- 综合排序
- 最热优先
- 最新优先
- 来自专栏mysql
hhdb数据库介绍(9-11)
EXPLAIN支持显示JOIN语句、UNION/UNION ALL、子查询语句的路由计划。其中：
25110编辑于 2025-03-12 - 来自专栏路过君BLOG from CSDN
angular9 添加IE浏览器支持
默认模板没有启用IE浏览器支持 ng serve启动项目后，用IE浏览器打开为空白页 解决 修改browserslist，去掉前面的not not IE 9-11 # For IE 9-11 support
1.1K30发布于 2020-06-19 AI+FTTR破局在即，CIOE信息通信展成产业风向观察窗口
在智能化适配层面，轻量化AI模型与云端协同训练的深度结合，让FTTR系统实现“场景自适应”突破——既能满足家庭场景的需求，也能支撑政企高并发会议、酒店连锁安防监控、工业数据传输等专业场景，真正实现“一网适配全场景 ◆ CIOE信息通信展：AI+FTTR全产业链的聚合高地，关键资源一站获取 即将于9月9-11日在深圳国际会展中心举办的CIOE信息通信展，作为光通信领域极具影响力的专业展会，汇聚了AI+FTTR全产业链核心力量 当前，全国已启动168个万兆光网试点，AI大模型驱动下，家庭、企业、工业场景对大带宽、低时延连接需求迫切，50G-PON与FTTR智能体演进成为关键方向。 9月9-11日，深圳国际会展中心，期待与您共赴全光智能新时代的产业之约。 关于CIOE中国光博会： 第二十七届中国国际光电博览会（CIOE中国光博会）将于2026年9月9-11日在深圳国际会展中心举办。
10110编辑于 2026-06-17- 来自专栏肖洒的博客
【爬虫】（八）Python之爬虫和数据小解析
,,免修班 G00HA1012,科学道德与学风,0,是,2016秋,梁昌洪,南校区,,不分班 G00HA1010,中国特色社会主义理论与实践,2,是,2016秋,肖群,北校区,"J-201/星期一/(9- 514/星期一/(1-2)2,3,4,5,7,8,9,11,12,13,15,16,17,18",01 Z00MS1031,工程优化方法及应用,3,是,2016秋,寇晓丽,北校区,"J-205/星期四/(9- 11)2,4,5,7,8,9,10,11,13,14,15,16,17,18,19",01 Z08EE1011,算法设计技术与方法,3,是,2016秋,公茂果,北校区,"J-304/星期三/(9-11) 18J-304/星期五/(9-11)2,5,7,8,9,10,11,12,13,14,15,16,17,18,20",不分班 Z08TE1107,宽带无线通信,3,是,2016秋,盛敏,北校区,"J-204 2017春,白光斌,北校区,"体育馆/星期三/(5-6)2,3,4,5,6,7,8,9,10,11",02 Z08TE1222,扩频通信系统,2,否,2016秋,刘乃安,北校区,"J-205/星期二/(9-
57030发布于 2018-08-07 - 来自专栏民工哥技术之路
每天学一个 Linux 命令（98）：crontab
crontab -l no crontab for root 每小时的第5和第15分钟执行 5,15 * * * * command_name 在上午9点到11点的第5和第15分钟执行 5,15 9- 11 * * * command_name 每隔3天的上午9点到11点的第5和第15分钟执行 5,15 9-11 */3 * * command_name 每个星期一的上午9点到11点的第5和第15 分钟执行 5,15 9-11 * * 1 command_name 每月1、11、21日的14:45重启httpd 45 14 1,11,21 * * /etc/init.d/httpd restart
1K30发布于 2021-04-21 深度学习在代码生成中的鲁棒性与对比学习
某机构赞助的研讨会推动深度学习在代码领域的应用ICLR研讨会由某机构CodeWhisperer赞助，展示了关于新型因果语言模型对比学习框架以及评估代码生成模型鲁棒性方法的论文。 多级对比学习第一篇论文题为“ContraCLM: 因果语言模型的对比学习”。因果语言模型（如GPT系列模型）是根据给定前面的token来预测序列中下一个token的语言模型。 具体来说，研究人员提出了一个多级对比学习目标：序列级别：模型学习将具有相同含义的文本序列聚在一起，同时将不同含义的序列推远Token级别：模型学习将同一输入序列中的不同token相互推远这两个目标的结合使模型能够利用更多的表示空间 新模型ContraCLM可以增强各向同性和判别能力，无论原始模型是否存在表示退化问题。 代码补全任务上提升9-11%评估鲁棒性第二篇论文题为“ReCode: 代码生成模型的鲁棒性评估”。
13810编辑于 2026-04-08- 来自专栏IT可乐
Java 枚举类 详解
return "6-8"; } }, WINTER("冬天", "大雪纷飞"){ @Override public String getMonth() { return "9- SeasonEnum s : SeasonEnum.values()){ System.out.println(s.getMonth()); } } 结果为： SPRING 12-2 3-5 6-8 9-
1.5K90发布于 2018-01-04 从零做 Agent 成本优化：模型路由、缓存与重试治理
