- 综合排序
- 最热优先
- 最新优先
- 来自专栏Python与算法之美
9，模型的评估
模块中的交叉验证相关方法可以评估模型的泛化能力，能够有效避免过度拟合。 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。
96631发布于 2020-07-17 - 来自专栏即时通讯技术
长连接网关技术专题(十二)：大模型时代多模型AI网关的架构设计与实现
本文要分享的是B站在大模型时代基于多模型AI的网关架构设计和实践总结，希望能带给你启发。* 相关阅读：《全民AI时代，大模型客户端和服务端的实时通信到底用什么协议？》 》《长连接网关技术专题(十)：百度基于Go的千万级统一长连接服务架构实践》《长连接网关技术专题(十一)：揭秘腾讯公网TGW网关系统的技术架构演进》《长连接网关技术专题(十二)：大模型时代多模型AI网关的架构设计与实现 》（* 本文）3、AI网关技术概览AI 网关是一个用于统一接入和调度大语言模型（LLM）服务的系统，支持多供应商、多模型、负载均衡调度的管理。 9、多租户隔离业务主要通过 域名 + API Key 进行访问大模型推理，可以通过域名进行管理对接的接口路由，进行配置转发到指定 Model Provider 服务。 13、本文小结AI 网关通过统一接入、鉴权、配额管理 和 模型调度支持，为大模型提供了高效、安全、定制的连接能力。
1K10编辑于 2025-05-22 - 来自专栏史上最简单的Spring Cloud教程
Openresty最佳案例 | 第9篇：Openresty实现的网关权限控制
简介 采用openresty 开发出的api网关有很多，比如比较流行的kong、orange等。这些API 网关通过提供插件的形式，提供了非常多的功能。
3.4K81发布于 2017-12-29 - 来自专栏又见苍岚
DE-9IM 空间关系模型
DE-9IM 是Dimensionally Extended 9-Intersection Model 的缩写，直接翻译为 维度扩展的 9 个相交模型，本文记录相关内容。 简介 DE-9IM 是Dimensionally Extended 9-Intersection Model 的缩写，DE-9IM 模型是用于描述两个 二维几何对象（点、线、面） 之间的空间关系的一种模型 维度扩展九交模型（DE-9IM）是一种拓扑模型和标准，用于描述两个区域（二维中的两个几何图形，R2）的空间关系，在几何学、点集拓扑、地理空间拓扑、以及与计算机空间分析相关的领域。 空间关系 模型主要要描述的就是二维平面下的两个几何对象之间的空间关系。 DE-9IM 模型 DE-9IM 模型把几何对象分为 内部、边界、外部 三个部分，两个几何对象这三个部分两两之间的关系，就可以组合为一个3X3大小（就是 9 个值）的矩阵，这9个值的组合，就表示两个几何对象的空间关系
90010编辑于 2024-07-04 大模型网关：大模型时代的智能交通枢纽｜得物技术
二、大模型网关：AI流量的智能调度中心大模型网关是为AI工作负载专门设计的网关解决方案。它作为连接业务与AI基础设施的统一端点，为应用程序和模型之间的AI流量提供全面的管控能力。 与传统API网关不同，大模型网关针对AI请求的特有模式进行了专门优化。 AI网关主要参与者及产品五、实施策略：构建企业大模型网关的六步法对比行业落地大模型网关的案例，针对得物实际业务情况，在内部落地大模型网关时，我们制定了六个方面的策略。 七、应用收益：从成本节约到效能提升得物部署大模型网关后，经过「模型网关升级」项目建设，取得如下效果：(1)网关平台从0~1搭建起来。 八、未来展望：从大模型网关向AI网关演进大模型网关的未来发展将向如下几个方向演进：首先，模型网关继续承担大模型成本管控主体责任，继续通过强化数据分析能力推进精细化降本，落地Qwen系列自建模型通过云商托管方式降本
48310编辑于 2026-02-03- 来自专栏生信技能树
RNAvelocity 9：scVelo应用—动力学模型
动力学模型 在这里，我们使用通用动力学模型来解释完整的转录动态。 这产生了一些额外的见解，如潜在时间和假定驱动基因的识别。 与以前的教程一样，应用胰腺内分泌发育数据集来展示。 我们运行动力学模型来学习剪切动力的完整转录动力学。 [9]: df = adata.var df = df[(df['fit_likelihood'] > .1) & df['velocity_genes'] == True] kwargs = dict 'degradation rate', xticks=[.1, .4, 1], **kwargs) scv.get_df(adata, 'fit*', dropna=True).head() [9] 潜在时间 动力学模型可恢复细胞过程的潜在时间。这个潜伏时间代表细胞的内部时钟，并接近细胞在分化时所经历的实时，分析仅基于其转录动力学。
