- 综合排序
- 最热优先
- 最新优先
- 来自专栏初见Linux
10-3 信号
三、信号 kill 命令通常用来“ 杀死 ”（终止）进程，它可以用来终止运行不正常的程序 或 拒绝终止的程序。如下例： kill命令示例.png 我们首先在后台启动了 xlogo 程序。She
85930发布于 2020-08-11 - 来自专栏mysql
hhdb数据库介绍(10-3)
单机部署为管理平台为用户提供单个组件安装部署的功能，弥补集群部署功能中无法单独安装某个组件的缺陷。具体功能说明与操作步骤请参考安装部署文档。
1.1K10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 10-3 实现混淆矩阵，精确率和召回率
有了极度偏斜的数据集，接下来就可以使用二分类算法进行分类了。这里二分类算法使用上一章介绍的逻辑回归算法。 由于我们需要在测试集上评估算法的性能，所以将测试集的真实y_true和算法在测试集上的预测值y_log_predict传入confusion_matrix混淆矩阵的函数中，结果即为算法对应的混淆矩阵。 有了算法的混淆矩阵，相应的就可以计算出算法的精准率以及召回率两个指标。首先来看一下如何来求出精准率。 不过虽然计算出了算法的精准率以及召回率，但是对这两个指标的解读并没有介绍，如果对于两个算法或者同一个算法的两组超参数，这两个指标出现了差异。 比如对于一个算法来说精准率高但是召回率低，而另一种算法精准率低但是召回率高，对于这两种算法要如何进行取舍呢？这些将在下一个小节中介绍。
2.2K30发布于 2020-04-08 - 来自专栏完美Excel
VBA专题10-3：使用VBA操控Excel界面之设置工作表（续）
要隐藏其他工作表中的行，只需使用该工作表代替ActiveSheet，例如使用Sheets(1)代表第1个工作表，或者使用Worksheets(1)代表第1个标准工作表。隐藏所有行后，行标题几乎被隐藏，但列标题仍然在工作表中。
2.9K20发布于 2020-07-16 - 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10-3 递归实现指数函数
习题10-3 递归实现指数函数 本题要求实现一个计算xn（n≥1）的函数。
1K10发布于 2020-09-15 - 来自专栏北京马哥教育
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10-3中给出了一个具体的样例来说明异步模式的问题。其中黑色曲线展示了模型的损失函数，黑色小球表示了在t0时刻参数所对应的损失函数的大小。 假设在时间t1设备d0已经完成了反向传播的计算并更新了参数，修改后的参数处于图10-3中小灰球的位置。 然而这时的设备d1并不知道参数已经被更新了，所以在时间t2时，设备d1会继续将小球向左移动，使得小球的位置达到图10-3中小白球的地方。 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 。
1.5K70发布于 2018-05-02 - 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。 假设在时间t1设备d0已经完成了反向传播的计算并更新了参数，修改后的参数处于图10-3中小灰球的位置。 然而这时的设备d1并不知道参数已经被更新了，所以在时间t2时，设备d1会继续将小球向左移动，使得小球的位置达到图10-3中小白球的地方。 从图10-3中可以看到，当参数被调整到小白球的位置时，将无法达到最优点。 ? 图10-3 异步模式训练深度学习模型存在的问题示意图 ? 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 - 来自专栏数据挖掘
微信红包算法
过年很多人会发微信的红包，但是为毛很多人说自己得不到最佳，因此作者写了一个微信红包发送的算法。 首先科普一下，微信红包的 规则 为： 红包金额的区间为 0.01 - 平均值的2倍 该规则为 微信团队公布的算法 ，读者可自行上网查找相关信息。 第一个人得到金额的区间为[0.01,20] 假设 前三个人 领到的红包为50元，那么此时红包还剩下 7个人 没有领取红包，红包还剩下 50元 ，那么下一个人可以得到的最大金额为： (100-50)/(10
7.8K30发布于 2019-07-02 - 来自专栏灵儿的笔记
java设计模式之策略模式
目录 一、策略模式（Strategy Pattern） 二、 demo: 三、项目地址： ---- 一、策略模式（Strategy Pattern） 策略模式定义了一系列算法，并将每个算法封装起来 ，使他们可以相互替换，且算法的变化不会影响到使用算法的客户。 需要设计一个接口，为一系列实现类提供统一的方法，多个实现类实现该接口，也可以设计一个抽象类（可有可无，属于辅助类），提供辅助函数 策略模式的决定权在用户，系统本身提供不同算法的实现，新增或者删除算法，对各种算法做封装 因此，策略模式多用在算法决策系统中，外部用户只需要决定用哪个算法即可。 二、 demo: //统一的接口 /** * Created by yjl on 2020/9/30 /测试类 public class TestStrategy { public static void main(String[] args) { String exp = "10
73520发布于 2020-10-10 - 来自专栏DeepHub IMBA
计算卷积神经网络参数总数和输出形状
S→stride, p→padding, n→input size, f→filter size 默认Stride =1，没有提到填充(所以，p=0) 输出形状= n-f+1 = 10-3 +1 =8 n = 10, f = 3 s = 1, p = 0 默认Stride =1，没有提到填充(所以，p=0) 输出形状= n-f+1 = 10-3 +1 =8 在使用卷积滤波器对输入图像应用卷积后，输出将是一个特征映射 n = 10, f = 3 s = 1, p = 0 默认Stride =1，没有提到填充(所以，p=0) 输出形状= n-f+1 = 10-3 +1 =8 在使用卷积核对输入图像应用卷积后，输出将是一个特征映射
1.4K30发布于 2021-08-20 - 来自专栏人工智能头条
