- 综合排序
- 最热优先
- 最新优先
- 来自专栏奇点大数据
话说量化（2）
市场，是一个很古老的概念了，至少已经有三四千年以上的历史了。较早的关于市场的记录是在古埃及时期，公元前两千多年之前，就已经有“Bazar”这个概念了，汉语里面也留下了它音译的痕迹——“巴扎”。直到现在，在新疆少数民族聚居区仍然在使用这个词汇作为“集市”的用词概念。
53020发布于 2018-09-14 - 来自专栏mythsman的个人博客
斜率优化dp专题小结
斜率优化dp是一种通过构造斜率表达式，用维护凸包的方法来去除多余的点以减少算法复杂度的方法。通常可以将问题规模减小一个维度，从而提高运行效率。 这时候就可以用斜率dp进行优化，将其优化到 。 斜率优化dp的套路基本是固定的，基本上就是用数组模拟队列，然后两个while循环判断是否可以去除无用的点。 (a2, a1)*getDown(a3, a2) >= getDown(a2, a1)*getUp(a3, a2)){ tail-=2; q[tail++]=a3; } (i,a2,a1)*getDown(a3,a2)>=getUp(i,a3,a2)*getDown(a2,a1)){ tail -= 2; q[tail++] = a3;
84810编辑于 2022-11-14 - 来自专栏PostgreSQL研究与原理解析
PG 向量化引擎--2
PG 向量化引擎--2 向量化引擎是OLAP数据库提升性能的有效技术。翻到PostgreSQL邮件列表有对向量化引擎的讨论。这里继续进行整理，以作分析。 对于Int32，此区域大小时4*BATCHSIZE，而对于Int16，大小时2*BATCHSIZE。所以使用原生数据可以只做一个memcpy来填充vtype的batch。 2、为什么VectorTupleSlot中包含元组的数据（batch）而不是向量（vtype的数组）？ 我们是否可以得出结论，对于OLAP查询使用向量化引擎，对于OLTP查询使用行引擎会更好。 5、对于不能向量化的查询捕获并抛出异常不是处理此类情况最安全和最有效的方法。 花费的时间比预期要长：executor代码中很多东西都发生了改变： par.warkers PG9_6矢量化=关闭 PG9_6矢量化=开启 主矢量化=关闭jit=打开 主矢量化=关闭jit=关闭 主矢量化
1.2K20编辑于 2022-02-09 - 来自专栏Python in AI-IOT
Python数据分析--斜率图
林骥老师将数据可视化分析源代码分享在他的GitHub空间https://github.com/linjiwx/mp 斜率图，可以快速展现两组数据之间各维度的变化，特别适合用于对比两个时间点的数据。 斜率图的优势，是能快速看到每个类别前后发生的变化，并能根据线条的陡峭程度，直观地感受到变化的幅度。 image.png 数据如下： year PM2.5 PM10 SO2 NO2 O3 CO 2017 72.17396877 132.7863806 21.47354929 54.11512468 65.71172221 ,figsize=(4, 6)) fig.set_facecolor('w') axes=axes.flatten() # 画斜率图 radio=((data[1]-data[0])/data[0 ]).round(2) for i, ax,name in zip(np.arange(len(df.columns)), axes,df.columns): ax.set_facecolor(
1.3K30编辑于 2022-04-22 - 来自专栏量化小白上分记
量化笔面试概率题*2
我投的基本都是量化岗，到现在3/20的通过率，总之很艰难。 因此E(k) = 2^(k+1) - 2，这样，E(4) = 30 ? 再举一个例子 ? 有一楼梯共m级，刚开始时你在第一级，若每次只能跨上一级或二级，要走上第m级，共有多少走法？ 还是刚才的逻辑，假设走k级有f(k)种走法，显然f(1)=1,f(2)=2，如果第一次走了1级，剩下k-1级有f(k-1)种走法，如果第一次走了两级，剩下k-2级有f(k-2)种走法，即f(k)=f(k -1)+f(k-2)。 ，但速度会快很多，代码如下 def f(x): if x ==1: y = 1 elif x ==2: y = 2 else: s
4.2K20发布于 2019-07-01 - 来自专栏OI
YbtOJ 494「斜率优化 dp」最小划分
YbtOJ 494「斜率优化 dp」最小划分 题目链接：YbtOJ #494 小 A 有一个长度为 n 的序列 a，要求你把它划分成 m 个连续段（记 w_i 表示 第 i 段的数之和）。 Solution 首先拆平方，得到 \sum_{i=1}^m(w_i^2+2\cdot w_i\cdot p+p^2)=\sum_{i=1}^mw_i^2+(2p\sum_{i=1}^na_i+mp^2 先列出暴力的转移方程：（s表示a的前缀和） f_i=f_j+(s_i-s_j)^2+C 把右边的项拆开并且只保留和 j 有关的项得到： f_j+s_j^2-2s_i\times s_j j > k）所以一个转移点 j 优于 k（j > k的充要条件就是 图片 由于 s_j-s_k 显然为正，因此就有： s_i > \frac{(f_j+s_j^2)-(f_k+s_k^2)}{2(s_j-s_k)} 那么我们只要维护一个单调队列 ，然后就可以轻松斜率优化了。
