- 综合排序
- 最热优先
- 最新优先
- 来自专栏奇点大数据
话说量化（4）
货币——也就是我们俗称的“钱”是世界上最可爱的东西之一，可以说没有它的刺激，也就没有我们现在这么繁荣的市场，也没有这么丰富的各类物质产品和幸福生活。
71320发布于 2018-09-14 - 来自专栏量化投资与机器学习
百亿私募，星阔投资 | 量化多岗位招聘
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。 熟悉PYTHON或C++； 2、精通深度学习为加分项； 3、自我驱动，创造力强； 4、数学、物理、计算机竞赛获奖为加分项。 岗位要求 1、有丰富的算法交易实盘经验优先； 2、精通linux, C++； 3、国内外知名院校理工类专业研究生以上学历，应届生或有工作经验皆可； 4、自我驱动，创造力强； 5、数学、物理、计算机竞赛获奖为加分项 --- 量化开发工程师 岗位职责 负责公司量化交易系统的开发与日常交易运维。 岗位要求 1、国内外知名院校计算机及相关专业本科以上学历； 2、熟悉Linux，精通C++（Python也可以）； 3、有一定量化交易系统开发经验； 4、有对接各券商交易接口经验为加分项。
76750编辑于 2022-03-21 - 来自专栏量化投资与机器学习
百亿私募，佳期投资 | 量化多岗位招聘（上海 | 北京）
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。
90130编辑于 2022-03-24 - 来自专栏量化投资与机器学习
百亿私募，念空科技 | 量化多岗位招聘（社招）
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。 公司成立于2015年3月，同年7月在中国证券投资基金业协会备案，注册资本1.5亿，成立以来鉴于良好的长期稳定业绩，受到投资者和合作方的认可，并多次获得行业重量级奖项，截止目前累计管理规模超过百亿元人民币 ，验证因子的有效性； 3、协助PM开发交易策略，进行策略回测和参数调试，总结规律，提供有效的策略建议和研究报告； 4、维护研究平台，跟踪交易滑点，统计实盘策略相关的各项指标. ； 3、有扎实的数学、统计理论基础，对数据有很强的敏感性，在机器学习等相关领域有深入的实践研究经验尤佳； 4、对量化投资有热情，有志于在量化行业长期发展，具有团队协作精神，专注，学习能力强； 5、熟悉各类金融产品的交易规则 ，有量化行业一年以上工作/实习经验者尤佳。
90560编辑于 2022-03-24 - 来自专栏量化私募笔面试
2024春百亿量化私募研究类笔试0521
累计投稿4场将获得知识星球100元优惠券，也可原价直接加入。更全的笔面试资料及学习路线在知识星球中，会随着资源的积累不断涨价，早加入早学习早拿offer！ 1有4个人玩一个游戏，4个人每人自成一个组，裁判随机抽取两个人石头剪刀布(无平局)，输的那一方整个组加入另一个组，直到全部人属于同一个组，求游戏结束的最小抽取次数以及期望抽取次数。 初始有4个独立组，每次合并将减少一个组：第一次抽取后，组数从4减至3。第二次抽取后，组数从3减至2。第三次抽取后，组数从2减至1，游戏结束。因此，游戏结束的最小抽取次数是3次。 在4个人的情况下，这个计算比较简单，期望次数略大于3次，具体值的计算则需要详细的概率分析。2你的汤碗里有 100 条面条。 result# 示例输入root = TreeNode(1)root.left = TreeNode(2)root.right = TreeNode(3)root.left.left = TreeNode(4)
70210编辑于 2024-06-28 - 来自专栏GiantPandaCV
INT4量化用于目标检测
Int 4量化用于目标检测 【GiantPandaCV】文章2019 CVPR，讲的是Int 4量化用于目标检测，主要是工程化的一些trick。 感受：这篇文章主要是做了实践工作，可以看作是低bit量化(Int 4)用于目标检测的一些trick。 的Int算法即Int-4。 并且让activation在[，] (0 < < 1) 内，文章设置n=20，=0.999. 4、折叠bn。 Int4量化与全精度对比 ? 消融实验 ? FreezeBN与不同bit的对比 ? 截断激活函数阈值的百分比 ? 与其他量化方法的对比图
1.3K20发布于 2021-03-24 - 来自专栏AI机器学习与深度学习算法
机器学习入门 5-4 向量化
本小节主要介绍使用向量化的方式提升性能。 简单线性回归 先来回归一下简单线性回归优化目标以及通过最小二乘的方式求得的参数a，b的解析解。 ? 在上一个小节中，我们是通过循环的方式来求解分子和分母，前面也说过，使用for循环的这种方式，性能相对是比较低的，如果有办法将for循环的计算变成向量之间的计算的话，得益于numpy模块性能就会大大的提升，这就是向量化运算含义 上面我们将对应元素相乘然后相加的操作看成是向量之间的点乘，这也是为什么在最小二乘求解a的解析解的时候要把式子写成相乘累加的形式，这样就可以将其转换成向量之间的运算，进行向量化运算提升性能。 使用向量化运算实现线性回归算法 前面使用sklearn的思想封装了一个名为"SimpleLinearRegression1"的类，在类中使用for循环的方式来求解参数a的值。 ? ? ? ? 实现向量化的代码只需将for循环部分改成向量点乘即可： ? ? ? ? 为了比较两者的性能，将两种方式导入jupyter中，通过魔法命令来验证性能。 ? ? ? ?
