- 综合排序
- 最热优先
- 最新优先
- 来自专栏初见Linux
10-3 信号
三、信号 kill 命令通常用来“ 杀死 ”（终止）进程，它可以用来终止运行不正常的程序 或 拒绝终止的程序。如下例： kill命令示例.png 我们首先在后台启动了 xlogo 程序。She
86630发布于 2020-08-11 - 来自专栏mysql
hhdb数据库介绍(10-3)
单机部署为管理平台为用户提供单个组件安装部署的功能，弥补集群部署功能中无法单独安装某个组件的缺陷。具体功能说明与操作步骤请参考安装部署文档。
1.1K10编辑于 2025-03-12 - 来自专栏AI机器学习与深度学习算法
机器学习入门 10-3 实现混淆矩阵，精确率和召回率
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节首先通过具体的编程实现混淆矩阵进而计算精准率和召回率两个指标，最后使用sklearn中封装的库函数实现混淆矩阵、精准率以及召回率。
2.2K30发布于 2020-04-08 - 来自专栏完美Excel
VBA专题10-3：使用VBA操控Excel界面之设置工作表（续）
要隐藏其他工作表中的行，只需使用该工作表代替ActiveSheet，例如使用Sheets(1)代表第1个工作表，或者使用Worksheets(1)代表第1个标准工作表。隐藏所有行后，行标题几乎被隐藏，但列标题仍然在工作表中。
2.9K20发布于 2020-07-16 - 来自专栏北京马哥教育
实战Google深度学习框架：TensorFlow计算加速
图10-1展示了深度学习模型的训练流程图。深度学习模型的训练是一个迭代的过程。 深度学习模型训练流程图 异步模式深度学习模型训练流程图 然而使用异步模式训练的深度学习模型有可能无法达到较优的训练结果。图10-3中给出了一个具体的样例来说明异步模式的问题。 假设在时间t1设备d0已经完成了反向传播的计算并更新了参数，修改后的参数处于图10-3中小灰球的位置。 然而这时的设备d1并不知道参数已经被更新了，所以在时间t2时，设备d1会继续将小球向左移动，使得小球的位置达到图10-3中小白球的地方。 从图10-3中可以看到，当参数被调整到小白球的位置时，将无法达到最优点。 异步模式训练深度学习模型存在的问题示意图 同步模式深度学习模型训练流程图 为了避免更新不同步的问题，可以使用同步模式。
1.5K70发布于 2018-05-02 - 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10-3 递归实现指数函数
习题10-3 递归实现指数函数 本题要求实现一个计算xn（n≥1）的函数。
1K10发布于 2020-09-15 - 来自专栏CSDN技术头条
实战Google深度学习框架：TensorFlow计算加速
图10-1展示了深度学习模型的训练流程图。深度学习模型的训练是一个迭代的过程。 图10-3中给出了一个具体的样例来说明异步模式的问题。其中黑色曲线展示了模型的损失函数，黑色小球表示了在t0时刻参数所对应的损失函数的大小。 假设在时间t1设备d0已经完成了反向传播的计算并更新了参数，修改后的参数处于图10-3中小灰球的位置。 然而这时的设备d1并不知道参数已经被更新了，所以在时间t2时，设备d1会继续将小球向左移动，使得小球的位置达到图10-3中小白球的地方。 从图10-3中可以看到，当参数被调整到小白球的位置时，将无法达到最优点。 ? 图10-3 异步模式训练深度学习模型存在的问题示意图 ?
1.6K80发布于 2018-02-12 - 来自专栏人工智能头条
实战Google深度学习框架：TensorFlow计算加速
图10-1展示了深度学习模型的训练流程图。深度学习模型的训练是一个迭代的过程。 图10-3中给出了一个具体的样例来说明异步模式的问题。其中黑色曲线展示了模型的损失函数，黑色小球表示了在t0时刻参数所对应的损失函数的大小。 假设在时间t1设备d0已经完成了反向传播的计算并更新了参数，修改后的参数处于图10-3中小灰球的位置。 然而这时的设备d1并不知道参数已经被更新了，所以在时间t2时，设备d1会继续将小球向左移动，使得小球的位置达到图10-3中小白球的地方。 从图10-3中可以看到，当参数被调整到小白球的位置时，将无法达到最优点。 ? 图10-3 异步模式训练深度学习模型存在的问题示意图 ?
