- 综合排序
- 最热优先
- 最新优先
- 来自专栏Hank’s Blog
3-5 处理缺失值
> x <- c(1,NA,2,NA,3) > is.na(x) [1] FALSE TRUE FALSE TRUE FALSE > x[!is.na(x)] #找出不是缺失值 [1] 1 2 3 > x <- c(1,NA,2,NA,3) > y <- c("a","b",NA,"c",NA) > z <- complete.cases(x,y) #都不是缺失值的元素 > x[z] [1] 1 > y[z] [1] "a" > library(datasets) #import dat
52010发布于 2020-09-16 - 来自专栏NetCore 从壹开始
3-5 安装CICD管理平台：Jenkins
大家这里可以先安装gitlab工具，我就省事了，直接用gitee做源代码管理平台了。
35621编辑于 2023-01-09 - 来自专栏叽叽西
lagou 爪哇 3-5 spring cloud (下) 笔记
为了⽀撑⽇益增⻓的庞⼤业务量，我们会使⽤微服务架构设计我们的系统，使得 我们的系统不仅能够通过集群部署抵挡流量的冲击，⼜能根据业务进⾏灵活的扩展。那么，在微服务架构下，⼀次请求少则经过三四次服务调⽤完成，多则跨越⼏⼗ 个甚⾄是上百个服务节点。那么问题接踵⽽来：
88020编辑于 2022-05-17 - 来自专栏PHP实战技术
3-5年的PHPer常见的面试题
看到有很多，的总结一下，比较适合有一定经验的PHPer 平时喜欢哪些php书籍及博客？CSDN、虎嗅、猎云 js闭包是什么，原型链了不了解？ for与foreach哪个更快？ php鸟哥是谁？能不能讲
1.6K100发布于 2018-03-09 - 来自专栏cwl_Java
C++编程之美-结构之法(代码清单3-5)
代码清单3-5 void RecursiveSearch(int* number, int* answer, int index, int n) { if(index == n)
27920编辑于 2022-11-30 - 来自专栏AI机器学习与深度学习算法
机器学习入门 3-5 Numpy数组(和矩阵)的基本操作
shape 属性查看数组的维度，返回值是一个元组，元组中对应位置的值为数组中对应维度的元素个数。
87310编辑于 2022-05-25 - 来自专栏跟着官方文档学小程序开发
第二章 小程序开发指南3-5
在本章会介绍小程序的基本开发流程，结合前面章节的知识，完全可以独立完成一个体验很完善的小程序。为了让开发者更加了解小程序开发，在本章中还会通过常见的一些应用场景介绍小程序API的一些细节以及开发的一些技巧和注意事项。
36510编辑于 2025-08-25 - 来自专栏AI研习社
未来 3-5 年内，哪个方向的机器学习人才最紧缺？
所以以 3-5 年的跨度来看，这些工具依然会非常有用，甚至像 CNN 和 LSTM 之类的深度学习算法还在继续发展迭代当中。
71660发布于 2018-03-19 - 来自专栏iOS逆向与安全
写作小技能：卡片式写文章（用3-5张卡片写文）
挑战->核心概念->该怎么做->总结->升华 找到1张卡做大的核心概念 找到3-5张卡做子概念的内容 把这些卡片的“行动指引”总结下，列在最后做个行动指引大全。 .… 用3-5张卡片写文是个很好的体验：1.主题是自下而上生成，而不是逼你针对命题写一个。2. 内容是过去知识卡片的积累，而不是临时写一句，出去找一段儿。3.
