- 综合排序
- 最热优先
- 最新优先
- 来自专栏布衣者博客
LeetCode-题库(8-9)
给你两个字符串 word1 和 word2 。请你从 word1 开始，通过交替添加字母来合并字符串。如果一个字符串比另一个字符串长，就将多出来的字母追加到合并后字符串的末尾。 返回 合并后的字符串 。
38020编辑于 2022-10-31 - 来自专栏AI机器学习与深度学习算法
机器学习入门 8-9 lasso
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节介绍模型正则化的另外一种方式LASSO，依然通过具体的编程实现LASSO，并对α取值与过拟合（拟合曲线）之间的关系进行探讨，进而对LASSO与Ridge进行比较。
1.4K20发布于 2020-01-14 - 来自专栏趣谈前端
前端进阶第8-9周打卡题目汇总
前端基础打卡已经基本结束了,内容从css基础,动画,js基本算法,作用域,闭包,节流防抖这些基本的web知识大家有没有都掌握了呢?年后会出一个进阶路线规划图,希望笔者可以带着大家,一起进步,一起成长.
88540发布于 2020-02-12 - 来自专栏AI SPPECH
IO竞赛2025年题目解析：高级难度（8-9）
2025年的高级难度（难度系数8-9）题目综合考察了选手的算法设计、数学建模、问题分析和代码实现能力。本文将深入解析2025年高级难度的IO竞赛题目，帮助选手们突破极限，冲击更高的竞赛成绩。 难度进阶路径: 入门(1-3) → 基础(4-5) → 中级(6-7) → 高级(8-9) → 专家(10) 难度系数 考察重点 核心知识点 学习目标 8-9 算法设计、数学建模、问题分析 高级图论、高级动态规划 第一章：2025年IO竞赛高级难度题目概述 根据2025年NOI修订版大纲，高级难度（NOI级别）的知识点难度系数为8-9，这一阶段的题目已经接近或达到国际信息学奥林匹克竞赛（IOI）的水平。 以下是一些顶尖选手的训练方法： 系统学习：系统地学习各种算法和数据结构，建立完整的知识体系。不仅要学习算法的实现，还要理解算法的原理和应用场景。 顶尖选手训练路径: 基础巩固 → 专题突破 → 综合训练 → 模拟比赛 → 实战提升 → 创新应用 结论 IO竞赛高级难度的题目是竞赛中的顶级挑战，也是区分顶尖选手的关键。
32010编辑于 2025-11-13 - 来自专栏linjinhe的专栏
设计数据密集型应用（8-9）：从单机到分布式
所以，当你通过网络发送一个数据包的时候，程序必须考虑到这个数据包可能丢失、也可能延迟。
72610发布于 2020-04-01 - 来自专栏腾讯乐享
8-9双月运营攻略一次性提供
电脑端直通地址，管理员现在就可以体验： https://lexiangla.com/settings/mobile-layout 领取详细攻略与素材 3个场景 12个精彩活动 为你一次性提供8-9
62320编辑于 2022-07-21 - 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。
38010编辑于 2024-10-22 - 来自专栏Java架构师必看
带闰年判断的正则表达式
2600，2700，2900，3000，3100，3300，3400，3500，3700，3800，3900是个特殊值(能被4整除但不是润年)，要分出来: String leap1 = "(((1[8- ]))(0|2|4|6|8)(4|8))"; String leap2 = "(((2(0|4|8))|(3(2|6)))00)"; 其他的0结尾的： String leap3 = "(((1[8- 9])|([2-3][0-9]))(2|4|6|8)0)"; 2,6结尾的： String leap4 = "(((1[8-9])|([2-3][0-9]))(1|3|5|7|9)(2|6))"; 9])|([2-3][0-9]))(0|2|4|6|8)(1|2|3|5|6|7|9))"; String noleap2 = "(((1[8-9])|(2(1|2|3|5|6|7|9))|(3(0| 1|3|4|5|7|8|9)))00)"; String noleap3 = "(((1[8-9])|([2-3][0-9]))(1|3|5|7|9)(0|1|3|4|5|7|8|9))"; 非润年
93220发布于 2021-03-22 - 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 题8-9 分类统计各类字符个数
题8-9 分类统计各类字符个数 本题要求实现一个函数，统计给定字符串中的大写字母、小写字母、空格、数字以及其它字符各有多少。
1.1K30发布于 2020-09-15 - 来自专栏用户2442861的专栏
Tesseract:训练
资源文件的训练 如果刚才按照建议进行过了尝试，应该能发现哪些是必要的文件，它们是: unicharset inttemp pffmtable normproto shapetable 训练的过程就是为了从训练数据中产生这些东西 数据准备 首先要准备好训练用的文本数据，根据不同的应用场景，对文本数据的要求会不一样。 项目网站上说到，每个字在训练用的数据文件中一般应该有 10 个样本，低频字也至少要有 5 个，高频的应该在 20 个以上。 不过就我目前进行的中文训练情况来看，每个字一个样本得到的结果也没有明显的差异，读者可以自行试验。 图像与BOX文件生成 有了数据文件后，我们需要用这些数据文件中的文字来生成图像，用这些图像去进行训练。
2.2K10发布于 2018-09-19 - 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
52810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。
99110编辑于 2024-06-14 - 来自专栏sofu456
gan训练
gan对mnist数据集训练 使用非卷积神经网络，对1维数据模拟，卷积是对2维数据模拟 import torch import torchvision import /discriminator.pth') 单个图片训练(训练使用一张图片中的每个小图片) import torch from torch import nn from torch import autograd
73731发布于 2019-07-09 - 来自专栏FreeBuf
AI领域的预训练与自训练
但谷歌最新的研究表明，在数据量足够的情况下，至少在目标检测任务上，采用自训练得到的预训练模型对检测结果的提升要显著优于监督预训练与无监督预训练模型。 01 使用监督学习获得预训练模型 作为实验，研究者首先在Imagenet上训练分类网络作为预训练模型，之后监督得到的预训练模型作为骨干网络在COCO数据集上进行训练。 不同数据增强模式下基线、监督式预训练、自训练式预训练下的目标检测结果对比 ? 不同数据增强模式下基线、监督式预训练、自训练式预训练下的目标检测结果对比 ? 统一实验条件下三种预监督方法对比 作为与监督预训练与无监督预训练的对比，对照实验表明使用自训练方法得到的预训练模型在各种数据增强模式，不同主任务训练集尺寸的情况下都能获得明显受益，且显著优于基线(不使用预训练模型 在语义分割方面，研究者也证明了自训练的预训练方式比监督式预训练可以达到更好的效果： ?
