- 综合排序
- 最热优先
- 最新优先
- 来自专栏Hank’s Blog
3-3 数据框的子集
> x <- data.frame(v1=1:5,v2=6:10,v3=11:15) > x v1 v2 v3 1 1 6 11 2 2 7 12 3 3 8 13 4 4 9 14 5 5 10 15 > x$v3[c(2,4)] <- NA > x v1 v2 v3 1 1 6 11 2 2 7 NA 3 3 8 13 4 4 9 NA 5 5 10 15 > #找出第2列 > x[,2] [1] 6 7 8 9 10 > x[,"v2"] [1] 6 7 8 9 10 > x[
91900发布于 2020-09-16 - 来自专栏python3
3-3 SQL Server 2005数
3-3 SQL Server 2005数据库优化 了解数据库引擎优化顾问基本内容 掌握数据库引擎优化顾问的使用 掌握通过命令行的方式进行索引的优化——DTA 一个数据库系统的性能依赖于组成这些系统的数据库中物理设计结构的有效配置
92420发布于 2020-01-07 3-3日志
NuGet安装Microsoft.Extensions.Logging及Microsoft.Extensions.Logging.Consloe
7600编辑于 2026-06-17- 来自专栏叽叽西
lagou 爪哇 3-3 dubbo 笔记
Apache Dubbo是一款高性能的 Java RPC 框架。其前身是阿里巴巴公司开源的一个高性能、轻量级的开源 Java RPC框架，可以和 Spring 框架无缝集成。
67010编辑于 2022-05-17 - 来自专栏悟道
3-3欧几里得求最大公因子
最大公因子，指两个或多个整数共有约数中最大的一个 private static int gc(int a, int b) { if(b==0){ return a; } if(a<b){ int temp=a; a=b; b=temp; } return gc(b,a%b); }
54920发布于 2021-03-16 - 来自专栏AI机器学习与深度学习算法
机器学习入门 3-3 NumPy数据基础
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍NumPy模块的一些基础知识。
94900发布于 2019-11-13 - 来自专栏python3
34补3-3 rhcs集群基础应用
[root@node1 ~]# ansible ha -m shell -a 'service NetworkManager stop'
98400发布于 2020-01-15 - 来自专栏python3
3-3 File类的常用操作的静态方法练
文本文件是我们接触频繁的一类文件，记事本程序经常操作的文件就是文本文件，很多应用程序会保存一些记录到日志文件里，这种日志文件也可以是文本文件。通过本小节的学习，可以掌握对文本文件的简单读写方法。
89520发布于 2020-01-14 - 来自专栏cwl_Java
C++编程之美-结构之法(代码清单3-3)
代码清单3-3 for(answer[0] = 0; answer[0] < total[number[0]]; answer[0]++) for(answer[1] = 0; answer
24120编辑于 2022-11-30 - 来自专栏WebJ2EE
React：Table 那些事（3-3）—— 列宽自适应、列宽拖动
《React：Table 那些事》系列文章，会逐渐给大家呈现一个基于 React 的 Table 组件的定义、设计、开发过程。每篇文章都会针对 Table 的某个具体功能展开分析：
10.1K41发布于 2019-07-19 - 来自专栏愿天堂没有BUG（公众号同名）
字节跳动3-3大牛力荐！RabbitMQ实战指南：消息队列面试必刷手册
RabbitMQ是目前非常热门的一款消息中间件，不管是互联网大厂还是中小企业都在大量使用。作为一名合格的开发者，有必要对RabbitMQ有所了解。
72420编辑于 2022-10-28 - 来自专栏机器学习初学者精选文章
【论文解读】GCN论文总结
本次要总结和分享的是ICLR2017的关于GCN方面的代表作之一论文：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS，论文链接为 paper[1]，参考的实现代码为pygcn[2] 文章目录 先导知识 论文动机 模型 切比雪夫逼近卷积核函数 图上的快速近似卷积 半监督节点分类 实验 核心代码分析 个人总结 先导知识 在读这篇论文之前 论文动机 考虑对图（如论文引用网络）中的节点（如文档）进行分类的问题，其中仅有一小部分节点带有label信息。 单从这个公式来看，本论文所提的图上的卷积方式其实很简单的。 实验 数据集： ? 论文中用到了上述四个数据集，上表中展示了每个数据集的节点数量、边的数量、类别数、特征维度、带标签节点占比。 由上图可以看出，本论文提出的GCN网络分类效果最好。 除此之外，论文中还和以往的一些GCN网络进行了对比实验： ?
