- 综合排序
- 最热优先
- 最新优先
- 来自专栏一位计算机小白的学习日记
C:9-9题目：蛇形矩阵
给你两个整数n，m，请你构造一个n行m列的蛇形方阵，在这个方阵中，数字由1到n×m，从最右上角开始，呈环状(逆时针)向内填充。
84010编辑于 2024-10-21 - 来自专栏mysql
hhdb数据库介绍(9-9)
读写分离功能默认设置为关闭。开启读写分离功能，可在计算节点的配置文件server.xml中，将strategyForRWSplit属性设置为大于0的值。例如：
37210编辑于 2024-11-29 - 来自专栏医学和生信笔记
审稿人问：如何对两条回归直线进行比较？
孙振球《医学统计学》第4版例9-9、例9-10 某地方病研究所调查了8名正常儿童和10名大骨节病患儿的年龄与其尿肌酐含量（mmol/24h）。 正常儿童数据见例9-1，大骨节病儿童数据见例9-9，问：回归直线是否不平行？ x = c(13,11,9,6,8,10,12,7), y = c(3.54,3.01,3.09,2.48,2.56,3.36,3.18,2.65)) # 例9- 建立回归方程，并比较： # 建立不包含交互项的模型 model_no_interaction <- lm(y ~ x + group, data = data9) # 建立包含交互项的模型 model_interaction 下面我们检测其截距是否相等，可通过直接查看有交互项模型的结果： # 查看模型摘要，检查group的显著性 summary(model_no_interaction) ## ## Call: ## lm
25310编辑于 2026-05-19 - 来自专栏愿天堂没有BUG（公众号同名）
长这么大才读懂高并发核心编程，限流原理与实战，Nginx漏桶限流
在浏览器中输入如下测试地址： http://nginx.server:8081/nginx/ratelimit/demo 10秒内连续刷新，第1次的输出如图9-9所示。 图9-9 Nginx限流后10秒内连续刷新的第1次输出 10秒内连续刷新，第1次之后的输出如图9-10所示。
96080编辑于 2022-10-28 - 来自专栏韩曙亮的移动开发专栏
【组合数学】排列组合 ( 集合排列、分步处理示例 )
多重集组合数 | 所有元素重复度大于组合数 | 多重集组合数 推导 1 分割线推导 | 多重集组合数 推导 2 不定方程非负整数解个数推导 ) 【组合数学】排列组合 ( 多重集组合数示例 | 三个计数模型 | 选取问题 | 多重集组合问题 | 不定方程非负整数解问题 ) 【组合数学】排列组合 ( 两个计数原则、集合排列示例 | 集合排列、圆排列示例 ) 【组合数学】排列组合 ( 集合组合、一一对应模型分析示例 {(9-9)!} = 9!
1.5K00编辑于 2023-03-28 - 来自专栏愿天堂没有BUG（公众号同名）
Java Swing用户界面组件：复选框+ 滑块+组合框+边界+单选按钮
例9-9显示了如何创建用图标作为标尺标签的滑块。 提示：如果标尺标记或标签不显示，请检查确认调用了setPaintTicks(true)和etPaintLabels(true)。 第五个滑块是逆向的，调用： slider.setInverted(true); 例9-9中的程序演示了所有不同视觉效果的滑块。 例9-9 SliderTest.java javax.swing.JSlider 1.2 • JSlider( ) • JSlider(int direction) • JSlider(int JSpinner类为前三种情况定义了标准的数据模型，还可以自定义数据模型来描述任意的序列。 在默认情况下，微调控制器管理整数，并且按钮点击增加1或减少1。通过调用getValue方法可以获取当前的值。 在自定义模型时，应该扩展AbstractSpinnerModel类，并定义下面四个方法： getValue方法返回存储在模型中的值，setValue方法设置一个新值。
10.6K10编辑于 2022-10-28 - 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 图9-8 “事物”和“描述”的分离 例如，应用在“公文”上，可以得到图9-9。 ? 图9-9 公文和公文模板的分离 从以上可以看出“描述”架构型的特点： （1）对象个数较少。 很多模式通过把泛化转成关联来简化模型，套路如图9-24。 ? ? 图9-24泛化转成关联的套路 下面我们来看一些常见的分析模式。 9.2.3 人员 人员的管理是很多系统不得不考虑的。 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。 ? ? ?