1.2K50发布于 2018-06-06 - 来自专栏气象学家
Science Advances | 清华大学团队揭示气候变化下全球中低纬度海洋绿度和藻类暴发频率下降趋势
为突破上述瓶颈，研究团队开发了基于深度卷积神经网络集成架构的OCNET模型，融合BGC-Argo浮标实测数据，并结合海表温度、盐度、气压、混合层深度、光合有效辐射等关键环境因子作为输入，成功构建了2001 该数据集各项统计指标表现优异，表明OCNET模型在复杂环境下具备良好的独立预测能力。 图1 OCNET模型重构全球海洋叶绿素a浓度数据流程图 研究表明，全球中低纬度海洋的“绿度”整体呈现显著衰减，叶绿素a浓度以(-0.35±0.10)×10-3 mg·m-3·yr-1的速率下降。 沿海区域降幅更为显著，达每年(-0.73±0.22)×10-3 mg·m-3(图2)。其中，北半球的叶绿素a浓度显著衰退的区域面积约为增长区的4.4倍(图2A)。
16710编辑于 2026-03-25 - 来自专栏思影科技
深度学习在静息态功能磁共振成像中的应用
比较SML（标准机器学习）和三维DL模型 作者使用三种SML模型--弹性网(EN)、基于核方法的岭回归(KRR)和随机森林(RF)集成学习，以及一个合适的DL模型作为4DStL模型需要对比的方法。 对于KRR方法，超参数网格被扩展为核映射函数(线性核/多项式核等)，正则化参数的范围为([10-3,10-2,10-1,1])，核映射函数中的gamma参数(范围为[−4,2])。 对于EN回归方法，将调优参数alpha乘以惩罚项(在[10-1、10-2、10-3、10-4、10-5、10-6]范围内)和凸组合惩罚参数(在[0,1]范围内均匀采样的10个值)也视为超参数。 此外，对于3D CNN DL模型，作者使用的批量大小为16，初始学习率设置为10-2并通过在[10-1,10-2,10-3,10-4,10-5,10-6]范围内进行调优。 两层双向LSTM模型和graph-CNN均使用了Adam优化器，并对学习率在[5×10-2,10-2,5×10-3,10-3,10-4]范围内和对批量大小在(16,32,64,128)范围内进行了调整。
1.9K30编辑于 2022-06-13 - 来自专栏DeepHub IMBA
计算卷积神经网络参数总数和输出形状
S→stride, p→padding, n→input size, f→filter size 默认Stride =1，没有提到填充(所以，p=0) 输出形状= n-f+1 = 10-3 +1 =8 n = 10, f = 3 s = 1, p = 0 默认Stride =1，没有提到填充(所以，p=0) 输出形状= n-f+1 = 10-3 +1 =8 在使用卷积滤波器对输入图像应用卷积后，输出将是一个特征映射 n = 10, f = 3 s = 1, p = 0 默认Stride =1，没有提到填充(所以，p=0) 输出形状= n-f+1 = 10-3 +1 =8 在使用卷积核对输入图像应用卷积后，输出将是一个特征映射
1.4K30发布于 2021-08-20 - 来自专栏微服务生态
微服务反模式与陷阱翻译终结篇
服务消费者发送一个消息到第一个服务，然后发送另一个消息的第二个服务，如图10-3所示。在服务使用者执行提交之前，这些消息都保存在队列中。一旦服务使用者执行提交，两个消息就会被释放。 ? 图10-3 在图10-3中，服务消费者将消息发送到第一个队列中，然后服务消费者业务报错， 这时可以在消息事务中进行回滚，从消息系统的队列中删除掉刚才发的消息。
81020发布于 2018-08-22 - 来自专栏ATYUN订阅号
基于递归网络的语言模型
在这种基于语言的模型中，神经网络读取维基百科文章的一部分，并预测文本的下一个字节。 具体来说，我比较存储单元LSTM，GRU和MGU是否使用层归一化和三种初始化权重的方法。 所有的实验中，我使用的我用了一个2000个单位的单一循环层，批量大小为100，长度为200个字节的序列，以及Adam优化器学习率为10-3。 Text8任务的性能是以每字符位数（BPC）来衡量的，它描述除了我们的模型重建文本之外，需要多少存储空间。每字符位数越少，说明我们的模型学习的文本结构就越好。
1.5K50发布于 2018-03-02 - 来自专栏API百科
基于机器学习的纠错系统技术 - 智能文本纠错 API
工作原理今天介绍的智能文本纠错 API 是基于机器学习的纠错系统通过分析大量的文本数据来学习语言模型，从而识别和纠正文本中的错误。 基于机器学习的文本纠错系统通常分为两个主要部分：语言模型和纠错算法。 语言模型是根据大量文本数据训练得到的，可以预测一个词语在语言中的概率；纠错算法则根据语言模型的预测结果和词语的上下文信息来识别错误并纠正它们。 “9-1”: 地址归属地错误 “10-x”: 10-1: 中英类型错⽤ 10-2: 成对标点缺失或⽤反 10
1.7K30编辑于 2023-04-28 - 来自专栏Java技术栈
卧槽！Dozer 宣布停止维护，不要再用了。。