85020编辑于 2022-09-19 - 来自专栏大模型成长之路
【大模型学习 | BERT 量化实战（2） 】
p_bert_embeddings_layernorm_weight', 'p_bert_embeddings_layernorm_bias', #⚠️ BERT 模型包含了 nn.Embedding 层，而当前 PT2E ① 权重分布本身就不光滑（有离群值）② 权重量化导致连续输入映射为不连续输出解决✅ 方法1：替换激活函数 GELU → ReLU✅ 方法2：尝试采用 QAT 逐层敏感性分析核心思想：将原模型逐层量化，观察产生精度下降的原因 isinstance(module, nn.Linear)]def run_sensitivity_analysis(model_fp32, tokenizer): print("Loading SST-2 .4f} | ΔAcc: {delta:.4f}") results.append((name, acc, delta)) results.sort(key=lambda x: x[2] Sensitive Layers:") for r in results[:5]: print(f"{r[0]:40s} | Acc: {r[1]:.4f} | ΔAcc: {r[2]
78710编辑于 2025-06-27 - 来自专栏数据结构与算法
BZOJ3675: 序列分割(斜率优化)
-开始小H有一个序列(4，1，3，4，0，2，3)。小H选择在第1个数之后的位置 将序列分成两部分，并得到4×(1+3+4+0+2+3)=52分。 2．这一轮开始时小H有两个序列：(4)，(1，3，4，0，2，3)。小H选择在第3个数 字之后的位置将第二个序列分成两部分，并得到(1+3)×(4+0+2+ 3)=36分。 3．这一轮开始时小H有三个序列：(4)，(1，3)，(4，0，2，3)。小H选择在第5个 数字之后的位置将第三个序列分成两部分，并得到(4+0)×(2+3)= 20分。 -S_{k}}$$ 按照套路，发现能斜率优化，然后上模板就行了，单调队列可以滚动掉 这题是我为数不多会做但是不会写代码的题 到最后还没在UOJ上卡过去 // luogu-judger-enable-o2 p2) ?
62420发布于 2019-01-30 - 来自专栏数据结构与算法
HDU3507 Print Article(斜率优化DP)
Then, there are N numbers in the next 2 to N + 1 lines. Input are terminated by EOF. | We have carefully selected several similar problems for you: 3506 3501 3504 3505 3498 比较裸的斜率优化 f[x] + s[x] * s[x]; } int check(int x, int y, int i) { return (Y(y) - Y(x)) <= (X(y) - X(x)) * 2 * s[i]; } int check2(int xx1, int yy1, int xx2, int yy2) { return ((Y(yy1) - Y(xx1)) * (X(yy2) - X(xx2))) >= ((Y(yy2) - Y(xx2)) * (X(yy1) - X(xx1))); } /*int slope(int x, int y) { return (Y(y) -
76620发布于 2019-01-30 - 来自专栏数据结构与算法
BZOJ4518: 征途(dp+斜率优化)
第二行 n 个数，表示 n 段路的长度 Output 一个数，最小方差乘以 后的值 Sample Input 5 2 1 2 5 8 6 Sample Output 36 HINT 1≤n≤3000 这样的话就可以愉快的斜率优化啦 第二维可以用滚动数组滚动掉 // luogu-judger-enable-o2 #include<cstdio> #include<cstring> #include<bitset > #include<cmath> #include<algorithm> #define int long long //#define getchar() (p1==p2&&(p2=(p1=buf )+fread(buf,1,1<<23,stdin),p1==p2)? EOF:*p1++) char buf[1<<23],*p1=buf,*p2=buf; using namespace std; const int MAXN=1e5+10; const int limit
