- 综合排序
- 最热优先
- 最新优先
- 来自专栏盛开在夏天的太阳
9.亿级流量电商系统JVM模型参数预估方案
如何根据并发量来合理配置JVM参数呢？ 假设，现在有一个场景，一个电商平台，比如京东，需要承担每天上亿的流量。现在开发了一个订单系统，那么这个订单系统每秒的并发量是多少呢？ 对于一台4核8G的服务器来说，通常我们不设置JVM参数，也可能会根据物理机的8G内存来设置JVM参数。如果根据JVM参数来设置参数如何设置呢？ 我们来看看运行时数据区： 根据计算 整个堆空间3G Eden区800M s1/s2各100M 方法区512M 一个线程1M 按照这个模型来分析，得到如下结果： 大促期间1s产生80M的对象数据。 在第10s触发MinorGC的时候，前9s的720M数据都已经变成垃圾了，会被回收掉，最后1s的80M数据由于还有对象引用，只是暂停了业务线程，因此不是垃圾，不能被回收。会被放入S1区。 我们需要优化JVM参数。 3. JVM优化 有问题有就解决问题。问题的根本原因是老年代发生了Full GC，为什么会发生Full GC呢？
74730发布于 2021-10-18 - 来自专栏全栈测试技术
JMeter笔记9 | JMeter参数化
1 测试对象我们使用禅道的创建用户接口，对创建用户的信息进行参数化；接口详情：图片图片2 分析从接口看，我们需要参数化的有参数有account和password；其他的几个请求参数可以相同，不用做处理。 3 JMeter参数化3.1 配置元件配置元件提供了参数化支持，如图：图片什么是参数化？ 其实通俗的讲，我们在准备测试数据时，对若要求每次迭代的数据不一样时，则需进行参数化，然后从参数化的文件中来读取测试数据；这里我们参数化使用CSV Data Set Config元件。 3.2.2 界面参数图片参数说明名称 任意设置具有业务代表意义即可注释任意设置，可为空文件名（Filename） 引用文件地址，选择即可文件编码（File encoding） 读取参数文件用到的编码格式 ，建议UTF-8变量名称（Variable Names）参数名称，逗号隔开，与文件中的参数对应分隔符（Delimiter）用来分割参数，默认逗号，支持tab和\t是否允许带引号（Allow quoted
1.1K70编辑于 2023-02-13 - 来自专栏全栈程序员必看
Django（9）url指定默认参数
books.urls')), ] 从以上代码我们可以看到当我们访问127.0.0.1/books/时会匹配这条路径path('', views.page)，路径会去执行视图函数page，由于我们没有在路径中传入参数那么默认值就是 当我们输入127.0.0.1/books/page/2/时，django会匹配path('page/<int:page>/', views.page)，然后还是去执行视图函数page，由于这次我们传入了参数
88720编辑于 2022-09-16 - 来自专栏Python与算法之美
9，模型的评估
二，分类模型的评估 模型分类效果全部信息： confusion_matrix 混淆矩阵,误差矩阵。 ? 模型整体分类效果： accuracy 正确率。通用分类评估指标。 模型对某种类别的分类效果： precision 精确率，也叫查准率。模型不把正样本标错的能力。“不冤枉一个好人”。 recall 召回率，也叫查全率。模型识别出全部正样本的能力。 三，回归模型的评估 回归模型最常用的评估指标有： r2_score(r方，拟合优度，可决系数) explained_variance_score(解释方差得分) ? ? 留出法 为了解决过拟合问题，常见的方法将数据分为训练集和测试集，用训练集去训练模型的参数，用测试集去测试训练后模型的表现。 有时对于一些具有超参数的模型(例如svm.SVC的参数C和kernel就属于超参数)，还需要从训练集中划出一部分数据去验证超参数的有效性。 ?
96631发布于 2020-07-17 - 来自专栏学习笔记持续记录中...