一、先拆清成本结构，别只盯 token 很多团队一说降本，第一反应就是“换便宜模型”。 但真实成本通常由 5 部分组成： 1. 失败成本：重试、回滚、返工带来的隐性开销 结论： 只优化模型单价，不一定能优化单位成功成本。 二、第一招：模型分级路由（最容易见效） 思路很简单： • 简单任务用轻模型 • 复杂任务再升级到重模型 你可以先按规则分 3 档： 1. S 级（简单） • 文本改写、格式化、固定模板任务 2. 升级策略 • 首次失败同模型重试 • 二次失败再升级模型或人工接管 原则： 重试是为了提高成功率，不是为了把失败变贵。 • 对高重复请求启用结果缓存 Day 9-11：治理重试逻辑 • 接入错误分级和退避策略 Day 12-14：输出复盘报告 • 对比优化前后：成功率、成本、时延 先跑通一条主链路，再横向复制到其他任务。
20210编辑于 2026-06-15- 来自专栏软件方法
《软件方法》第9章 分析类图进阶（20180619更新）
高坡砍柴要留桩，平地起房要留窗 《野合万事兴》；词：左小祖咒，曲：左小祖咒，唱：左小祖咒、宝罗，2008 本章在假设读者已经掌握类建模基本知识的前提下，讲述一些可以帮助建模人员得到更高质量类模型的进阶建模技能 我们给上面的设备管理系统类图加上“角色”，得到图9-11。 ? 图9-11 给设备管理系统类图加上“角色” 像图9-11这样显式表示“角色”太占地方了，如果不需要为“角色”类分配责任，可以把它缩到关联的角色中，如图9-12所示。 ? 图9-29 泛化转成关联 如果觉得图9-29不好理解，可以把类模型转成关系数据库模型，填上数据帮助理解。图9-30展示了映射到关系数据库之后，将图9-25所示人员的信息填充到“联系方式”表时的数据。 图9-35 抽象出人际关系类型 如果觉得图9-35不好理解，可以把类模型转成关系数据库模型，填上数据帮助理解。图9-36展示了映射到关系数据库并填充数据后的情况。 ? ? ?
69830发布于 2019-09-23 - 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 - 来自专栏智能大数据分析
分类规则挖掘（三）
2、贝叶斯分类器 对没有类别标号的数据样本 Z ，称公式 (9-11) 和 (9-12) 为朴素贝叶斯分类器，且它们将类别标号 C_i 赋予 Z ，其中 C_i 满足 p(C_i|Z) = max\{p(C_1|Z), p(C_2|Z), \cdots, p(C_k|Z)\}\tag{9-11} 且称 p(C_i|Z) 对应的类 C_i 为最大后验假定，而 p(C_j|Z) 3、进一步说明 （1）从公式 (9-12) 可知， p(Z) 对于所有的类 C_j(j=1,2, \cdots, k) 均为同一个值，因此， C_i 满足公式 (9-11) 的条件可以变成 C_i 3、神经网络方法 神经网络，即人工神经网络 (Artificial Neural Network, ANN) 是模拟人脑思维方式的数学模型，是在现代生物学研究人脑组织成果的基础上提出的。
30800编辑于 2025-01-22 - 来自专栏帅云霓的技术小屋
大模型与AI底层技术揭秘 (7) 卡车搬运的数据
= np.float32(np.random.rand(2, 100)) # 随机输入 y_data = np.dot([0.100, 0.200], x_data) + 0.300 # 构造一个线性模型 我们对这段python代码进行解读： 在第1行引入了tensorflow的类库后，9-11行利用tensorflow类库定义线性模型，随后13行定义残差为均方误差（mean square error）， 次迭代，每20次输出一次迭代过程数据，得到拟合结果，工作流程如下图： 我们发现，在利用Tensorflow开发的机器学习代码中，程序员完全不需要自己实现任何算法的细节，只需要调用Tensorflow提供的模型就可以了 让我们再回到《大模型与AI底层技术揭秘 (2) 人妖之间的国度》中提到的“算盘打出原子弹”的故事。实际上，这是一个典型的分布式并发计算的场景。Tensorflow也提供了分布式训练的能力。
51120编辑于 2023-10-30 - 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 - 来自专栏三太子敖丙
阿丙面试系列重启
（你懂我意思的） 还记得去年年初我就是一直更新面试相关的视频和文章，那今年我也想在3-5月，9-11月这区间持续更新面试相关的视频和文章，包括且不局限于技术，面试技巧，简历小技巧等等。
42620发布于 2021-03-09 - 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。
76010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Java架构师必看
星星模型&&雪花模型
在多维分析的商业智能解决方案中，根据事实表和维度表的关系，可将常见的模型分为星型模型和雪花型模型。在设计逻辑型数据的模型的时候，就应考虑数据是按照星型模型还是雪花型模型进行组织。 星型模型 当所有维表都直接连接到“ 事实表”上时，整个图解就像星星一样，故将该模型称为星型模型。 ? 雪花模型 当有一个或多个维表没有直接连接到事实表上，而是通过其他维表连接到事实表上时，其图解就像多个雪花连接在一起，故称雪花模型。雪花模型是对星型模型的扩展。 雪花模型和星星模型的区别： 星型模型因为数据的冗余所以很多统计查询不需要做外部的连接，因此一般情况下效率比雪花型模型要高。星型结构不用考虑很多正规化的因素，设计与实现都比较简单。 在雪花模型中，数据模型的业务层级是由一个不同维度表主键-外键的关系来代表的。而在星形模型中，所有必要的维度表在事实表中都只拥有外键。 3）性能 第三个区别在于性能的不同。
1.1K31发布于 2021-08-10
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