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。 假设在时间t1设备d0已经完成了反向传播的计算并更新了参数，修改后的参数处于图10-3中小灰球的位置。 然而这时的设备d1并不知道参数已经被更新了，所以在时间t2时，设备d1会继续将小球向左移动，使得小球的位置达到图10-3中小白球的地方。 从图10-3中可以看到，当参数被调整到小白球的位置时，将无法达到最优点。 ? 图10-3 异步模式训练深度学习模型存在的问题示意图 ? 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 。
1.2K50发布于 2018-06-06 - 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10-2 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)。 如图10-3所示。 ? 图10-3 一个可视化的例子 10.2 Principal Component Analysis 主成分分析(Principal Component Analysis : PCA)是最常用的降维算法。 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
1.1K80发布于 2018-03-13 - 来自专栏微服务生态
微服务反模式与陷阱翻译终结篇
服务消费者发送一个消息到第一个服务，然后发送另一个消息的第二个服务，如图10-3所示。在服务使用者执行提交之前，这些消息都保存在队列中。一旦服务使用者执行提交，两个消息就会被释放。 ? 图10-3 在图10-3中，服务消费者将消息发送到第一个队列中，然后服务消费者业务报错， 这时可以在消息事务中进行回滚，从消息系统的队列中删除掉刚才发的消息。
80720发布于 2018-08-22 - 来自专栏机器学习算法与Python学习
机器学习(8) -- 降维
如图10-3所示。 ? 图10-3 一个可视化的例子 10.2 Principal Component Analysis 主成分分析(Principal Component Analysis : PCA)是最常用的降维算法。 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 - 来自专栏人工智能
机器学习（六）——线性回归的多变量、特征缩放、标准方程法
当θ用公式进行迭代，两次迭代之间的Δθ的值小于某个值（一般可以用10-3），则可以认为代价函数已经最小。 五、标准方程法（normalequation） 1、公式推导 标准方程法是与梯度下降法功能相似的算法，旨在获取使代价函数值最小的参数θ。 3、比较标准方程法和梯度下降算法 这两个方法都是旨在获取使代价函数值最小的参数θ，两个方法各有优缺点： 1）梯度下降算法 优点：当训练集很大的时候（百万级），速度很快。 4、综合 因此，当训练集百万级时，考虑使用梯度下降算法；训练集在万级别时，考虑使用标准方程法。在万到百万级区间时，看情况使用，主要还是使用梯度下降算法。
1.3K81发布于 2018-01-08 - 来自专栏决胜机器学习
机器学习（六） ——线性回归的多变量、特征缩放、标准方程法
当θ用公式进行迭代，两次迭代之间的Δθ的值小于某个值（一般可以用10-3），则可以认为代价函数已经最小。 五、标准方程法（normalequation） 1、公式推导 标准方程法是与梯度下降法功能相似的算法，旨在获取使代价函数值最小的参数θ。代价函数公式如下： ? 3、比较标准方程法和梯度下降算法 这两个方法都是旨在获取使代价函数值最小的参数θ，两个方法各有优缺点： 1）梯度下降算法 优点：当训练集很大的时候（百万级），速度很快。 4、综合 因此，当训练集百万级时，考虑使用梯度下降算法；训练集在万级别时，考虑使用标准方程法。在万到百万级区间时，看情况使用，主要还是使用梯度下降算法。
1.4K60发布于 2018-03-07 - 来自专栏Java技术栈
卧槽！Dozer 宣布停止维护，不要再用了。。
www.baeldung.com/java-performance-mapping-frameworks 实测结果： Framework Name p0.90 p0.999 p1.0 JMapper 10 -3 0.008 64 MapStruct 10-3 0.010 68 Orika 0.006 0.278 32 ModelMapper 0.083 2.398 97 Dozer 0.146 4.526
1.2K10编辑于 2022-03-03 - 来自专栏全栈程序员必看
hfe和HFE_hfe参数
Jior:lc和IB在下限比值为 IC0.9×10-39×10-4 IB30×10-63×105=30 而上限为 I(60×10-3 IB300×10-6200 I的变化与Ic的变化之比为 △Ic(60 -0.9)×10-3 △IB(300-30)×10-≈219 Doc:在电路中,用hEF=IC/IB表示集电极电流IC和基极 电流IB之比,并称hEF为直流电流放大系数。
46530编辑于 2022-09-20 - 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10-2 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。 图10-3 容错虚拟机所在主机 （4）在左侧选择另一个ESXi主机192.168.80.12，在”Virtual Machine”列表中可以看到正在运行的辅助虚拟机，如图10-4所示。
1.5K40编辑于 2021-12-23 - 来自专栏API百科
基于机器学习的纠错系统技术 - 智能文本纠错 API
基于机器学习的文本纠错系统通常分为两个主要部分：语言模型和纠错算法。 语言模型是根据大量文本数据训练得到的，可以预测一个词语在语言中的概率；纠错算法则根据语言模型的预测结果和词语的上下文信息来识别错误并纠正它们。 “9-1”: 地址归属地错误 “10-x”: 10-1: 中英类型错⽤ 10-2: 成对标点缺失或⽤反 10
1.7K30编辑于 2023-04-28
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