- 综合排序
- 最热优先
- 最新优先
- 来自专栏cwl_Java
C++编程之美-结构之法(代码清单3-10)
代码清单3-10 class Queue { public: Type MaxValue(Type x, Type y) { if(x > y)
24340编辑于 2022-11-30 - 来自专栏devops_k8s
Go Protobuf(比xml小3-10倍, 快20-100倍)
protocol buffers 是一种灵活，高效，自动化机制的结构数据序列化方法－可类比 XML，但是比 XML 更小、更快、更为简单。 你可以定义数据的结构，然后使用特殊生成的源代码轻松的在各种数据流中使用各种语言进行编写和读取结构数据。你甚至可以更新数据结构，而不破坏根据旧数据结构编译而成并且已部署的程序。 1 . Protobuf是一种轻便高效的结构化数据存储格式; 4 . 传输前使用protobuf编码，接收方再进行解码，可显著地降低二进制传输数据的大小。另外，protobuf非常适合传输结构化数据，便于通信字段的扩展。 ? 用途 1 . 可以轻松引入新字段, 中间服务器不需要检查数据, 可以简单解析他并传递数据而无需了解所有字段; 2 .
2.5K50发布于 2021-04-13 - 来自专栏AI机器学习与深度学习算法
机器学习入门 3-10 Numpy中的比较和Fancy Indexing
1:3, col]) ''' [[ 4 6 7] [ 8 10 11]] ''' numpy.array 比较 使用 bool 来进行 Fancy Indexing 比较常见，很多时候我们会对数据进行批量的比较 不过，在 sklearn 中封装的机器学习算法往往接收的数据类型是 NumPy 数组。 因此，我们使用 sklearn 实现机器学习算法通常会依照下面的流程： 使用 Pandas 库对数据进行一系列的预处理操作； 将预处理后的数据转换成 NumPy 数组； 使用 sklearn 对 NumPy
95120编辑于 2022-11-08 - 来自专栏华章科技
手把手教你用Python进行帕累托分析（二八定律）
图3-10是某个月中海鲜系列的10个菜品A1～A10的盈利额（已按照从大到小的顺序排序）。 ? ▲图3-10 菜品盈利数据帕累托图 由图3-10可知，菜品A1～A7共7个菜品，占菜品种类数的70%，总盈利额占该月盈利额的85.0033%。 表3-5是餐饮系统对应的菜品盈利数据，绘制菜品盈利帕累托图，如代码清单3-8所示。 ▼表3-5 餐饮系统菜品盈利数据 ? 代码清单3-8 绘制菜品盈利数据帕累托图 # 菜品盈利数据帕累托图 import pandas as pd # 初始化参数 dish_profit = '.. 有10余年大数据挖掘与分析经验，擅长Python、R、Hadoop、Matlab等技术实现的数据挖掘与分析，对机器学习等AI技术驱动的数据分析也有深入研究。
2K10发布于 2020-11-16 - 来自专栏DolphinScheduler
DolphinScheduler 任务失败后，这 3 种补救措施你掌握了吗
二、补救三种方式重跑重跑失败任务补救三、实战走一遍我们建一个流程，里面2个节点，都是Mysql数据源任务。 ='${system.biz.date}'insertintocs3select*fromcs2whereadddate='${system.biz.date}'主要任务就是每天定时执行把表中的昨天的数据拷贝到另一张表 等到3-13号时，我们点击这三种方式看有什么区别手工执行中补救点击重跑后，实际同步的数据是3-12号的数据，说明重跑按照的时间是根据当前点击的时间来算的。 补救可以选择调度日期段，这样时间是按照选择的日期进行执行，如果选择3-11号，那么数据就是3-10号的数据。 在定时中补救点击重跑后，实际同步的数据是3-10号的数据，说明重跑按照的时间是调度时间来算的。点击重跑失败任务和重跑一样，从失败节点继续执行。这2个都是在当前失败的流程实例中运行。
12910编辑于 2026-05-27 - 来自专栏啄木鸟软件测试
基于Django的电子商务网站开发（连载20）
数据模型如下。 ... 如图3-10所示。 ? 图3-10删除选择的商品信息 点击商品名称的链接，就可以修改这条商品信息的记录，如图3-11所示。 ?
