- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI那点小事
算法提高 9-2 文本加密
问题描述 先编写函数EncryptChar,按照下述规则将给定的字符c转化（加密）为新的字符：”A”转化”B”，”B”转化为”C”，… …”Z”转化为”a”，”a”转化为”b”,… …, “z”转化为”A”，其它字符不加密。编写程序，加密给定字符串。 样例输出 与上面的样例输入对应的输出。 例：
57340发布于 2020-04-20 - 来自专栏Lan小站
试题 算法提高 9-2 文本加密
先编写函数EncryptChar,按照下述规则将给定的字符c转化（加密）为新的字符："A"转化"B"，"B"转化为"C"，... ..."Z"转化为"a"，"a"转化为"b",... ..., "z"转化为"A"，其它字符不加密。编写程序，加密给定字符串。
29720编辑于 2022-07-13 - 来自专栏mysql
hhdb数据库介绍(9-2)
本节将描述快速配置关系集群数据库HHDB Server的方法。本节仅介绍必要的配置功能，用于达到快速入门的目的。如果需要了解更多的配置功能，请参考管理平台文档。
43610编辑于 2024-11-28 - 来自专栏AI机器学习与深度学习算法
机器学习入门 9-2 逻辑回归的损失函数
本系列是《玩转机器学习教程》一个整理的视频笔记。在上一小节介绍了逻辑回归的大致框架，有了大致框架就需要建模来求解参数θ值。本小节重点介绍逻辑回归的损失函数。
1.4K10发布于 2020-02-26 - 来自专栏信数据得永生
django 1.8 官方文档翻译：9-2 本地特色附加功能
由于历史因素，Django自带了django.contrib.localflavor – 各种各样的代码片段，有助于在特定的国家地区或文化中使用。为了便于维护以及减少Django代码库的体积，这些代码现在在Django之外单独发布。
35040编辑于 2022-11-27 - 来自专栏yuyy.info技术专栏
第十周算法提高9-2文本加密
本文最后更新于 1163 天前，其中的信息可能已经有所发展或是发生改变。 #include<iostream> using namespace std; int main(){ char arr[55]; int i=0; cin>>arr; while(arr[i]!='\0'){ if(arr[i]=='A')arr[i]='B'; else if(arr[i]=='A')arr[i]='B'; else if(arr[i]=='B')arr[i]='C'; else if(a
35610编辑于 2022-06-28 - 来自专栏程序编程之旅
JavaScript---网络编程(9-2)--DHTML技术演示(2-2)-表格加强
现在我们觉得上面的不好，只能从小到大排序，而且排序后颜色也变了。不好看，现在我们来对它进行改进。
84110发布于 2021-01-21 - 来自专栏机器学习与自然语言处理
Stanford机器学习笔记-9. 聚类(Clustering)
图9-1 一个监督学习与无监督学习的区别实例 无监督学习也有很多应用，一个聚类的例子是：对于收集到的论文，根据每个论文的特征量如词频，句子长，页数等进行分组。聚类还有许多其它应用，如图9-2所示。 图9-2 一些聚类的应用 9.2 K-means algorithm 聚类的基本思想是将数据集中的样本划分为若干个通常是不相交的子集，每个子集称为一个"簇"(cluster)。 划分后，每个簇可能有对应的概念(性质)，比如根据页数，句长等特征量给论文做簇数为2的聚类，可能得到一个大部分是包含硕士毕业论文的簇，另一个大部分是包含学士毕业论文的簇。
1.6K110发布于 2018-03-13 - 来自专栏博客专享
(9-2)：并发工具-线程池
newSingleThreadExecutor()与自己创建一个单线程串行执行任务的区别:
24910编辑于 2025-05-20 - 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 - 来自专栏机器学习算法与Python学习
机器学习(7) -- k-means 聚类
图9-1 一个监督学习与无监督学习的区别实例 无监督学习也有很多应用，一个聚类的例子是：对于收集到的论文，根据每个论文的特征量如词频，句子长，页数等进行分组。聚类还有许多其它应用，如图9-2所示。 图9-2 一些聚类的应用 9.2 K-means algorithm 聚类的基本思想是将数据集中的样本划分为若干个通常是不相交的子集，每个子集称为一个"簇"(cluster)。 划分后，每个簇可能有对应的概念(性质)，比如根据页数，句长等特征量给论文做簇数为2的聚类，可能得到一个大部分是包含硕士毕业论文的簇，另一个大部分是包含学士毕业论文的簇。
1.5K50发布于 2018-04-04 - 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9-2 计算两个复数之积
习题9-2 计算两个复数之积 本题要求实现一个计算复数之积的简单函数。
1.4K30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
24400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。
77720编辑于 2022-10-08 - 来自专栏登神长阶
【论文复现】YOLOv7论文讲解
论文讲解 YOLO v7论文（YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors 由论文中图示，在5 FPS 到 160 FPS 范围内，YOLOv7 在 speed 和 accuracy 上都超过了所有已知的目标检测器，并且在 GPU V100 上 30 FPS 或更高的实时目标检测器中 论文方法 论文聚焦如何在目标检测中取得更快的速度、更高的精度。 它为什么具备如此好的效果，论文分两个方面给出了答案。 为了区分辅助头和原来的头，给他们分别命名为lead head和AUX head，这种使用辅助头，深度监督训练模型的方式在其他论文中也都已经使用过。 yolo.py中的权值路径和分类的文件 修改完成后，可以根据需要运行predict.py文件进行预测 实践应用 预测效果如下所示： 参考链接 YOLO v7 GitHub仓库 链接 YOLO v7论文
1.4K10编辑于 2024-12-09
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