- 综合排序
- 最热优先
- 最新优先
- 来自专栏cwl_Java
C++编程之美-结构之法(代码清单3-10)
代码清单3-10 class Queue { public: Type MaxValue(Type x, Type y) { if(x > y)
25440编辑于 2022-11-30 - 来自专栏devops_k8s
Go Protobuf(比xml小3-10倍, 快20-100倍)
protocol buffers 是一种灵活，高效，自动化机制的结构数据序列化方法－可类比 XML，但是比 XML 更小、更快、更为简单。你可以定义数据的结构，然后使用特殊生成的源代码轻松的在各种数据流中使用各种语言进行编写和读取结构数据。你甚至可以更新数据结构，而不破坏根据旧数据结构编译而成并且已部署的程序。
2.5K50发布于 2021-04-13 - 来自专栏AI机器学习与深度学习算法
机器学习入门 3-10 Numpy中的比较和Fancy Indexing
如果我们想索引向量中 "第4,6,9 个元素"，上面的索引和切片操作显然不能满足我们的需求。比较直观的想法是直接将三个位置的元素索引出来，然后再存储到一个新的向量中。
96020编辑于 2022-11-08 腾讯云AI大模型全信创解决方案：驱动证券期货业数智升级
第二章 部署AI大模型全信创解决方案 腾讯云提供证券期货业AI大模型全信创解决方案，以“智能体层-大模型服务层-大模型平台层-大数据平台层-云智算中心层”五层架构为核心，覆盖全链路工具自主可控（来源：证券期货业 AI大模型全信创解决方案图示）。 NL2SQL交互，减少应用层链路调用（来源：信创数据库章节）； 信创操作系统（TencentOS Server AI）：AI原生OS通过qGPU虚拟化（内核态劫持，故障隔离强，支持容器共享）提升GPU利用率3- 第三章 量化应用成效与客户价值 方案落地实现三大核心指标突破（数据严格基于原文）： GPU利用率提升3-10倍：通过qGPU虚拟化（内核态劫持设计，支持训练推理在离线混部、故障显存算力强隔离），打破 技术领先与全栈产品矩阵 腾讯云以技术确定性与全栈信创能力成为优选，核心优势包括： 技术领先性： qGPU虚拟化：基于内核态劫持实现QoS GPU，兼容AI+渲染、Local/Remote GPU，提升利用率3-
33210编辑于 2026-05-01- 来自专栏啄木鸟软件测试
基于Django的电子商务网站开发（连载20）
数据模型如下。 ... 如图3-10所示。 ? 图3-10删除选择的商品信息 点击商品名称的链接，就可以修改这条商品信息的记录，如图3-11所示。 ?
96510发布于 2019-12-11 - 来自专栏翩翩白衣少年
2.4K Star！小米最新开源！覆盖600+语种的语音克隆TTS，40倍实时合成速度！
最近语音合成领域也是又热闹起来了，小米、面壁智能等都有新的语音模型开源。 自从 ChatTTS 引爆中文 TTS 后，各种开源模型层出不穷，但大多都集中在中文或少数几个主流语言上。 要知道 ElevenLabs 可是目前商业TTS领域的标杆，能在开源模型上做到这一点，实力可见一斑。 你现在可以用一个开源模型，获得媲美甚至超越商业服务的质量，而且完全免费，想怎么用就怎么用。 4、3-10秒就能克隆声音 语音克隆是很多人关心的功能，OmniVoice在这方面做得也非常出色。 只需要3-10秒的参考音频，就能克隆出几乎以假乱真的声音。 , ref_audio="ref.wav", # 参考音频（3-10秒） ref_text="参考音频的文本", # 可选，不填会自动用Whisper转录 ) # 保存音频 对于开发者来说，这意味着你可以用一个开源模型解决几乎所有的TTS需求，不用再为了支持多种语言而折腾多个模型。对于研究人员来说，这个模型的架构设计和训练方法也有很多值得学习的地方。
2.4K10编辑于 2026-04-10 - 来自专栏机器学习实战
XGBoost vs LightGBM vs CatBoost：三大梯度提升框架深度解析
树结构 max_depth 3-10 控制树复杂度 正则化 reg_lambda 0-5 L2正则化系数 采样 subsample 0.6-1.0 样本采样比例 学习控制 learning_rate bagging_freq=5 ) CatBoost特色参数 参数类型 参数名 推荐值 功能说明 类别处理 cat_features 自动检测 指定类别特征列 过拟合 l2_leaf_reg 3- Sex', 'Embarked', 'Pclass'] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) 模型训练 LightGBM 4.0： 内置SHAP值计算 优化类别特征处理 支持多验证集监控 CatBoost 1.2： 新增文本特征处理 改进GPU内存管理 增强模型解释工具 服务化部署： # 启动CatBoost REST服务 catboost serve --model-file model.cbm --port 8080 边缘设备优化： # 量化LightGBM模型
3.7K10编辑于 2025-02-25 - 来自专栏Albert陈凯
