- 综合排序
- 最热优先
- 最新优先
- 来自专栏智能算法
图像金字塔分层算法
拉普拉斯金字塔工作原理： 如果想放大图像，则需要通过向上取样操作得到，具体做法如下： <1>将图像在每个方向扩大为原来的两倍，新增的行和列以0填充 <2>使用先前同样的内核(乘以4)与放大后的图像卷积，
4K60发布于 2018-04-02 - 来自专栏强化学习专栏
【Hierarchical RL】动态分层强化学习（DHRL）算法
文章分类在强化学习专栏： 【强化学习】（32）---《动态分层强化学习（DHRL）算法》 动态分层强化学习（DHRL）算法 动态分层强化学习，Dynamic Hierarchical Reinforcement Learning (DHRL) 是一种自适应分层强化学习算法，其目标是根据任务和环境的复杂性动态地构建、修改和利用分层策略。 4. DHRL的关键公式 DHRL 的策略优化涉及到高层和低层的策略更新，这与标准的 Q-learning 相似，但引入了动态生成与终止条件的扩展。 在经典的 CartPole 环境中，我们可以设计一个简单的 DHRL 算法，将问题划分为多个子任务，并在每个子任务中使用强化学习算法来求解。 由于博文主要为了介绍相关算法的原理和应用的方法，缺乏对于实际效果的关注，算法可能在上述环境中的效果不佳，一是算法不适配上述环境，二是算法未调参和优化，三是等等。
56110编辑于 2024-12-03 - 来自专栏点云PCL
【点云论文速读】点云分层聚类算法
这篇文章中，我们首次提出一种新颖的分层聚类算法----pairwise Linkage（p-linkage），能够用来聚类任意维度的数据，然后高效的应用于3D非结构点云的分类中，P-linkage 聚类算法首先计算每个点的特征值 然后使用更为具有特征性的数值来描述每个点与其最邻近点的链接关系，初始的聚类能够通过点对的链接更容易的进行，然后，聚类融合过程获得最终优化聚类结果，聚类结果能够用于其他的应用中，基于P-Linkage聚类，我们在3D无结构点云中发明了一个高效的分割算法 实验结果在2d-4d不同的维度合成数据充分证明该P-Linkage聚类的效率和鲁棒性，大量的实验结果在车载，机载和站式激光点云证明我们提出所提方法的鲁棒性。 Experimental results on different dimensional synthetic data from 2D to 4D sufficientlydemonstrate the
2.9K10发布于 2020-05-21 - 来自专栏从零开始学自动化测试
httprunner 2.x学习4-测试用例分层
前言 httprunner 2.x版本最大的改进就是分层机制了，1.x的版本是线性设计的，每个用例都是独立的。 httprunner 2.x版本开始引入分层机制，可以定义公共的方法，在用例里面直接引入步骤，这样登录方法我们只需写一次 分层机制 在自动化测试领域，自动化测试用例的可维护性是极其重要的因素，直接关系到自动化测试能否持续有效地在项目中开展 概括来说，测试用例分层机制的核心是将接口定义、测试步骤、测试用例、测试场景进行分离，单独进行描述和维护，从而尽可能地减少自动化测试用例的维护成本。 逻辑关系图如下所示： ? 分层描述详解 理解了测试用例分层模型，接下来我们再来看下在分层模型下，接口、测试用例、测试用例集的描述形式。 get user info case1 base_url: http://127.0.0.1:8000 variables: token: 1c5ef1856edec117ac989eb8def4abbaae28673e
96420发布于 2020-06-17 - 来自专栏强化学习专栏
【RL Latest Tech】分层强化学习：MAXQ分解算法
文章分类在强化学习专栏： 【强化学习】（23）---《分层强化学习：MAXQ分解算法》 分层强化学习：MAXQ分解算法 MAXQ分解是一种用于分层强化学习（Hierarchical Reinforcement MAXQ算法引入了一种分层的结构，将原始任务逐步分解为多个子任务，从而形成一个任务树（task hierarchy），并通过各个子任务的求解来最终解决整个任务。 2. 任务层次结构（Task Hierarchy） 在MAXQ分解算法中，任务被组织成一个分层结构，其中每一个节点都是一个子任务。 4. MAXQ学习过程 MAXQ分解的学习过程是通过策略梯度或Q-learning等强化学习算法来进行的。 7.总结 MAXQ算法提供了一种分层强化学习的方法，可以显著简化复杂任务的求解过程，并利用层次结构来提高学习的效率和策略的可解释性。
