- 综合排序
- 最热优先
- 最新优先
- 来自专栏怡文菌
Linux – 文件/目录、权限相关
查看权限 命令 ls -l filename 结果 -rw-r--r-- l root root 27 11-10 14:50 filename 解析 -rw-r--r-- #共10位 第1位： 其他人（other）权限 权限说明 r:读（read） w:写（write） x:执行（execute） -:无（没有权限） root root #所有者、所有者组群 27 #文件/目录大小 11
6.6K20编辑于 2022-12-15 - 来自专栏网络
Aerospike在实时竞价广告中的应用
用户画像是根据用户的社会属性，生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。构建用户画像的核心工作既是给用户打上合适的标签，而标签是通过对用户信息分析得来的高度精炼的特征标识。 类似于图11-10实时决策流程。 图11-10 实时决策流程图 分别通过HDFS和HBASE对日志进行离线和实时的分析，然后把用户画像的标签结果存入高性能的Nosql数据库Aerospike中，同时把数据备份到异地数据中心。
2.3K80发布于 2018-01-22 - 来自专栏Android干货
long数值 转换为时间
new SimpleDateFormat("MM-dd HH:mm"); 3、获得设定时间格式的时间 createTime.format(new Date(time)) ，是一个字符串形式的时间 ：11
2.5K90发布于 2018-05-18 - 来自专栏李蔚蓬的专栏
java.lang.NullPointerException: Attempt to invoke virtual method 'int android.content.Intent.getI...
11-10 18:23:24.231 17152-17152/?
6.2K21发布于 2018-12-11 - 来自专栏软件开发
C语言 第六章 多重循环
printf("\n"); } } /* 1 1 4 0 9 11-2*i 2 3 3 1 7 11-4 3 5 2 2 5 11-6 4 7 1 3 3 11-8 5 9 0 4 1 11
1.3K50发布于 2018-01-03 - 来自专栏全栈程序员必看
–AR模型,MA模型,ARMA模型介绍
AR模型的定义 ————— AR模型平稳性判别 AR模型是常用的平稳序列的拟合模型之一，但并非所有的AR模型都是平稳的 。 第一个平稳的AR模型 这个AR模型的递推式子是x[t]=0.8*x[t-1]+e，其实e是一个误差项。 AR模型的一些性质 若AR模型满足平稳性条件，则他的均值为0，我们可以从上面的图中看出 AR模型的自相关系数是呈复指数衰减– 有拖尾性 AR模型的偏自相关系数有截尾性 注意第二,第三条很重要，后面可以用来做模型的识别 我在强调一遍 AR模型的自相关系数是呈复指数衰减– 有拖尾性 * AR模型的偏自相关系数有截尾性* MA模型 MA模型的定义 MA模型的可逆性 这个性质在推到MA模型的相关系数和自相关系数的时候比较有用 看一下可逆的定义 接下来看一下MA模型怎么转换成AR模型 最后我们看一下什么样的MA模型可以转化为AR模型 可逆MA模型的应用 对于一些MA模型，虽然其生成的式子不一样，但是其自相关图是一样的
2.7K20编辑于 2022-09-20 - 来自专栏学习
【软件测试】敏捷模型（Scrum模型）和V模型、W模型
敏捷模型 前面的那些模型以前非常流行，但现在开发人员在使用的时候会遇到各种问题。主要困难包括在项目开发期间处理来自客户的变更请求，以及合并这些变更所需要的高成本和时间。 在实际工作中，一款产品的功能是不断在变化的 所以为了克服这些缺点，就提出了敏捷软件开发模型。在敏捷模型中，需求被分解成许多可以增量开发的小部分。敏捷模型采用迭代开发。每个增量部分都是在迭代中开发的。 敏捷模型主要旨在帮助项目快速适应变更请求。 V 模型 V 模型中，明确的标注了测试过程中存在的不同类型的测试 右边的测试，都需要参考左边对应高度的要求 缺点： 仅仅把测试作为在编码之后的一个阶段，未在需求阶段就介入测试。 缺点和瀑布模型一样 W 模型（双 V 模型） V 模型中未将测试前置的问题在 W 模型中得以解决 开发 V 模型并不是单单指编码阶段，而是为产品开发流程而实施的各个阶段 测试的对象不仅是程序，需求、
3.1K10编辑于 2024-11-15 - 来自专栏数据分析与挖掘