3.5 容错机制及依赖
但这种数据模型粒度较粗，因此限制了Spark的应用场景。所以可以说Spark并不适用于所有高性能要求的场景，但同时相比细颗粒度的数据模型，也带来了性能方面的提升。 窄依赖与宽依赖关系如图3-10所示。 插图 图3-10 两种依赖关系 从图3-10可以看出对依赖类型的划分：根据父RDD分区是对应一个还是多个子RDD分区来区分窄依赖（父分区对应一个子分区）和宽依赖（父分区对应多个子分区）。
1.3K70发布于 2018-04-04 [数据集介绍][目标检测]城市街道垃圾数据集VOC格式5266张
文件大小：2.76GB(未压缩前) 目标类型：卫生纸、烟头、塑料袋、塑料瓶、易拉罐、口罩、纸张、纸盒等 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：数据集由超过200端3- 10秒的视频截取而成，采用跳10帧截图方式 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 视频介绍地址： [数据集介绍][目标检测]城市街道垃圾数据集VOC格式
45810编辑于 2025-07-19- 来自专栏freesan44
PTA 1047 编程团体赛 (20 分)
输入样例： 6 3-10 99 11-5 87 102-1 0 102-3 100 11-9 89 3-2 61 结尾无空行 输出样例： 11 176 结尾无空行 解题思路 round = int(input int("6") resDic = dict() for i in range(round): inputList = input().split(" ") # inputList = "3-
43720编辑于 2021-12-06 - 来自专栏星流全栈
React vs Angular 2: 冰与火之歌
两者的优缺点本文都会提及，我会拿 React 语法和组件模型跟 Angular 的语法和组件模型做对比。这就像是拿成品电脑的 CPU 跟零售的 CPU 做对比，没有任何不妥。 新的组件模型比第一代的指令（directives）容易掌握许多；新增了对于同构／服务器端渲染的支持；使用虚拟 DOM 提供了 3-10 倍的性能提升。 Angular 致力的 HTML 中心设计比 React 的 JavaScript 中心模型要复杂太多。
1.1K30发布于 2018-06-01 - 来自专栏华章科技
手把手教你用Python进行帕累托分析（二八定律）
图3-10是某个月中海鲜系列的10个菜品A1～A10的盈利额（已按照从大到小的顺序排序）。 ? ▲图3-10 菜品盈利数据帕累托图 由图3-10可知，菜品A1～A7共7个菜品，占菜品种类数的70%，总盈利额占该月盈利额的85.0033%。
2K10发布于 2020-11-16 - 来自专栏#大模型热点基础知识
什么是少样本学习？为什么给几个例子就能让AI学会新任务？
by@Laizhuocheng一、简介少样本学习（Few-shotLearning）是一种通过提供少量示例（通常3-10个），就能让AI模型快速理解和执行新任务的学习范式。 在大语言模型中，这意味着我们可以通过在Prompt中包含几个输入-输出对的例子，引导AI学会处理同类的新问题。 三、少样本学习的工作原理上下文学习（In-contextLearning）大语言模型具有上下文学习能力，这意味着它们能够：从提供的示例中识别模式理解输入和输出之间的映射关系将学到的模式应用到新的输入上这种能力源于模型在预训练阶段接触过大量 效果可能不佳难以处理完全未知的概念可能过度拟合示例模式4.成本考虑更长的Prompt意味着更高的计算成本需要在效果和成本之间权衡七、少样本vs其他学习范式方法示例数量适用场景优势劣势零样本0简单、标准任务最灵活、成本最低复杂任务效果有限少样本3- 结语少样本学习展现了大语言模型令人惊叹的模式识别和泛化能力。它让我们能够以极低的成本，快速地将通用AI模型适配到特定任务上。然而，少样本学习的成功很大程度上取决于示例设计的艺术。
48810编辑于 2026-03-18 - 来自专栏freesan44
PTA 1047 编程团体赛 (20 分)
输入样例： 6 3-10 99 11-5 87 102-1 0 102-3 100 11-9 89 3-2 61 结尾无空行 输出样例： 11 176 结尾无空行 解题思路 round = int(input int("6") resDic = dict() for i in range(round): inputList = input().split(" ") # inputList = "3-
63400发布于 2021-08-22 - 来自专栏磐创AI技术团队的专栏
一文带你读懂激活函数
线性模型在处理非线性问题时往往手足无措，这时我们需要引入激活函数来解决线性不可分问题。 与此同时，Sigmoid函数也有两个很大的缺点：首先是 Sigmoid函数会造成梯度消失问题，从图像中我们也可以得知，当输入特别大或是特别小时，神经元的梯度几乎接近于0，这就导致神经网络不收敛，模型的参数不会更新 图3-10 ReLU函数图像 从ReLU的函数图像我们可以发现，函数原点左侧的部分，输出值为0，斜率为0；函数原点右侧是斜率为1的直线，且输出值就是输入值。 上述两种ReLU激活函数的变形Leaky ReLU、Parametric ReLU函数图如图3-10所示： ? 图3-11 Leaky ReLU/Parametric ReLU函数图像
