- 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（10）
K线图，大家应该不陌生，至少在影视剧里，在平常的财经新闻报道中应该都见过。如果是超过股的朋友那就更不会陌生了，K线图几乎就是在炒股过程中必不可少的工具，我们用它来看价格的变化形式。
55210发布于 2018-12-13 - 来自专栏DevOps时代的专栏
轻量化 Jenkins 最佳实践
前言 今天分享主题主要分成三个部分： 第一部分，Jenkins跟持续交付； 第二部分，Jenkins轻量化思路； 第三部分，Jenkins高可用实践。 我们不希望Jenkins承载更多的东西，这也是为什么我提出轻量化Jenkins的概念，初衷在于给Jenkins减负。 ? 接下来我们看一看Jenkins的系统架构。 2.6、轻量化解决之道 那么轻量化的概念到底是什么意思呢？ 那么在实践Jenkins轻量化解决之道的过程中，我总结了一些套路和体系，其中以下八点内容希望可以帮助大家解决一些实际生产工作中Jenkins的性能问题，同时扩展大家的思路，共同探索Jenkins应用的最佳实践 2.6.1、最佳实践一、分布式架构。 ?
4.9K90发布于 2018-02-02 - 来自专栏FunTester
量化模拟线上流量实践
在之前的文章分段随机实践—模拟线上流量中，分享了分段模拟的实现，在实际工作中应用这种方法可以对线上流量进行更加精细化的模拟。 今天分享一下实际工作中某个服务模块中的应用。 put("eee",3); put("fff",1); }}); 计算方式同上，这里并未对所有参数进行穷尽，主要原因两个：一个是接口参数分布比较集中，通过少量（前10 实践 这里先分享接口流量，再分享服务流量，因为两者有依赖关系。 response) response } 通过random方法即可将配置MApi#BS_ARGS中的参数按照value比例传到方法M#bs(java.lang.String)中，达到量化模拟线上流量的目的 实现如下： /** * 量化模拟全量接口 */ public void all() { def url = random(MApi.urls) if (url
41230发布于 2021-10-20 - 来自专栏深度学习那些事儿
一起实践量化番外篇——TensorRT-8的量化细节
一起实践量化番外篇——TensorRT-8的量化细节 好久不见各位~ 这篇文章很久之前写完一直没有整理，最近终于是整理差不多了，赶紧发出来。 本文接着《必看部署系列-神经网络量化教程：第一讲！》 这是偏实践的一篇，主要过一下TensorRT对于explict quantization的流程和通用的量化思路。 不看必进坑~不论是训练还是部署都会让你踩坑的Batch Normalization. [08/25/2021-17:30:06] [V] [TRT] Removing BatchNormalization_10 INT8中反卷积的权重OIHW中I和O的通道必须大于1 [optimizer.cpp::computeCosts::1981] Error Code 10: Internal Error (Could 部分量化结果会错误解析 tactic : ampere_scudnn_128x64_relu_interior_nn_v1 后记 这篇文章整理了好些天，总算是搞完了，其实去年10月份的时候已经打好了草稿
4.5K51编辑于 2023-10-19 - 来自专栏DevOps时代的专栏
华为专家 | 轻量化微服务测试实践
接下来我会从以下四个方面和大家分享微服务自动化测试方面的实践： 微服务测试面临的挑战。 微服务测试策略。 轻量化微服务测试实践。 轻量化微服务测试总结。 工程实践方面，需要考虑持续集成流水线，测试策略方面使用的成熟度，以及测试工具是不是足够轻量化。 三、轻量化微服务测试实践 1、工程实践：单元测试 单元测试方面 第一，单元测试并不要去追求100%的代码覆盖率，刚才也是讲了，其实应该综合去衡量。 5、组织实践：角色划分与如何协作 上面是讲了一些工程实践，但是我们刚才提到了，微服务的测试不光是从工程实践和架构技术方面去进行优化，还需要考虑到组织实践的优化，就是在测试活动中，相关角色是如何去划分和进行协作的 最后讲了工程实践和组织实践，包括每种测试类型下我们应该做的事情和不应该做的事情，还推荐了一些轻量化的测试工具。
3.2K101发布于 2018-02-02 - 来自专栏诡途的python路
——python量化实践
阅前提醒：本文仅作技术交流，不做投资建议，投资有风险，入市须谨慎 1.什么是量化交易？ 我们利用计算机技术，通过建模分析、优化参数等手段，从历史金融数据中挖掘出影响投资的指标，使用程序进行自动交易来获得“超额”的收益，这种投资方法就叫做量化交易。 现在，很多量化机构将人工智能和机器学习与量化策略相结合。国内的一些顶尖私募，比如：九坤、幻方、朱雀等都在使用AI量化策略，从各大公司的招聘公告上也可以看出这点。 2.分析展示 ?
