- 综合排序
- 最热优先
- 最新优先
- 来自专栏胡琦
vue和deno的结晶--vno来了
众所周知，Vue 是一个非常容易上手的 Javascript 框架，具有令人兴奋的生态系统，并具有易用、灵活、高效的特点，Deno 是一个 JavaScript/TypeScript 的运行时，默认使用安全环境执行代码，有着卓越的开发体验，那 Vue 和 Deno 能擦出怎么样的火花？于是社区便有开发者造了 deno 运行时环境中使用 vue 框架的这里轮子-- vno 。
2.3K20发布于 2021-09-09 - 来自专栏博文视点Broadview
集体智慧的结晶：个性化推荐系统
2用户行为建模 基于用户历史行为的进行挖掘分析，得到刻画用户本质需求的一组属性集合，即得到用户模型，个性化推荐的准确性很大程度上依赖于对用户属性刻画的准确性。 用户偏好分析 结合用户历史行为和物品信息，可以得到每种行为下的用户偏好数据，包括偏好的维度及偏好程度，如偏好的物品、品牌、类别、标签等。 ? 再将各种行为的偏好数据合并，最终得到用户在物品、品牌、类别、标签等各个维度上的偏好程度。合并不同维度的数据时，需要考虑到不同的行为类型反应用户偏好程度是不同的。 比如购买行为比点击行为更能反映用户的偏好，则由购买行为计算得到的偏好数据在合并时赋予的权重要高一些。 ? 要保证各种行为的各个维度的数据具有可比性，需要进行归一化，而且同纬度的要采用相同的归一化方法。 时间维度上的考量 在处理各个维度的偏好数据时，需要考虑用户行为的有价值程度是随时间衰减的，即行为发生时间距当前的时间越近，得到的数据越能表征用户将来的行为。
1.4K30发布于 2020-06-12 - 来自专栏林德熙的博客
dotnet X11 的多屏触摸行为测试
故事的背景是我在给 Avalonia 加上触摸尺寸的支持时，代码审查过程中大佬提出了在多屏上的 X11 行为问题，为此我找了两个触摸屏进行测试 X11 的多屏触摸行为。 由于我的设备有限，本文只记录我所测试到的行为 给 Avalonia 加上触摸尺寸支持的功能的代码： https://github.com/AvaloniaUI/Avalonia/pull/16498 基础环境 /etc/debian_version 获取 debian 版本号，输出信息如下 >$ cat /etc/debian_version bullseye/sid bullseye 是 debian 11 发现触摸屏的触摸输入和对应的屏幕显示没有对齐，需要根据以下大佬们的博客进行修复 Linux处理多触屏的终极解决方案 香风家的火柴盒 【图形显示】扩展屏模式，触摸点较准不准确_90-touchscreen-map-CSDN博客 具体输入行为测试 github.com/lindexi/lindexi_gd.git git pull origin dedfc0ec3a3c8d04e7bec5276fe5bcaa926fe6e9 获取代码之后，进入 X11
40110编辑于 2024-07-31 - 来自专栏林德熙的博客
记 X11 里面触摸的一些行为
这是我在学习 CPF 和 Avalonia 过程中，编写的 X11 触摸测试程序所测试到的一些行为 前置博客： dotnet 学习 CPF 框架笔记 了解 X11 里如何获取触摸信息 X11 触摸测试程序 测试程序开源代码路径： https://github.com/dotnet-campus/ManipulationDemo/tree/master/ManipulationDemoCpfX11 此测试程序基于 CPF 的源代码进行编写 XI_Leave 行为 以下是我测试到的 XI_Leave 的行为逻辑 当存在别的窗口在当前的窗口之上时，触摸先进入当前的窗口，让当前的进程收到了 X11 的 Down 事件 XITouchClass Touch mode: direct Max number of touches: 50 如此可以证明这是从 X11 github.com/lindexi/lindexi_gd.git git pull origin c64e19bfab4a85720d9a0692f1de3c960d6d8ce1 获取代码之后，进入 X11