72410编辑于 2024-12-03 - 来自专栏强化学习专栏
【Hierarchical RL】分层深度Q网络（Hierarchical-DQN）算法
文章分类在强化学习专栏： 【强化学习】（27）---《分层深度Q网络（Hierarchical-DQN）算法》 分层深度Q网络（Hierarchical-DQN）算法 Hierarchical-DQN (Hierarchical Deep Q-Network) 是一种分层强化学习算法，专门设计用于解决复杂的任务，通过将任务分解为层次化的子任务来学习。 4. 由于博文主要为了介绍相关算法的原理和应用的方法，缺乏对于实际效果的关注，算法可能在上述环境中的效果不佳，一是算法不适配上述环境，二是算法未调参和优化，三是等等。 想了解更多分层强化学习的文章，请查看文章： 【RL Latest Tech】分层强化学习（Hierarchical RL） 文章若有不当和不正确之处，还望理解与指出。
71610编辑于 2024-12-03 - 来自专栏强化学习专栏
【RL Latest Tech】分层强化学习：FeUdal Networks算法
文章分类在强化学习专栏： 【强化学习】（24）---《分层强化学习：FeUdal Networks算法》 分层强化学习：FeUdal Networks算法 FeUdal Networks （FuN）是一种分层强化学习（Hierarchical Reinforcement Learning, HRL）算法，由Google DeepMind团队提出。 [Python] Feudal Netwrks算法实现 Feudal Networks (FeUdal Networks) 是一种分层强化学习方法，它通过高层（manager）和低层（ 上述代码用于了解和学习算法足够了，但若是想直接将上面代码应用于实际项目中，还需要进行修改。 4. 相关工作 FeUdal Networks是分层强化学习领域的一项重要进展，它与其他分层学习方法（如选项框架（Options Framework）和MAXQ分解算法）具有相似之处，但更加关注通过管理者和工人的分工合作来处理不同的时间尺度
62010编辑于 2024-12-03 - 来自专栏修也的进阶日记
算法手记4
解题代码: 本题解题代码如下: class Solution { public: int vis[101][101]={0};//标记这个位置是否被用过 int dx[4]={0,0,1 ,-1}; int dy[4]={1,-1,0,0}; bool exist(vector<string>& board, string word) { word.size()-1) return true; //进入这个位置就把这个位置锁住 vis[x][y] = 1; //如果递归的是中间字符,继续搜索4个方位有没有符合下一个的 ,如果有,继续递归搜 for(int i=0; i<4; i++) { int a = x+dx[i],b=y+dy[i]; 如果四个位置找完没有符合下一个字符的,那么释放本位置的锁,返回false vis[x][y]=0; return false; } }; 结语 说点啥好呢...牵扯二维的算法就有点难了
17310编辑于 2025-03-15 - 来自专栏云深之无迹
Python算法.4
Python算法.3 Python 算法.2 Python算法.1 colors=['black','white'] sizes=['S','M','L'] tshirts=[(color,size print("A:%2d B:%2d C:%2d" % (a, b, c), end='') i += 1 if i % 4 # 求阶乘 def fact(n): if n==1: return 1 return n*fact(n-1) fact(4) def fib(n): if n
37950发布于 2021-07-23 - 来自专栏效能与质量
分层测试（一）：什么是分层测试？
什么是分层测试？ 分层测试是通过对质量问题分类、分层来保证整体系统质量的测试体系。 分层测试实现代码、服务、界面分层测试的整体架构目标，逐层建设完善自动化测试能力，逐步做到在保证质量的前提下提升需求交付效率。 可以这么说，当你遇到对一个系统进行整体保障，不知道怎么入手的时候，进行分层测试是一个良好的解决思路。 分层测试的优点 层次分明：各层测试目标清晰，能形成效果叠加，增强质量防护能力。
1.2K10编辑于 2023-02-27 - 来自专栏DDD
DDD分层
