- 综合排序
- 最热优先
- 最新优先
- 来自专栏mysql
hhdb数据库介绍(10-5)
管理用户界面的审计日志主要用来查看管理用户对管理平台的操作记录，同时可查看所有纳管的计算节点集群内普通用户的基本操作。
89810编辑于 2025-03-13 - 来自专栏小柔博客园
图像存储格式JEPG有损压缩原理
直接存放矩阵数据：BMP，YUV等 无损压缩：PNG,TIFF,GIF,RAW,TGA,PSD等 有损压缩：JPEG,WEBP,WMF等 图像的存储 指标数据 存矩阵 数据大小 最大 解码速度 最快（ 拷贝） 画质 最好 JPEG的有损压缩 主要说明为什么可以压缩的这么小及压缩流程 感知编码：删掉人类无法感知到数据的方法，它依赖于人类的感知模型， 模型来自“心理物理学”领域 比如录制声音的时候可以将超声波和低音进行过滤 人的眼睛也是如此，我们看不出颜色的细微变化，图像存储中的Rcbcr格式就是如此，用于表示cb和cr的数据有和没有对人类来说影响不是特别大，因此JPEG利用了这点来压缩的，不过因为有删减数据，也叫有损压缩 这个矩阵的特点是他有大量的0的元素 这个矩阵因为有大量的0就可以用host编码进行压缩 最终目的：产生大量的0的字符串 其他图片的压缩算法 PNG算法 支持透明通道 本质：使用LZ77的压缩算法 有损压缩原理
85320编辑于 2022-11-16 - 来自专栏媒矿工厂
人类仍是最好的有损图片压缩器
本文是来自Stanford Compression Workshop 2019的演讲，讲者是三位高中生：来自Palo Alto High School的Ashutosh Bhown，来自Monta Vista High School的Soham Mukherjee，来自Saint Francis High School的Sean Yang。
56420发布于 2019-11-11 - 来自专栏AI机器学习与深度学习算法
机器学习入门 10-5 精确率和召回率的平衡
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要说明精准率和召回率是相互制约、相互矛盾的两个指标，通过选取不同的threshold阈值来观察精准率和召回率的变化。在具体编程中，sklearn没有直接能够传入threshold阈值的函数，但是可以使用算法的decision_function函数计算出样本的score值，然后转换为布尔向量，进而转换为元素为0,1的整型向量，整型向量即为算法在当前阈值下预测的样本类别。
4.7K51发布于 2020-04-26 - 来自专栏AI科技大本营的专栏
“深度学习之父”大谈AI：寒冬不会出现，论文评审机制有损创新
【AI 科技大本营导读】近日《连线》杂志发表了一篇文章，记录了与“深度学习之父” Geoffrey Hinton 围绕人工智能伦理、技术、学术等领域的采访实录。当被问到如今人工智能是否将走进寒冬时，Hinton 的回答非常坚决：“不会有‘人工智能寒冬’。因为 AI 已经渗透到你的生活中了。在之前的寒冬中，AI 还不是你生活的一部分。但现在它是了。”
56630发布于 2018-12-27 - 来自专栏算法+
浮点数据有损压缩算法 附完整C代码
例如:https://github.com/cpuimage/TinyJPEG 这铺垫有点长，所以是不是可以基于dct 8x8 对浮点数据进行有损压缩呢？ 答案，没错就是这么简单粗暴。
2.2K40发布于 2018-05-07 - 来自专栏daos
Nvidia_Mellanox_CX5和6DX系列网卡_RDMA_RoCE_无损和有损_DCQCN拥塞控制_动态连接等详解-一文入门RDMA和RoCE有损无损
RoCEv2, 以及IB协议, Mellanox的RDMA网卡cx4, cx5, cx6/cx6DX, cx7等, 本文主要基于CX5和CX6DX对RoCE技术进行简介, 一文入门RDMA和RoCE有损及无损关键技术 无损带来的挑战无损缺点配置复杂拥塞严重时会带来暂停发送的问题延迟增加暂停帧风暴PauseStorm配置复杂, 每个Fabric节点需要保持一致的无损配置受限制, 比如大型网络, 或客户的网络中, 没有权限去配置无损为了更好的推广和使用RoCE, 有损配置解决了部分无损的配置难题有损 开启该功能后, 如: TGT将1GB切分为多个8K读, 类似窗口机制, TGT按8K为窗口单位来滑动控制, 在硬件中来实现该功能有损配置建议1. cx5开始支持的, 打开4种有损配置2. 右侧是一个配置示例(查看和配置网卡)cx6DX配置命令有损,RDMA等应用场景(云存储)1. ZTR: 取消所有交换机和节点上的PFC和ECN配置, 在网卡上启用所有的有损算法RC和DC服务类型1. 可靠连接传输类型RC: 可靠, 消息保序, 通过ACK确认和重传2.