pycaret之训练模型（创建模型、比较模型、微调模型）
1、比较模型 这是我们建议在任何受监管实验的工作流程中的第一步。此功能使用默认的超参数训练模型库中的所有模型，并使用交叉验证评估性能指标。它返回经过训练的模型对象。 2、创建模型 在任何模块中创建模型就像编写create_model一样简单。它仅采用一个参数，即型号ID作为字符串。 尽管有一个单独的函数可以对训练后的模型进行集成，但是在通过create_model函数中的ensemble参数和方法参数创建时，有一种快速的方法可以对模型进行集成。 3、微调模型 在任何模块中调整机器学习模型的超参数就像编写tune_model一样简单。它使用带有完全可定制的预定义网格的随机网格搜索来调整作为估计量传递的模型的超参数。 对于有监督的学习，此函数将返回一个表，该表包含k倍的通用评估指标的交叉验证分数以及训练有素的模型对象。对于无监督学习，此函数仅返回经过训练的模型对象。
2.8K10发布于 2020-10-27 - 来自专栏HUC思梦的java专栏
瀑布模型&螺旋模型
软件开发模型： 1.瀑布模型 1）软件概念阶段 用户需求 2）需求分析 软件需求 3）架构设计 架构文档 4）详细设计 模型设计 5）编码阶段 代码文档 6）测试阶段 瀑布模型的特点是在每个阶段的工作都清晰详尽 瀑布模型还有一个缺点是项目编码处在后半程，因此客户需要等待很长时间才能体验到产品，故此需要在早期就为用户提供一个体验的样本，这个样本就是产品原型。 瀑布模型非常适合使用在需求清晰且不易改变的情况。 除此之外，遇到一个需求非常清晰的客户是使用瀑布模型的一个重要前提。 2.螺旋模型 ? 螺旋模型兼顾了快速成型的迭代特征以及瀑布模型的系统化与严格监控。 螺旋模型最大的特点在于引入了其他模型不具备的风险分析，使软件在无法排除重大风险时有机会停止，以减小损失。 螺旋模型的特点是每阶段只完成特定部分的功能，循环渐进式的开发。 螺旋模型非常适合使用在客户需求经常发生变化或者客户需求不明确的情况。
1.7K20发布于 2020-09-03 - 来自专栏全栈程序员必看
GloVe模型_nerlove模型
文章目录 系列目录（系列更新中） 1.概述 2.统计共现矩阵 3.使用GloVe模型训练词向量 3.1.模型公式 3.2.模型怎么来的 3.3.Glove和skip-gram、CBOW模型对比 4. Sampling） 第三讲 cs224n系列之skip-pram优化 & Global Vector by Manning & 词向量评价 理解GloVe模型（+总结） 1.概述 模型目标 3.使用GloVe模型训练词向量 3.1.模型公式 先看模型，代价函数长这个样子： J = ∑ i , j N f ( X i , j ) ( v i T v j + b i + b j − l o 可以看到，GloVe模型没有使用神经网络的方法。 3.2.模型怎么来的 那么作者为什么这么构造模型呢？ 融入全局的先验统计信息，可以加快模型的训练速度，又可以控制词的相对权重。
76210编辑于 2022-09-29 - 来自专栏Backup@zzk
生成模型&判别模型
#生成模型 #判别模型机器学习中的判别式模型和生成式模型目录：基本概念用例子说明概念判别式模型和生成式模型的区别二者所包含的算法在机器学习中，对于有监督学习可以将其分为两类模型：判别式模型和生成式模型。 1.2 生成式模型这么做一般会对每一个类建立一个模型，有多少个类别，就建立多少个模型。 生成式模型： 是根据山羊的特征首先学习出一个山羊的模型，然后根据绵羊的特征学习出一个绵羊的模型，然后从这只羊中提取特征，放到山羊模型中看概率是多少，再放到绵羊模型中看概率是多少，哪个大就是哪个。 但是，生成式模型的概率分布可以有其他应用，就是说生成式模型更一般更普适。不过判别式模型更直接，更简单。两种方法目前交叉较多。由生成式模型可以得到判别式模型，但由判别式模型得不到生成式模型。3. 判别式模型和生成式模型的区别3.1 判别式模型和生成式模型的对比图图片上图左边为判别式模型而右边为生成式模型，可以很清晰地看到差别，判别式模型是在寻找一个决策边界，通过该边界来将样本划分到对应类别。
1.1K00编辑于 2023-08-17 - 来自专栏数据万花筒
模型分类之生成模型与鉴别模型
