- 综合排序
- 最热优先
- 最新优先
- 来自专栏Python与算法之美
8，模型的训练
根据问题特点选择适当的估计器estimater模型： 分类(SVC,KNN,LR,NaiveBayes,...) 回归(Lasso,ElasticNet,SVR,...) 一，分类模型的训练 ? ? ? ? ? ? ? ? ? 二，回归模型的训练 ? ? ? ? ? ? ? ? 三，聚类模型的训练 KMeans算法的基本思想如下： 随机选择K个点作为初始质心 While 簇发生变化或小于最大迭代次数： 将每个点指派到最近的质心，形成K个簇 重新计算每个簇的质心 ? 四，降维模型的训练 PCA主成分分析(Principal Components Analysis)是最常使用的降维算法，其基本思想如下： 将原先的n个特征用数目更少的m个特征取代，新特征是旧特征的线性组合 可以结合FeatureUnion 和 Pipeline 来创造出更加复杂的模型。 ?
82031发布于 2020-07-17 - 来自专栏Java编程技术
K8s网络模型
每个Pod自己看到的自己的ip和其他Pod看到的一致 k8s网络模型设计基础原则:每个Pod都拥有一个独立的 IP地址，而且 假定所有 Pod 都在一个可以直接连通的、扁平的网络空间中 。 由于 Kubemetes 的网络模型假设 Pod 之间访问时使用的是对方 Pod 的实际地址，所以一个 Pod 内部的应用程序看到的自己的 IP 地址和端口与集群内其他 Pod 看到的一样。 其实是使用Docker的一种网络模型：–net=container container模式指定新创建的Docker容器和已经存在的一个容器共享一个网络命名空间，而不是和宿主机共享。 网络模型需要每个pod必须通过ip地址可以进行访问，每个pod的ip地址总是对网络中的其他pod可见，并且每个pod看待自己的ip与别的pod看待的是一样的（虽然他没规定如何实现），下面我们看不同Node 24 = 16,777,216（一千多万），一般每个 VNI 对应一个租户，也就是说使用 vxlan 搭建的公有云可以理论上可以支撑千万级别的租户 Tunnel：隧道是一个逻辑上的概念，在 vxlan 模型中并没有具体的物理实体想对应
4.2K24发布于 2019-04-18 - 来自专栏csico
K8s网络模型
Docker网络模型 容器 容器不是模拟一个完整的操作系统，而是对进程进行隔离，对容器里的进程来说它接触到的各种资源都是独享的，比虚拟机启动快、占用资源少。 但是容器重启后又恢复原值，若想永久的修改可通过/etc/docker/daemon.conf里制定dns，/etc/hosts记录容器的ip，/etc/hostname记录容器的名称 Calico网络模型 K8s网络模型 K8s术语 K8S 是一个用于容器集群的分布式系统架构。 K8s网络 K8s网络包括CNI、Service、Ingress、DNS 在K8s网络模型中，每个节点上的容器都有自己独立的IP段，节点之间的IP段不能重复，而节点也需要具备路由能力，使从本节点Pod里出来的流量可以根据目的 K8s主机内网络模型 K8s采用的是veth pair+bridge的模式，veth pair将容器与主机的网络协议栈连接起来，可以使pod之间通信。
2.5K32发布于 2021-09-02 - 来自专栏机器学习AI算法工程
PyTorch模型静态量化、保存、加载int8量化模型
所以，模型量化就是将训练好的深度神经网络的权值，激活值等从高精度转化成低精度的操作过程，例如将32位浮点数转化成8位整型数int8，同时我们期望转换后的模型准确率与转化前相近。 PyTorch模型训练完毕后静态量化、保存、加载int8量化模型 1. pth_to_int.py是对Pytorch的float32模型转成int8模型。 evaluate_model.py里加载int8模型进行推理。 3. 模型静态量化 模型静态量化主要代码如下，读取float32模型，然后转成int8模型保存为openpose_vgg_quant.pth。完整代码可以从pth_to_int.py文件中看到。 加载int8模型不能和之前加载float32模型一样，需要将模型通过prepare（） , convert（）操作转成量化模型，然后load_state_dict加载进模型。 5.
