- 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（5）
钱是越多越好吗？这个问题似乎不用回答，那是肯定的啊。试问在座的各位看客哪位不是在挣钱，挣更多的钱，挣更多更多的钱的路上奔跑着的呢？钱是一种交换物质（当然也可以是精神层面的）的重要工具，对于每个人都很重要。所以狭义来说，钱当然是越多越好。
49210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。 公司坚持用数量化、模型化、程序化的投资理念，秉持科学创新精神，重视收益与风险的平衡，不断完善丰富投资交易体系。未来公司将深耕该领域，致力于发展成为国内顶尖量化梯队的私募管理人。 （2021年5月） 中信建投证券“潜龙杯”市场中性组第二名（2021年5月） 入选中金研选中国50池名单（2021年） 人才培养 星阔致力于打造高素质高精尖的量化投资团队，汇集了量化投资领域的顶尖人才。 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。
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。 公司简介 念空科技是一家建立在数据科学研究基础上的量化投资机构，公司致力于运用科学的数据分析方法为投资人提供高价值的绝对收益产品。 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 ； 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 - 来自专栏京东技术
百亿补贴通用H5导航栏方案
对于百亿，便宜包邮等使用ssr预渲染的频道，因为原生导航栏无法进行预加载，导致上屏较慢等问题。 1.2 开发/测试成本高 原生导航条生命周期耦合。 基于原生导航条现状，百亿补贴频道沉淀出了通用H5导航条组件@pango/navigation-bar，具有以下优势： 1、性能好 支持ssr预渲染，上屏较快。 5、机型、系统兼容性好 参考原生导航栏异形屏适配方案，参考原生绝对布局思路，完美适配折叠屏、异形屏。 iOS9 - 最新 、Android5 - 最新均兼容性良好，未发现线上兼容异常。 加载阶段会将产物转换为视图树的结构，转换完成后将通过表达式引擎解析表达式并取得正确的值，通过事件解析引擎解析用户自定义事件并完成事件的绑定，完成解析赋值以及事件绑定后进行视图的渲染，最终将目 目前使用该组件的项目：百亿补贴 } return navBarParams; }; 8.3 titlelmgltem 特别注意titleImgItem，这个属性是导航条中间区域的展示内容，TitleSearch是百亿补贴的搜索框
1K40编辑于 2023-10-16 - 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
root.left = TreeNode(2)root.right = TreeNode(3)root.left.left = TreeNode(4)root.left.right = TreeNode(5) right = new TreeNode(3); root->left->left = new TreeNode(4); root->left->right = new TreeNode(5)
70210编辑于 2024-06-28 - 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。 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AI智韵
YoloV5改进策略：RefConv打造轻量化YoloV5利器
我们使用RefConv替换YoloV5中的卷积，既能提高精度，又能降低运算量，使得模型更加轻量化！ YoloV5官方结果 YOLOv5l summary: 267 layers, 46275213 parameters, 0 gradients, 108.2 GFLOPs c17 230 131 0.992 0.992 0.995 0.797 c5 tu-22 230 98 0.983 1 0.995 0.788 测试结果 YOLOv5l c17 230 131 0.984 1 0.995 0.839 c5
24810编辑于 2024-10-22 - 来自专栏Python数据科学
Python 量化交易神书面世，赠送 5 本
前不久，收到清华大学出版社赠送的 《深入浅出Python量化交易实战》 一书，也答应了出版社要写一些读书笔记，今天就来交作业了。 下面是我参考书中内容做的一些简单尝试，仅供学习参考。 这本书对于使用Python玩量化的初学者们，还是很友好的，感兴趣可以考虑入手一本看看。 笔记① 用Python绘制出股价的5日均线和20日均线。 众所周知，5日均线是短线交易的生死线，而20日均线是中长线趋势的分水岭。因此，基于这两条均线，可以设计出一些简单的交易策略。 能够看到最早的数据到2021年的10月8日： 然后我开始添加5日和20日均线 price['ma5'] = price['Adj Close'].rolling(5).mean() price['ma20 fig.add_subplot(111, ylabel='Price') price['Adj Close'].plot(ax=ax1, color='g', lw=2., legend=True) price.ma5.
