- 综合排序
- 最热优先
- 最新优先
- 来自专栏奇点大数据
话说量化（5）
钱是越多越好吗？这个问题似乎不用回答，那是肯定的啊。试问在座的各位看客哪位不是在挣钱，挣更多的钱，挣更多更多的钱的路上奔跑着的呢？钱是一种交换物质（当然也可以是精神层面的）的重要工具，对于每个人都很重要。所以狭义来说，钱当然是越多越好。
49210发布于 2018-09-14 - 来自专栏腾讯大讲堂的专栏
增长产品中，量化数据分析的几个方法
下面就谈一谈增量贡献的量化，以及如果没有AB实验，怎么量化？ 增长为什么要做量化 做增长产品的数据分析，和其他的数据分析，个人认为最大的特色在于量化，为什么要做量化？ 因为，做增长，是个强数据驱动的方法，要把有限的资源发挥出最大的价值，所以必须准确计算出每个Driver的ROI，才能更有效分配资源，做到效率最大化，把好钢用在刀刃上。 可以看出，我把增长产品的量化规为2大类，外部拉量（拉新、拉活）和促进活跃： 外部拉量：拉新方面，业界有比较成熟的LTV模型，难点在于对LTV模型的预估，拉活方面，一般我们只计算当次（当然不严谨，拉活的后续持续贡献非常复杂 拉新拉活的量化 这部分，只简单谈一下，因为我的业务范围拉新拉活量化比较少，没有经验，借鉴下比较基础的量化方法 拉新，采用y = ax^b分渠道量化预估，虽然还有很多高大上的算法，但是这个公式实现成本最低的 促活贡献的简单量化方法 促活方面，有几个简单的量化方式，虽然不好，但是较为简单，可以参考，后续将会讨论2种比较复杂的量化方式 染色法：对于参与或深度参与的，设定一个阈值，认为是带来的 对比法：对比渗透与未渗透的用户
2.3K21发布于 2020-09-16 - 来自专栏Material Design组件
增长黑客5：激活
换了工作以后进入了运营部门中的设计组，为了弄清楚运营的流程，一个月间间断断地看完了《增长黑客》这本书。现将一些重点记录下来方便以后温习 ? 《增长黑客》 好不容易吸引来潜在用户后，接下来如何让他们真正使用你的产品？事实上，98%的网站访问量都未能引发激活，而大部分移动App都在三天内损失近80%的用户。 列步骤的时候你可能会认为导致用户放弃的因素过多，但是在增长黑客法中永远不要想当然的揣测用户行为背后的原因，而应该仔细的研究数据，基于观察对用户展开调查，这样才能集中在测试那些具有最大潜在影响力的改变上。 ---- 常见的激活障碍以及如何设计增长避免这些障碍 消除用户体验中的摩擦 在用户体验设计中，摩擦是指阻碍人们完成他们想完成的行动的令人心烦的障碍。 每遇到一个令人心烦的障碍用户都会想：“这值得吗？” 不超过5个问题。 3、游戏化机制的利与弊 必须实现“产品——奖励匹配”，即奖励与用户体验核心价值相关。
93520发布于 2019-01-03 腾讯AI素材分析方案：量化创意基因，科学驱动广告增长
破解创意分析的高维非结构化难题 广告素材作为核心变量，其内容复杂、维度高，传统方法面临三大瓶颈：高维非结构化（难以标准化分析）、经验主导（依赖个人直觉）、规模化瓶颈（人工分析无法满足海量素材迭代需求）
10910编辑于 2026-04-16- 来自专栏AI机器学习与深度学习算法
机器学习入门 5-4 向量化
本小节主要介绍使用向量化的方式提升性能。 简单线性回归 先来回归一下简单线性回归优化目标以及通过最小二乘的方式求得的参数a，b的解析解。 ? 在上一个小节中，我们是通过循环的方式来求解分子和分母，前面也说过，使用for循环的这种方式，性能相对是比较低的，如果有办法将for循环的计算变成向量之间的计算的话，得益于numpy模块性能就会大大的提升，这就是向量化运算含义 上面我们将对应元素相乘然后相加的操作看成是向量之间的点乘，这也是为什么在最小二乘求解a的解析解的时候要把式子写成相乘累加的形式，这样就可以将其转换成向量之间的运算，进行向量化运算提升性能。 使用向量化运算实现线性回归算法 前面使用sklearn的思想封装了一个名为"SimpleLinearRegression1"的类，在类中使用for循环的方式来求解参数a的值。 ? ? ? ? 实现向量化的代码只需将for循环部分改成向量点乘即可： ? ? ? ? 为了比较两者的性能，将两种方式导入jupyter中，通过魔法命令来验证性能。 ? ? ? ?
