- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
机器学习入门 3-11 Matplotlib数据可视化基础
Matplotlib 是一个 Python 的 2D 绘图库，在导入 Matplotlib 库的时候，通常会设置一个别名 mpl。Pyplot 是 Matplotlib 的子库，提供了和 MATLAB 类似的绘图 API。使用 Pyplot 可以很方便的帮助我们绘制出 2D 图表，在使用 Pyplot 时候通常也会为 Pyplot 设置一个别名 plt。
1.2K30编辑于 2022-11-08 - 来自专栏cwl_Java
C++编程之美-结构之法(代码清单3-11)
代码清单3-11 // 数据结构定义 struct NODE { NODE* pLeft; // 左子树 NODE* pRight; // 右子树
29320编辑于 2022-11-30 - 来自专栏历史专栏
【愚公系列】2021年11月 攻防世界-进阶题-MISC-039(3-11)
文章目录 一、3-11 二、答题步骤 1.base64 总结 ---- 一、3-11 文件：攻防世界下载对应文件 二、答题步骤 1.base64 下载题目得到一张图片，进行lsb隐写查看 发现
59720编辑于 2021-12-03 - 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。 ... 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。 ? 图3-11修改商品信息记录 星云测试 http://www.teststars.cc 奇林软件 http://www.kylinpet.com 联合通测 http://www.quicktesting.net
96510发布于 2019-12-11 - 来自专栏数控编程社区
Mastercam挖槽刀路的设置
．在绘图区串接被加工的轮廓，串接后的结果与图3-4相同，用鼠标单击主菜单区的“Done”，结束串接操作，进入“轮廓加工刀具参数（Tool parameters）设置”对话框，如图3-5所示； 图 3- 11 3．选择直径为25mm的端铣刀，出现此刀具的图标； 4．用鼠标单击图3-11上部“轮廓加工参数(Coutour parameters)”选项卡，进入“轮廓加工参数设置”对话框，设置完毕后，如图3- 11所示； 5．用鼠标单击图3-11中的“多次切削（Multi passes...）”按钮，进入多次切削设置对话框，设置完毕后，如图3-12所示； 图 3-12 6．用鼠标单击图3-12中的“OK” 按钮，回到图3-11； 7．用鼠标单击图3-11中的“确定”按钮，得到四周轮廓加工刀具路径，如图3-13所示。
2K20编辑于 2022-03-30 - 来自专栏Albert陈凯
3.5RDD的容错机制
图3-11中，假如RDD2所在的计算作业先计算的话，那么计算完成后RDD1的结果就会被缓存起来。缓存起来的结果会被后续的计算使用。图中的示意是说RDD1的Partition2缓存丢失。 [插图] 图3-11 RDD的部分缓存丢失的逻辑图 3.6 小结 RDD是Spark最基本，也是最根本的数据抽象。RDD是只读的、分区记录的集合。
67080发布于 2018-04-08 - 来自专栏C语言入门到精通
没有之一，我见过的最漂亮代码！！
此时，我们不是把前面所有的元素加在一起，而是在循环外部初始化总和并且加上下一个元素，如示例3-11所示。 我们可以很容易地把示例3-11用表格来实现，其中的值可以立即用于进一步的分析。在3-1给出了最初的结果行。 示例3-4到示例3-6都实现了Quicksort的一种简单模型：它们模拟算法的运行，而实际上却没有做任何排序工作。 从示例3-7到示例3-12则实现了一种更为复杂的模型：它们计算了比较次数的真实平均值而没有跟踪任何单次的运行。 然而，除了在示例3-11中实现的表格外，我从来没有把任何一个示例作为计算机程序运行过。
2.4K2219发布于 2020-12-24 - 来自专栏卡拉云-低代码开发工具
React Echarts 使用教程 - 如何在 React 中加入图表（内附数据看板实战搭建案例）