82521发布于 2020-10-16 - 来自专栏Ldpe2G的个人博客
卷积神经网络训练模拟量化实践
对训练好的网络做量化，在实践中尝试过TensorRT[5][8]的后训练量化算法，效果还不错。 而训练量化说白了就是在forward阶段去模拟量化这个过程，本质就是把权值和激活值量化到8bit 再反量化回有误差的32bit，所以训练还是浮点，backward阶段是对模拟量化之后权值的求梯度， 然后用这个梯度去更新量化前的权值 在实践中发现有些任务权值不分通道量化效果也不错，这个还是看具体任务吧，不过本文 给的实验代码是没分的。 实验结果 用VGG在Cifar10上做了下实验，效果还可以，因为是为了验证量化训练的有效性，所以训 Cifar10的时候没怎么调过参，数据增强也没做，训出来的模型精确度最高只有0.877，比最好的 结束语 以上内容是根据最近的一些工作实践总结得到的一篇博客，对于论文的实现很多地方都是我自己 个人的理解，如果有读者发现哪里有误或者有疑问，也请指出，大家互相交流学习:)。
1.9K30发布于 2019-01-13 - 来自专栏Rust
Rust 量化统计实战系列 第 1 篇：Python 原型 + Rust 生产：量化开发最佳实践
在量化开发领域，速度与可靠性往往是一对矛盾体。如何既能快速验证策略想法，又能将核心逻辑稳定、高效地推向生产环境？ 本系列将以这一混合开发理念为核心，系统讲解如何使用 Python 进行统计原型验证，再通过 Rust + Polars 构建生产级量化统计流水线，最终实现从想法到落地的无缝衔接。 量化开发者通常面临两大核心困扰： 困扰 1：原型验证要快，生产运行要稳 在策略研究阶段，你需要快速迭代想法、调整参数、探索数据、绘制可视化结果。 两者优势互补，形成高效的量化开发闭环。 流式处理 核心计算密集任务 Rust 无 GIL，真并行，高吞吐 长期服务稳定性 Rust 内存安全，适合 7×24 运行 API 服务与编排 Python FastAPI 生态成熟 混合开发最佳实践原则
14911编辑于 2026-04-23 - 来自专栏GiantPandaCV
低比特量化之DoreFa-Net理论与实践
kernel_size=1, stride=1, padding=0, abits=abits, wbits=wbits), DorefaConv2d(cfg[7], 10 ，对应了公式9和公式10： # ********************* W(模型参数)量化 *********************** class weight_quantize(nn.Module = 1 else: # 按照公式9和10计算 output = torch.tanh(input) output 将DoreFa-Net应用到YOLOV3上 上次介绍的YOLOV3剪枝方法汇总 文章中还剩下一个量化方法当时没有提到，实际上它的量化方法就是DoreFa-Net量化方法，然后我们来看一下量化效果： ? YOLOV3使用DoreFa-Net的量化实验结果 但是需要注意的是，在框架下量化训练过程都还是在float32精度下的表达，只是尺度scale到量化的尺度上了，能够验证量化的有效性。
1.5K10发布于 2020-07-28 - 来自专栏CDA数据分析师
译文 | 量化投资教程：投资组合优化与R实践
本文由CDA作者库成员HarryZhu翻译，并授权发布。 CDA作者库凝聚原创力量，只做更有价值的分享。 Harry Zhu，擅长用Python和R进行数据建模、定量研究，目前就职于量子金服（Quan
2.3K81发布于 2018-02-24 - 来自专栏深度学习那些事儿
一起实践神经网络量化系列教程（一）！