2.2K20发布于 2021-04-16 - 来自专栏登神长阶
【论文复现】FastBEV论文解读
论文解读 本文介绍了一种名为Fast-BEV的快速且强大的鸟瞰视图感知基线框架，旨在解决现有BEV解决方案在执行车辆内推理时需要大量资源或性能不佳的问题。 论文方法 方法描述 该论文提出了一种名为Fast-BEV的快速视图变换方法，用于将多相机图像转换为鸟瞰视角下的三维特征图。 论文实验 本文主要介绍了在nuScenes数据集上进行的3D目标检测任务，并进行了多个对比实验来验证Fast-BEV模型的有效性和性能表现。 论文总结 文章优点 本文提出了一种名为Fast-BEV的高效全卷积BEV感知框架，适用于车辆上的部署。
81310编辑于 2024-12-15 - 来自专栏机器学习初学者精选文章
【论文解读】DeepFM论文总结
本次要总结分享的是 推荐/CTR 领域内著名的deepfm[1] 论文，参考的代码tensorflow-DeepFM[2]，该论文方法较为简单，实现起来也比较容易，该方法在工业界十分常用。 构图 总结 论文动机及创新点 在 deepfm 提出之前，现有的模型很难很好的提取低阶和高阶的交互特征，或者需要足够丰富的人工特征工程才能进行。 deepfm 论文里就是基于这一动机，将 fm 模型和 DNN 模型联合起来进行训练，其中 fm 模型可能捕捉到一些低阶的交互特征，而 DNN 模型捕捉一些高阶模型。 不得不说：这篇论文里面的网络图都画的好丑 ? 上式中 第一项<w,x> 表示提取一阶特征，第二项表示提取二阶交叉特征；每个样本在类别型 特征上只有一个取值。 论文讲到该方法可以一定程度避免人工特征工程，从模型看的确做到了无脑交叉，模型自动学习各种交叉的权重。
2.1K20发布于 2020-12-11 - 来自专栏GiantPandaCV
Ansor论文阅读笔记&&论文翻译
scheduler，在看Ansor论文之前建议先了解一下。 这就是论文中Figure5里面的第一个示例。 论文翻译 为了更好的理解Ansor，我翻译了一下论文，欢迎大家勘误。 评估 这里简单介绍一下Ansor的表现，基于论文中的图表。 ? 相关工作 略，感兴趣可以看下原论文。 9. 现在和将来的工作 略，感兴趣可以看下原论文。 10. 结论 我们提出了 Ansor，这是一种自动搜索框架，可为深度神经网络生成高性能的张量化程序。
2.4K31发布于 2021-07-23 - 来自专栏全栈程序员必看
论文阅读报告_小论文
远古论文，没有找到其实验结果，论文中剩余部分为对于集体学习和模型复杂度的讨论。 论文地址：https://www.dbs.ifi.lmu.de/~tresp/papers/p271.pdf 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。
1.1K30编辑于 2022-11-01 - 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3-3 出租车计价
习题3-3 出租车计价 本题要求根据某城市普通出租车收费标准编写程序进行车费计算。
3.1K30发布于 2020-09-15 亚马逊AutoML论文获最佳论文奖
亚马逊在首届AutoML会议上荣获最佳论文奖论文提出了一种停止超参数优化过程的新准则 在首届自动化机器学习（AutoML）会议上，我们团队凭借关于贝叶斯优化终止方法的研究获得最佳论文奖。 创新性终止准则论文《超参数优化的自动终止》提出基于统计误差与泛化误差差距的新判据： 理论突破：证明当统计误差超过遗憾值（理想配置与当前最优配置的差距）边界时，继续优化可能适得其反 实践方法：通过交叉验证估计统计方差
24500编辑于 2025-07-29- 来自专栏深度学习自然语言处理
【论文】本周论文推荐（11.23-11.29）
来自：RUC AI Box 导读 下面论文列表为本小组同学推荐和整理，关于论文细节请联系论文作者。内容涵盖以下研究方向：文本生成、知识库问答、对话系统、推荐系统、情感分析、风格迁移。 本周论文推荐 1 文本生成 code2seq: Generating Sequences from Structured Representations of Code.
95330发布于 2019-12-05 - 来自专栏我还不懂对话
【论文阅读】- 怎么快速阅读ML论文？
机器学习的论文很多，怎么从Arxiv上泛滥的文章中选择论文阅读，那么我们就需要快速地了解论文内容概要，从而决定是否精读。 论文里面的说法是否可靠？个人理解，是说论文里面指标是否靠谱，方法是否实用等。凭我自己的经验，一般可以从以下几点来看：论文方法是否过于trick，是否非常复杂（奥卡姆剃刀原理）。 一般很好的论文思想都很简单，反而是一些水文花里胡哨，指标提升像极了随机波动。是否开源代码。这个很重要，开源也分很多级别：第一档：被开源框架集成，那么这种算法基本没啥问题，方法也是被业界其他人认可。
77820编辑于 2022-10-08
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