为什么分层 引用《领域驱动设计模式、原理与实践》 为了避免将代码库变成大泥球（BBoM）并因此减弱领域模型的完整性且最终减弱可用性，系统架构要支持技术复杂性与领域复杂性的分离。 引起技术实现发生变化的原因与引起领域逻辑发生变化的原因显然不同，这就导致基础设施和领域逻辑问题会以不同速率发生变化 每一层都有各自的职责，显然这也是符合SRP的 如何分层 DDD的标准形态 ? 不仅包括领域对象及其之间关系的建模，还包括对象的角色role的显式建模 Infrastructure层是基础实施层，为其他层提供通用的技术能力：业务平台，编程框架，持久化机制，消息机制，第三方库的封装，通用算法 这样有些另类，所以暂时先把repository全部放在了service层 迷思： 1、基于mybatis的实现，mapper本身是接口，repository实现类放在domain层，不要接口，这样满足DDD分层规则 response对象 assist-controller controller层，放置controller 包结构： controller 所有的controller xxljob xxljob补偿任务 按DDD分层规范
3K20发布于 2021-03-23 - 来自专栏DDD
分层架构
最近连续做了两个新项目，借着新项目的机会，重新审视一下之前一些实践方法，进而寻求一下背后的理论支撑 新项目开始，首先一个就是会新建一个project，那么这个project怎么分层，怎么创建module 经典分层 以传统方式，经典的MVC分层，就controller,service,model ? 找来一张servlet时代的经典处理流程，虽然技术手段日益更新，但处理流程是一样的 ? 抽象一下，经典的分层就是： ? 现在大多数系统都是这种分层结构。 DDD带了很多的认知的改变，最大的好处是将业务语义显现化，不再是分离数据与行为，而是通过领域对象将领域概念清晰的显性化表达出来 当然这世间并没有银弹，但至少能给我们带来一种改进经典分层的理论支撑 DDD
81831发布于 2021-03-23 - 来自专栏国产程序员
垃圾回收算法(4)-复制算法
算法原理 复制算法首先将或者的内存空间分为2块，每次只使用其中一块，在垃圾会搜时将正在使用的内存中的存活对象复 制到未被使用的内存块中，之后清楚正在使用的内存块中的所有对象，交换2个内存的角色，最后完成垃圾回收 因为年轻代中的对象基本都是朝生夕死的(80%以上)，所以在年轻代的垃圾回收算法使用的是复制算法，复制算法的基本思想就是将内存分为两块，每次只用其中一块，当这一块内存用完，就将还活着的对象复制到另外一块上面 复制算法不会产生内存碎片。 在GC开始的时候，对象只会存在于Eden区和名为“From”的Survivor区，Survivor区“To”是空的。 image 存在问题 由于JVM中的绝大多数对象都是瞬时状态的，生命周期非常短暂，所以复制算法被广泛应用于年轻代中。 不过在垃圾收集技术中，复制算法提高效率的代价是认为的将可用内存缩小了一半。 个人博客 简书 掘金 CSDN OSCHINA
91420发布于 2020-07-22 - 来自专栏深度学习与python
算法研习：K-means聚类和分层聚类分析
，今天我们就来看一下两大聚类算法：K-means聚类和分层聚类。 质心的寻找是一个迭代过程，由两个步骤组成： 首先，对于每个质心，算法找到与该质心相近的最近点（通常利用欧几里德距离），并将它们分配到该类别。 分层聚类 分层聚类有下图所示的两种方式：聚合与分裂 ? ? 在分层聚类中，相似性度量也是通过数据点之间的距离来判断的，下边介绍分层聚类中三种距离度量方式： 最小值：表示给定两个簇C1和C2，它们之间的相似性等于点a和b之间的相似性最小值(平移：距离)，使得a属于 综上所述，两种聚类算法都在寻找数据之间的相似性，并且都使用相同的方法来确定簇的数量。至于两种算法在统一数据集上的聚类结果差异可以通过随机生成数据，用两种算法进行聚类计算，通过可视化聚类结果进行对比。
2.3K51发布于 2019-07-15 - 来自专栏图像处理与模式识别研究所
灰度分层
labels[i,j]=1 else: labels[i,j]=2 psdimg=color.label2rgb(labels)#灰度分层 cv2.imshow("result",psdimg) cv2.waitKey() cv2.destroyAllWindows() 算法：灰度分层是按照灰度值范围划分为不同的层级， 灰度分层技术将灰度图像转换为伪彩色图像，且伪彩色图像的颜色种类数目与强度分层的数目一致。
1.4K10编辑于 2022-05-28 - 来自专栏_春华秋实