一、生成模型与判别模型概述 生成模型是通过联合概率分布来求条件概率分布，而判别模型是通过数据直接求出条件概率分布，换句话说也就是，生成模型学习了所有数据的特点，判别模型则只是找出分界。 ? 二、生成模型与鉴别模型详细介绍 ? ? 三、生成模型与判别模型的优缺点 概率图分为有向图（bayesian network）与无向图（markov random filed）。 在概率图上可以建立生成模型或判别模型。有向图多为生成模型，无向图多为判别模型。 生成模型（Generative Model），又叫产生式模型。 所以生成模型和判别模型的主要区别在于：添加了先验概率 即：生成模型：p(class, context)=p(class|context)*p(context) 判别模型：p(class|context) ； （5）判别模型的性能比生成模型要简单，比较容易学习。
2.2K20发布于 2020-12-30 - 来自专栏全栈程序员必看
Jmm模型_fgls模型
一、什么是JMM模型 Java内存模型(即Java Memory Model，简称JMM)本身是一种抽象的概念，是一种规范，并不真实存在，它描述的是一组规则或规范，通过这组规范定义了程序中各个变量（包括实例字段 由于JVM运行程序的实体是线程，而每个线程创建时JVM都会为其创建一个工作内存(有些地方称为栈空间)，用于存储线程私有的数据，而Java内存模型中规定所有变量都存储在主内存，主内存是共享内存区域，所有线程都可以访问 模型如下图： 如果线程想要通信的话要执行一下步骤： A线程先把本地内存的值写入主内存 B线程从主内存中去读取出A线程写的值 二、JMM模型的作用 由于Java是跨平台语言，在不同操作系统中内存都有一定的差异性 上面所说的步骤其实就是实现了线程之间的通信，但是不要以为线程之间的通信就是这么简单的，其实在Java中JMM内存模型定义了八种操作来实现同步的细节。 同时在Java内存模型中明确规定了要执行这些操作需要满足以下规则： 不允许read和load、store和write的操作单独出现。
56840编辑于 2022-10-04 - 来自专栏全栈程序员必看
JMM模型_kmv模型
1.JMM介绍: java memory model,java内存模型 2.JMM内存模型的组成: 主内存(共享内存): * heap堆: 存放所有对象的实例;堆不存放对象引用和基本数据类型,只存放对象实例本身 : 每个线程都有一个程序计数器,代表当前线程的字节码行号指示器,比如cpu切换时需要用程序计数器来完成 * Java Virtual Machine Stacks(虚拟机栈): java方法执行的内存模型 )都会从主内存(方法区,堆)中保存一份它所需要用到的变量的副本,当它对变量操作完毕后,就会将修改后的数据更新到主内存中(存在并发问题) * 消息传递: wait()/notify() 4.Java内存模型与硬件内存架构的关系
42310编辑于 2022-10-04 光照模型：Phone模型
Phong模型1) 向量定义（对应图中几何关系）P：表面上一点（当前像素/片元的位置）N：该点的单位法线（图中虚线方向），N = normalize(N)L：光照方向（从点 P 指向光源 LightPos 2) Phong 三项：环境光 + 漫反射 + 镜面反射Phong 模型把最终颜色/亮度写成： I = I_ambient + I_diffuse + I_specular(1) 环境光 Ambient color = (ambient + diffuse + specular) * uObjectColor; FragColor = vec4(color, 1.0);}Blinn-Phong模型在 phong模型的基础上，改变高光的计算，不使用反射向量，取而代之的是半程向量H：H = normalize(L + V)几何意义：H 是 L 和 V 的角平分方向。 镜面反射（替换为 Half Vector）：undefined I_specular = Ks * Il * (max(dot(N, H), 0) ^ shininess)其他项计算和phong模型的计算一致
15000编辑于 2026-02-10光照模型：Gouraud模型
它不是一个新的光照模型（不改变 Phong/Blinn-Phong 的公式），这两种光照模型的不同就是在不同的阶段计算光照。 （高光消失）、高光漂移、大片三角形上光照显得不真实主要是性能成本；若法线质量差会暴露法线问题但不属于插值缺陷 适用场景 移动端/低端硬件、物体很多、以漫反射为主、网格较密的模型 高质量渲染、强高光材质（金属/塑料/车漆等）、网格较粗也要细节的情况 与光照模型关系 可搭配 Lambert/Phong/Blinn-Phong；只是“在哪算”
