- 综合排序
- 最热优先
- 最新优先
- 来自专栏mysql
hhdb数据库介绍(9-5)
计算节点支持mysqlbinlog命令，mysqlbinlog命令能够解析binlog文件用于同步增量数据，从而减少了将单机数据迁移至计算节点时的停机时间。使用mysqlbinlog连接远程实例获取binlog文件并解析出其中的SQL语句，然后交由计算节点执行，从而将某个数据库的增量数据导入到计算节点某个逻辑库下。首先，登入到管理端口（默认端口为3325），执行dbremapping命令添加数据库映射关系，关于dbremapping命令用法，请参考计算节点管理命令文档。
35310编辑于 2025-03-26 - 来自专栏AI机器学习与深度学习算法
机器学习入门 9-5 决策边界
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节介绍对于分类问题非常重要的决策边界，先对逻辑回归求出决策边界的函数表达式并绘制，但是对于像kNN这种不能求出决策边界表达式的可以通过预测样本特征平面中区间范围内的所有样本点来绘制决策边界。最后通过调整kNN算法的k值，了解模型的复杂与简单对应的决策边界不同。
3.1K20发布于 2020-02-26 - 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。
56320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。”
56430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IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题9-5 通讯录排序
习题9-5 通讯录排序 输入n个朋友的信息，包括姓名、生日、电话号码，本题要求编写程序，按照年龄从大到小的顺序依次输出通讯录。题目保证所有人的生日均不相同。
1.3K30发布于 2020-09-15 - 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Coding迪斯尼
用go做个编译器:语法解析树及其实现
对于算术表达式9-5+2, 由于我们会首先使用list -> list + digit 来进行解析，因此 9-5对应一个list，2对应digit, 因此最终解析完成后，所形成的解析树如下： 使用生产式来定义语法是一件困难的事情 list+list进行解析，一种是使用list->list-list进行解析，如果是后者，那么我们会生成的语法树如下： 这里我们看到两个语法表达式都对应表达式”9-5+2”，但是第一个语法树执行的操作是(9- 对于算术表达式1+2，对应的算术表达式就是1 2 +, 对于表达式(3+4)，对应的后项表达式就是3 4 + , 我们看一个复杂一点的，(9-5)+2 ,首先我们计算(9-5)的后项表达式，也就是9 5
1.9K50编辑于 2022-03-28 - 来自专栏全栈程序员必看
体验vSphere 6之7-为虚拟机启用容错
图9-4 为辅助虚拟机选择主机 （5）在”即将完成”对话框，显示辅助虚拟机详细信息，这包括辅助虚拟机所在主机、配置文件位置、硬盘位置等，如图9-5所示。 图9-5 完成 （6）返回到vSphere Web Client管理控制台，在”近期任务”中会显示为虚拟机打开容错的配置信息，如图9-6所示。
1.5K40编辑于 2021-12-23 - 来自专栏机器学习与自然语言处理
Stanford机器学习笔记-9. 聚类(Clustering)
如图9-5的(1)所示。 但是，通常这条曲线是渐变的，没有很显然的"肘部"。如图9-5的(2)所示。 ? 图9-5 代价J关于簇数K的曲线图 注意：随着K的增加J应该总是减少的，否则，一种出错情况可能是K均值陷入了一个糟糕的局部最优。 一些其他的方法参见wikipedia。
1.6K110发布于 2018-03-13 - 来自专栏数据结构与算法
BZOJ1096: [ZJOI2007]仓库建设(dp+斜率优化)
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。
1.2K50发布于 2018-04-13 - 来自专栏机器学习算法与Python学习
机器学习(7) -- k-means 聚类
如图9-5的(1)所示。 但是，通常这条曲线是渐变的，没有很显然的"肘部"。如图9-5的(2)所示。 ? 图9-5 代价J关于簇数K的曲线图 注意：随着K的增加J应该总是减少的，否则，一种出错情况可能是K均值陷入了一个糟糕的局部最优。 一些其他的方法参见wikipedia。
1.5K50发布于 2018-04-04 - 来自专栏三掌柜的技术空间
吃透大模型系统：提示工程、符号推理、智能体实战全解
它把“上下文工程”讲得非常透彻，而且不是停留在概念层面，作者直接用图 9-5 把一条最常走、最高频的工程动线画出来了： 每一轮推理开始前，系统先把“可用的决策上下文”拼装好，将所需的模板、资源、工具、状态一次性拉齐 ▲上下文工程的 MCP 最佳实现（原书图 9-5） 如果跳过这一步，智能体甚至不知道自己能干什么、该用什么、现在处在什么状态，更谈不上稳定规划和可靠执行。 结合图 9-5，这条动线其实就是一套非常清晰的四步闭环： 1.选择适配当前任务的上下文模板（逻辑分区） 先把上下文结构定型：身份/目标/约束/输出格式如何分区，历史记录与状态存放在哪一块分区，工具与资源放在哪一块分区
35111编辑于 2026-03-03
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