89420发布于 2019-11-13 5个理由使用YashanDB驱动业务增长
高效的数据库驱动不仅保证数据存取的稳定性，还提升查询速度和系统吞吐量，进而驱动业务持续增长。 本文基于行业实践和技术标准，剖析YashanDB作为数据库驱动力量，为业务增长提供的五大理由。1. 支持向量化计算框架，利用SIMD指令批量处理数据向量，提高计算并行度和效率。并行执行机制，结合分布式部署，实现跨节点多级并行，提升查询吞吐量。 5. 高可用与容灾机制保证业务连续性YashanDB通过多副本主备复制和自动选主机制实现高可用架构：主备复制机制确保主库数据实时同步至多个备库，备库异地部署支持灾难恢复。 定期收集统计信息，利用优化器扩展SQL执行计划，采用向量化及并行计算全面提升查询性能。利用事务隔离级别和MVCC机制优化并发控制，避免数据冲突和死锁，加快事务响应。
13410编辑于 2025-10-15- 来自专栏AI智韵
YoloV5改进策略：RefConv打造轻量化YoloV5利器
我们使用RefConv替换YoloV5中的卷积，既能提高精度，又能降低运算量，使得模型更加轻量化！ YoloV5官方结果 YOLOv5l summary: 267 layers, 46275213 parameters, 0 gradients, 108.2 GFLOPs c17 230 131 0.992 0.992 0.995 0.797 c5 tu-22 230 98 0.983 1 0.995 0.788 测试结果 YOLOv5l c17 230 131 0.984 1 0.995 0.839 c5
24810编辑于 2024-10-22 - 来自专栏findyi
【洋哥聊运营】5点讲透增长
也让我这样一个技术屌丝男转型玩了很久增长裂变，在哒哒少儿英语实现了0投放增长100万用户，最近八个月也让现在公司的C端流量增长了十多倍。 今天就结合我的实战聊几点关于增长教科书上没有的思考： 01 老板是增长的第一要素 没有老板的支持和理解，无法做好增长。原因很简单，增长不是一个部门的事情，而是要打通多个部门。 他亲自统领这个独立的团队，并带领 Facebook重回高速增长。 在今天的硅谷，CEO亲自带领增长团队是标配，还有一种是让CTO、CPO领衔增长团队。如果没有最高决策层带领增长团队，谈增长很无力！ 一旦公司成为这种氛围，即便是乔布斯也很难驱动增长。 05 万物皆可增长 除了公司的业务产品可以增长，我们身边的很多事物都可以用增长的思维去做。这其中的关键就是找到合适的增长路径。 写在最后的话： 增长是世间万物的根本，增长能对抗墒增能让企业保持活力、让个人保持成长。一句话，停止增长就是死亡的开始！2020让我们一起增长起来！
54900发布于 2020-03-16 - 来自专栏FunTester
5种促进业务增长的软件测试策略
5.测量代码质量 在软件测试中，确保代码质量极为重要。某些指标有助于确保您的代码运行顺畅且没有错误。
69520发布于 2019-11-22 - 来自专栏敏捷分析
教你更科学地花钱：因果推断在增长业务ROI量化评估上的应用
点击蓝字关注我们 作者：李金霞Polarisli 知乎专栏：《数据分析方法与实践》 创作者：「守望北极星的猫」 ---了解作者其他作品，请点击【文末原文链接】--- 丨导语丨 做增长业务，常用的策略手段有渠道拉新 ，每笔投入的 ROI 量化评判标准统一，自然就可比较。 一 什么是因果推断 在做用户增长时，我们要回答的终极问题是“如果对产品施加 T 策略，对业务目标是否有影响，影响有多大？” 三 倾向性加权得分在活动效果量化增益上的应用 以下以参与某活动为例，讲解倾向性加权得分方法在活动 ROI 量化增益上的应用。 以上量化指标符合规则，则说明加权匹配成功。 3）量化增益值及显著性校验 s_treat = 1.62 说明参与活动用户较未参与活动用户30日人天增益为1.62，且结果显著，量化评估结果可用。
1.5K21编辑于 2022-09-08 - 来自专栏Python数据科学
Python 量化交易神书面世，赠送 5 本
前不久，收到清华大学出版社赠送的 《深入浅出Python量化交易实战》 一书，也答应了出版社要写一些读书笔记，今天就来交作业了。 下面是我参考书中内容做的一些简单尝试，仅供学习参考。 这本书对于使用Python玩量化的初学者们，还是很友好的，感兴趣可以考虑入手一本看看。 笔记① 用Python绘制出股价的5日均线和20日均线。 众所周知，5日均线是短线交易的生死线，而20日均线是中长线趋势的分水岭。因此，基于这两条均线，可以设计出一些简单的交易策略。 能够看到最早的数据到2021年的10月8日： 然后我开始添加5日和20日均线 price['ma5'] = price['Adj Close'].rolling(5).mean() price['ma20 fig.add_subplot(111, ylabel='Price') price['Adj Close'].plot(ax=ax1, color='g', lw=2., legend=True) price.ma5.