92320编辑于 2022-03-11 - 来自专栏叶子的开发者社区
【yolov5】onnx的INT8量化engine
GitHub上有大佬写好代码，理论上直接克隆仓库里下来使用 git clone https://github.com/Wulingtian/yolov5_tensorrt_int8_tools.git 然后在yolov5_tensorrt_int8_tools的convert_trt_quant.py 修改如下参数 BATCH_SIZE 模型量化一次输入多少张图片 BATCH 模型量化次数 height 成功量化后的模型大小只有4MB，相比之下的FP16的大小为6MB，FP32的大小为9MB 再看看检测速度，速度和FP16差不太多 但是效果要差上一些了 那肯定不能忘记送上修改的代码，折腾一晚上的结果如下 cv2 BATCH_SIZE = 1 BATCH = 79 height = 640 width = 640 CALIB_IMG_DIR = '/content/drive/MyDrive/yolov5/ DataLoader() engine_model_path = "runs/train/exp4/weights/int8.engine" calibration_table = 'yolov5_
1.1K70编辑于 2023-11-13 - 来自专栏Python 爬虫
【K哥爬虫普法】百亿电商数据，直接盗取获利，被判 5 年！
案情简介2017 年 2 月至 5 月，被告人彭中正利用其在成都市知数科技有限公司（以下简称知数公司）从事技术工作的便利，非法获取公民个人信息数十万条，伙同被告人吕雷，通过 QQ 向被告人周敏、“123 2017 年 5 月 16 日，阿里巴巴集团公司以用户数据泄露为由报案。 警察于同年 5 月 18 日 20 时许，在本市天府新区伏龙西街暂住地门口将彭中正挡获；于同日 14 时许许在云南省临沧市临翔区团山村租住房内将吕雷挡获；于 2017 年 6 月 6 日 19 时许，在湖北省武汉市江夏区高新大道湖口社区将周敏挡获 他们公司成立至今从淘宝网采集用户评价信息的数量在百亿条左右，收集社工库信息有两亿条左右，采集这些信息并没有经过阿里巴巴公司同意。他通过 QQ 联系网友 “123”，对方需要大量购买淘宝女装买家的数据。 ▶ 周敏（个人信息买家）从 2017 年 2 月份之后到 5 月份，他从网上购买数据，大约 5 万条左右，支付了 5 万元左右。
78140编辑于 2023-09-05 - 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。 │ ├── 009227c00e48b051b6f5cb65128fd58412b845e0c6d2bec5904f977ef0ec604d-json.log │ ├── checkpoints }, "host": { "name": "filebeat-fv484" }, "agent": { "id": "7afbca43-3ec1-4cee-b5cb version": "7.11.2", "hostname": "filebeat-fv484", "ephemeral\_id": "8fd29dee-da50-4c88-88d5- }, "pod": { "name": "test-server-85545c868b-6nsvc", "uid": "1e678b63-fb3c-40b5-
2.1K00发布于 2021-04-22 - 来自专栏GiantPandaCV
NCNN+Int8+yolov5部署和量化
ncnn+int8量化的教程，却在yolov5的量化上遇到了麻烦，一方面是量化后速度更慢了，另一方面是精度下降严重，出现满屏都是检测框的现象，后来经过很多尝试，最终都以失败告终。 再后来，还是决定换其他方式对yolov5进行量化，一是即使最小的yolov5s模型量化后能提速，依旧满足不了我对速度的需求，二是对于Focus层，不管使用哪个向前推理框架，要额外添加对Focus层的拼接操作对我来说过于繁琐 -Yolov5 更轻更快易于部署的yolov5 这篇博客，还是接着上一篇yolov4量化的工作，对yolov5进行ncnn的部署和量化。 量化后的模型如下： 量化后的模型大小大概在1.7m左右，应该可以满足你对小模型大小的强迫症； 此时，可以使用量化后的shufflev2-yolov5模型进行检测： 量化后的精度略有损失，但还是在可接受范围内 六、总结 本文提出shufflev2-yolov5的部署和量化教程； 剖析了之前yolov5s之所以量化容易崩坏的原因； ncnn的fp16模型对比原生torch模型精度可保持不变； [上图，左为torch