75030发布于 2019-09-23 - 来自专栏blackheart的专栏
[C#1] 11-接口
Change允许我们修改o中的字段 17 ((IChangeBoxedLocation)o).Change(9, 9); 18 Console.WriteLine(o);//[9-
89290发布于 2018-01-19 - 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、
3.3K10编辑于 2024-11-15 - 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 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
22000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”
23800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
3.6K20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。
3.7K10发布于 2020-10-27 - 来自专栏地方网络工作室的专栏
构建不重复特殊数组
这两个数字不能重复，比如： 9-9 这样的就不行。 数组内不能重复的出现如 ['1-2', '1-2'] 这样的重复字符串。
1.3K50发布于 2019-05-27 - 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.
16.1K23编辑于 2024-03-19 - 来自专栏机器学习AI算法工程
判别模型 和 生成模型
【摘要】 - 生成模型：无穷样本==》概率密度模型 = 产生模型==》预测 - 判别模型：有限样本==》判别函数 = 预测模型==》预测 【简介】 简单的说，假设o是观察值，q是模型 如果对P(o|q)建模，就是Generative模型。其基本思想是首先建立样本的概率密度模型，再利用模型进行推理预测。要求已知样本无穷或尽可能的大限制。 【判别模型Discriminative Model】——inter-class probabilistic description 又可以称为条件模型，或条件概率模型。 ，但由判别模型得不到生成模型。 标号场为隐随机场，它描述像素的局部相关属性，采用的模型应根据人们对图像的结构与特征的认识程度，具有相当大的灵活性。 空域标号场的先验模型主要有非因果马尔可夫模型和因果马尔可夫模型。
1.4K60发布于 2018-03-12 - 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。
2.9K10发布于 2020-10-27 - 来自专栏浪浪山下那个村
生成模型和判别模型
生成方法和判别方法 监督学习方法又分生成方法（Generative approach）和判别方法（Discriminative approach），所学到的模型分别称为生成模型（Generative Model ）和判别模型（Discriminative Model） 判别方法 由数据直接学习决策函数 或者条件概率分布 作为预测的模型，即判别模型。 基本思想是有限样本条件下建立判别函数，不考虑样本的产生模型，直接研究预测模型。典型的判别模型包括k近邻，感知级，决策树，支持向量机等。 缺点是不能反映训练数据本身的特性 生成方法 由数据学习联合概率密度分布 ，然后求出条件概率分布 作为预测的模型，即生成模型： image.png 基本思想是首先建立样本的联合概率概率密度模型 这样的方法之所以成为生成方法，是因为模型表示了给定输入X产生输出Y的生成关系。用于随机生成的观察值建模，特别是在给定某些隐藏参数情况下。典型的生成模型有：朴素贝叶斯法、马尔科夫模型、高斯混合模型。
1.1K30编辑于 2022-06-17 - 来自专栏四火的唠叨
贫血模型和充血模型
这两个概念是早些时候 Martin Fowler 总结出来的两种常见模型设计类型，没有说谁好谁不好，为不同的模型类别选择合适的场景是设计者的工作。没有工具本身的问题，只有工具使用者的问题。 它的优点是面向对象，Business Logic 符合单一职责，不像在贫血模型里面那样包含所有的业务逻辑太过沉重。 使用 RoR 开发时， 每一个领域模型对象都可以具备自己的基础业务方法，通常满足充血模型的特征。充血模型更加适合较复杂业务逻辑的设计开发。 充血模型的层次和模块的划分是一门学问，对开发人员要求亦较高，可以考虑定义这样的一些规则： （1）事务控制不要放在领域模型的对象中实现，可以放在 facade 中完成。 （2）领域模型对象中只保留该模型驱动的一般方法，对于业务特征明显的特异场景方法调用放在 facade 中完成。 万事都不是绝对的，也有一些看起来不易解决的问题。
72510编辑于 2022-07-15
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