62620发布于 2021-10-12 - 来自专栏深度学习和计算机视觉
加速 PyTorch 模型训练的 9 个技巧
[1_CER3v8cok2UOBNsmnBrzPQ](9 Tips For Training Lightning-Fast Neural Networks In Pytorch.assets/1_CER3v8cok2UOBNsmnBrzPQ.gif 将模型的不同部分放在不同的GPU上，batch按顺序移动 有时你的模型可能太大不能完全放到内存中。 9. 多节点GPU训练 每台机器上的每个GPU都有一个模型的副本。每台机器获得数据的一部分，并且只在那部分上训练。每台机器都能同步梯度。 在.backward()上，所有副本都接收到所有模型的梯度副本。这是模型之间唯一一次的通信。 英文原文：https://towardsdatascience.com/9-tips-for-training-lightning-fast-neural-networks-in-pytorch-8e63a502f565
1.2K20编辑于 2022-02-09 winform部署yolov9的onnx模型
C# WinForms 部署 YOLOv9 ONNX 模型简介 在当今的计算机视觉领域，目标检测是不可或缺的一项技术。 ONNX是一个开放的模型表示，使得不同深度学习框架之间可以相互转换和共享模型。这使得YOLOv9模型可以在C#环境中得到高效利用。 用户可以通过界面上传图像，应用程序则利用YOLOv9模型进行目标检测，并在图像上标注出目标物体的位置和类别。 通过C# WinForms部署YOLOv9的ONNX模型，我们可以为用户提供一个功能强大的目标检测工具。 性能逆天~，YOLOv9杀疯了！最新的实时目标检测模型！代码已开源！，一款小工具，让你直连谷歌翻译！
44910编辑于 2025-07-20- 来自专栏Ywrby
9-线程概念与多线程模型
因此内核级线程的切换必须在核心态下执行 注意 操作系统只能“看见”内核级线程，因此只有内核级线程才是处理机分配的单位 以下方的多对多模型为例，其由三个用户级线程映射到两个内核级线程上，在用户看来，进程中同时有三个线程并发执行 ，但在操作系统看来，只有两个内核级线程，所以哪怕是在4核处理机的计算机上运行，该进程也最多只能被分配到两个核心，最所只有两个用户进程并行执行 多线程模型 多对一模型 一对一模型 多对多模型
37510编辑于 2022-10-27 - 来自专栏单细胞天地
RNAvelocity 9：scVelo应用—动力学模型
动力学模型 在这里，我们使用通用动力学模型来解释完整的转录动态。 这产生了一些额外的见解，如潜在时间和假定驱动基因的识别。 与以前的教程一样，应用胰腺内分泌发育数据集来展示。 我们运行动力学模型来学习剪切动力的完整转录动力学。 [9]: df = adata.var df = df[(df['fit_likelihood'] > .1) & df['velocity_genes'] == True] kwargs = dict 'degradation rate', xticks=[.1, .4, 1], **kwargs) scv.get_df(adata, 'fit*', dropna=True).head() [9] 潜在时间 动力学模型可恢复细胞过程的潜在时间。这个潜伏时间代表细胞的内部时钟，并接近细胞在分化时所经历的实时，分析仅基于其转录动力学。
93910发布于 2021-10-09 - 来自专栏全栈程序员必看
Zuul网关集群_zuul网关
1，Zuul网关集群原理  2.4，网关配置暂时再放到项目中，不放在分布式中心配置上（一般都是放在分布式中心上） 2.5，启动 Eureka注册中心，网关服务（端口分别为 82,82的两台），会员服务，启动 nginx服务 2.6，测试网关集群,(当通过域名调用会员服务时，请求轮询依次到 81 | 82 端口的网关服务上) 发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/170631.html原文链接：https://javaforall.cn
