- 综合排序
- 最热优先
- 最新优先
- 来自专栏初见Linux
10-2 控制进程
二、控制进程 现在已经知道了如何查看和监控进程，接下来见识一下如何对进程进行控制。 将使用一个名为 xlogo 的程序作为实验对象。 0.xlogo （1）是什么? xlogo 程序是由 X
1.2K40发布于 2020-08-05 - 来自专栏嵌入式音视频
10-2 判断是否为素数
预览图如下 #include<stdio.h> #include <windows.h> int main() { int prime(int x); int n; system("color f0"); printf("请输入一个正整数\n该正整数要求大于1\n程序目的:判断这个数是否为素数\n"); scanf("%d",&n); if(prime(n)) printf("这个数是素数!\n"); else printf("这个数不是素数!\n"); return 0
35830编辑于 2022-12-01 - 来自专栏mysql
hhdb数据库介绍(10-2)
集群管理页面显示已部署或已添加的计算节点集群信息。可以通过左上角搜索框模糊搜索计算节点集群名称进行快速查找。同时也可以通过右侧展开/隐藏更多按钮控制集群列表所需展示的信息内容。
69110编辑于 2025-03-12 - 来自专栏AI机器学习与深度学习算法
机器学习入门 10-2 精准率和召回率
对于精准率来说，它的分母相当于是算法预测值为1的这一列的总和，也就是算法预测样本为1的样本数量，而分子是指算法预测样本为1真实的样本也为1的样本数量，也就是算法预测为1时预测正确的样本数量。 一定要注意区分这两个指标是不同的，这里再次强调一下：精准率是指算法做了100次分类为1的预测，算法预测正确的概率。召回率是指有100个关注事件（真实值为1）发生，算法能够正确识别出的概率。 ? 此时预测的算法就是上图中的圈，其中圈中会有一部分样本，这些被圈住的样本都是被算法预测为患有癌症的人。 其中精准率就是我们算法预测正确也就是绿色的半圈除以算法预测所有的样本为1也就是整个圈中相应的样本数量。召回率是指我们算法预测正确的这部分除以所有真实患有癌症的病人，也就是左边这个矩形部分的所有样本。 此时的算法的准确度为99.9%，因为算法把9990个健康的人全部预测对了，我们知道对于这样一个预测算法，虽然准确率非常高，但是对于解决真实的问题一点帮助都没有。
1.9K30发布于 2020-03-27 - 来自专栏完美Excel
VBA专题10-2：使用VBA操控Excel界面之设置工作表
名称框中的名字是为单元格区域定义的名字，可以由用户定义名称，或者由Excel自动创建，例如Print_Area和表1。
8.5K41发布于 2020-07-02 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题10-2 递归求阶乘和
习题10-2 递归求阶乘和 本题要求实现一个计算非负整数阶乘的简单函数，并利用该函数求 1!+2!+3!+…+n! 的值。
2.2K20发布于 2020-09-15 - 来自专栏爬蜥的学习之旅
分治法(Divide and Conquer)怎么用？
image.png 使用分治法解决找到数组中所有元素数值大小的中间值 最明显的方式就是先排序，然后就直接获取了，排序算法的时间为O(nlgn)。而使用分治法能够达到O(n)的时间,思路如下。 一共5列的二维数组，把每列进行排序，最大的元素在上头，最后x的取值为所有列中间取值的中间的值 image.png 方便画有行列交换 经过这么划分，可以看到 小于X的取值元素数量至少为：3(n/10 -2) 大于X的取值元素数量至少为：3(n/10-2) 这里取 n/10的上边界。
95110发布于 2019-07-09 - 来自专栏智能大数据分析
聚类分析方法（一）
(2)+ 如果将公式 (10-2) 改为 C_1∪C_2∪\cdots∪C_k \subset S\tag{10-4} 而其它假设条件都不变，则称 C=\{C_1 ,C_2, \cdots,C_k (2)++ 如果将定义10-1中的公式 (10-2) 改为 C_1∪C_2∪\cdots∪C_k\subseteq S \tag{10-5} 且至少存在两个簇 C_i∩C_j≠\varnothing （1）类球状的簇 (图10-2)，一般是聚类算法使用距离函数所产生的簇，而非球状的簇，通常由基于密度或基于原型的聚类算法获得的簇。 算法10-2：划分聚类算法框架 输入：数据对象集 S 和正整数 k 输出：“好”的划分聚类 C （1）生成初始划分聚类 C^{(0)}=\{C_1,C_2,\cdots,C_k\} （2） 因此，算法10-2就是寻找使 f(C) 达到最小，或使 F(C) 达到最小的聚类 C ，即是我们需要的好聚类。
73400编辑于 2025-01-23 - 来自专栏数据魔术师
运筹学教学|快醒醒，你的熟人拉格朗日又来了！！