96310发布于 2019-12-11 - 来自专栏freesan44
PTA 1047 编程团体赛 (20 分)
输入样例： 6 3-10 99 11-5 87 102-1 0 102-3 100 11-9 89 3-2 61 结尾无空行 输出样例： 11 176 结尾无空行 解题思路 round = int(input int("6") resDic = dict() for i in range(round): inputList = input().split(" ") # inputList = "3-
43720编辑于 2021-12-06 腾讯云AI大模型全信创解决方案：驱动证券期货业数智升级
、存储、开发三层面割裂，阻碍模型训推与数据价值释放（来源：信创大数据章节）； 信创适配不足：需满足“点对点平替”到“平台化思考”的演进（2021-2022单一应用→2023-2024平台化），但异构算力 ：推动大数据与AI融合，通过统一集群（云原生数据湖+AI）、统一元数据（多模态统一治理）、统一开发（DataOps+MLOps+LLMOps一体化）解决割裂问题（来源：信创大数据章节）； 信创数据库 通过qGPU虚拟化（内核态劫持，故障隔离强，支持容器共享）提升GPU利用率3-10倍，及TACO-LLM训推加速框架优化模型性能（来源：信创操作系统章节）； 信创AI平台（TCADP）：提供智能体低代码开发 第三章 量化应用成效与客户价值 方案落地实现三大核心指标突破（数据严格基于原文）： GPU利用率提升3-10倍：通过qGPU虚拟化（内核态劫持设计，支持训练推理在离线混部、故障显存算力强隔离），打破 技术领先与全栈产品矩阵 腾讯云以技术确定性与全栈信创能力成为优选，核心优势包括： 技术领先性： qGPU虚拟化：基于内核态劫持实现QoS GPU，兼容AI+渲染、Local/Remote GPU，提升利用率3-
31910编辑于 2026-05-01- 来自专栏freesan44
PTA 1047 编程团体赛 (20 分)
输入样例： 6 3-10 99 11-5 87 102-1 0 102-3 100 11-9 89 3-2 61 结尾无空行 输出样例： 11 176 结尾无空行 解题思路 round = int(input int("6") resDic = dict() for i in range(round): inputList = input().split(" ") # inputList = "3-
62700发布于 2021-08-22 - 来自专栏Apache Doris
Doris MCP Server 0.5.1 版本正式发布
近日，Doris MCP Server 0.5.1 版本带来了多项企业级数据治理与分析能力的功能升级，进一步提升系统稳定性与易用性，欢迎下载体验。 新增支持 8 项数据治理与分析工具：数据质量分析、血缘追踪、数据新鲜度监控、访问模式分析、依赖分析、慢查询分析、资源增长分析等一站式能力；新增支持 ADBC 数据传输协议：基于 Arrow Flight SQL 协议带来 3-10 倍的查询加速。
35610编辑于 2025-08-14 - 来自专栏扯编程的淡
一文搞懂Java注解
annotationshttps://docs.oracle.com/javase/1.5.0/docs/guide/apt/index.html如果你不愿意自己看的话，我截取了一些重点的内容并且翻译了下：翻译：- 元数据 的默认值]; [值类型] [值的key](); ...}自定义注解实践：/** * @desc: 类注解 * @author: YanMingXin * @create: 2022/4/3- YmxMethod { boolean isVip() default true;}/** * @desc: 字段注解 * @author: YanMingXin * @create: 2022/4/3- default ""; int intValue() default 0;}使用自定义注解：/** * @desc: * @author: YanMingXin * @create: 2022/4/3- methodA() { return "ymx"; }}验证方法：/** * @desc: 验证自定义注解 * @author: YanMingXin * @create: 2022/4/3-
42600编辑于 2023-11-20 - 来自专栏Albert陈凯
3.5 容错机制及依赖
对于大数据分析而言，数据检查点操作成本较高，需要通过数据中心的网络连接在机器之间复制庞大的数据集，而网络带宽往往比内存带宽低，同时会消耗大量存储资源。 Spark选择记录更新的方式。 Lineage本质上很类似于数据库中的重做日志（Redo Log），只不过这个重做日志粒度很大，是对全局数据做同样的重做以便恢复数据。 窄依赖与宽依赖关系如图3-10所示。 插图 图3-10 两种依赖关系 从图3-10可以看出对依赖类型的划分：根据父RDD分区是对应一个还是多个子RDD分区来区分窄依赖（父分区对应一个子分区）和宽依赖（父分区对应多个子分区）。 2）数据丢失时，对于窄依赖，只需要重新计算丢失的那一块数据来恢复；对于宽依赖，则要将祖先RDD中的所有数据块全部重新计算来恢复。
1.3K70发布于 2018-04-04 城市街道垃圾数据集VOC格式5266张
数据集格式：Pascal VOC格式(不包含分割路径的txt文件和yolo格式的txt文件，仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数)：5266 标注数量(xml文件个数)：5266 1920x1080 文件大小：2.76GB(未压缩前) 目标类型：卫生纸、烟头、塑料袋、塑料瓶、易拉罐、口罩、纸张、纸盒等 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：数据集由超过 200端3-10秒的视频截取而成，采用跳10帧截图方式 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 视频介绍地址： [数据集介绍][目标检测]城市街道垃圾数据集
45210编辑于 2025-07-19- 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】鼠标响应
x：鼠标指针在图像坐标系中的x坐标 y：鼠标指针在图像坐标系中的y坐标 flags：鼠标响应标志，参数为EVENT_FLAG_*形式，具体可选参数及含义在表3-10给出。 第四个参数是鼠标响应标志，参数为EVENT_FLAG_*形式，具体可选参数及含义在表3-10给出。最后一个参数是传递给回调函数的可选参数，一般情况下用void*缺省即可。 EVENT_MBUTTONDBLCLK 9 表示双击鼠标中间 EVENT_MOUSEWHEEL 10 正值表示向前滚动，负值表示向后滚动 EVENT_MOUSEHWHEEL 11 正值表示向左滚动，负值表示向右滚动 表3-
1.7K40发布于 2019-12-13 - 来自专栏翩翩白衣少年
2.4K Star！小米最新开源！覆盖600+语种的语音克隆TTS，40倍实时合成速度！
4、3-10秒就能克隆声音 语音克隆是很多人关心的功能，OmniVoice在这方面做得也非常出色。 只需要3-10秒的参考音频，就能克隆出几乎以假乱真的声音。 , ref_audio="ref.wav", # 参考音频（3-10秒） ref_text="参考音频的文本", # 可选，不填会自动用Whisper转录 ) # 保存音频
2.3K10编辑于 2026-04-10 - 来自专栏啄木鸟软件测试
基于Django的电子商务网站开发（连载28）
4．接口测试 1）测试用例 表3-10为删除购物车中一个商品的测试用例。从购物车中删除指定的商品，检验这个商品是否不在购物车的商品详情中显示。 表3-10 删除购物车中一个商品测试用例 编号 描述 期望结果 1 把初始化的商品从购物车中删除 删除成功，不在购物车的商品详情中显示 2）XML数据文件 ... <! 表3-11 删除购物车中所有商品测试用例 编号 描述 期望结果 1 把购物车中的所有商品均删除 删除成功，购物车中不存在任何商品 2）XML数据文件 ... <!