1.6K10编辑于 2022-08-22 - 来自专栏实验盒
当我用DeepSeek预测AI for BioScience未来3-5年发展趋势
预测未来3-5年AI在生物科学（AI for BioScience）的发展趋势，可以从技术突破、跨学科融合、数据驱动创新以及伦理监管等多个维度进行分析。以下是一些关键趋势的展望： 1. 药物研发的端到端AI化 全流程覆盖：AI将贯穿从靶点发现、化合物生成、ADMET（毒性/代谢预测）到临床试验优化的全链条，缩短药物研发周期（目前平均10年→可能压缩至3-5年）。 算力成本：训练大型生物模型需要高性能计算资源。 跨学科人才缺口：同时精通AI与生物学的复合型团队稀缺。 总结 未来3-5年，AI将深度重构生物科学的研究范式，从“数据辅助分析”转向“主动设计创造”，并在药物研发、合成生物学、精准医疗等领域实现商业化落地。
59410编辑于 2025-02-05 - 来自专栏Java面试教程
意料之中、要求3-5年的leader，最后选了应届生
大家好，我是了不起，前段时间，了不起在当面试官，挑了许多人给leader去面谈，最后可能是因为把之前某个想走的同事留了下来了，所以对新人没有太多的要求，所以选了应届生。
26200编辑于 2024-11-22 - 来自专栏鲸落学习笔记
C++ 中的字符串数组（5 种不同的创建方式3-5）
theme: channing-cyan highlight: a11y-dark
2.9K20编辑于 2022-11-14 - 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 练习3-5 输出闰年
练习3-5 输出闰年 输出21世纪中截止某个年份以来的所有闰年年份。注意：闰年的判别条件是该年年份能被4整除但不能被100整除、或者能被400整除。
2.5K20发布于 2020-09-15 jvm入门2：3-5运行时数据区+程序技术器+虚拟机栈
内存是非常重要的系统资源，是硬盘和CPU的中间仓库及桥梁，承载着操作系统和应用程序的实时运行。jvm内存布局规定了java在运行过程中内存申请、分配、管理的策略，保证了jvm的高效稳定运行。不同的jvm对于内存的划分方式和管理机制存在着部分差异
37610编辑于 2025-02-24- 来自专栏全栈程序员必看
预训练模型还要训练吗_多模态预训练模型
若使用已保存好的镜像reid_mgn:v1，在本机上可按如下操作训练 # 1.进入已保存环境的镜像（reid_mgn:v1（8.48G）、pytorch/pytorch:1.0.1-cuda10.0 personReID ufoym/deepo:testv1 /bin/bash (75服务器) # 2.进入到工程目录 cd /home/personReID/MGN-pytorch-master # 3.复制预训练模型到指定路径 打开另一个终端 docker ps 查看容器内镜像（找到reid_mgn:v1 前对应的数字字符串%%%%） docker stats %%%%% 实时监测内存情况 # 4.训练 （在原终端继续进行，注：demo.sh是已改好参数的） sh demo1.sh 补充： 训练前需要修改的文件及代码 1.demo.sh文件 修改data路径（把你的数据集路径添加到 –datadir）、 ：需将数据集文件名由原始的Market-1501-****改为和代码匹配的Market1501 2.trainer.py 修改train、test中的epoch 3.main.py 如果是单GPU训练
1K20编辑于 2022-11-08 - 来自专栏学习之路
【算法训练】：贪心（算法 & 题目训练）
在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，他所做出的仅是在某种意义上的局部最优解。贪心算法不是对所有问题都能得到整体最优解，但对范围相当广泛的许多问题他能产生整体最优解或者是整体最优解的近似解。
37710编辑于 2024-10-22 研究生入局 AI Agent，不是跟风，是抓住未来 3-5 年的技术红利研究
不同于大模型预训练动辄上万张显卡的算力门槛，Agent领域的核心竞争力，是架构设计、工程落地和问题拆解能力。这和研究生阶段强调的“小算力做创新、做落地”的科研路径高度契合。 更重要的是，研究生可以依托“架构创新”而非“模型预训练”来完成研究，大大降低了科研的门槛。不需要跑上千次实验，也不需要处理海量数据，聚焦一个具体问题，把逻辑讲清楚、方案做扎实，就能提升论文的创新价值。 说到底，Agent不是一阵风，而是未来3-5年AI领域最确定的技术趋势之一。对研究生来说，现在入局，不是跟风，而是抓住了一个用小成本撬动大价值的机会。
19110编辑于 2026-05-16- 来自专栏全栈程序员必看
对抗训练
对抗训练 对抗训练是防御对抗样本攻击的一种方法。将对抗样本和正常样本一起训练是一种有效的正则化，可以提高模型的准确度，同时也能有效降低对抗样本的攻击成功率。 不过这种防御也只是针对同样用来产生训练集中的对抗样本的方法。 探索网络对底层任务的理解层次，通过对抗训练减少原有独立同分布的测试集的错误率——在对抗扰动的训练集上训练网络 对抗样本的定义和产生 从2013年开始，深度学习模型在多种应用上已经能达到甚至超过人类水平
1.1K30编辑于 2022-09-20 - 来自专栏Timeline Sec
渗透训练
专项训练 SQL注入： https://github.com/Audi-1/sqli-labs XSS： https://github.com/haozi/xss-demo https://xss-game.appspot.com Tj1ngwe1/upload-labs XXE： https://github.com/c0ny1/xxe-lab SSRF： https://github.com/m6a-UdS/ssrf-lab 综合训练
52710发布于 2019-12-17 - 来自专栏MySQL解决方案工程师
模型训练
模型训练是改变词汇分布的一个更重要的方法，从零开始训练一个模型需要耗费大量的成本，对于一般用户来说是不可能完成的任务。 用户通常会使用一个已经在大规模数据上训练好的预训练模型进行进一步训练，这个预训练模型可能是在一个通用任务或数据集上训练得到的，具有对一般特征和模式的学习能力。 Fine-tuning：微调会采用预先训练的模型（例如，BERT）和带有标签的数据集对全部的参数进行调整，是经典的机器学习训练方法。 Prarm. Efficent FT：通过将一组非常小的参数隔离起来进行训练或者向模型中添加一些新参数，可以降低训练成本。 训练成本 模型训练需要耗费硬件成本，最后给出一个基于OCI的不同训练方法的硬件成本。
98610编辑于 2024-06-14
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