4.2K30发布于 2021-09-14 - 来自专栏全栈程序员必看
Yolov5更换backbone，与模型压缩（剪枝，量化，蒸馏）
项目地址（GitHub）：https://github.com/Ranking666/Yolov5-Processing 项目介绍： 本仓库是基于官方yolov5源码的基础上，进行的改进。 目前支持更换yolov5的backbone主干网络为Ghostnet，以及采用eagleeye的剪枝方法支持对yolov5系列的剪枝。 后续，将会添加更多更轻量，更优秀的主干网络，比如swintrans，EfficientNet等，以及其他剪枝方法，以及量化，蒸馏对于yolov5系列的支持。 EagleEye: Fast Sub-net Evaluation for Efficient Neural Network Pruning 详细大家可以看之前的初入神经网络剪枝量化3
2.1K20编辑于 2022-09-22 - 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 ; 三、长度量化 ---- 长度量化 参数设置 : 在下图 处设置长度量化 , 如果设置成 " 1/16 " , 那么使用鼠标拖动时 , 音符的长度只能是 16 分音符的整数倍 ; 上述的 量化预置 ; 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 事件结尾 量化 MIDI 事件结尾 : 首先选中左侧的 " 量化类别 / 量化 MIDI 事件结尾 " , 点击右侧的 " 输入快捷键 " 下方的输入框 ; 输入快捷键后 , 点击 " 指定 " " 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hightopo
矢量化的HTML5拓扑图形组件设计
HT一直被客户称道的就是其全矢量化的设计特色，矢量相比传统图片好处太多了： 矢量可无级缩放，界面不失真不模糊 描述矢量的文本内容远比图片小得多 目前各种window.devicePixelRatio不一致的设备 但，我还是不喜欢DOM上太重都是元素，不喜欢庞大包罗万象搞得没有一家能完美实现的标准，另外用XML、Flex的MXML或Sliverlgiht/WPF的XAML来描述图形实在是笨重不灵活，基于HTML5的 至此仅可以说重造了个SVG的轮子没啥特殊，如果仅能达到矢量化的功能，那费那么大劲自定义一套标准也没大意义，其实HT for Web设置矢量的初衷并非为了矢量化，而是HT产品的核心理念：让程序员更轻松的开发图形界面
1.8K20发布于 2018-07-09 - 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。 比如图中简单的例子，学习系统的输入是5个不同用户的行为，对于男性用户A，他喜欢的《王者荣耀》这个游戏，对于女性用户B，她喜欢的则是《奇迹暖暖》，那么对于这5个用户统计得到的模型是男性用户喜欢《王者荣耀》 如图5所示的推荐场景用于猜测用户喜欢的手机应用，可以分为三步来计算： 根据id得到用户特征； 使用决策树判断喜欢某个应用的概率； 对结果重新排序。 图5. 流计算场景：猜测用户喜欢的手机应用 R2的架构如图6所示，分为业务层、通信层和全局配置层三层。
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。 基本面 居民消费指数 人均国内生产总值(GDP) 净资产收益率(ROE) 技术面 股票收盘价 K线(日/周/月/年) 均线(5/10/20/60) 技术面分析更关注基于商品价格相关的数值和合成的指标。
47210编辑于 2024-08-21 - 来自专栏AI电堂
那些跻身百亿美元营收的半导体厂商之六 —— “百亿俱乐部新贵”英飞凌
即使在工业增长明显放缓，全球车企纷纷亏损的2019年，英飞凌依然实现了5%的增长。 ? ▲ 英飞凌近年来营收趋势 ?
1K20发布于 2021-04-16
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