50910编辑于 2024-10-16 - 来自专栏C/C++基础
设计模式（11）——模板方法模式（Template Method Pattern，行为型）
模板方法模式（Template Method Pattern）属行为型，在一个方法中定义一个算法骨架，而将一些步骤延迟到子类中，使子类可以不改变算法结构即可重定义算法的某些特定步骤。 --分割线---------- 运行纯阳无极功 开通正经与奇经 使用真武剑 使用招式神门十三剑 突然肚子不舒服，老夫先去趟厕所 3.模版方法模式的使用场景和优缺点 应用场景： （1）各子类中公共的行为应被提取出来并集中到一个公共父类中以避免代码重复 优点 （1）模板方法模式通过把不变的行为搬移到基类，去除了子类中的重复代码。 （2）子类实现算法的某些细节，有助于算法的扩展。
55421发布于 2018-08-03 - 来自专栏我和未来有约会
转向行为 - 寻找行为
寻找行为只是把机车移动到指定点。 现在给出寻找行为的一个例子： <UserControl xmlns="http://schemas.microsoft.com/winfx/2006/xaml/presentation" xmlns:x 仅仅是让场景上一个有转向行为的机车在每帧去寻找鼠标。试着改变机车的最大速率和最大力度，或者改变其质量(mass)来感受一 下这些因素对转向行为的影响。 myStar.seek(new Vector2D(mouseX, mouseY)); myStar.update(); 到此，应该已经见识了转向机车如何寻找鼠标或者另一辆机车，当对这些工作有了很好的理解后，我们进入下一个行为
1.5K70发布于 2018-01-16 - 来自专栏我和未来有约会
转向行为 - 追捕行为
对于追捕行为，它非常类似寻找行为。其实追捕的最后一个动作就是调用寻找。追捕的本质是预测目标所要到达的位置并事先赶到。 那么，该如何预测目标的位置呢？ 而实际上，寻找行为就是一个预测时间为零的追捕行为。 一个策略是基于两机车间的距离来判断预测时间。如果目标太远，需要花一段时间才能赶上，就预测长一点，如果很接近，马上就能达到，就预测短一点。 一个是只顾移动的机车，其作为目标，另外两个转向机车，一个用寻找行为，一个用追捕行为。如果一切正常，追捕者靠着优越的算法会胜出。 接下来的行为是：躲避。
1.6K100发布于 2018-01-16 - 来自专栏我和未来有约会
转向行为 - 到达行为
到达行为在很多场合都可以被当作是寻找行为。实际上，它们之间的算法和处理方式都一样。唯一不同的是，在到达模式中，一辆机车在到达目标的某一距离时，会变成一种精确模式慢慢地靠近目标点。 为了了解到达行为的必要性，可以先运行一下SeekTest类，然后移动鼠标到某处让机车过来“抓住”它。会看到机车快速的越过了鼠标，接着它发现过头了，又返回来，还是过头了....于是会一直循环下去。 到达行为通过减速接近目标，解决了这个问题： public void arrive(Vector2D target) { Vector2D desiredVelocity 最终速度会趋向于0（假设只有一个行为作用于该机车）。 如果愿意可以再试着玩玩增加多辆机车，或者现在就进入下一个行为：追捕。
1.5K60发布于 2018-01-16 - 来自专栏我和未来有约会
转向行为 - 躲避行为
躲避就是追捕的反行为。就像追捕类似于寻找，躲避类似于避开。 本质上讲，是预测出机车将要去到的位置并远离它。在这里所有的原则都和追捕相同。
1.4K80发布于 2018-01-16 - 来自专栏我和未来有约会
转向行为 - 避开行为
避开行为与寻找行为彻底相反。实际上，除了代码最后一行用相减代替了相加以外，其它都一样。 现在我们有了一对正反行为，接下来要做的是为这对行为创建一对机车来看看情况。 我们还可以把两个行为同时用于一辆机车上。下面的例子中，机车A同时寻找和避开机车B，机车B同时寻找和避开机车C，机车C同时的寻找和避开机车A。这三辆机车会因为追捕各自的目标而形成一个圆。 如果这些都没问题了，那就开始探索下一个行为：到达。