拉格朗日松弛算法，啥，怎么运筹学也有拉格朗日了啊？为什么哪里都有他？那么拉格朗日松弛算法到底讲了什么呢？本期，小编将带你走进拉格朗日松弛的世界。 ? 初始目标函数 IloLinearNumExpr obj = cplex.linearNumExpr(); obj.addTerm(16-8*mu, X[0]); obj.addTerm(10 IloLinearNumExpr new_obj = cplex.linearNumExpr(); new_obj.addTerm(16-8*mu, X[0]); new_obj.addTerm(10
4.9K20发布于 2019-08-26 - 来自专栏机器学习与自然语言处理
Stanford机器学习笔记-10. 降维(Dimensionality Reduction)
图10-1 一个2维到1维的例子 又如图10-2所示的3维到2维的例子，通过对x1,x2,x3的可视化，发现虽然样本处于3维空间，但是他们大多数都分布在同一个平面中，所以我们可以通过投影，将3维降为2维 图10-2 一个3维到2维的例子 降维的好处很明显，它不仅可以数据减少对内存的占用，而且还可以加快学习算法的执行。 注意，降维只是减小特征量的个数(即n)而不是减小训练集的个数(即m)。 结合PCA算法，选择K的算法总结如下： ? 这个算法效率特别低。在实际应用中，我们只需利用svd()函数，如下： ? 10.2.4 Advice for Applying PCA PCA通常用来加快监督学习算法。 PCA应该只是通过训练集的特征量来获取投影矩阵Ureduce，而不是交叉检验集或测试集。 PCA通常用来压缩数据以加快算法，减少内存使用或磁盘占用，或者用于可视化(k=2, 3)。 参考：《机器学习》 周志华
1.1K80发布于 2018-03-13 - 来自专栏机器学习算法与Python学习
机器学习(8) -- 降维
图10-1 一个2维到1维的例子 又如图10-2所示的3维到2维的例子，通过对x1,x2,x3的可视化，发现虽然样本处于3维空间，但是他们大多数都分布在同一个平面中，所以我们可以通过投影，将3维降为2维 图10-2 一个3维到2维的例子 降维的好处很明显，它不仅可以数据减少对内存的占用，而且还可以加快学习算法的执行。 注意，降维只是减小特征量的个数(即n)而不是减小训练集的个数(即m)。 10.2.2 Principal Component Analysis Algorithm 基于上一节给出的结论，下面给出PCA算法。 结合PCA算法，选择K的算法总结如下： ? 这个算法效率特别低。在实际应用中，我们只需利用svd()函数，如下： ? PCA通常用来压缩数据以加快算法，减少内存使用或磁盘占用，或者用于可视化(k=2, 3)。 参考：《机器学习》 周志华
1.2K100发布于 2018-04-04 - 来自专栏全栈程序员必看
体验vSphere 6之7-为虚拟机启用容错
图10-1 启动容错虚拟机 （2）打开控制台，可以看到虚拟机正在启动，如图10-2所示。 图10-2 容错虚拟机正在启动 （3）在vSphere Web Client控制台中，在”摘要”选项卡中可以看到当前容错虚拟机，所在的主机为192.168.80.11，如图10-3所示。
1.5K40编辑于 2021-12-23 - 来自专栏愿天堂没有BUG（公众号同名）
深入解析java虚拟机：垃圾回收，垃圾回收基础概述
Java的所有垃圾回收器都使用追踪式回收，只是具体的算法细节不尽相同。本章将讨论HotSpot VM中现存的所有垃圾回收器，在这之前，有必要先了解下垃圾回收的一些基础知识。 安全点本质上是一页内存，如代码清单10-2所示： 代码清单10-2 安全点创建 void SafepointMechanism::default_initialize() { if (ThreadLocalHandshakes 线程局部握手 上节节的代码清单10-2展示的代码中有一个线程局部握手（ThreadLocal Handshakes）标志，它是JEP 312引入的特性。
57030编辑于 2022-10-31 - 来自专栏CSDN技术头条
实战Google深度学习框架：TensorFlow计算加速
在每一轮迭代中，前向传播算法会根据当前参数的取值计算出在一小部分训练数据上的预测值，然后反向传播算法再根据损失函数计算参数的梯度并更新参数。 图10-2展示了异步模式的训练流程图。从图10-2中可以看到，在每一轮迭代时，不同设备会读取参数最新的取值，但因为不同设备读取参数取值的时间不一样，所以得到的值也有可能不一样。 图10-2 异步模式深度学习模型训练流程图 然而使用异步模式训练的深度学习模型有可能无法达到较优的训练结果。图10-3中给出了一个具体的样例来说明异步模式的问题。 在同步模式下，所有的设备同时读取参数的取值，并且当反向传播算法完成之后同步更新参数的取值。单个设备不会单独对参数进行更新，而会等待所有设备都完成反向传播之后再统一更新参数 。
1.6K80发布于 2018-02-12 - 来自专栏福大大架构师每日一题
文心一言 VS 讯飞星火 VS chatgpt （105）-- 算法导论10.1 3题