15.3K26编辑于 2025-11-05 - 来自专栏点云PCL
FLiCR：基于有损 RI 的快速轻量级激光雷达点云压缩
此外发现当前质量度量标准对于表现点云熵的限制，并引入了一种新的度量标准，既反映了点对点的质量，又反映了熵的质量，用于有损IRs。 其次通过RI量化和子采样探索了利用有损RI进行下游压缩步骤的机会。我们认为有损表示可以极大地提高通过有损表示的压缩效率和低延迟的无损字节流压缩。 然而我们认为利用有损RI有更多的优化机会，不仅可以减少数据大小，还可以降低下游压缩任务的复杂性。 因此，针对有损RI的点云的质量度量需要同时反映量化和子采样误差。 利用有损RI进行无损压缩 在前文中已经了解到将有损视频编解码器应用于范围图像（RI）会导致较低的压缩效率或扭曲3D空间中的点云。
1.3K10编辑于 2024-04-11 - 来自专栏腾讯大讲堂的专栏
微信红包【技术篇】——如何在服务有损的情况下保证用户体验
讲师：Boas 分享主题：如何在服务有损情况下保证用户体验 羊年春晚因着微信摇一摇的介入，变得十分的不一样。 对于客户端同学来说，常常直面用户的体验问题，而从春晚这个项目本身出发，可预见的是，当时的服务将会有损，在这样的情况下如何保证用户体验，成了我们设计的一个核心。 ? 最终一声哈哈大笑，在春晚这个项目中，完美地体现了有损服务下保证用户体验这个价值观。 三 项目复杂我们怎样来稳定？ 1.方案要简单 精细的方案设计的确可以带给我们非常细致的体验。
1.8K80发布于 2018-02-11 - 来自专栏C++核心准则原文翻译
C++核心准则ES.46:避免有损（窄化，截短）算数转换
ES.46: Avoid lossy (narrowing, truncating) arithmetic conversions ES.46:避免有损（窄化，截短）算数转换 Reason（原因） arithmetic casts, such as from a negative floating point type to an unsigned integral type: 这两个操作也可以处理有损算数转换
71730发布于 2020-05-20 - 来自专栏音视频技术
如何使用FFmpeg将AVI转换为MP4（有损转换和无损转换）
点击上方“LiveVideoStack”关注我们 翻译、编辑：Alex 技术审校：刘歧 本文来自OTTVerse，作者为Krishna Rao Vijayanagar。 ▲扫描图中二维码或点击阅读原文▲ 了解音视频技术大会更多信息 FFmpeg Easy-Tech #021# 在本篇文章中，我们将学习如何使用FFmpeg把视频从AVI格式转换为MP4格式（在重新/不重新编码AVI文件的情况下）。作为红利，我们还将学习FFmpeg在Ubuntu、Mac和Windows上的安装，并使用FFmpeg将
11.2K50编辑于 2022-04-18 - 来自专栏完美Excel
VBA专题10-5：使用VBA操控Excel界面之隐藏取消隐藏及最小化功能区
可以重命名和隐藏内置选项卡和内置组，改变其在功能区中的顺序。然而，不能重命名和隐藏内置控件，修改内置控件的图标，修改功能区内置组中内置控件的顺序。
4.6K30发布于 2020-08-17 - 来自专栏智能生信
用于分析有损耗和域偏移的医学图像数据集的自适应对抗神经网络
Adaptive adversarial neural networks for the analysis of lossy and domain-shifted datasets of medical images
52920编辑于 2022-12-29 - 来自专栏前端知识分享
第27天：js-表单获取焦点和数组声明遍历
45 46
- 47 上证指数364110 48
49- 50 上证指数364110 51
52- 53 上证指数364110 54
55- 56 上证指数364110 57
58- 59 上证指数364110
4.9K20发布于 2018-09-11 - 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10-5 递归计算Ackermenn函数
习题10-5 递归计算Ackermenn函数 本题要求实现Ackermenn函数的计算，其函数定义如下： ?