使用servlet原生API作为参数（9）
version>3.1.0</version> <scope>provided</scope> </dependency> /** * 可以使用Servlet 原生的API作为目标方法的参数
1.1K30发布于 2020-03-18 - 来自专栏燧机科技-视频AI智能分析
教师教学质量分析评价系统 A教育大模型
本文提出一种基于YOLOv12目标检测、RNN时序分析与情感计算的教师教学质量分析评价系统，通过“多模态感知-时序行为研判-情感-行为关联评价”机制，实现对课堂学生行为（玩手机、举手、睡觉等6类）、表情 人教室（检测距离3-8米），集成偏振滤镜（抑制黑板反光）、自动白平衡（适应不同光照）； 环境补偿模块：搭载光照传感器（量程0-100000lux）、声音传感器（检测课堂噪音＞70dB），动态调整相机曝光参数 # 通道剪枝（示例参数） prune_ratio = 0.28 for m in model.model.modules(): if isinstance(m, torch.nn.Conv2d ：每周收集教师反馈样本（如“举手但未发言”的特殊场景），通过增量训练更新LSTM参数（实验室数据显示迭代3次后误报率降至2.7%）； 低侵入部署：相机隐蔽安装于教室后方，不干扰教学，支持POE供电（功耗 教师教学质量分析评价系统基于YOLOv12+RNN的深度学习算法，教师教学质量分析评价系统精准地检测到学生是否在玩手机、举手、睡觉、交头接耳、趴桌子、行走运动等行为。
54910编辑于 2025-12-31 - 来自专栏从零开始学自动化测试
pytest文档9-参数化parametrize
前言 pytest.mark.parametrize装饰器可以实现测试用例参数化。 42] _____________________________ test_input = '6 * 9', expected = 42 @pytest.mark.parametrize( 和往常一样 函数的参数，你可以在运行结果看到在输入和输出值 2.它也可以标记单个测试实例在参数化，例如使用内置的mark.xfail # content of test_expectation.py import 1.若要获得多个参数化参数的所有组合，可以堆叠参数化装饰器 import pytest @pytest.mark.parametrize("x", [0, 1]) @pytest.mark.parametrize x＝0／y＝2，x＝1／y＝2，x＝0／y＝3，x＝1／y＝3组合参数。
1K20发布于 2018-08-17 - 来自专栏码匠的流水账
java9 gc log参数迁移
序 本文主要研究一下java9 gc log参数的迁移。 统一JVM及GC的Logging java9引进了一个统一的日志框架，把gc相关的log输出及配置也给纳入进来了。 1867] GC(4) Pause Cleanup 32M->32M(256M) 0.214ms [2976ms][1867] GC(4) Concurrent Cycle 25.422ms 旧版GC相关参数到 旧版运行时参数到Xlog的迁移 Legacy Runtime Flag Xlog Configuration Comment TraceExceptions -Xlog:exceptions=info 小结 java9把gc log的选型及输出也给统一到了Xlog中，可以按照官方给出的迁移表进行迁移。
2K10发布于 2018-09-17 大模型、小模型、参数量
## 几个概念总参数量 = 词嵌入层参数 + 解码器层参数小模型 就是在参数量上显著小于LLM的模型所有参数 都放在 safttensors 模型文件 中预训练 就是为了 生成合理的 参数值后训练 也是为了 生成合理的 参数值蒸馏、微调、强化学习，都是后训练大模型变成小模型采用"蒸馏+量化+剪枝"的组合策略 一、大模型 GPT-3 参数量详解大模型的参数量是指神经网络中所有可训练权重和偏置的总数，这些参数决定了模型的学习能力和表达能力 模型总参数量（参考）若词嵌入层与输出层共享权重（主流方案）：总参数量 = 词嵌入层参数 + 32层解码器参数=65,660,928+2,684,354,560=2,750,015,488≈27.5 亿= 三、大模型、小模型参数差距的本质大模型的参数量，本质上是用 dmodel2d_{model}^2dmodel2 的代价，换取高维语义空间的表达能力。 维度对比大模型 (LLM)小模型 (SLM)对参数量的影响隐藏层维度 (dmodeld_{model}dmodel)12288 (GPT-3/4)2048 (Phi-3) / 1024 (TinyLLaMA
55021编辑于 2026-01-04- 来自专栏啄木鸟软件测试