三、用go语言，仿照图 10-2，画图表示依次执行操作 ENQUEUE(Q，4)、ENQUEUE(Q，1)、ENQUEUE(Q，3)、DEQUEUE(Q)、ENQUEUE(Q，8)和 DEQUEUE(Q 图 10-2 展示了队列在每一步操作后的状态，但是由于我不能直接画图，我将用文字描述每一步的结果。 在这里插入图片描述 在这里插入图片描述 chatgpt： 以下是使用Go语言实现图10-2中操作的示例代码： package main import "fmt" const MaxSize = 6 Q.Dequeue() fmt.Println("DEQUEUE(Q):", item) } 输出结果会按照操作的顺序打印如下： DEQUEUE(Q): 4 DEQUEUE(Q): 1 这样就仿照了图10
38450编辑于 2023-10-05 - 来自专栏华章科技
终于有人把用户画像的流程、方法讲明白了
如图10-2所示，用户的行为数据无法直接用于数据分析和模型训练，我们也无法从用户的行为日志中直接获取有用的信息。而将用户的行为数据标签化以后，我们对用户就有了一个直观的认识。 ▲图10-2 用户标签化 对于一个产品，尤其是互联网产品，建立完善的用户画像体系，有着重大的战略意义。 模型标签的构建大多需要用到机器学习和自然语言处理技术，下文介绍的标签构建主要指的是模型标签构建，具体的构造算法会在下文中详细介绍。 同时标签体系的划分也比较固定，表10-2是中国无线营销联盟对人口属性的一个划分。 大部分主流的人口属性标签都和这个体系类似，有些在分段上有一些区别。 ▼表10-2 人口标签 ? 于俊，科大讯飞大数据专家，专注大数据和人工智能应用方案设计、基于Spark的大数据分析和价值挖掘，在大数据算法工程化实现方面具有丰富经验。
6.9K44发布于 2021-07-12 - 来自专栏Hadoop数据仓库
维度模型数据仓库（十五） —— 多重星型模式
可以使用清单（五）- 10-2里的脚本初始装载工厂数据。 factory_city , factory_state , 1 , CURRENT_DATE , '2200-01-01' FROM source.factory_master; COMMIT; 清单（五）- 10 -2 使用Kettle转换初始装载工厂数据只需要一个表输入和一个表输出步骤即可，如图（五）- 10-2到图（五）- 10-4所示。 图（五）- 10-2 图（五）- 10-3 图（五）- 10-4 工厂的信息很少改变，所以可能希望在一个CSV文件里提供任何关于工厂的最新信息。 之后，执行清单（五）- 10-2里的脚本或对应的Kettle初始装载转换向factory_dim表装载factory_master表里的四个工厂信息。
70820编辑于 2022-12-02 - 来自专栏技术分享
【算法】----BF算法&KMP算法
我们今天所讨论的两个算法就是有关该过程的算法。 事实上，对于检索，无非就是两个字符串的匹配过程，模式串是你想要匹配的串，主串是你搜索所在串。 BF算法和KMP算法是较为著名的模式匹配算法，接下来作出详细介绍。 BF算法 BF算法(Brute-Force)也称为暴力算法，其核心原理是逐个比较文本串和模式串的字符，如果匹配失败，则通过向右移动模式串的位置，再次进行比较。 在实际情况下，BF算法的效率并不高，特别是当文本串T和模式串P的长度很大时。对于较长的文本串和模式串，BF算法的时间复杂度可能会导致性能问题。 答案就是KMP算法。 KMP算法 KMP算法的核心思想是利用模式串自身的特点来加速匹配过程，避免重复匹配。
58110编辑于 2024-06-18 - 来自专栏hadoop学习
Hadoop伪分布式环境搭建之Linux操作系统安装
系统时钟使用UTC" 前面打勾，使用UTC时间 image.png 10、设定root账户密码，根据实际需要设定，这是以后管理系统所需要的凭证： image.png 图10-1 如果出现以下提示（见图10 -2） 选择“无论如何都要使用” image.png 图10-2 11、选择第五项(创建自定义布局)、查看并修改分区布置，点击下一步： image.png 12、删除默认分区 image.png
1.2K00发布于 2018-10-26 - 来自专栏业余草
手把手教你写出 6 种负载均衡算法！
常见的负载均衡算法，大概有 7 种。它们分别是：完全随机算法、加权随机算法、完全轮询算法、加权轮询算法、平滑加权轮询算法、哈希算法、最小压力算法。 本文结合我个人的理解，给大家从头来写出 6 种负载均衡算法。 负载均衡算法，虽然你平时可能用不到，但是面试中可能会被问到。 完全随机算法就和随机数有些关系。看下面的实现代码： ? 代码非常的简单，我就不在详细的解释。下面再看加权随机算法。 随机算法有一个缺点就是，所有的服务器被访问到的概率都是相同的。 服务器的权重）= 3，3<7（“公众号业余草”服务器的权重） 如果我生成的随机数是 10，那么落到“业余草微信号:xmtxtt”服务器，因为 10>2（www.xttblog.com 服务器的权重），10 上面的算法虽好，但是在集群环境下，我想让同一个用户的访问，分流到固定的一台机器上，怎么办？所以就又有了哈希负载均衡算法。 ? 上面的 6 种负载均衡算法是非常常见的，很可能在面试中被问到。
78910发布于 2019-04-29
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