8.5K42编辑于 2023-02-28 - 来自专栏AI机器学习与深度学习算法
机器学习入门 8-8 模型泛化与岭回归
本小节通过探讨模型过拟合的现象，提出岭回归这个模型正则化方式，最后通过实验对α取值与过拟合（拟合曲线）之间的关系进行探讨，随着α取值从小到大，拟合曲线从弯弯曲曲到逐渐平滑。 1 引入模型正则化 上一小节提到了解决模型过拟合也就是方差误差的5种手段，尤其是最后一种非常标准的处理手段~模型正则化。 ? 模型正则化的英文为Regularization。那什么是模型正则化呢？ 2 模型正则化之岭回归 实际上模型正则化的方式不仅有上面的一种，还有其他的模型正则化方式。本小节将损失函数加入α乘以θi平方这种模型正则化的方式称之为岭回归，这里的岭是山岭的意思。 ? 为了让大家对模型正则化背后的原理有所了解，下面使用实际的编程来看一看使用了这种岭回归的模型正则化方式限制每一个θ系数大小最终的效果是怎样的。 ? 此时得到均方误差值为1.32，比前面使用线性回归得到的均方误差167.94好太多了，这就是模型正则化的威力，模型正则化能够让整个模型泛化能力得到大大的提高，而模型正则化的原理其实就是因为对于过拟合而言，
1.3K20发布于 2020-01-14 - 来自专栏云深之无迹
STM8S固件库编程模型
STM8S标准外设库用法以及与其他固件组件的交互的全局视图 最底层是STM8S的硬件层，就是你可以真真摸到的等级。 用户->驱动->硬件，这就是封装的最简单的模型 标准外围设备库文件包含关系 可以看到是分两层，我也看不懂的两层：PPP指的是任何外围设备的缩写，例如TIM2和TIM3。 这个是stm8s的外设文件 里面的符号树，可以大致的看见对芯片内主要外设的封装 随便打开一个demo，看头文件 也有 应该可以下结论了，这个ppp文件没有。 就是stm8s这个文件才是里面的驱动 标准外设库，里面是头文件 那这些就是相应的实现了 每个外围设备都有一个源代码文件stm8s_ppp.c 和一个头文件stm8s_ppp.h。 该stm8s_ppp.c 文件包含所有使用PPP外围所需的固件功能。为所有外围设备提供了 一个内存映射文件stm8s.h。它包含所有寄存器声明和位定义。
58930发布于 2021-01-18 - 来自专栏肉眼品世界
经典8个数据分析模型
一个好用的数据分析模型，能给我们提供一种视角和思维框架，从而帮我们理清分析逻辑，提高分析准确性。 研究数据分析也很多年了，今天特意为大家整理出了8大常用数据分析模型，帮助大家快速提高数据分析能力。 1、AARRR模型 AARRR模型又叫海盗模型，这个模型把实现用户增长拆分成了 5 个指标：获客、激活、留存、收益、传播。分别对应“用户如何找到我们？”、“用户的首次体验如何？”、“用户会回来吗？” 6、KANO模型 KANO模型和波士顿矩阵有一些类似，都是利用四象限。 比如业务提了8个功能，先做哪一个呢？此时就可以用KANO模型，让业务人员填写满意度问卷，最后将统计结果汇总，得出必备型，也就是痛点功能进行优先满足。 8、杜邦分析法 杜邦分析法是财务分析常用的模型，主要通过对ROE进行分解，从盈利能力、运营能力和偿债能力三个方面去衡量企业经营业绩。
64240编辑于 2022-06-15 - 来自专栏Spark学习技巧
8个数据分析模型简介
那老李研究数据分析也很多年了，今天特意为大家整理出了8大常用数据分析模型，帮助大家快速提高数据分析能力。 1、AARRR模型 AARRR模型又叫海盗模型，这个模型把实现用户增长拆分成了 5 个指标：获客、激活、留存、收益、传播。分别对应“用户如何找到我们？”、“用户的首次体验如何？”、“用户会回来吗？” 6、KANO模型 KANO模型和波士顿矩阵有一些类似，都是利用四象限。 比如业务提了8个功能，先做哪一个呢？此时就可以用KANO模型，让业务人员填写满意度问卷，最后将统计结果汇总，得出必备型，也就是痛点功能进行优先满足。 8、杜邦分析法 杜邦分析法是财务分析常用的模型，主要通过对ROE进行分解，从盈利能力、运营能力和偿债能力三个方面去衡量企业经营业绩。
78521编辑于 2022-03-15 - 来自专栏二哥聊云原生
扁平-K8s网络模型漫谈
今天聊聊K8s的网络模型。 网络是K8s的核心部分，但想要理解它是如何工作的却有点难度。 K8s定义了一个网络模型，目的是给Pod，service等使用者提供一个简单、一致的网络视图和使用体验，对它们屏蔽宿主机环境的网络拓扑的同时，也屏蔽网络模型实现上的细节。 K8s网络模型 简单来说，Kubernetes引入的网络模型提出了下列基本要求。只要满足了这些要求，即可成为一个K8s网络方案供应商。 图：K8s扁平网络模型 我们来细品这些要求。 可以看到K8s网络模型只是要求了容器间可以直接用IP地址自由地通信，但并没有强制要求Pod IP在K8s网络边界之外也可以路由。是的，K8s说"我只要扁平，剩下的我不管"。
2.6K40编辑于 2021-12-06 yolov8的onnx模型加密方法保护自己模型和版权
