4]范围内和对批量大小在(16,32,64,128)范围内进行了调整。
1.9K30编辑于 2022-06-13 - 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
这之后数据仓库模式就有了两个事实表（第一个是在开始建立数据仓库时创建的sales_order_fact表）。有了这两个事实表的数据仓库就是一个正式的双星型模式。 新的星型结构有一个事实表和一个维度表，用于存储数据仓库中的产品数据。 一个新的星型模式 图（五）- 10-1 显示了扩展后的数据仓库模式。 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）- 10-3里的脚本创建过渡表。 factory_zip_code INT(5), factory_city VARCHAR(30), factory_state VARCHAR(2) ); 清单（五）- 10
70820编辑于 2022-12-02
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