89420发布于 2019-11-13 - 来自专栏智能大石头
百亿级性能
整个系列教程会大量结合示例代码和运行日志来进行深入分析，蕴含多年开发经验于其中，代表作有百亿级大数据实时计算项目。 https://github.com/NewLifeX/X （求star, 795+） 大数据投名状 先来看看“大数据演示平台”：http://bigdata.newlifex.com SQLite单表4亿行订单数据 如上，在4亿行中查询第1000页，耗时16毫秒。 对于高手来说，这个算不得什么，只要注意好索引就行。 前面SQLite单表4亿数据，共有两个索引，自增ID作为主键，另外有订单号索引。 百亿级性能。字段精炼，索引完备，合理查询，充分利用缓存 实体工厂。元数据，通用处理程序 角色权限。Membership 导入导出。Xml，Json，二进制，网络或文件 分表分库。
1.1K20发布于 2019-05-24 - 来自专栏可以叫我才哥
使用Python进行量化投资A股的4 种方法！
大家应该都知道，Python的一个应用方向就是——量化交易，恰好最近收到了清华出版社赠送的 《深入浅出Python量化交易实战》 一书，因为平时对数据科学和机器学习都比较感兴趣，简单试读了一下，今天文末也会送出几本 2021年11月1日后用户将无法从中国大陆使用 Yahoo 的产品与服务) yfinance 另外，yfinance也有类似的功能，使用方法也很简单 Tushare 当然，说到用 Python 进行量化交易 JoinQuant 最后一种方法来获取数据就是用现成的量化平台。这里我用joinquant实验了一下 可以看到，通过平台获取数据，还是比较简单的。 http://mpvideo.qpic.cn/0bc3lqaaaaaaoyaj25qpmbrfaxgdaboaaaaa.f10002.mp4? dis_k=4e6da654e1bbc5d6818c55e3835d64ea&dis_t=1649751382&vid=wxv_2274959819105320960&format_id=10002&support_redirect
1.8K10编辑于 2022-04-12 - 来自专栏DrugScience
超量化合物库筛选策略–P4
上期回顾 超量化合物库筛选策略–P1 超量化合物库筛选策略–P2 超量化合物库筛选策略–P3 具体步骤 5. #1])]=O','[CX4][Cl,Br,I]','[R][Cl,Br,I]','[N;H2;D1;$(N-!@[#6]);! $(N-C=[O,N,S])]'), ('[CX4][Cl,Br,I]', '[R][Cl,Br,I]'), ('[CX4][Cl,Br,I]', '[N;H2;D1;$(N-!@[#6]);! $(N-C=[O,N,S])]'), ('[CX4][Cl,Br,I]', '[N;H1;D2;$(N(-[#6])-[#6]);! #1])]=O','[CX4][Cl,Br,I]','[R][Cl,Br,I]','[N;H2;D1;$(N-!@[#6]);!