2K10发布于 2020-11-16 - 来自专栏人人都是极客
4.训练模型之准备训练数据
终于要开始训练识别熊猫的模型了， 第一步是准备好训练数据，这里有三件事情要做： 收集一定数量的熊猫图片。 将图片中的熊猫用矩形框标注出来。 将原始图片和标注文件转换为TFRecord格式的文件。 收集熊猫图片倒不是太难，从谷歌和百度图片上收集 200 张熊猫的图片，应该足够训练一个可用的识别模型了。 最后需要将数据集切分为训练集合测试集，将图片文件打乱，然后按照 7：3 的比例进行切分： random.seed(42) random.shuffle(all_examples) 最后还需要一个 label map 文件，很简单，因为我们只有一种物体：熊猫 label_map.pbtxt: item { id: 1 name: 'panda' } 训练一个熊猫识别模型所需要的训练数据就准备完了 ，接下来开始在 GPU 主机上面开始训练。
2.4K80发布于 2018-03-16 - 来自专栏AI
AI训练师入行指南（四）：模型训练
现在，我们正式进入训练阶段：用特定数据集将模型从粗坯打磨成传世珍宝。 “用翡翠原石雕佛像，用和田玉刻印章——特定数据集就是AI模型的专属玉料。” 训练模型就像雕刻师根据玉料特性选择刻刀和技法，只有匹配的数据集才能让模型成为真正的“智能珍宝”。 1. 数据集的核心价值领域适配性：用医疗影像数据训练的模型，能识别癌症结节；用电商评论训练的模型，能感知用户情绪波动。 质量决定上限：标注精准的1000条数据，胜过混乱的10万条噪声数据。 训练技法则如同雕刻师的手艺：Adam优化器智能调节“刻刀力度”，3e-4学习率在收敛速度与稳定性间精准平衡，Dropout随机屏蔽神经元防止过度雕刻。 终极心法： 用torch.save()保存每个训练阶段——这是你的“时光回溯”按钮
89510编辑于 2025-03-31 - 来自专栏AI科技评论
预训练后性能反而变差，自训练要取代预训练了吗？
自训练适用不同规模数据集和不同强度增强数据的训练； 3、自训练并且可以看作对预训练的补充，联合预训练和自训练可以获得更大的增益。 2 研究动机 作者希望能解决以下问题： 预训练对训练结果有多大程度的帮助？什么情况下使用预训练是无效的？ 与预训练相比，我们可以使用自训练并获得相似或更好的结果吗？ 如果自训练优于预训练（暂做这样的假设），那它在多大的程度上比预训练好？ 在什么情况下自训练比预训练更好？ 自训练的灵活性和可扩展性如何？ 3、自监督预训练 vs 自训练 有监督的 ImageNet预训练会损害最大规模数据集和高强度数据增强下的训练效果。但是自监督的预训练呢？ 使用相同的ImageNet数据集，ImageNet的预训练获得+ 2.6AP的增益，预训练+联合训练再获得+ 0.7AP的增益，而预训练+联合训练+自训练则获得+ 3.3AP的增益。 ?
1.5K10发布于 2020-07-23 - 来自专栏全栈程序员必看
模型训练技巧
模型训练技巧 神经网络模型设计训练流程 图1-1 神经模型设计流程 当我们设计并训练好一个神经网络之后，需要在训练集上进行验证模型效果是否良好。 这一步的目的在于判断模型是否存在欠拟合；在确定已经在训练集上拟合的很好，就需要在测试集上进行验证，如果验证结果差就需要重新设计模型；如果效果一般，可能需要增加正则化，或者增加训练数据； 欠拟合处理策略 因此需要在训练误差和测试误差之间做一个权衡。 集成学习的做法大致是，从训练集中采样出多笔数据，分别去训练不同的模型（模型的结构可以不同）。用训练出的多个模型分别对测试集进行预测，将最终的结果进行平均（如图1-16所示）。 因此，在训练模型时，就相当于训练了多个模型。对于模型中的某个权重是，在不同的dropout的神经网络中是共享的。 图1-17 dropout训练过程 但是，在训练好之后，需要进行预测。
1.4K20编辑于 2022-09-20
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