本篇系列文的主要内容计划从头开始梳理一遍量化的基础知识以及代码实践。因为老潘对TensorRT比较熟悉，会主要以TensorRT的量化方式进行描述以及讲解。 所以也打算参考Pytorch、NCNN、TVM、TFLITE的量化op的现象方式学习和实践一下。 当然这只是学习计划，之后可能也会变动。 当然也会有FP64、FP16、BF16、TF32等更多的精度： FP32 是单精度浮点数，用8bit 表示指数，23bit 表示小数；FP16半精度浮点数，用5bit 表示指数，10bit 表示小数； TF32 是一种截短的 Float32 数据格式，将 FP32 中 23 个尾数位截短为 10 bits，而指数位仍为 8 bits，总长度为 19 (=1 + 8 + 10) bits。 之前老潘的一篇文章中提到，FP16的普遍精度是~5.96e−8 (6.10e−5) … 65504，而我们模型中的FP32权重有部分数值是1e-10级别。
2K40编辑于 2023-10-19 Qclaw 图片解析：轻量化高效工具的核心能力实践
Qclaw 作为一款轻量化、高性能的工具，凭借内置的丰富拓展技能，将图片解析打造成核心特色功能，以极简操作、高准确率与多元场景适配，为电子科技大学成都学院开放原子开源社团成员及广大用户，带来高效便捷的多模态信息处理体验 Qclaw 的图片解析功能上手门槛极低，操作流程简洁易懂，充分贴合轻量化工具的设计理念。 依托开源技术的优势，Qclaw 持续优化多模态信息处理体验，以轻量化设计为基础，不断拓展多元化技能。
16210编辑于 2026-04-20- 来自专栏Python爬虫与算法进阶
Python量化 | 10年翻400倍的炒股策略(视频讲解)
邢不行是经管之家（原人大经济论坛）「量化投资」版块的版主，毕业于中国香港科技大学，热门教程《量化小讲堂》作者。 可以将这个条件抽象为一个可以实际投资的简单策略：在每个月的月底，找出市值最小的10只股票，然后全仓等额买入。每月如此反复。 例如，假设一开始有10万元。 在6月的最后一天，将所有股票按照市值从小到大排序，选取最小的10只股票，然后每个股票买入1万元。 持有1个月，等到了7月31日，将手上的所有股票都卖掉，然后再找出届时市值最小的10只股票等额买入，如此往复循环即可。 10年400倍 对！ 量化投资从基础到策略编写，手把手教你从获取数据到自动下单。 课程注重实际，学完后能自己写出量化策略并自动交易。 课程配套大量实际案例作为作业，老师持续督促，不做作业会被骂的！
6.5K92发布于 2018-04-04 - 来自专栏DevOps时代的专栏
DevOps 实践的10个误区
DevOps 旨在打破经常存在与研发和运维之间的“沟通障碍”，想象下这些团队之间紧密合作，并互相学习各自的实践经验。 所以，如果正确地实践了的话，DevOps 会被当作一种文化在整个团队中被接受，而不是某个团队在“承担 DevOps 任务”。 10、研发人员不关心生产上的事情 DevOps 不仅时要缩短研发与运维之间的距离，还包括团队与客户之间的。 如何才能让研发更加关心生产活动？通过消除任何阻断在他们的代码与客户所见之间的责任。 无论你实践了多久的 DevOps 方法论，总会有值得改进的地方。更多的 DevOps 实践不仅有益于研发团队，而且对所有的组织都是有益的。 原文链接：https://circleci.com/blog/10-ways-you-re-doing-devops-wrong/
77850发布于 2018-04-08 - 来自专栏后端开发随笔
RAID 10磁盘阵列实践
最常见的RAID磁盘阵列的方案是RAID 0、RAID 1、RAID 5与RAID 10这4种。 RAID 10技术是RAID 1+RAID 0技术的一个“组合体”，先分别两两制作成RAID 1磁盘阵列，以保证数据的安全性；再对两个RAID 1磁盘阵列实施RAID 0技术，进一步提高硬盘设备的读写速度 RAID 10磁盘阵列至少4块硬盘来组建。 如下磁盘阵列部署实践基于RHEL8 + VMWare虚拟机进行操作。 使用mdadm命令创建、调整、监控和管理RAID设备。 ~]# mdadm -Q /dev/md0 /dev/md0: 39.97GiB raid10 4 devices, 0 spares. 级别的磁盘阵列中，当RAID 1磁盘阵列中存在一个故障盘时并不影响整体RAID 10磁盘阵列的使用。