3.2K20编辑于 2022-09-22 使用python部署yolov9的onnx模型
【框架地址】 https://github.com/WongKinYiu/yolov9 【yolov9简介】 在目标检测领域，YOLOv9 实现了一代更比一代强，利用新架构和方法让传统卷积在参数利用率方面胜过了深度卷积 自 2015 年 Joseph Redmon、Ali Farhadi 等人提出初代模型以来，领域内的研究者们已经对 YOLO 进行了多次更新迭代，模型性能越来越强大。 ，从而使得模型的预测结果能够最接近真实情况。 该架构证实了 PGI 可以在轻量级模型上取得优异的结果。 研究者在基于 MS COCO 数据集的目标检测任务上验证所提出的 GELAN 和 PGI。 对于 PGI 而言，它的适用性很强，可用于从轻型到大型的各种模型。我们可以用它来获取完整的信息，从而使从头开始训练的模型能够比使用大型数据集预训练的 SOTA 模型获得更好的结果。
27100编辑于 2025-07-20- 来自专栏全栈程序员必看
Kong网关初探_API网关
API网关功能，也要能够替代原先Nginx。 Kong网关只负责路由匹配、调用者认证、路由鉴权等网关责任，而服务注册发现的逻辑全部交由Kubernetes处理，使Kong网关完全脱离upstream的逻辑处理。 集成注册中心 Kong网关提供了API接口，可以通过这些开放的API接口来管理Kong内部的各个对象，例如上线/下线节点target，详见官方文档admin-api/add-target。 通过上述方案从而实现一个注册中心同时管理微服务之间的服务发现和网关到服务的服务发现。 例如对某服务的a、b两节点发版时具体逻辑如下： 请求Kong网关API摘除该服务的a节点 等待a节点无流量请求后发布重启a节点的新版本 最后再请求Kong网关API重新添加a节点 接着同样的逻辑操作b节点
4.8K10编辑于 2022-09-30 - 来自专栏全栈程序员必看
网关 gateway_gateway网关集群
GateWay网关管理 GateWay Cloud 全家桶中有个很重要的组件就是网关，在1.x版本中都是采用的Zuul网关；但在2.x版本中，zuul的升级一直跳票，SpringCloud最后自己研发了一个网关替代 2.Gateway是基于异步非阻塞模型上进行开发的，性能方面不需要担心。 虽然Netflix早就发布了最新的Zuul 2.x，但SpringCloud貌似没有整合计划。 总结： 1.请求到达网关，网关先进行断言判断，如果断言为真，进行路由匹配规则的目标路径的路由转发。 路由转发将转发到目标微服务地址，到达之前先经过一系列的过滤器。 案例：给8001商品的微服务进行网关配置 Spring Cloud Gateway 网关路由有两种配置方式： 在配置文件 yml 中配置 通过@Bean自定义 RouteLocator 这两种方式是等价的 弊端： 启动网关后将无法修改路由配置，如有新服务要上线，则需要先把网关下线，修改 yml 配置后，再重启网关，这两种方式都是不支持动态路由配置，即配置代码写死了，如何解决？。
1.9K30编辑于 2022-11-10 - 来自专栏数据科学与人工智能
数据挖掘模型的9条经验总结
“预测”已经成为数据挖掘模型可以做什么的可接受的描述，即我们常说的“预测模型”和“预测分析”。这是因为许多流行的数据挖掘模型经常使用“预测最可能的结果”（或者解释可能的结果如何有可能）。 这种方法是分类和回归模型的典型应用。 但是，其他类型的数据挖掘模型，比如聚类和关联模型也有“预测”的特征。这是一个含义比较模糊的术语。 体现预测模型价值的有两种方式：一种是用模型的预测结果来改善或影响行为，另一种是模型能够传递导致改变策略的见解（或新知识）。 如果不适合业务问题，高准确度并不能提高模型 的价值。 模型稳定性同样如此，虽然稳定性是预测模型的有趣的度量，稳定性不能代替模型提供业务理解的能力或解决业务问题，其它技术手段也是如此。 总之，预测模型的价值不是由技术指标决定的。数据挖掘者应该在模型不损害业务理解和适应业务问题的情况下关注预测准确度、模型稳定性以及其它的技术度量。 第九，变化律：所有的模式因业务变化而变化。
78360发布于 2018-02-26 - 来自专栏机器人课程与技术
mobot模型-ROS2Gazebo9附2
mobot.gazebo <?xml version="1.0"?> <robot> <gazebo> <plu
