- 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（3）
上次咱们聊了聊市场催生的根本原因，是由于人们为了降低交易的成本而“发明”出来并一直保留至今的。在几千年的过程中，随着运输技术和信息技术的不断发展，市场正在以更快速的方式为我们提供者信息的交互能力，也就最大程度地降低了交互的成本。
35310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。 ; int a2 = q[tail - 2]; int a3 = q[tail - 1]; if (getUp(a2, a1)*getDown(a3, a2) >= getDown (a2, a1)*getUp(a3, a2)){ tail-=2; q[tail++]=a3; } else{ break; } } }
84810编辑于 2022-11-14 - 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 category_names = df.columns labels = df.index.map(str).to_list() data = df.values fig, axes=plt.subplots(2,3, figsize=(4, 6)) fig.set_facecolor('w') axes=axes.flatten() # 画斜率图 radio=((data[1]-data[0])/data[0]
1.3K30编辑于 2022-04-22 - 来自专栏量化投资与机器学习
3·15特刊：打假量化圈
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。 今天是3月15日，公众号为全网Quant带来一期特别策划内容——量化圈的那些割韭菜的人和事。 希望大家以后避免踩雷！ 『假』 大师 这一趴真的不想给很多人蹭热度！ 总结下来就是：太多了！ 『假』 培训 随着量化投资的普及，培训市场也是闻风而动，四面开花。朋友圈时不时的出现这样的分享及广告：9.9元Python量化入门到精通，9.9元人工智能量化培训，9.9元量化实战送100套策略。 入门； 3、借人工智能的幌子：讲一讲几个Python的机器学习工具包，就说自己是人工智能量化培训； 4、以数字币为标的：介绍一下个交易所的API接口，无意间给学员植入数字币量化致富的概念。 『假』 书籍 市面上的量化书籍太多了，太乱了，太无耻了...... 打开京东搜索“量化”，乱七八糟扑面而来！有种向地摊文学靠拢的迹象。
50420编辑于 2022-03-15 - 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）。 2\le m\le n\le10^5，1\le a_i,p\le10^3。 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 Code #pragma GCC optimize("Ofast") #pragma GCC target("sse,sse2,sse3,ssse3,sse4,popcnt,abm,mmx,avx,avx2 1:-1;W(x=(x<<3)+(x<<1)+(oc&15),isdigit(oc=tc()));x*=f;} Ts I void read(Ty& x,Ar&... y) {read(x),read
85020编辑于 2022-09-19 - 来自专栏数据结构与算法
BZOJ3675: 序列分割(斜率优化)
Sample Input 7 3 4 1 3 4 0 2 3 Sample Output 108 HINT 【样例说明】 在样例中，小H可以通过如下3轮操作得到108分： 1． -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。 $k$优 最后可以画为 $$S_{i} >\dfrac {S^{2}_{j}-f_{j}-\left( S^{2}_{x}-f_{k}\right) }{S_{i}-S_{k}}$$ 按照套路，发现能斜率优化
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)
| We have carefully selected several similar problems for you: 3506 3501 3504 3505 3498 比较裸的斜率优化
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)
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 ]; for(int i=1;i<=N;i++) g[i]=sqr(sum[i]); for(int k=1;k<=M-1;k++) { memset(f,0x3f
1.3K80发布于 2018-04-13 - 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。 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。 这两个阶段的斜率不同，所以称为“多斜率”。 这个转换的图也是这样的 使用天平也可以比喻： 就好比一个精密的天平，通过比较未知物体的重量和已知重量的砝码来测量物体的重量。
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 Sample Input 3 0 5 10 5 3 100 9 6 10 Sample Output 32 HINT 在工厂1和工厂3建立仓库，建立费用为10+10=20，运输费用为(9-5)*3 如果仅在工厂3建立仓库，建立费用为10，运输费用为(9-0)*5+(9-5)*3=57，总费用67，不如前者优。 【数据规模】 对于100%的数据， N ≤1000000。 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
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】
如果FJ买一块3x5的地和一块5x3的地,则他需要付5x5=25. FJ希望买下所有的土地,但是他发现分组来买这些土地可以节省经费. 他需要你帮助他找到最小的经费. Sample Output 500 HINT FJ分3组买这些土地: 第一组:100x1, 第二组1x100, 第三组20x5 和 15x15 plot. 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 - 来自专栏机器之心
基于重排序的新量化方法RPTQ：实现大型语言模型的 3 比特量化