分层架构
分层架构是将系统拆分成具有独立职责的多个层次，以协同提供完整的功能。常见的分层方式包括MVC架构和三层架构（表现层、逻辑层、数据访问层）的设计。 三层架构介绍一种常见的分层方式是将整体架构分为表现层、逻辑层和数据访问层：表现层：顾名思义嘛，就是展示数据结果和接受用户指令的，是最靠近用户的一层；逻辑层：里面有复杂业务的具体实现；数据访问层：则是主要处理和存储之间的交互 分层有什么好处: 分层设计简化了系统设计，使得团队成员可以专注于特定层次的开发，提高了代码的复用性和系统的横向扩展能力，尤其适用于复杂业务和高并发系统设计。 分层架构的不足: 分层架构会增加系统的复杂度和性能损耗，因为增加了中间层次可能导致额外的网络交互开销；也增加了代码复杂度（针对业务场景使用分层，例如后台业务可以不分）三层架构和 MVC 结构的区别MVC 故，它们的关系如下图所示：参考链接MVC 和三层架构详细介绍了 MVC 和 三层架构的不同架构分层：我们为什么一定要这么做？详细介绍了 三层架构 在业务上的具体使用和优缺点
87020编辑于 2024-09-19 - 来自专栏不想当开发的产品不是好测试
测试分层
# 背景 纯属个人总结，总结下目前接触到测试方法/体系 # 个人总结 从开发架构上来分层 目前接触到项目，基本上都是如下图的架构模式（MVC），每一层都衍生出对应的测试 ? 对应的测试： ? 因此测试的本质的业务的质量，而不是为了测试而测试 自动化是为了提高效率，是为了保证的解决业务的稳定性，性能是为了保证业务的体感 从流程上来分层 ? 数据分析是数据的累积，业务健康度的考察； # 最后 以上每一项展开的话，都是一个个课题，测试的水也很深，个人期望自己也能成为某一方面的专家，随着细化，测试也在慢慢细化，如现在的app专项测试，大数据测试，算法测试
1.1K10发布于 2018-08-30 - 来自专栏UI自动化
分层测试
现在为了腾讯视频增值团队的分层测试，了解了一些内部和外部的自动化框架，他山之石可以攻玉，这里列出来和大家一起学习。 自动化的认识 ---- 为什么要建设自动化？ 主要当前QA工作中存在众多的痛点。 分层自动化的理念 在理解分层自动化之前，我们先看自动化测试金字塔。 tech.meituan.com/2017/06/23/mobile-app-automation.html 行为驱动开发：https://zh.wikipedia.org/wiki/%E8%A1%8C%E4%
6.7K63发布于 2020-06-14 4种回收算法
(先不清理，先移动再清理回收对象) 优点： 不产生空间碎片：将所有存活对象整理到一端，边界以外被清理掉 缺点： 效率低：标记-整理算法是在标记-清除算法的基础上，又进行了对象的移动，因此成本更高 复制算法(Copying)： 复制算法：将可用内存分为大小相等两块，每次只使用其中一块，当该内存使用完后，就将该内存中活着的对象复制到另一块内存；然后再将已使用过得内存一次性清理 这样每次都是对一块内存进行回收 ，如果存活对象很多，那么复制算法的效率将会大大降低。 ，再根据不同的算法进行回收。 3、当对象寿命超过阈值时，会晋升至老年代，最大寿命是15（4bit） 4、当老年代空间不足，会先尝试触发 minor gc，如果之后空间仍不足，那么触发 full gc，STW(stop the
25710编辑于 2024-03-20- 来自专栏帆说区块链
【共识算法（4）】拜占庭容错算法-“PBFT”
该算法是继raft算法之后的再一次深入实践的共识算法，与raft、paxo一样都可以看作是分布式一致性算法。 Practical Byzantine Fault Tolerance：PBFT，是联盟币的共识算法的基础。实现了在有限个节点的情况下的拜占庭问题，有3f+1的容错性，并同时保证一定的性能。 容错率 raft算法的的容错只支持容错故障节点，不支持容错作恶节点，所以容错率高，过半节点正常即可 PBFT算法可以容忍小于1/3个无效或者恶意节点 作恶节点：除了可以故意对集群的其它节点的请求无响应之外 性能尚可 PBFT 算法通信复杂度 o（n^2），因为系统在尝试达成状态共识时，涉及到N个几点都需要广播N-1个其它节点。 而在没有作恶节点的zab、raft系统中，通信复杂度 O(N) raft与PBFT各有优缺点，raft容纳故障节点，PBFT容纳错误节点，要保持整个网络的稳定，或者说在一些鲁棒性要求高的场合，将两者算法结合会是一个非常不错的选择
2.3K10编辑于 2022-04-26
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