32.9K66发布于 2018-04-24 配音工具音色生成方式分类：预置音色、声音克隆与捏声音
）技术限制：输出格式为常见音频格式（未公开具体编码参数）；无API接口；生成速度依赖网络环境登录要求：小程序直接登录，无手机号绑定，不需要注册账号2.微软AzureTTS音色生成方式：预置神经网络语音模型 账户并绑定支付方式；API调用需密钥；并发限制（免费账户约10次/秒）输出格式：ogg、mp3、wav、pcm等3.GoogleCloudTTS音色生成方式：预置WaveNet、Standard及生成式TTS模型 ）；中文自然度低于英文，生僻字需注音输出格式：MP3、PCM（WAV需转码）类别二：支持声音克隆（用户提供录音训练生成专属声线）6.媒小三配音音色生成方式：支持声音克隆（5-10秒录音训练，训练时间约3- 每日提供试用次数，重置周期为每月（具体次数未公开）附加功能：捏声音、AI写作、文案提取（从URL提取纯文本）、爆文标题生成、短视频脚本模板技术限制：声音克隆依赖原始录音质量（建议环境噪声低于30dB）；克隆模型训练时间约 3-10秒；免费试用次数每月重置会员模式：多合一订阅（含克隆、配音、写作等），非订阅用户仅使用每日试用额度（注）ElevenLabs如上所述，ElevenLabs同样支持声音克隆（需上传至少10分钟音频
37610编辑于 2026-05-18- 来自专栏新智元
只需3个注意力头，就能让大模型忘记「狗会叫」
Meta联合NYU发布新作，轻松操控缩放Transformer注意头，让大模型「忘掉狗会叫」。记忆可删、偏见可调、安全可破，掀开大模型「可编辑时代」，安全边界何去何从。 模块构建：选取相似度最高的top-K个注意力头（通常只需3-10个），组成该概念的专属模块。这些关键注意力头往往集中在模型的特定层，形成有规律的空间分布。 更颠覆的是，团队发现：一个复杂概念，往往只由3-10个注意力头承载。 这个发现把Transformer的可解释性推向了新的高度：大模型的知识存储高度稀疏、具备极强的可干预性。 实验结果 研究团队在四种典型场景中验证了方法的有效性，覆盖从简单概念到复杂能力，从语言模型到视觉模型。 这给个性化微调大模型、提高模型特定维度能力打开了全新的思路。
38510编辑于 2025-07-14 - 来自专栏DolphinScheduler
DolphinScheduler 任务失败后，这 3 种补救措施你掌握了吗
补救可以选择调度日期段，这样时间是按照选择的日期进行执行，如果选择3-11号，那么数据就是3-10号的数据。 在定时中补救点击重跑后，实际同步的数据是3-10号的数据，说明重跑按照的时间是调度时间来算的。点击重跑失败任务和重跑一样，从失败节点继续执行。这2个都是在当前失败的流程实例中运行。
13610编辑于 2026-05-27 - 来自专栏新智元
2亿条性能记录加持，路由n个「小」模型逆袭
这一突破不仅为学术界提供了低门槛的研究工具，更为大模型性能优化提供了新的思路：通过智能调度实现异构模型的协同增效，以极低的计算成本突破单一模型的性能上限。 三个大模型=OpenAI 这种范式具有三重优势： 异构兼容性：支持闭源模型（如GPT-4）、开源模型（如Llama系列）及专用微调模型的混合部署。 ：一般候选LLM数量在3~10且p在0.5~0.7时，系统性能可以接近甚至超过参考模型（参考模型一般是GPT-4） 候选模型数量m = 5 弱模型逆袭效应 通过智能路由调度，多个性能一般的LLM可以协同实现超越顶级单体模型的性能表现 候选池规模阈值 从Model-level Scaling Up现象示意图可以看到3-10个LLM候选的时候已经可以达到非常不错的性能。而且此时的部署成本并不高，具有很高的性价比。 多个LLM的协同运行需要解决计算负载均衡、资源动态分配、模型高效激活等系统级问题。幸运的是，实验表明仅需部署3-10个LLM即可获得优异性能，这大大降低了实际应用的复杂度。
57010编辑于 2025-04-09 - 来自专栏翩翩白衣少年
可灵 O1 正式发布，全球首个统一多模态视频大模型，强得可怕！
过去做一个复杂视频创作流程，常常需要：文生视频模型 + 图像生成/修图模型 + 专门的视频编辑模型 + 若干后期软件。 以前我们做视频，AI 模型是“偏科”的：有的擅长文生视频，有的擅长图生视频，有的擅长修补画面。 但可灵 O1 的出现，打破了这一切。一个模型，搞定所有。 ，融合于大一统模型之中。 五、节奏掌控 特点：支持生成3-10 秒自由叙事 每一段故事、每一个镜头，都有它应有的长度和呼吸感。 可灵 O1 支持3-10秒自由生成，无论是短促的视觉冲击，还是悠长的故事铺陈，都由你自由掌控，让叙事张弛有度。 性能对比 在 AI 圈，不服跑个分。
1.3K10编辑于 2026-03-16
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