92320编辑于 2022-03-11 - 来自专栏叶子的开发者社区
【yolov5】onnx的INT8量化engine
GitHub上有大佬写好代码，理论上直接克隆仓库里下来使用 git clone https://github.com/Wulingtian/yolov5_tensorrt_int8_tools.git 然后在yolov5_tensorrt_int8_tools的convert_trt_quant.py 修改如下参数 BATCH_SIZE 模型量化一次输入多少张图片 BATCH 模型量化次数 height 成功量化后的模型大小只有4MB，相比之下的FP16的大小为6MB，FP32的大小为9MB 再看看检测速度，速度和FP16差不太多 但是效果要差上一些了 那肯定不能忘记送上修改的代码，折腾一晚上的结果如下 cv2 BATCH_SIZE = 1 BATCH = 79 height = 640 width = 640 CALIB_IMG_DIR = '/content/drive/MyDrive/yolov5/ DataLoader() engine_model_path = "runs/train/exp4/weights/int8.engine" calibration_table = 'yolov5_
1.1K70编辑于 2023-11-13 5个原因选择YashanDB支持您的企业增长
选择一个具备先进架构设计、高性能存储引擎及完善并发控制的数据库系统，是支持企业持续增长的关键。本文将深入分析YashanDB在企业级应用中的五大技术优势，揭示其为何成为助力企业发展的可靠数据库平台。 此多样化架构结合具体业务场景灵活选择，为企业增长提供稳定可靠的底层支撑。 支持索引扫描、并行执行、向量化计算以及复杂连接算法等，充分发挥硬件能力，显著降低延迟并提升吞吐。分布式环境下，协调节点生成分布式执行计划，数据节点并行处理，实现高效的数据交换与结果汇总。 结论随着企业数据规模和业务复杂性的不断增长，数据库系统作为核心基础设施，其性能、可靠性和安全性直接影响企业的竞争力。 YashanDB以先进的多样化部署架构、灵活高效的存储引擎、智能优化器、完善事务控制及全面高可用安全体系，能够有效解决大规模数据处理中的瓶颈问题，支撑企业实现快速稳定的增长。
16610编辑于 2025-10-15- 来自专栏GiantPandaCV
NCNN+Int8+yolov5部署和量化
ncnn+int8量化的教程，却在yolov5的量化上遇到了麻烦，一方面是量化后速度更慢了，另一方面是精度下降严重，出现满屏都是检测框的现象，后来经过很多尝试，最终都以失败告终。 再后来，还是决定换其他方式对yolov5进行量化，一是即使最小的yolov5s模型量化后能提速，依旧满足不了我对速度的需求，二是对于Focus层，不管使用哪个向前推理框架，要额外添加对Focus层的拼接操作对我来说过于繁琐 -Yolov5 更轻更快易于部署的yolov5 这篇博客，还是接着上一篇yolov4量化的工作，对yolov5进行ncnn的部署和量化。 量化后的模型如下： 量化后的模型大小大概在1.7m左右，应该可以满足你对小模型大小的强迫症； 此时，可以使用量化后的shufflev2-yolov5模型进行检测： 量化后的精度略有损失，但还是在可接受范围内 六、总结 本文提出shufflev2-yolov5的部署和量化教程； 剖析了之前yolov5s之所以量化容易崩坏的原因； ncnn的fp16模型对比原生torch模型精度可保持不变； [上图，左为torch
4.2K30发布于 2021-09-14 - 来自专栏VRPinea
IDC：ARVR头显销量将持续5年增长，平均年复合增长率为52.5%
报告表示：2022年，全球AR/VR头显出货量将达到6890万台，年复合增长率为52.5%。 此外，IDC表示，虽然2017年全球AR/VR头显市场的表现并不理想，但随着新厂商、新设备和新商业模式的出现，2018年全球AR/VR头显市场将恢复增长。 ? （AR/VR头显份额预测） IDC对AR头显份额作出以下预测：到了2022年，一体机和系列设备将凭借越来越低的价格占据97%以上的AR头显市场份额，并带动AR头显市场在未来五年内实现高速增长。
99390发布于 2018-05-18 - 来自专栏全栈程序员必看
Yolov5更换backbone，与模型压缩（剪枝，量化，蒸馏）