www.baeldung.com/java-performance-mapping-frameworks 实测结果： Framework Name p0.90 p0.999 p1.0 JMapper 10 -3 0.008 64 MapStruct 10-3 0.010 68 Orika 0.006 0.278 32 ModelMapper 0.083 2.398 97 Dozer 0.146 4.526
1.2K10编辑于 2022-03-03 - 来自专栏全栈程序员必看
hfe和HFE_hfe参数
Jior:lc和IB在下限比值为 IC0.9×10-39×10-4 IB30×10-63×105=30 而上限为 I(60×10-3 IB300×10-6200 I的变化与Ic的变化之比为 △Ic(60 -0.9)×10-3 △IB(300-30)×10-≈219 Doc:在电路中,用hEF=IC/IB表示集电极电流IC和基极 电流IB之比,并称hEF为直流电流放大系数。
47030编辑于 2022-09-20 - 来自专栏华章科技
终于有人把用户画像的流程、方法讲明白了
画像构建中用到的技术有数据统计、机器学习和自然语言处理技术（NLP）等，如图10-3所示。具体的画像构建方法会在本文后面的部分详细介绍。 ? ▲图10-3 用户画像的构建技术 2. 2）模型标签 模型标签是标签体系的核心，也是用户画像中工作量最大的部分，大多数用户标签的核心都是模型标签。 构建高级标签使用的模型，可以是简单的数据统计模型，也可以是复杂的机器学习模型。 03 构建用户画像 我们把标签分为三类，这三类标签有较大的差异，构建时所用技术的差别也很大。 这种模型把有标签用户的标签传给与他行为相似的用户，可以认为是对人群进行了标签扩散，因此常被称为标签扩散模型。 下面使用视频网站性别年龄画像的例子来说明标签扩散模型是如何构建的。 通过数据统计，有大约30%的用户在注册时填写了个人信息，将这30%的用户作为训练集，以构建全量用户的性别画像，所用数据如表10-3所示。 ▼表10-3 视频网站用户数据 ? 下面来构建特征。
6.9K44发布于 2021-07-12 - 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10-2 容错虚拟机正在启动 （3）在vSphere Web Client控制台中，在”摘要”选项卡中可以看到当前容错虚拟机，所在的主机为192.168.80.11，如图10-3所示。 图10-3 容错虚拟机所在主机 （4）在左侧选择另一个ESXi主机192.168.80.12，在”Virtual Machine”列表中可以看到正在运行的辅助虚拟机，如图10-4所示。
1.5K40编辑于 2021-12-23 - 来自专栏华章科技
干货请收好：终于有人把用户画像的流程、方法讲明白了
画像构建中用到的技术有数据统计、机器学习和自然语言处理技术（NLP）等，如图10-3所示。具体的画像构建方法会在本章后面的部分详细介绍。 ? ▲图10-3 用户画像的构建技术 2. 模型标签是标签体系的核心，也是用户画像工作量最大的部分，大多数用户标签的核心都是模型标签。 这种模型把用户的标签传给和他行为相似的用户，可以认为是对人群进行了标签扩散，因此常被称为标签扩散模型。 下面我们用视频网站性别年龄画像的例子来说明标签扩散模型是如何构建的。 通过数据统计，有大约30%的用户注册时填写了个人信息，我们将这30%的用户作为训练集，来构建全量用户的性别画像，我们的数据如表10-3所示。 UidGenderWatched videos525252MaleGame of throat532626 Runing men、最强大脑526267 琅琊榜、伪装者573373Female欢乐喜剧人 ▲表10
5.6K61发布于 2018-12-10 - 来自专栏全栈程序员必看
干货请收好：终于有人把用户画像的流程、方法讲明白了「建议收藏」
画像构建中用到的技术有数据统计、机器学习和自然语言处理技术（NLP）等，如图10-3所示。具体的画像构建方法会在本章后面的部分详细介绍。 ▲图10-3 用户画像的构建技术 2. 模型标签是标签体系的核心，也是用户画像工作量最大的部分，大多数用户标签的核心都是模型标签。 这种模型把用户的标签传给和他行为相似的用户，可以认为是对人群进行了标签扩散，因此常被称为标签扩散模型。 下面我们用视频网站性别年龄画像的例子来说明标签扩散模型是如何构建的。 通过数据统计，有大约30%的用户注册时填写了个人信息，我们将这30%的用户作为训练集，来构建全量用户的性别画像，我们的数据如表10-3所示。 videos 525252 Male Game of throat 532626 Runing men、最强大脑 526267 琅琊榜、伪装者 573373 Female 欢乐喜剧人 ▲表10
3.3K41编辑于 2022-09-05
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