15500编辑于 2026-02-10- 来自专栏陶陶计算机
PyTorch 实战（模型训练、模型加载、模型测试）
本次将一个使用Pytorch的一个实战项目，记录流程：自定义数据集->数据加载->搭建神经网络->迁移学习->保存模型->加载模型->测试模型 自定义数据集 参考我的上一篇博客：自定义数据集处理 数据加载 此时拟合目标就变为F(x)，F(x)就是残差： [在这里插入图片描述] * 训练模型 def evalute(model, loader): model.eval() correct pytorch保存模型的方式有两种： 第一种：将整个网络都都保存下来 第二种：仅保存和加载模型参数（推荐使用这样的方法） # 保存和加载整个模型 torch.save(model_object , 'model.pkl') model = torch.load('model.pkl') # 仅保存和加载模型参数(推荐使用) torch.save(model_object.state_dict( model.pkl则是第一种方法保存的 [在这里插入图片描述] 测试模型 这里是训练时的情况 [在这里插入图片描述] 看这个数据准确率还是不错的，但是还是需要实际的测试这个模型，看它到底学到东西了没有
3.4K20编辑于 2022-05-12 - 来自专栏数据分析与挖掘
pycaret之集成模型（集成模型、混合模型、堆叠模型）
1、集成模型 组装训练好的模型就像编写ensemble_model一样简单。它仅采用一个强制性参数，即经过训练的模型对象。 此函数可用于混合可以使用blend_models中的estimator_list参数传递的特定训练模型，或者如果未传递列表，它将使用模型库中的所有模型。 3、堆叠模型 堆叠模型是使用元学习的整合方法。堆叠背后的想法是建立一个元模型，该模型使用多个基本估计量的预测来生成最终预测。在PyCaret中堆叠模型就像编写stack_models一样简单。 此函数使用estimator_list参数获取训练模型的列表。所有这些模型构成了堆栈的基础层，它们的预测用作元模型的输入，可以使用meta_model参数传递该元模型。 restack参数控制将原始数据公开给元模型的能力。默认情况下，它设置为True。当更改为False时，元模型将仅使用基本模型的预测来生成最终预测。
3.6K10发布于 2020-10-27 - 来自专栏计算机视觉
人工智能基础——模型部分：模型介绍、模型训练和模型微调 ！！
前言 本文将从什么是模型？什么是模型训练？什么是模型微调？三个问题，来展开介绍人工智能基础的模型部分。 模型族谱 一、什么是模型 模型是一个函数：将现实问题转化为数学问题（Encoder编码器），通过求解数学问题来得到现实世界的解决方案（Decoder解码器）。 激活函数 二、什么是模型训练 模型训练：模型训练的本质是一个求解最优化问题的过程。 模型构建： 选择或设计模型架构，这可以是简单的线性模型、决策树，或是复杂的神经网络。 初始化模型参数，这些参数将在训练过程中被优化。 微调的定义 大模型微调是利用特定领域的数据集对已预训练的大模型进一步训练的过程。它旨在优化模型在特定任务上的性能，使模型能够更好地适应和完成特定领域的任务。 2.
15.6K23编辑于 2024-03-19 - 来自专栏全栈程序员必看
blender模型(sklearn模型融合)
不同的模型有各自的长处，具有差异性，而模型融合可以使得发挥出各个模型的优势，让这些相对较弱的模型（学习器）通过某种策略结合起来，达到比较强的模型（学习器）。 基本的融合方式有： Blending Stacking 选择融合模型的模型有两点要求： 准确性 要求该模型的性能不能太差 差异性 选择模型一般是多个，要求这多个模型之间有差异，有差异才能通过融合模型发挥他们的优势 ： 一般第二层采用LR模型，也叫做meta-model 元模型。 因为我们有3个基模型，所以输入的大小是n3，n表示样本大小，3表示基模型数量，一个样本被一个基模型预测一次，并且有一个预测值，这样输入就是n3。 输出就是样本的标签值。 基本的模型融合组合及适用场景、优缺点等 我们在模型融合的时候，肯定会比较各个模型的使用场景等特点，所以需要知道各个模型的特性、优点、缺点等，但似乎现在网上并没有这方面的资料，这个地方不太好写，也似乎没有一个业内比较常用的模型组合
1.1K30编辑于 2022-08-01
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