58910编辑于 2022-05-17 DeepSeek-7B-chat 4bits量化 QLora 微调
DeepSeek-7B-chat 4bits量化 QLora 微调 概述 本节我们简要介绍如何基于 transformers、peft 等框架，对 DeepSeek-7B-chat 模型进行 Lora =True, # 是否在4位精度下加载模型。 如果设置为True，则在4位精度下加载模型。 bnb_4bit_compute_dtype=torch.half, # 4位精度计算的数据类型。 bnb_4bit_quant_type="nf4", # 4位精度量化的类型。这里设置为"nf4"，表示使用nf4量化类型。 bnb_4bit_use_double_quant=True # 是否使用双精度量化。如果设置为True，则使用双精度量化。
52710编辑于 2025-07-17- 来自专栏GiantPandaCV
NCNN+INT8+YOLOV4量化模型和实时推理
【GiantPandaCV导语】本文记录了作者使用NCNN量化YOLOV4模型并进行推理的全过程，过程比较详细，希望对想使用NCNN这一功能的读者有帮助。 (ncnn2table)新特性 支持 kl aciq easyquant 三种量化策略 支持多输入的模型量化 支持RGB/RGBA/BGR/BGRA/GRAY输入的模型量化 大幅改善多线程效率 离线进行 ，安装和编译过程可以看我的另一条博客： https://zhuanlan.zhihu.com/p/368653551 2.2 yolov4-tiny量化int8 在量化前，先不要着急，我们先看看ncnn 也就是说，在进行量化前，我们需要yolov4-tiny.bin和yolov4-tiny.param这两个权重文件，因为想快速测试int8版本的性能，这里就不把yolov4-tiny.weights转yolov4 /ncnn2int8 yolov4-tiny-opt.param yolov4-tiny-opt.bin yolov4-tiny-int8.param yolov4-tiny-int8.bin yolov4
3K30发布于 2021-05-18 - 来自专栏生信技能树
信息熵的4个量化指标的R代码实现
d50.index(b3) [1] 0.5 > d50.index(1:100) [1] 0.5 > d50.index(1:1000) [1] 0.5 > d50.index(c(1,2,2,2,3,4) 总结 上面我写的4个公式里面只有基尼系数计算必须输入的是数值，或者把非数值变量取频数后再进行计算。而且仅仅是只有基尼系数是越大，贫富差距越大，多样性越差。其它的数值都是越小多样性越差。
1.9K40发布于 2020-05-26 - 来自专栏AI人工智能
模型量化大揭秘：INT8、INT4量化对推理速度和精度的影响测试
在我过去两年的实践中，我系统性地测试了INT8和INT4量化技术在不同模型架构上的表现，发现量化技术不仅能够将模型大小压缩2-4倍，还能在特定硬件上实现1.5-3倍的推理速度提升。然而，量化并非银弹。 本文将基于我在多个实际项目中的量化实践经验，深入剖析INT8和INT4量化技术的原理、实现方法和性能表现。 INT4量化的极限压缩探索3.1 INT4量化的挑战与机遇INT4量化将模型压缩推向了极限，但也带来了更大的精度挑战：class INT4Quantizer: """INT4量化器 - 实现4位量化 INT4量化中的关键技术，通过将权重分成小组并为每组计算独立的量化参数，可以显著提高量化精度。 量化优化关键词标签#模型量化 #INT8量化 #INT4量化 #推理优化 #AI部署
2.1K21编辑于 2025-08-20 - 来自专栏拓端tecdat
JupyterLab实现医疗推理数据集Llama4Scout的4-bit量化、LoRA低秩适配、SFT有监督微调|轻量化适配
模型4-bit量化加载代码import osimport torchfrom transformers import AutoTokenizer, Llama4ForConditionalGeneration 量化参数，修改变量名，降低模型显存占用quant_4bit_config = BitsAndBytesConfig( load_in_4bit=True, # 开启4-bit量化 bnb_4bit_use_double_quant =False, bnb_4bit_quant_type="nf4", bnb_4bit_compute_dtype=torch.bfloat16,)......上述代码执行后，模型将以4-bit量化的形式完成加载 总结本文基于实际的客户咨询项目，详细拆解了如何通过云GPU平台实现Llama 4 Scout大模型的低成本、轻量化微调，通过4-bit量化、LoRA低秩适配、多GPU分布式训练等技术优化，将原本需要4张高端 后续我们将继续探索更大规模Llama 4模型的轻量化微调技术，同时针对更多垂直领域开展大模型的适配研究，优化模型的泛化能力与行业适配性，推动大语言模型的普惠化落地。