【官方框架地址】 https://github.com/ultralytics/ultralytics 【算法介绍】 Yolov8 是一种先进的对象检测模型，基于深度学习技术，广泛应用于计算机视觉任务 然而，直接使用 ONNX 格式的模型存在一定的安全隐患，因此对模型进行加密就显得尤为重要。 对 Yolov8 的 ONNX 模型进行加密，主要是为了保护模型的机密性和完整性，防止未经授权的访问和使用。 需要注意的是，对 Yolov8 的 ONNX 模型进行加密可能会对模型的性能产生一定的影响。因此，在选择加密方法时，需要根据实际需求和场景进行权衡，尽可能地平衡安全性和性能的需求。 总之，对 Yolov8 的 ONNX 模型进行加密是一个重要的安全措施，可以有效地保护模型的机密性和完整性，防止未经授权的访问和使用。 【效果展示】 加密后缀为yolov8.firc您可以改成任何后缀不影响模型 【实现部分代码】 #include <iostream> #include <opencv2/opencv.hpp> #
47800编辑于 2025-07-17- 来自专栏大模型应用
大模型应用：构建智能大模型运维体系：模型健康度监测系统实践.8
引言 大型语言模型已成为各行各业的核心基础设施。从客户服务到内容创作，从代码生成到科学研究，大模型正深度融入企业的核心业务流程。 然而，随着模型规模的不断扩大和业务场景的日益复杂，模型运维管理面临着前所未有的挑战。 今天我们将以模型健康度监测系统为例，深度剖析现代大模型运维平台的设计理念、技术实现与创新亮点。通过详细的流程分析、架构解读和实践场景说明，为构建智能化的模型运维体系提供完整的实践参考和技术路线图。 "memory_usage": random.uniform(40, 85), "memory_used_gb": round(random.uniform(2, 8) # 生成生成统计样本数据 base_time = datetime.now() - timedelta(minutes=10) for i in range(8)
34143编辑于 2026-02-05 - 来自专栏机器学习、深度学习
CNN模型 INT8 量化实现方式（一）
当前CNN模型基本都是 float32，将其转换为 INT8 可以降低模型大小，提升速度，精度降低的也不太多。那么在实际中如何实现这个量化了？ 这里主要涉及两个问题：1）就是 int8量化；2）就是 int8 模型的使用 基于Caffe-Int8-Convert-Tools进行caffe模型转int8量化 在 NCNN 框架上运行 https ://blog.csdn.net/u014644466/article/details/83278954 首先是基于 Caffe-Int8-Convert-Tools 这个工具进行 int8量化 https://github.com/BUG1989/caffe-int8-convert-tools int8 模型的使用 How to use Int8 inference https://github.com /Tencent/ncnn/pull/487 https://github.com/Tencent/ncnn/wiki/quantized-int8-inference#caffe-int8-convert-tools
5.2K20发布于 2019-05-26 - 来自专栏JavaEdge
k8s基础网络Cluster Network模型
集群是通过 desktop k8s集群创建的 创建两个 pod 查看 刚才创建的 nginx-pod的 ip 进入 busybox并查看网络 在 busybox 中ping得通nginx-pod 可在k8s 节点上任一 pod 里 ping 通其它 pod。 原理模型如下：
32310发布于 2021-02-23 - 来自专栏机器学习、深度学习
CNN模型 int8量化实现方式（二）
那下面简单的命令就可以完成卸载了 sudo pip uninstall tensorflow_gpu sudo pip3 uninstall tensorflow_gpu 这里介绍一个完全基于 Tensorflow 的模型量化方法 ，以 yolo v3 为例 1）利用现有yolo v3 模型 生成 Tensorflow pb 模型 基于 https://github.com/mystic123/tensorflow-yolo-v3 output_node_names="softmax" --output=/home/zhangjun/tensorflow/tmp/quantized_graph.pb --mode=eightbit 4.测试量化模型 imagenet_synset_to_human_label_map.txt" --image="/home/zhangjun/tensorflow/tmp/cropped_panda.jpg" 测试量化后的模型结果 ，处于开发阶段，tensorflow lite 是应该已经支持 量化模型的运行， 而 tensorflow 本身的支持很有限，貌似正在集成
1.9K40发布于 2019-05-26 【机器学习】Yolov8安装到使用模型
