- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
机器学习入门 8-5 学习曲线
本系列是《玩转机器学习教程》一个整理的视频笔记。上一小节介绍了模型复杂度曲线，通过这种直观的曲线，可以比较容易的看到模型欠拟合和过拟合的地方，进而选出最合适的模型复杂度。本小节介绍另外一个观察模型欠拟合和过拟合的曲线~"学习曲线"。
1.7K10发布于 2019-12-26 - 来自专栏mysql
hhdb数据库介绍(8-5)
分别在192.168.220.190、192.168.200.191安装计算节点服务，安装过程参照上一章节“计算节点”说明。
24810编辑于 2024-11-28 - 来自专栏信数据得永生
django 1.8 官方文档翻译：8-5 加密签名
web应用安全的黄金法则是，永远不要相信来自不可信来源的数据。有时通过不可信的媒介来传递数据会非常方便。密码签名后的值可以通过不受信任的途径传递，这样是安全的，因为任何篡改都会检测的到。
89820编辑于 2022-11-27 - 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
85120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。”
56530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
71630发布于 2020-05-20 - 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
52720编辑于 2022-12-29 - 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8-5 使用函数实现字符串部分复制
习题8-5 使用函数实现字符串部分复制 本题要求编写函数，将输入字符串t中从第m个字符开始的全部字符复制到字符串s中。
2.4K20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 - 来自专栏叶子的开发者社区
CSP 202112-1 序列查询
答题 这道题不难，但如果直接去实现查询f（x）的话，算法效率会非常低 我们直接观察样例，15=（5-2）*1+（8-5）*2+（10-8）*3 所以我们可以写出下面程序 #include<iostream
31350编辑于 2023-09-10 - 来自专栏全栈程序员必看
vb教程编程实例详解pdf_vb程序设计教程第五版答案
实验8-5 编写一个能将任意两个文件的内容合并的程序，程序界面由读者由自由设计。
66120编辑于 2022-11-08 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】分割图像——Grabcut图像分割
mode：分割模式标志，该参数值可选择范围以及含义在表8-5给出。
1.4K40发布于 2020-03-03 - 来自专栏自然语言处理
生物医学文本挖掘BioNLP1、简介2、国内相关资讯3、论文/文章4、BioNLP-ST 20165、论文阅读6、相关实战（待更）
_CSDN博客 BioNLP概述 4、BioNLP-ST 2016 日期 描述 1月 训练数据集公布 3月25 测试集公布 4月1 结果提交 4月8 评测结果通知 5月8-5月15 论文提交 BioNLP-ST 【日程安排】 日期 描述 1月 训练数据集公布 3月25 测试集公布 4月1 结果提交 4月8 评测结果通知 5月8-5月15 论文提交 【任务描述】 下面是关于三个事件提取任务的数据集，任务和数据集详细介绍可在对应页面看到
1.3K50发布于 2018-04-11 - 来自专栏智能大数据分析
关联规则挖掘（三）
因此必要寻找其它更高效的算法来发现序列模式，而下面介绍的定理8-5(序列模式的性质)，就可以在序列模式的搜索空间中剪裁掉那些明显的非频繁序列，从而提高序列模式挖掘的效率。 定理 8-5 (序列模式性质)：如果 S' 是频繁序列，则其任何非空子序列 S 也是频繁序列。 类 Apriori（Apriori Based）算法是一种基于 Apriori 原理的序列模式挖掘算法，利用序列模式的性质（定理8-5）来对候选序列模式集进行剪枝，从而减少了算法的计算工作量。 然后循环由频繁k-序列集 FS_k ，生成候选频繁 (k+1)-序列集 CS_{k+1} ，再利用定理8-5对 CS_{k+1} 进行剪枝，并从 CS_{k+1} 中删除支持度低于最小支持度 }>, <\{1\},\{2\},\{4\},\{3\}>, <\{1\},\{3\},\{4\},\{5\}>, <\{1\},\{3\},\{5\},\{4\}>\} 根据频繁序列的性质（定理8-
44900编辑于 2025-01-22
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