13310编辑于 2026-02-10 - 来自专栏DeepHub IMBA
NVFP4量化技术深度解析：4位精度下实现2.3倍推理加速
传统INT4量化在推理过程中无法直接处理4位数值，必须先将INT4权重反量化为16位数值才能进行计算，这一额外步骤虽然在SGLang和vLLM等现代推理框架中已经高度优化，但仍然产生计算开销并限制了整体速度 无需反量化操作直接带来了更高的推理吞吐量。 如果希望保持激活精度以最大化模型准确性，可选择NVFP4A16方案，该方案仅量化权重，通常无需校准数据集。 值得注意的是，NVFP4还对激活进行量化，但精度基本保持稳定，特别是与仅量化权重的NVFP4A16相比差异很小。 测试结果还证实了激活量化对保持速度优势的关键作用——仅量化权重的NVFP4A16模型速度提升有限，仅略快于INT4模型。 从技术角度看，NVFP4模型的QLoRA微调是完全可行。NVFP4本质上只是一种数据类型和量化格式，QLoRA可以应用于任何格式和数据类型的量化模型。
91110编辑于 2025-11-15 - 来自专栏devops探索
百亿架构之filebeat讲解
这里会按照每天几百亿条的数据量来考虑，去设计、部署、优化这个日志系统，来最大限度的利用资源，并达到一个最优的性能。 85545c868b-6nsvc\_test-1\_test-server-885412c0a8af6bfa7b3d7a341c3a9cb79a85986965e363e87529b31cb650aec4. , "version": "7.11.2", "hostname": "filebeat-fv484", "ephemeral\_id": "8fd29dee-da50-4c88 -44b8-4d4a-b03b-56e43cff2754", "namespace\_labels": { "field\_cattle\_io/projectId": "p-lgxhz : { "name": "test-server-85545c868b-6nsvc", "uid": "1e678b63-fb3c-40b5-8aad-892596c5bd4d
2.1K00发布于 2021-04-22 - 来自专栏韩曙亮的移动开发专栏
【Cubase】Cubase 量化设置 ( 量化预置 | 长度量化 | 快捷键设置 | 量化开头 | 量化 MIDI 事件结尾 | 量化 MIDI 事件长度 )
文章目录 一、要解决的问题 二、量化预置 三、长度量化 四、快捷键及设置 1、快捷键及设置 2、量化开头 3、量化 MIDI 事件结尾 4、量化 MIDI 事件长度 五、对 MIDI 进行量化操作 本博客中的所有设置都是在 , 当前是 4/4 拍 , 一个全音符有 4 拍 , 显示每个 16 分音符的格子 ; 这是设置了 " 1/32 " 量化预置参数 , 每拍显示 8 个格子 , 每个格子的长度是 32 分音符 ; 2、量化开头 量化开头 : 默认按键 " Q " 是量化开头 ; 将所有音符的开始位置对齐到 " 量化预制 " 对应的格子中 ; 该设置是系统自带的 , 不建议修改 ; 3、量化 MIDI 按钮 , 然后点击确定 , 此时 " 量化 MIDI 事件结尾 " 操作就被指定了快捷键 " Ctrl + F12 " ; 4、量化 MIDI 事件长度 量化 MIDI 事件长度 : 使用相同设置 " 快捷键 , 量化音符长度 , 此时音符都排列整齐了 , 音符开头和音符长度进行了量化 , 音符结尾自然也进行了量化 ;
4.6K00编辑于 2023-03-28 - 来自专栏吕慧伟的专栏
百亿级通用推荐系统实践
应用宝首页界面 除了应用宝之外，腾讯云推荐系统还应用在腾讯的QQ空间、QQ、企鹅FM、QQ会员和黄钻贵族等12个不同的业务的200多个不同推荐场景，每天处理的推荐请求有上百亿个。 那么，这个日均百亿级请求的推荐系统是怎么打造而成的呢？主要需要解决两个问题： 支持众多业务和场景。 支持海量用户请求。 1.通用化推荐算法库 首先要解决的问题是如何支持众多业务和场景。 图4. 推荐系统的离线和在线计算分工 学习系统训练一个模型一般会花比较长的时间，这部分我们称为离线计算，对实时性要求并不高，比如，可以在几个小时的时间内计算出来，重要的是模型的质量。 R2有下面几个特点： 海量，目前在R2系统上，每天处理上百亿的个性化推荐请求； 实时，每个请求的处理平均延时为18ms； 可靠，系统稳定性为99.99%。 R2从一开始就是围绕线上服务而设计。 更多有关腾讯云推荐引擎的信息请点击查看 4.总结 综上所述，要打造一个百亿级通用推荐系统，需要考虑下面几点： 1.为了能够支持尽可能多的业务和场景，推荐算法库需要做通用化设计。
8.1K00发布于 2016-10-29 - 来自专栏算法之名
量化交易
针对可交易的投资商品，理性地运用逻辑分析和回归统计判断市场趋势称为量化交易。 量化策略 量化策略就是赚钱"因子"，可以分为基本面和技术面。
47210编辑于 2024-08-21
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