1.7K20编辑于 2023-01-02 - 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 - 来自专栏Docker项目实战
轻量化知识库方案：Docker部署Dokuwiki 的最佳实践
二、本次实践规划2.1本地环境规划本次实践为个人测试环境，操作系统版本为Ubuntu24.04.2LTS。 hostnameIP地址操作系统版本Docker版本部署项目jeven01192.168.3.88Ubuntu24.04.2LTS28.3.3Dokuwiki2.2本次实践介绍1.本次实践部署环境为个人测试环境 lib/systemd/system/docker.service;enabled;preset:enabled)Active:active(running)sinceMon2025-08-0410:10 :52UTC;30minagoTriggeredBy:●docker.socketDocs:https://docs.docker.comMainPID:860(dockerd)Tasks:10Memory 八、总结通过本次Docker部署Dokuwiki的实践，成功构建了一个轻量级、可移植的个人知识库系统，显著提升了部署效率与环境一致性。
78700编辑于 2026-01-07 文档切块、向量化与检索实践
实现一套 RAG 服务，核心就三步：文档切块、向量化、检索。 RAG 为什么有用？ 大模型有两个局限：上下文长度有限（不能塞太多文档）、知识有时效性（训练数据可能过时）。 向量化：把文本转成向量 向量化就是调用 Embedding API（如 OpenAI 的 text-embedding-3-small），把文本转成一个固定长度的浮点数数组（如 1536 维）。 串起来：完整的 RAG 流程 下面把切块、向量化、检索串成一个完整的 RAG 服务： type RAGService struct { embeddingClient *EmbeddingClient Content, question) 注意事项与优化建议 切块策略： 按字符数切最简单，但可能切断句子 按段落切（遇到空行）更自然，但块大小不均匀 按句子切最精细，但需要分词库 重叠很重要：相邻块重叠 10 ：调用 Embedding API，把每个块转成向量，存到向量库 检索：用户提问时，把问题也向量化，用余弦相似度找最相似的几个块，作为上下文发给模型
22810编辑于 2026-03-0210个使用YashanDB的最佳实践
本文将深入探讨10个使用YashanDB的最佳实践，以帮助用户优化其数据库性能，确保可靠性和安全性。最佳实践1. 10. 定期审计与优化数据库安全保障数据安全和完整性是每个数据库管理系统必须重视的方面。YashanDB提供审计功能，可以定期审查用户操作及数据更改记录，以发现异常问题。 结论以上10个最佳实践可以帮助用户更好地利用YashanDB，以保证数据安全、高效存储和快速检索。随着数据规模的不断增长，应用这些优化方法将成为数据库管理员的核心竞争力。
16710编辑于 2025-10-16- 来自专栏喔家ArchiSelf
IoT产品的10个最佳实践
上周末，经过和友人的友人深入地讨论，自己梳理了实现IoT产品的10条经验，并自以为是地称之为“最佳实践”。 这里的10条最佳实践指南涵盖了设计、构建以及最终销售物联网产品。 ? 1. 清晰地定义用例 可以肯定的是，物联网为制造厂商提供了前所未有的产品能力。 这可能意味着每月生产2000台，10万台的物联网设备，或者能够在短时间内开启数百万台产品。与安全性一样，可伸缩性也必须从产品设计的开始就进行规划。 10. 考虑“服务”而不是“产品” 当人们说物联网改变了一切，这确实是重要而真实的。为了在物联网的世界中取得成功，制造厂商需要转变思维方式，充分利用物联网可能带来的所有新机遇。
1.5K41发布于 2020-10-30
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