echarts.init(chartRef.current); const option = { legend: { data: [ "3- 11岁任务数", "3-11岁全程接种量", "60岁任务数", "60岁全程接种量", "80岁任务数", backgroundColor: "rgba(0,0,0,0.8)", }, series: [ { name: "3- 150, 230, 224, 218, 135, 147, 260], type: "bar", }, { name: "3-
7.3K20编辑于 2022-05-27 - 来自专栏【计网】Cisco
操作系统 | 编写内核
7.解压缩这个文件tar xzvf linux*22*并ls查看是否解压成功如图3-8至如图3-9. 8.输入cd *22并输入ls查看如图3-10. 9.输入vi Makefile查看文件源码如图3- .输入cat /proc/version显示为2.4.22版本如图3-37. 1.4 实验过程 图3-1 图3-2 图3-3 图3-4 图3-5 图3-6 图3-7 图3-8 图3-9 图3-10 图3-
37710编辑于 2024-02-20 - 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28）
4．接口测试 1）测试用例 表3-11为删除购物车中所有商品的测试用例。从购物车中删除所有的商品，检验购物车中是否不存在任何商品。 表3-11 删除购物车中所有商品测试用例 编号 描述 期望结果 1 把购物车中的所有商品均删除 删除成功，购物车中不存在任何商品 2）XML数据文件 ... <!
69220发布于 2019-12-11 - 来自专栏DeepHub IMBA
Pytorch中获取模型摘要的3种方法
在pytorch中获取模型的可训练和不可训练的参数，层名称，内核大小和数量。 Pytorch nn.Module 类中没有提供像与Keras那样的可以计算模型中可训练和不可训练的参数的数量并显示模型摘要的方法 。 所以在这篇文章中，我将总结我知道三种方法来计算Pytorch模型中可训练和不可训练的参数的数量。 36,864 [3, 3] 115,605,504 │ │ └─BatchNorm2d: 3- 128, 8, 8] -- -- -- │ │ └─BasicBlock: 3-
1.7K20编辑于 2022-11-11 - 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 - 来自专栏数据云团
Python进阶-正则匹配
① 验证手机号 总长度11位 第一位为1，第二位为[3-9]，第3-11位[0-9] import re def checkMobile(strData): pattern = r"^1[3-
4.9K20发布于 2019-07-18 - 来自专栏啄木鸟软件测试
软件性能测试（连载2）
案例3-7：理发师模型 理发师模型是经典的解释吞吐率与响应时间的模型。比如有一家理发馆，里面有3名理发师，每个理发师水平相当，每给一位顾客理发需要10分钟的时间，如表3-1所示。 表3-1理发师模型 设置并发数总响应时间平均响应时间实际并发数110分钟×1=10分钟10分钟/1=10分钟1210分钟×2=20分钟20分钟/2=10分钟2310分钟×3=30分钟30分钟/3=10分钟 … 图3-8和图3-9分别是理发师模型平均响应时间、实际并发数与设置并发数对应曲线。 ? 图3-8 理发师模型平均响应时间与设置并发数对应曲线图 ? 3-9 理发师模型实际并发数与设置并发数对应曲线 在不到拐点的场景下，随着设置并发数的增加，平均响应时间基本保持不变，并且实际并发数与设置并发数保持一致；当超过拐点的场景下，随着设置并发数的增加，平均响应时间持续上升 图3-10上面是某一进程对于CPU的利用率曲线图，图3-11下面是某一进程对于虚拟内存和物理内存的使用量的曲线图。 ? 图3-10 CPU的资源利用率 ? 图3-11 内存的资源利用率 4.
1.4K20发布于 2020-02-19 - 来自专栏Albert陈凯
3.6 Shuffle机制
在Spark中，任务通常分为两种，Shuffle mapTask和reduceTask，具体逻辑如图3-11所示： [插图] 图3-11 Spark Shuffl e 图3-11中的主要逻辑如下： 1）
1K40发布于 2018-04-04 - 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。
76110编辑于 2022-09-29
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