该工作首次将 LLM 模型的激活量化推向 3 比特。激活值的 3 比特量化同时也能与权重的 3 比特量化共同使用，大幅度降低了大型欲言模型的开销。 最近，GPTQ 使用 PTQ 成功地将 LLMs 的权重量化为 4 bit 或 3 bit。然而，对 LLMs 中的激活进行量化仍然是一项具有挑战性的任务。 图 3：一重排权重和激活的量化 Transformer 层的推断过程失意图。重排索引用符号 R1 到 R5 表示。 如图 3 所示，作者重新排序线性层的权重，使它们能够直接按照排序顺序产生激活。此外，作者修改了 LayerNorm 的方法，使其能够直接产生重新排序的激活，从而省去了在推理过程中进行显式通道调整。 此外，作者还开发了一种新的量化方案，W4A4KV、W4A3KV 和 W3A3KV，只对主要内存的消耗 —— 键缓存和值缓存（Key/Value Cache）进行量化。
93220编辑于 2023-04-11 - 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。 define per(i,l,r) for(int i=r-1,_=l;i>=_;--i) typedef long long ll; typedef double dd; const int INF=0x3f3f3f3f [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 l,_=r;i<_;++i) #define per(i,l,r) for(int i=r-1,_=l;i>=_;--i) typedef long long ll; const ll LINF=0x3f3f3f3f3f3f3f3f
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
93070发布于 2018-04-13 - 来自专栏各类技术文章~
vue3了，试试轻量化的Vuex -- Pinia？
vue3了，试试轻量化的Vuex -- Pinia？ 一， pinia介绍 Pinia 是 Vue.js 的轻量级状态管理库，最近很受欢迎。 它使用 Vue 3 中的新反应系统来构建一个直观且完全类型化的状态管理库。 Pinia的成功可以归功于其管理存储数据的独特功能(可扩展性、存储模块组织、状态变化分组、多存储创建等)。 ，安装使用Pinia 在项目根目录中打开终端，输入以下命令 yarn add pinia@next # or with npm npm install pinia@next // 该版本与Vue 3兼容 webkit-font-smoothing: antialiased; -moz-osx-font-smoothing: grayscale; text-align: center; color: #2c3e50 webkit-font-smoothing: antialiased; -moz-osx-font-smoothing: grayscale; text-align: center; color: #2c3e50
1.7K50发布于 2021-11-04 - 来自专栏韩曙亮的移动开发专栏
【Cubase】Cubase 量化设置 ( 量化预置 | 长度量化 | 快捷键设置 | 量化开头 | 量化 MIDI 事件结尾 | 量化 MIDI 事件长度 )
文章目录 一、要解决的问题 二、量化预置 三、长度量化 四、快捷键及设置 1、快捷键及设置 2、量化开头 3、量化 MIDI 事件结尾 4、量化 MIDI 事件长度 五、对 MIDI 进行量化操作 本博客中的所有设置都是在 ; 三、长度量化 ---- 长度量化 参数设置 : 在下图 处设置长度量化 , 如果设置成 " 1/16 " , 那么使用鼠标拖动时 , 音符的长度只能是 16 分音符的整数倍 ; 上述的 量化预置 ; 2、量化开头 量化开头 : 默认按键 " Q " 是量化开头 ; 将所有音符的开始位置对齐到 " 量化预制 " 对应的格子中 ; 该设置是系统自带的 , 不建议修改 ; 3、量化 MIDI 事件结尾 量化 MIDI 事件结尾 : 首先选中左侧的 " 量化类别 / 量化 MIDI 事件结尾 " , 点击右侧的 " 输入快捷键 " 下方的输入框 ; 输入快捷键后 , 点击 " 指定 " " 快捷键 , 量化音符长度 , 此时音符都排列整齐了 , 音符开头和音符长度进行了量化 , 音符结尾自然也进行了量化 ;
4.6K00编辑于 2023-03-28 - 来自专栏HappenLee的技术杂谈
ClickHouse源码笔记3:函数调用的向量化实现
分享一下笔者研读ClickHouse源码时分析函数调用的实现，重点在于分析Clickhouse查询层实现的接口，以及Clickhouse是如何利用这些接口更好的实现向量化的。 (当前ClickHouse不支持使用Explain语句来查看执行计划，这个确实是很蛋疼的~~） ClickHouse的执行PipeLine 这里分为了3个流 ExpressionBlockInputStream block.columns(); block.insert({ nullptr, result_type, result_name}); 3. 计算的最终结果 3.要点梳理 第二小节梳理完成了一整个函数调用的流程，这里重点梳理一下实现向量化函数调要点： ClickHouse的计算是纯粹函数式编程式的计算，不会改变原先的列状态，而是产生一组新的列 (这里可以打开gcc的编译flag:-fopt-info-vec或者clang的编译选项：-Rpass=loop-vectorize来查看实际源代码的向量化情况) 4.
2.4K30发布于 2021-02-22 - 来自专栏数据结构与算法
【BZOJ3203】保护出题人（动态规划，斜率优化）
【BZOJ3203】保护出题人（动态规划，斜率优化） 题面 BZOJ 洛谷 题解 在最优情况下，肯定是存在某只僵尸在到达重点的那一瞬间将其打死 我们现在知道了每只僵尸到达终点的时间，因为僵尸要依次打死 那么现在相当于在时间-伤害的坐标系上有若干个点，每次询问与\((0,0)\)构成斜率最大的那一个。 但是现在很烦人的一点是，每次都是在最前面插入一个僵尸。
68150发布于 2018-09-21 - 来自专栏系统信任增长范式
什么是“信任斜率”？为什么系统更在意变化速度
它关注的不是绝对值，而是斜率。三、为什么“斜率”比“水平”更重要？ 在系统视角中，存在三个现实约束：1️⃣系统无法完全理解你是谁但可以精准识别：行为是否更稳定了表达是否更一致了修复是否更主动了2️⃣绝对信任值不可一次性确认但变化方向可以被持续观测3️⃣风险控制优先于潜在收益系统更愿意扶持一个 斜率要求的是：连续性同方向可重复没有时间维度，就没有斜率。 六、一个关键分水岭：正斜率vs负斜率从系统角度看，主体大致分为三类：正斜率主体表现未必完美但问题在减少行为在收敛认知在进化➖平斜率主体长期维持无明显进步也无明显退化负斜率主体内容开始发散行为开始反复修复越来越少解释越来越情绪化系统真正会主动 正斜率→更高的解释耐心平斜率→维持性观察负斜率→快速降权、降配这也是为什么有些主体：明明没出大问题却突然感觉“被系统冷处理”系统不是在否定你，而是在对趋势做出反应。
13910编辑于 2026-01-09
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