88110发布于 2020-09-15 - 来自专栏DeepHub IMBA
基于扩散模型的图像压缩：创建基于Stable Diffusion的有损压缩编解码器
Stable Diffusion是最近在图像生成领域大火的模型，在对他研究的时候我发现它可以作为非常强大的有损图像压缩编解码器。 这么看来这是一种非常有前途的有损图像压缩的选择，但是Stable Diffusion还会带来一些问题，我们在后面介绍。 在这个实验中，进行下采样或者应用现有的有损图像压缩方法都会大大降低重构图像的质量。但是我发现VAE的解码似乎对潜在的量化非常稳健。 它是将有损的压缩应用于对图像的内部理解，然后试图“修复”有损压缩对内部表示造成的损害(这与修复降级图像不同)。 总结 作为有损图像压缩方案，Stable Diffusion似乎非常有前途。
1.3K20编辑于 2022-11-11 - 来自专栏机器之心
学界 | 深度学习在单图像超分辨率上的应用：SRCNN、Perceptual loss、SRResNet
对于每个已实现的模型，我们会计算一个通常用于测量有损压缩编解码器重建质量的指标，称之为峰值信噪比（PSNR／Peak Signal to Noise Ratio）。 它对超参数的变化非常敏感，论文中展示的设置（前两层的学习率为 10-4，最后两层的学习率为 10-5，使用 SGD 优化器）导致 PyTorch 实现输出次优结果。 最后我们发现，使性能出现大幅提升的是设置是：每层的学习率为 10-5，使用 Adam 优化器。
3.7K60发布于 2018-05-10 - 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
实际生产环境每天定期装载应该共用一个调度，也即应该把清单（五）- 10-5里的脚本并入每天定期装载脚本中，并且针对使用cdc_time表做相应的修改。 -5 Kettle定期装载工厂维度表和产品事实表如图（五）- 10-5到图（五）- 10-22所示。 图（五）- 10-5 图（五）- 10-6 图（五）- 10-7 图（五）- 10-8 图（五）- 10-9 图（五）- 10-10 图（五）- 10-11 运行完清单（五）- 10-5里的脚本以后，需要把系统日期设置成任意晚于上一篇“杂项维度”设置的日期。这里设置系统日期为2015年3月18日。 先把系统日期设置为2015年3月19日，然后执行清单（五）- 10-5里的脚本或对应的Kettle定期装载作业。
71020编辑于 2022-12-02 - 来自专栏机器学习与自然语言处理
Stanford机器学习笔记-10. 降维(Dimensionality Reduction)
在10.1节我们默认以红色线所画平面(不妨称之为平面s1)为2维平面进行投影(降维)，投影结果为图10-5的(1)所示，这样似乎还不错。那为什么不用蓝色线所画平面（不妨称之为平面s2）进行投影呢? 可以想象，用s2投影的结果将如图10-5的(2)所示。 ? 图10-4 样本在3维正交空间的分布 ? 图10-5 样本投影在2维平面后的结果 由图10-4可以很明显的看出，对当前样本而言，s1平面比s2平面的最近重构性要好（样本离平面的距离更近）；由图10-5可以很明显的看出，对当前样本而言，s1平面比
1.1K80发布于 2018-03-13 - 来自专栏机器学习算法与Python学习
机器学习(8) -- 降维
在10.1节我们默认以红色线所画平面(不妨称之为平面s1)为2维平面进行投影(降维)，投影结果为图10-5的(1)所示，这样似乎还不错。那为什么不用蓝色线所画平面（不妨称之为平面s2）进行投影呢? 可以想象，用s2投影的结果将如图10-5的(2)所示。 ? 图10-4 样本在3维正交空间的分布 ? 图10-5 样本投影在2维平面后的结果 由图10-4可以很明显的看出，对当前样本而言，s1平面比s2平面的最近重构性要好（样本离平面的距离更近）；由图10-5可以很明显的看出，对当前样本而言，s1平面比
1.2K100发布于 2018-04-04
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