1.3K80发布于 2018-04-13 - 来自专栏DeepHub IMBA
使用ExLlamaV2量化并运行EXL2模型
并且它还引入了一种新的量化格式EXL2，它为如何存储权重带来了很大的灵活性。 在本文中，我们将介绍如何量化EXL2格式的基本模型，以及如何运行它们。 量化EXL2模型 首先需要安装ExLlamaV2库： pip install exllamav2 #为了使用官方的一些脚本，我们还要把官方的代码clone到本地 git clone https:/ 量化过程使用现有脚本非常的简单。那么还有最后一个问题，为什么要使用“EXL2”格式而不是常规的GPTQ格式呢?EXL2带来了哪些新功能？ 它支持不同级别的量化:它不局限于4位精度，可以处理2、3、4、5、6和8位量化。 它可以在一个模型和每一层中混合不同的精度，以保留最重要的权重和具有更多bit的层。 ExLlamaV2在量化过程中使用了这种额外的灵活性。它会自动尝试不同的量化参数，并测量了它们引入的误差。
1.1K10编辑于 2023-11-22 - 来自专栏人力资源数据分析
KPI关键指标的量化设计（2）
我们在上篇文章讲到了如何根据岗位的工作职责进行KPI关键值的选择，那今天我们就来聊聊，如何进行量化的KPI指标的设计。 （2）Measurable可以衡量的：绩效指标是数量化或者行为化的，验证这些绩效指标的数据或者信息是可以获得的。 2、KPI量化指标的3大设计维度 在对KPI的设计中，我们根据数据的类型，我们一般会对KPI的数据有三种形式的量化指标设计 ? ? 1、KPI的标准指标，这个指标的数值是指在月度我们达标的数据 2、KPI保底数据，这个数据指标是我们每月必须一定要完成的数据指标， 3、KPI期望数据，这个数据是我们超出达标数据，跳一跳可以够得到的数据
2.1K30发布于 2020-11-03 - 来自专栏嘘、小点声
股市技术面操作的量化交易--量化交易2-投资方法
通常，我们认为人们是“风险厌恶”的，并构造如下形式的效用函数来代表投资者的投资偏好： U®=E®- 1/2 Aσ^2 ® 其中E®表示投资组合的预期收益率，σ^2 ®表示投资组合的方差； 预期收益率越高 资产组合 假设有两种资产E_1和E_2，其预期收益率和方差分别为r_1、σ_1^2和r_2、σ_2^2,收益率相关系数为ρ。另有，r_1<r_2、〖0<σ〗_1<σ_2。 如果同时投资于两种资产，权重分别为w_1、1-w_1， 则组合的期望收益率和方差可表示为： r=w_1 r_1+(1-w_1)r_2 σ^2= w_1^2 σ_1^2+〖(1-w_1)〗^2 σ_2^2 +2w_1 (1-w_1)ρσ_1 σ_2 容易证明,当且仅当ρ=1时资产组合标准差与预期收益呈线性关系。 由于ρ的取值范围在-1和1之间，因此通常情况下σ^2= w_1^2 σ_1^2+〖(1-w_1)〗^2 σ_1^2+2w_1 (1-w_1 )ρσ_1 σ_2<〖(w_1 σ_1+(1-w_1 )σ_2
1.1K20发布于 2020-11-24 - 来自专栏云深之无迹
多斜率积分ADC-低频测量我最强
其擅长处理低频信号 在双斜率型 ADC 中，积分器生成两个不同的斜坡，一个斜坡具有已知的模拟输入电压 VA，另一个斜坡具有已知的参考电压 –Vref。因此，它被称为双斜率 A 到 D 转换器。 2. 第二阶段：参考电压积分 将积分器输入端接上一个与输入信号极性相反的参考电压Vref，进行一段可变的时间T2的积分。 当积分器的输出电压变为零时，停止积分，此时的时间T2与输入电压Vin成正比。 2. 放水阶段: 打开排水口: 然后，我们用一个流量恒定的水管将水桶里的水放掉。 测量放水时间: 我们测量一下把水桶里的水完全放空需要多长时间。 多斜率积分ADC就像一个精确的水桶，通过测量注水和放水的时间来测量水的多少. 为什么叫“多斜率”？ 因为在整个过程中，水位（也就是电压）的变化不是线性的，而是分阶段的： 第一个阶段: 水位上升，斜率取决于输入电压的大小。 第二个阶段: 水位下降，斜率是固定的。
74400编辑于 2025-01-13 - 来自专栏Greenplum
greenplum 检测表倾斜率高的shell脚本
1、修改该脚本中的数据库连接信息 2、修改需要检测的schema_inspect,添加时请以英文逗号分割,例如:main,history 3、运行完改脚本会在log/20190603/table-percentage 当前的表 summary.*********** 进度的百分比为: 100.00% 当前的行10650 总行 10650 当前的表 summary.******** 表的倾斜率检测完毕 For partitioned tables, run analyze 生成的CSV文件格式如下 表名,最大segment的行,最小segment的行,倾斜率(%),表的大小,表的分布键 datafix.enterp
2K50发布于 2019-06-05 - 来自专栏数据结构与算法
BZOJ1096: 仓库建设(dp+斜率优化)