68420发布于 2019-12-11 手术示教直播系统技术方案：2026年从拍摄到分发的全链路实现
它不是普通的会议直播——需要同时采集多个视频源（全景摄像机、术野摄像机、内窥镜/超声影像），需要低延迟传输（延迟高了手术教学没有意义），还需要符合医疗数据合规要求。 ---##手术示教直播的独特挑战|挑战|普通直播|手术示教直播||:---|:---|:---||多路视频源|单路为主|3-5路同时采集||延迟要求|3-10秒可接受|**<1秒**（示教意义）||医学影像接入 网关需要专门的软硬件设备-部分DICOM设备支持直接输出视频信号（HDMI/SDI）-内窥镜、超声设备通常直接输出Video信号，可直接接入###3.低延迟传输手术示教的延迟要求极高（<1秒），普通直播的CDN分发延迟在3- outputParams:{videoWidth:1280,videoHeight:720,videoBitrate:2000,videoFramerate:25}});```---##合规与资质要求医疗数据是敏感性数据 ，系统建设需满足以下要求：|资质/要求|说明||:---|:---||**等保三级**|政务/大型公立医院必须||**医疗信息安全认证**|涉及患者数据的系统必需||**数据境内存储**|2022年后医疗数据必须境内存储
17700编辑于 2026-04-24- 来自专栏机器学习实战
XGBoost vs LightGBM vs CatBoost：三大梯度提升框架深度解析
梯度提升树（Gradient Boosting Decision Trees, GBDT）作为机器学习领域的核心算法，在结构化数据建模中始终占据统治地位。 LightGBM：高效处理大数据的革新者 关键技术： GOSS（Gradient-based One-Side Sampling）： 保留大梯度样本，随机采样小梯度样本 EFB（Exclusive 目标编码公式： 二、核心参数详解与调参指南 XGBoost关键参数 参数类型 参数名 推荐范围 作用说明 基础参数 booster gbtree/dart 基模型类型选择 树结构 max_depth 3- bagging_freq=5 ) CatBoost特色参数 参数类型 参数名 推荐值 功能说明 类别处理 cat_features 自动检测 指定类别特征列 过拟合 l2_leaf_reg 3- 类别特征丰富 → CatBoost 类别特征占比 > 30% 存在数据漂移 需要自动特征处理 五、最新发展动态 XGBoost 2.0： 支持多目标输出 增强
3.6K10编辑于 2025-02-25 - 来自专栏沃趣科技
信创应用｜首个全栈信创数据库一体机成功上线山西证券
贰 QDM数据库一体机成功上线 为山西证券关键数据保驾护航 ● 目前国内数据库市场百花齐放，达梦数据库作为目前国内市场排名第一的国产关系型数据库，对Oracle有良好兼容性，是信创演进方案首选。 经过山西证券和沃趣科技双方专家联合测试，一体机所承载的达梦数据库性能是传统达梦共享存储集群性能的2-3倍，底层IO性能是传统架构的3-10倍。 2 倍级性能提升 分布式存储IO能力较传统的集中式存储有3-10倍的提升，一体机数据库能力相比集中式存储达到2-3倍的提升。 3 极致数据保护 备份节点通过对融合平台的数据实时保护，当主库出现异常时可以确保数据不丢失。 平滑过渡到达梦数据库 业务系统实现从oracle数据库到达梦数据库的平滑过渡。
1K60编辑于 2022-05-29 - 来自专栏全栈程序员必看
ftk学习记（icon篇）
ftk_widget_width(win); height = ftk_widget_height(win); button = ftk_button_create(win, 10, 0, width/3- button_more_clicked, win); ftk_window_set_focus(win, button); button = ftk_button_create(win, 2*width/3, 0, width/3-
58110编辑于 2022-07-08
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