由人工智能参数讨论基于Bug的软件测试质量分析
上文和大家一起讨论了人工智能样本的评价参数：准确度、精准度、召回率和F1分数。这篇文章，我们结合这些参数来讨论基于Bug的软件测试质量分析。 软件测试质量分析是软件测试工作中非常重要的管理工作，其实在没有了解准确度、精准度、召回率这些概念之前，我们其实已经多多少少使用了这些概念。 测试机器人发现的缺陷数据人工测试发现的缺陷数据有效无效有效无效严重一般轻微合计严重一般轻微合计严重一般轻微合计严重一般轻微合计3076186 103232 20189103 4153 1502281865645096321781005671037702045368 得到混淆矩阵为表9：
99710发布于 2020-06-17 - 来自专栏新智元
1.6万亿参数，等于9个GPT-3 谷歌开源巨无霸语言模型Switch Transformer
---- 新智元报道 来源：外媒 编辑：yaxin 【新智元导读】「上个月，谷歌重磅推出的语言模型Switch Transformer代码已经开源，该模型可谓迄今最大语言模型，有1.6万亿参数 万亿级参数模型Switch Transformer开源了！ 距GPT-3问世不到一年的时间，谷歌大脑团队就重磅推出了超级语言模型Switch Transformer，有1.6万亿个参数。 ? 比之前由谷歌开发最大的语言模型T5-XXL足足快了4倍，比基本的T5模型快了7倍，简直秒杀GPT-3！ GPT-3使用了惊人的1750亿参数，堪称史上最大AI模型。 最近的研究工作主要集中于增加这些模型的大小（以参数数量衡量），其结果可能超过人类的表现。 来自OpenAI的团队发现，GPT-3模型的性能确实遵循幂律关系随参数数量扩展。 ? 结果得到一个稀疏激活（sparsely activated）模型——仅使用模型的权值子集，或仅转换模型中输入数据的参数。该参数数量惊人，但计算成本恒定。 ?
57730发布于 2021-03-10 drawImage传递9个参数与传递5个参数的区别
如果你传递了9个参数给`drawImage()`方法，那么它应该使用以下的形式：```javascriptdrawImage(image, sx, sy, sWidth, sHeight, dx, dy 所以，如果你传递了9个参数给`drawImage()`方法，那么你是在从源图像的特定区域裁剪图像，然后将裁剪后的图像绘制到画布的特定位置，并缩放到指定的宽度和高度。
91610编辑于 2024-10-19- 来自专栏全栈程序员必看
sklearn输出模型参数_rfm模型算法
总第105篇 最近会开始一个新的系列，sklearn库中各模型的参数解释，本篇主要讲述最基础的LR模型。 模型参数详解 逻辑回归： sklearn.linear_model.LogisticRegression(penalty='l2', dual=False, tol=0.0001, class_weight:class_weight是很重要的一个参数，是用来调节正负样本比例的，默认是值为None，也就是正负样本的权重是一样的，你可以以dict的形式给模型传入任意你认为合适的权重比， 比如，有一数据集的正负样本绝对数量比为4:6,如果你给参数class_weight赋予balanced值，那么最后模型结果中，正负样本的权重比就会变成6:4。 set_params(**params):为估计器设置参数 你还可以看： 逻辑斯蒂回归模型 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。
1K10编辑于 2022-11-04 - 来自专栏全栈程序员必看
Django（9）url指定默认参数「建议收藏」
books.urls')), ] 从以上代码我们可以看到当我们访问127.0.0.1/books/时会匹配这条路径path('', views.page)，路径会去执行视图函数page，由于我们没有在路径中传入参数那么默认值就是 当我们输入127.0.0.1/books/page/2/时，django会匹配path('page/<int:page>/', views.page)，然后还是去执行视图函数page，由于这次我们传入了参数
50110编辑于 2022-09-20 - 来自专栏学习笔记持续记录中...