项目地址（GitHub）：https://github.com/Ranking666/Yolov5-Processing 项目介绍： 本仓库是基于官方yolov5源码的基础上，进行的改进。 目前支持更换yolov5的backbone主干网络为Ghostnet，以及采用eagleeye的剪枝方法支持对yolov5系列的剪枝。 后续，将会添加更多更轻量，更优秀的主干网络，比如swintrans，EfficientNet等，以及其他剪枝方法，以及量化，蒸馏对于yolov5系列的支持。 EagleEye: Fast Sub-net Evaluation for Efficient Neural Network Pruning 详细大家可以看之前的初入神经网络剪枝量化3
2.1K20编辑于 2022-09-22 - 来自专栏韩曙亮的移动开发专栏
【Cubase】Cubase 量化设置 ( 量化预置 | 长度量化 | 快捷键设置 | 量化开头 | 量化 MIDI 事件结尾 | 量化 MIDI 事件长度 )
文章目录 一、要解决的问题 二、量化预置 三、长度量化 四、快捷键及设置 1、快捷键及设置 2、量化开头 3、量化 MIDI 事件结尾 4、量化 MIDI 事件长度 五、对 MIDI 进行量化操作 本博客中的所有设置都是在 ; 三、长度量化 ---- 长度量化 参数设置 : 在下图 处设置长度量化 , 如果设置成 " 1/16 " , 那么使用鼠标拖动时 , 音符的长度只能是 16 分音符的整数倍 ; 上述的 量化预置 ; 2、量化开头 量化开头 : 默认按键 " Q " 是量化开头 ; 将所有音符的开始位置对齐到 " 量化预制 " 对应的格子中 ; 该设置是系统自带的 , 不建议修改 ; 3、量化 MIDI 事件结尾 量化 MIDI 事件结尾 : 首先选中左侧的 " 量化类别 / 量化 MIDI 事件结尾 " , 点击右侧的 " 输入快捷键 " 下方的输入框 ; 输入快捷键后 , 点击 " 指定 " " 快捷键 , 量化音符长度 , 此时音符都排列整齐了 , 音符开头和音符长度进行了量化 , 音符结尾自然也进行了量化 ;
4.6K00编辑于 2023-03-28 重塑工业生产力：腾讯云智能体全栈架构与量化业务增长实践
兑现技术投资回报与关键运营指标优化 基于底层架构的全面升级，智能体在核心业务场景中产出了高度确定的量化业务价值。
18610编辑于 2026-04-05- 来自专栏hightopo
矢量化的HTML5拓扑图形组件设计
HT一直被客户称道的就是其全矢量化的设计特色，矢量相比传统图片好处太多了： 矢量可无级缩放，界面不失真不模糊 描述矢量的文本内容远比图片小得多 目前各种window.devicePixelRatio不一致的设备 但，我还是不喜欢DOM上太重都是元素，不喜欢庞大包罗万象搞得没有一家能完美实现的标准，另外用XML、Flex的MXML或Sliverlgiht/WPF的XAML来描述图形实在是笨重不灵活，基于HTML5的 至此仅可以说重造了个SVG的轮子没啥特殊，如果仅能达到矢量化的功能，那费那么大劲自定义一套标准也没大意义，其实HT for Web设置矢量的初衷并非为了矢量化，而是HT产品的核心理念：让程序员更轻松的开发图形界面
1.8K20发布于 2018-07-09 - 来自专栏iRF射频前端产业观察
5G IC 封装以 31% 的复合年均增长率增长（包括 Qorvo、Skyworks、Broadcom 和村田）
高通成为5G解决方案，特别是5G毫米波的一个重要的RF前端供应商。 作为一家无晶圆厂的公司，高通将其所有 SiP 装配外包，为OSAT创造更多的商机。 5G 包装包括带PAD、DRx FEM 等的 RF 模块和用于5G sub- 6 GHz 和 5G mmW连接的AiP。 5G sub-6 GHz RFFEM 在 2026 年占 5G 包装总量的 67%，其次是 5G mmW FEM、mmW AiP和mmW离散天线。 然而，在2021年初的5G手机中，Qorvo已经开始了争夺第二名的竞赛，一些创新模块可能会扰乱排名。 2026 年，移动通信的AiP组装市场将增长 40%，达到约 4.48 亿美元。 到 2026 年，AiP在 5G 包装市场的市场份额将从 2020 年的 11% 增加到 17%。 此外，5G包装基板市场将以复合年均增长率增长35%，到2026年达到7.21亿欧元。
95120编辑于 2022-05-16
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