这个参数确定了模型将会被训练多少次，每一轮都遍历整个训练数据集。训练的轮数越多，模型对数据的学习就越充分，但也增加了训练时间。 选取策略 默认是100轮数。 训练模型 在.yaml配置文件中，填写如下实例内容： path: D:\Yolov8 train: images/train val: images/val nc: 2 names: ['dianzan ，注意这里的 Results saved后面的路径是动态的，截图中是在 runs/detect/train文件夹下，就是D:/yolo8文件夹下 在训练完成的目录中可以找到 best.pt 的训练模型以及训练中被标记和选中目标的图片结果集 验证模型 训练完成后，可以对图片进行验证，cmd控制台输入命令 model 参数代表是 需要验证的模型 data 代表检测的配置 yolo detect val data=d:/yolo8/test.yaml 导出模型 将训练好的pt文件导出为ncnn文件，交给EC的函数调用 cmd控制台输入命令 model 参数代表要转换的模型 yolo export model=d:/yolo8/runs/detect
1K10编辑于 2025-07-02- 来自专栏token的技术分享
基于.NET8的AI大模型管理
AIDotNet API AIDotNet API 是一款强大的人工智能模型管理系统，其主要目的是为了实现多种AI模型的统一管理和使用。 此外，AIDotNet API还支持多种AI大模型，包括OpenAI、星火大模型、Claudia、智谱AI、Ollama、通义千问（阿里云）、AzureOpenAI以及腾讯混元大模型，满足了用户对各种AI 模型的需求。 基于.NET Core 8实现使用EntityFrameworkCore对于数据库操作。基于MiniApis提供WebAPI服务。 ） 星火大模型（支持function） Claudia 智谱AI Ollama 通义千问（阿里云） AzureOpenAI（支持function） 腾讯混元大模型 支持数据库 SqlServer 配置类型
36010编辑于 2024-05-28 - 来自专栏作图丫
8分+！非常典型的构建预后模型思路！
发现低风险组和高风险组的免疫特征表达存在显著差异(Fig.8A)。为了探索基于m6A模型的潜在分子机制，作者进行了GO富集分析，发现了许多免疫相关的生物过程的参与(Fig.8B)。 接下来研究了m6A相关的lncRNA模型与免疫治疗性生物标志物之间的相关性。发现高风险组比低风险组更有可能对免疫治疗产生反应(Fig.8C)。 利用R包maftools，对突变数据进行分析。 低风险组的TMB高于高风险组，表明基于m6A的分类器index与TMB具有较高的相关性(Fig.8F)。 因此，作者检测了m6A相关的lncRNA模型是否能比TP53突变状态更好地预测OS。 发现高风险组的TP53患者比低风险组的TP53突变和野生型TP53患者预后差(Fig.8G)。 Fig.8 05 m6A相关lncRNA预后风险模型及LUAD临床特征的评价 作者进行了单因素和多因素Cox回归分析，以评估12个m6A相关lncRNA的风险模型是否具有独立的LUAD预后特征。
1.5K20编辑于 2022-03-29 - 来自专栏容器云实践
k8s网络模型与集群通信
小作文包含如下内容： k8s网络模型与实现方案 pod内容器通信 pod与pod通信 pod与service通信 外网与service通信 k8s网络模型与实现方案 k8s集群中的每一个Pod（最小调度单位 ）都有自己的IP地址，即ip-per-pod模型。 在ip-per-pod模型中每一个pod在集群中保持唯一性，我们不需要显式地在每个 Pod 之间创建链接， 不需要处理容器端口到主机端口之间的映射。 这些网络方案必须符合k8s网络模型要求： 节点上的 Pod 可以不通过 NAT 和其他任何节点上的 Pod 通信 节点上的代理（比如：系统守护进程、kubelet）可以和节点上的所有Pod通信 备注：仅针对那些支持 将配送业务外包（CNI）给三方公司（实现方案），骑手是通过哪种飞机大炮（网络）送餐的我不管，只要符合准时、不撒漏（模型要求）等相关规矩这就是一次合格的配送。
69720发布于 2021-11-18 使用易语言部署yolov8-onnx模型
github地址：https://github.com/ultralytics/ultralytics 【易语言介绍】
35610编辑于 2025-07-17- 来自专栏腾讯技术工程官方号的专栏
浅谈 K8s 网络模型CNI协议
K8s 网络模型采用 CNI(Container Network Interface, 容器网络接口) 协议，只要提供一个标准的接口，就能为同样满足该协议的所有容器平台提供网络功能。 从网络模型说起 容器的网络技术日新月异，经过多年发展，业界逐渐聚焦到 Docker 的 CNM(Container Network Model, 容器网络模型) 和 CoreOS 的 CNI(Container 2.1 CNM 模型 CNM 是一个被 Docker 提出的规范。 Pod 创建/删除 K8s 中 Pod 的调谐采用 channel 生产者-消费者模型实现，具体通过 PLEG(Pod Lifecycle Event Generator) 进行 Pod 生命周期事件管理 K8s 网络模型采用 CNI(Container Network Interface, 容器网络接口) 协议，只要提供一个标准的接口，就能为同样满足该协议的所有容器平台提供网络功能。
3K31发布于 2021-12-02
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