Java基础：五、可变参数列表 （9）
由于所有的类都直接或间接继承于Object类，所以可以创建以Object数组为参数方法，以此获取可变参数列表 // JavaSE5之前 class A{} public class VarArgs{ Object之外类型的任何类型的参数，包括基本类型。 public static void main(String[] args){ f(new Integer(1),new Integer(2)); f(4,5,6,7,8,9) ; f(10,new Integer(11),12);// 可以在单一的参数列表中将类型混合在一起，而自动包装机制将有选择地将int参数提升为Integer } } 可变参数列表使得重载过程变得复杂了 可以给所有方法增加一个非可变参数，但是建议的是 只在重载方法的一个版本上使用可变参数列表，或者压根不用它 public class OverloadingVarargs{ static void
62420发布于 2020-03-17 - 来自专栏张俊红
Sklearn参数详解—LR模型
总第105篇 最近会开始一个新的系列，sklearn库中各模型的参数解释，本篇主要讲述最基础的LR模型。 模型参数详解 逻辑回归： sklearn.linear_model.LogisticRegression(penalty='l2', dual=False, tol=0.0001, class_weight:class_weight是很重要的一个参数，是用来调节正负样本比例的，默认是值为None，也就是正负样本的权重是一样的，你可以以dict的形式给模型传入任意你认为合适的权重比， 比如，有一数据集的正负样本绝对数量比为4:6,如果你给参数class_weight赋予balanced值，那么最后模型结果中，正负样本的权重比就会变成6:4。 模型对象 coef_:返回各特征的系数,绝对值大小可以理解成特征重要性 intercept_:返回模型的截距 n_iter_:模型迭代次数 模型方法 decision_function(X):返回决策函数值
7.8K60发布于 2018-06-11 - 来自专栏深度学习自然语言处理
GLoRA—高效微调模型参数！
这些高度复杂的模型，通常具有数百万甚至数十亿个参数，在计算机视觉、自然语言理解和语音识别等领域表现出了卓越的能力。 本文提出了广义LoRA(GLoRA)，一种通用参数高效微调任务的先进方法。 RepAdapter：RepAdapter将轻量级网络插入到预先训练的模型中，并且在训练后，额外的参数将被重新参数化为附近的投影权重。 它们之间的区别仅在于搜索空间中的LoRA维度，该维度在最大模型中为8和4，在中间模型中为4和2，在最小模型中为2。本文方法中增加的参数灵活性允许在最终模型中进行用户定义的可训练参数计数。 将最先进的参数有效迁移学习提高了2.9%，即使是最小的模型也大大优于所有现有方法。 总结 本文提出了GLoRA，这是一种广义参数高效的微调方法，它成功地证明了增强大规模预训练模型的微调和迁移学习能力的有效性。
85710编辑于 2023-08-22 - 来自专栏自动化、性能测试
Pytest系列（9） - 参数化@pytest.mark.parametrize
参数化场景 只有测试数据和期望结果不一样，但操作步骤是一样的测试用例可以用上参数化； 可以看看下面的栗子 未参数化的代码 def test_1(): assert 3 + 5 == 9 def test_2(): assert 2 + 4 == 6 def test_3(): assert 6 * 9 == 42 可以看到，三个用例都是加法然后断言某个值，重复写三个类似的用例有点冗余 利用参数化优化之后的代码 @pytest.mark.parametrize("test_input,expected", [("3+5", 8), ("2+4", 6), ("6*9", 42)]) ("6 * 9", 42, marks=pytest.mark.xfail), pytest.param("6*6", 42, marks=pytest.mark.skip) ]) def test_mark 参数化，增加可读性 # 增加可读性 data_1 = [ (1, 2, 3), (4, 5, 9) ] # ids ids = ["a:{} + b:{} = expect:{}".format
1.5K10发布于 2020-06-09 - 来自专栏自然语言处理
大模型生成解码参数速查
控制输出长度的参数 控制所使用的生成策略的参数 用于操作模型输出 logits 的参数 定义“generate”输出变量的参数 可以在生成时使用的特殊字符
24610编辑于 2024-01-09 - 来自专栏技术分享
ChatGPT模型请求参数学习
请求响应参数详情： 如果刚开始进行开发， 只用对必须携带的参数进行测试， 等项目熟练了之后再将所有的参数都进行测 查看可用的请求正文 ： curl https://api.openai.com/v1 与GPT-4 Turbo和所有GPT-3.5 Turbo模型兼容。 type 是一个可选的字符串参数，默认值为 text。 名称必须由a-z, A-Z, 0-9组成，或包含下划线和破折号，最大长度为64。 - parameters (object，可选)：函数接受的参数，以JSON Schema对象描述。 如果省略parameters，则定义了一个参数列表为空的函数。 tool_choice (string or object，可选)：控制模型调用的函数（如果有）。 通过创建问答模型的问答请求对象， 然后将上述的Message内容 和 需要的一些其他参数传递进去。
1K10编辑于 2024-05-31
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