53831发布于 2020-02-19 - 来自专栏数据科学（冷冻工厂）
提高CV模型训练性能的9个技巧
长话短说： 训练模型尺寸：小 保存权重并在更大的图像尺寸上重新训练模型 再次保存权重并重新训练最终图像大小 这个过程将会获得更快的收敛和更好的性能。 6. 学习率 在模型训练期间更改 learning_rate： 慢的 lr 需要太长的时间，而快的 lr 可能无法帮助你的模型收敛，使用这个逻辑，我们应该使用动态学习率。 热身 从论文 Bag of Tricks[9]中，使用 LR 预热是亮点之一： 当你开始训练一个模型时，它具有更多的“随机性”，因为它刚刚开始学习特征，因此首先从较小的 learning_rate 开始允许它选择细节 9. 图像增强 NNs 受益于更多数据。图像中的微小变化确实可以帮助模型提高对图像内部特征的理解。使用正确的图像增强可以真正帮助您的模型。 how-to-modify-a-conv2d-to-depthwise-separable-convolution/15843/4 [8] 学习率: https://forums.fast.ai/t/fine-tune-vs-fit-one-cycle/66029 [9]
71920编辑于 2023-02-27 - 来自专栏java开发的那点事
Activiti7 网关(排他网关)
什么是排他网关? 排他网关(也叫异或(XOR)网关,或叫基于数据的排他网关),用于在流程中实现决策,当流程执行到这个网关,所有分支都会判断条件是否为true,如果为true则执行该分支 注意:排他网关只会选择一个为true (即使有两个分支条件都为true,排他网关也会只选择一条分支去执行) 为什么要用排他网关? 不用排他网关也能实现分支 image.png 在连线的condition条件上设置分支条件 缺点: 如果条件都不满足,不使用排他网关,流程就结束了(异常结束) 如果使用排他网关决定分支的走向 image.png 如果从网关出去的线所有条件都不满足则系统抛出异常 org.activiti.engine.ActivitiException: No outgoing sequence flow of the exclusive
3.3K11发布于 2020-12-01 - 来自专栏java开发的那点事
Activiti7 网关(并行网关)
什么是并行网关? 并行网关允许将流程分成多条分支,也可以将多条分支合并到一起,并行网关是基于进入和外出顺序流的 fork分支: 并行后的所有外出顺序流,为每个顺序流都创建一个并发分支 jion汇聚: 所有达到并行网关,在此等待的进入分支 ,直到所有进入顺序流的分支都到达后,流程就会通过汇聚网关 注意:如果同一个并行网关有多个进入和多个外出输入流,他就同时具有分支和汇聚功能,这时,网关会先汇聚所有进入的输入流,然后再切分成多个并行分支 与其他网关的主要区别 ,act_ru_execution还有一条记录表示该流程实例 待财务会计和行政考勤任务全部完成,在汇聚点汇聚,通过ParalleGateway并行网关 并行网关在业务应用中常用于会签任务,会签任务即多个参与者共同办理的任务 image.png image.png 一屏没截下截了两屏 这一节的知识点其实就是画图,执行的代码没有变,还是上一章的代码,就不贴了 并行网关在我看来就是完成会签这个行为的 作者：彼岸舞 时间：
3K11发布于 2020-12-01 - 来自专栏全栈程序员必看
kong网关架构_kong网关性能
Kong是一个成熟的API网关解决方案。 API 网关，即API Gateway，是大型分布式系统中，为了保护内部服务而设计的一道屏障，可以提供高性能、高可用的 API托管服务，从而帮助服务的开发者便捷地对外提供服务，而不用考虑安全控制、流量控制 、审计日志等问题，统一在网关层将安全认证，流量控制，审计日志，黑白名单等实现。 网关的下一层，是内部服务，内部服务只需开发和关注具体业务相关的实现。网关可以提供API发布、管理、维护等主要功能。开发者只需要简单的配置操作即可把自己开发的服务发布出去，同时置于网关的保护之下。 kong createdb -E UTF8 -O kong kong # 添加kong系统用户名 sudo adduser kong # 可选 为kong系统用户设置密码 sudo passwd kong 9、
2.4K20编辑于 2022-10-01
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