1.3K70发布于 2018-01-16 - 来自专栏我和未来有约会
转向行为 - 漫游行为
漫游行为就像它的名字一样，角色在场景中毫无目的的移动。这通常用来模拟巡视和觅食，也有纯粹是为了漫游而漫游的。 漫游行为在实现上不像听起来那么容易。
1.5K80发布于 2018-01-16 - 来自专栏ATYUN订阅号
谷歌大脑研究：AI识别蛋白质结晶，准确率高达94%
谷歌大脑团队的成员今天宣布开发了用于识别蛋白质结晶的深层卷积神经网络，准确率约为94％。蛋白质结晶决定了细胞的形状，可以在发现治疗各种疾病的药物中发挥作用。 MARCO计划是几家制药公司和学术研究中心之间的一个联合项目，旨在汇集和托管大型策划结晶图像库，并将其提供给社区，以帮助开发更好的图像分析工具。
59730发布于 2018-07-27 - 来自专栏数据D江湖
2022年天猫双11大促消费行为分波段洞察
来源：阿里妈妈 公众号后台回复： 报告 获取源文件 欢迎添加本站微信：datajh （可上下滑动或点单个图片放大左右滑动查看）
47310编辑于 2022-12-08 - 来自专栏全栈程序员必看
姿态估计与行为识别（行为检测、行为分类）的区别
姿态估计和行为识别作为计算机视觉的两个领域，对于新人来说，较为容易弄混姿态估计和行为识别两个概念。 （Action Detection/Regnition），最终的结果是得到图像或视频段中目标的行为类别。 视频中人体行为识别主要分为两个子方向。 参考文献 行为识别的综述博客： https://blog.csdn.net/neu_chenguangq/article/details/79504214 给出了行为识别的一些概述及资源合集（文章、代码 常用的行为检测的数据集： THUMOS2014：在行为检测任务中只有20类动作的未分割视频是有序行为片段标注的 MEXaction2：骑马和斗牛 ActivityNet：目前最大的数据集，同时包含分类和检测两个任务
3.5K20编辑于 2022-06-24 - 来自专栏智药邦
Chem Rev｜人工智能和机器学习算法在结晶研究中的应用
此外，机器学习使用各种分子描述符作为输入，对控制晶体材料行为的特性（如溶解度和熔点）的计算机预测做出重大贡献。 结果表明，测量特性与流动行为合理相关（R2在0.69和0.82之间），并产生了良好的流动性分类模型（ROC曲线下面积0.79–0.84）。 5 预测有机化合物的结晶行为 任何药品的结晶能力和结晶结果与所有上游合成步骤一样重要。 此外，即使使用实验数据进行训练，机器学习应用程序也可能变得过于特定于案例，无法（轻松）转移到不同的项目中，特别是考虑到新开发的药物的官能团和结晶行为的多样性。 在开发和探索不仅涉及溶质或溶剂特征，而且涉及它们之间的相互作用的描述符方面的更多努力，可能是显著改善特性和结晶行为预测的关键。
2.4K20编辑于 2023-02-14 - 来自专栏机器学习、深度学习
人群行为分类数据库--Crowd-11: A Dataset for Fine Grained Crowd Behaviour Analysis
Crowd-11: A Dataset for Fine Grained Crowd Behaviour Analysis CVPRW2017 这个数据库目前貌似没有公开，以后应该公开吧。 针对人群行为分析方面的研究，本文主要的工作有以下三点： 1）针对人群行为细分，我们建立了一个较大的数据库 Crowd-11， 11 crowd motion patterns and it is with an average length of 100 frames per sequence. 2）针对本文提出的数据库，我们在上面对比了4个算法的性能 3）针对这个数据库，做了一个异常行为分类应用 Related work Crowd analysis 人群行为分析主要包括以下几个方面的工作： 1）Counting or density estimation 人群密度估计及计数 2） 所以我们需要建立一个大的很是数据库 11类视频人群运动名称 ? ?