你将得到 以下数据：1：工厂i距离工厂1的距离Xi（其中X1=0）;2：工厂i目前已有成品数量Pi;:3：在工厂i建立仓库的费用 Ci;请你帮助L公司寻找一个仓库建设的方案，使得总的费用（建造费用+运输费用 这样的话就有20分了 考虑继续优化，把上面的式子暴力推推推，再把只包含i的删去，不难得到 把dis[i]看成k 把num[i]看成x 把f[i]看成b 把f[j]-g[j]看成y 然后就能斜率优化了 include<bitset> #include<cmath> #include<algorithm> #define int long long //#define getchar() (p1==p2& &(p2=(p1=buf)+fread(buf,1,1<<23,stdin),p1==p2)? EOF:*p1++) char buf[1<<23],*p1=buf,*p2=buf; using namespace std; const int MAXN=1e6+10; inline int read
1.1K50发布于 2018-04-13 - 来自专栏小樱的经验随笔
BZOJ 1597: 土地购买【斜率优化+凸包维护】
Input * 第1行: 一个数: N * 第2..N+1行: 第i+1行包含两个数,分别为第i块土地的长和宽 Output * 第一行: 最小的可行费用. 显然f[i]=min(f[j]+y[j+1]x[i])，然后再搞个斜率优化，方程是(f[j]-f[k])/(y[k+1]-y[j+1])<x[i]，然后维护一个下凸包！ 下面给出AC代码： 1 #include <bits/stdc++.h> 2 using namespace std; 3 inline int read() 4 { 5 int x=
95260发布于 2018-04-09 - 来自专栏饶文津的专栏
【BZOJ 1701】Cow School（斜率优化动态凸包分治优化）
题解 基础思路 法1 平衡树维护动态凸包 法2 普通维护凸包 法3 分治dp 由于决策单调，计算?[?],?[?]f[j],g[j]时还可以分治计算。 operator < (const nd&b)const{ return t*b.p<p*b.t; } }a[N]; struct DynmcCnvx{ int rot,fa[N],c[N][2] [c[t][1]]=rot; fa[rot]=0; lk[rot]=rk[c[t][1]]=getk(rot,c[t][1]); } } dd getk(int i,int j){//求斜率 rot,t)>=rk[t]) tmp=t,t=c[t][0]; else t=c[t][1]; } return tmp; } int find(int t,dd k){//找到当前斜率的位置
1.2K20发布于 2020-06-02 - 来自专栏数据结构与算法
BZOJ1010: 玩具装箱toy(dp+斜率优化)
Input 第一行输入两个整数N，L.接下来N行输入 Output 输出最小费用 Sample Input 5 4 3 4 2 1 4 Sample Output 1 HINT Source 感觉自己一直学的是假的斜率优化 推荐一篇写的比较好的博客 https://www.cnblogs.com/Paul-Guderian/p/7259491.html #include<cstdio include<bitset> #include<cmath> #include<algorithm> #define int long long //#define getchar() (p1==p2& &(p2=(p1=buf)+fread(buf,1,1<<23,stdin),p1==p2)? ++) S[i]+=i; int h=1,t=1; for(int i=1;i<=N;i++) { while(h<t&&slope(Q[h],Q[h+1])<2*
93070发布于 2018-04-13 - 来自专栏机器之心
字节开源大模型量化新思路，2-bit量化模型精度齐平fp16
这样做的优势是明显的，我们不再需要关注量化特有的问题，比如如何处理敏感通道，如何处理 outlier 等等，而是只需要将量化问题进行数学建模，找到一个合适的优化目标函数，然后去求解该函数。 2. 3. decoupleQ 观察 (1)~(3) 式在量化中的作用，如果我们换一种思路，就会发现其实我们不需要知道 (1) 式和 (2) 式。 W2 算子实现 要对量化后的模型进行推理，需要量化算子的支持，在业界没有现成的 w2a16 的算子可用，作者们基于 Tensorrt-LLM 中的 w4 算子开发了 w2 的 Gemm cuda kernel 量化模型本身是以 2bit weight 的形式加载和存储在显存中，因此会占用比较小的显存。 作者尝试使用不同的方法将模型量化为 W2A16g64。
1.2K10编辑于 2024-05-14
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