1K100发布于 2018-01-03 - 来自专栏全栈程序员必看
行为树
行为树常被用来实现游戏中的AI。每次执行AI ，都会从根节点遍历整个树，父节点执行子节点，子节点执行完后将结果返回父节点。 关于更多关于行为树概念上的东西，大家很容易找到相关的资料，这里不再最赘述，主要是通过一个实际的例子来看行为树在AI上的应用。 下面是用行为树表达的方式： 上面的图让我们能很容易指导我们的代码编写，我们需要完成所有的叶子节点，然后将他们按照图示，放到相应的组合节点中去，然后不停的遍历整个行为树。 我使用AS3完成了下面的demo，去实现上图中的行为树AI（如无法观看请下载最新的FlashPlayer）。 行为树很适合做AI编辑器，我们定义好一些条件和动作，策划人员通过简单的拖拽和设置即可实现复杂的游戏AI。
1.5K10编辑于 2022-09-19 - 来自专栏体验主义
如何使用“行为模型”做用户行为养成
但如果探究背后的原因是有行为心理学依据的，这就是大家也许熟知的“福格行为模型”。最新的福格行为模型做了什么改动？如何利用行为模型帮用户养成（好的）习惯？ 新“福格行为模型” 旧版福格行为模型 （Fogg's Behavior Model）表述为B=MAT。 其中，让行为变得微小不是放弃行为，而是降低门槛，循序渐进。通过寻找行为的入门步骤或者缩小行为的规模，开始尝试建立信心，逐步达到理想的行为结果和习惯状态是福格行为模型所推崇的方式。 在已有的行为习惯中，寻找合适的“锚点”，与预期希望的行为建立连接，这样的行为习惯养成更加有效，而不是过分依赖人物和情境的外部提醒。 所以，当用户具备一定的动机和能力时，想让用户做出行为，从提示入手进行行为设计是最容易取得效果的。 使用福格行为模型做用户行为养成 首先我们要明确在我们各自的产品中，行动具体指什么。
2.3K10编辑于 2022-01-21 - 来自专栏开源
用户行为分析入门：行为事件分析指标解读
我们需要借助更具洞察力的行为事件分析指标来追踪用户在产品内的关键行为，进而分析业务效果、用户转化等情况。什么是行为事件分析指标？ 定义：围绕用户的实际操作行为（点击、提交、跳出、转化等）进行分析特点：颗粒度细、紧贴业务流程、支持分层与转化分析行为事件分析是用户行为数据“从表象到动因”的跃迁。 基础指标 VS 行为事件指标，有什么区别？常见通用的行为事件分析指标进一步利用好分析指标当我们获得了行为分析的结果就可以：理解用户行为 → 优化产品和运营决策 → 提升业务指标。1. 追踪关键用户行为了解用户是否完成了关键操作，例如下单、注册、分享、提交表单等。精准定义「转化」行为，识别转化路径中的关键节点。2. 分析行为路径与流程瓶颈还原用户操作路径，识别在哪一步骤用户流失最多。 做用户分群与标签体系根据用户行为频次、功能使用、活跃度等划分用户（如高活跃、沉默用户）。为用户画像打下基础，支持千人千面、自动化营销等策略。6.
46810编辑于 2025-08-06 - 来自专栏我爱计算机视觉
七夕新浪漫，让AI黑科技带你们提前看看爱情的结晶
今天小编给大家介绍一个AI黑科技，能够完美融合任意两张人脸，并带有丰富的表情，让你不仅凡尔赛地炫个技，还能巧妙风趣地表个白：我觉得咱俩挺合适，可以一起为人类向更美的方向进化作出杰出贡献。
48730发布于 2021-09-03
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