- 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。 然而我们在上大学的时候只要学过一点点经济学原理就会知道，钱多了就会产生通货膨胀。
49210发布于 2018-09-14 - 来自专栏大侠之运维
轻量化的远控工具
natpass：轻量级远程控制工具在今天的数字化时代，远程控制工具变得越来越重要，无论是用于远程技术支持、服务器管理还是其他远程操作。 natpass是一款轻量级的远程控制工具，它提供了强大的功能和安全性，使您能够轻松地远程管理您的计算机和服务器。本文将介绍natpass的功能、部署过程以及如何使用它，帮助您充分了解这个有用的工具。 natpass的功能与特性natpass提供了一系列功能和特性，使其成为一款强大的远程控制工具。 这些功能和特性使natpass成为一款功能强大且灵活的远程控制工具，适用于各种远程管理需求，无论是个人用户还是企业用户都可以受益。 如果您正在寻找一款可靠的远程控制工具，不妨考虑使用natpass。通过本文介绍的部署过程，您可以轻松地开始使用natpass，并充分利用其强大的功能。
71210编辑于 2024-10-09 - 来自专栏巴山学长
量化计算工具包parsec共享
5.打开config/make.ices文件 ? 6.将原有的ifort编译器改成gfortran，因为intel的编译器要钱，使用免费的 修改前 ? 修改后 ? PVOX可视化工具包文末附上。 1.解压PVOX，打开pvox.m文件如图： ? 2.运行程序导入parsec.out、wfn.dat文件 ? 3.如果没有出错的话，你应该会看到这幅图： ?
2.3K20发布于 2020-05-07 - 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 - 来自专栏GEE遥感大数据学习社区
快速测绘和量化地球表面边缘变化的GEE工具-数字化工具(GEEDiT)和边缘变化量化工具(MaQiT)
这里介绍了三种新的、可免费使用的工具，它们可以一起用于处理和可视化，Landsat 4-8和Sentinel 1-2卫星存档数据，能够在很短的时间内实现高效的绘图(通过手动数字化)和自动量化边缘变化。 边缘变化量化工具(MaQiT)是GEEDiT和GEEDiT Reviewer的补充，允许通过使用两种已建立的方法(以前用于测量冰川边缘变化)和两种新的方法，通过类似的简单GUI快速量化这些边缘变化。 MaQiT的开发初衷是量化潮汐冰川末端的变化，尽管工具中包含的方法有可能广泛应用于地球表面科学的多个领域(例如,沿海和植被范围的变化)。 v=UDdR5hRgNTg GEEDiT Reviewer – https://www.youtube.com/watch? v=Ob3zU9l5r0M MaQiT MaQiT（Margin Change Quantification Tool ）: The Margin change Quantification Tool
84520编辑于 2022-09-20 - 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AI技术探索和应用
快速上手chatglm.cpp模型量化工具
下载代码 git clone --recursive https://github.com/li-plus/chatglm.cpp.git && cd chatglm.cpp 量化模型 支持量化的模型包括 0: 5-bit integer quantization with fp16 scales. q5_1: 5-bit integer quantization with fp16 scales and python3 chatglm_cpp/convert.py -i THUDM/chatglm-6b -t q4_0 -o chatglm-ggml.bin 运行模型 cpp工具运行 编译工具 cmake 注意修改量化后模型的名称和地址。 MODEL=. 注意修改量化后模型的名称和地址。 MODEL=.
3.5K51编辑于 2024-03-13 - 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 - 来自专栏强仔博客
专为 Telegram 设计的轻量化自建代理工具
第二个是SOCKS5代理，也是复制进去从剪切板导入。 使用说明 进入下载脚本的目录并运行脚本： ./mtproxy.sh 然后选择你要执行的选项即可。 invite_code=xp5d9fxk7lsq
7.7K31编辑于 2021-12-20 - 来自专栏有三AI
【杂谈】当前模型量化有哪些可用的开源工具？
模型量化属于模型优化中的重要技术之一，是非常有效地提升模型推理速度的技术方案，那么当前有哪些可用的模型量化工具呢？ https://github.com/NVIDIA/TensorRT caffe-int8-convert-tools是一个Caffe模型量化工具，基于TensorRT2.0。 https://github.com/BUG1989/caffe-int8-convert-tools 3 PaddleSlim PaddleSlim是百度提出的模型量化工具，包含在PaddlePaddle https://github.com/NervanaSystems/distiller 5 其他框架 微软的NNI集成了多种量化感知的训练算法，并支持PyTorch，TensorFlow，MXNet，Caffe2 Highly Accurate and Compact Deep Neural Networks by microsoft https://github.com/microsoft/LQ-Nets [5]
2.4K21发布于 2019-12-25 - 来自专栏全栈程序员必看
md5 java 工具类_javamd5工具类
/** * 简单计算MD5 * * @author agapple 2015年3月26日 下午8:45:47 * @since 5.1.19 */ public class MD5Utils { private static final Log log = LogFactory.getLog(MD5Utils.class); private static char[] digits = { ‘0 (); private MD5Utils(){ try { mHasher = MessageDigest.getInstance(“md5”); } catch (Exception e) { getMD5String(String content) { return bytes2string(hash(content)); } public String getMD5String(byte hash(content); } /** * 对字符串进行md5 * * @param str * @return md5 byte[16] */ public byte[] hash(String
42140编辑于 2022-09-14 - 来自专栏kali blog
一款轻量化的远程连接工具-NxShell
最离不开的工具便是远程连接工具了。工作中常见的工具有XshellFinalshell等。 但每款工具都有自身的优点和不足，在这里給大家分享一款比较轻量化工具NxShell NxShell是一款开源的远程连接工具，支持Windows/Linux/MacOS系统及多种协议（SSH、SFTP、FTP
30510编辑于 2025-07-28 - 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。 本文版权属于GiantPandaCV，未经允许请勿转载 一、环境准备 主要需要的工具有两样： ncnn推理框架 地址链接：https://github.com/Tencent/ncnn shufflev2 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
4.2K30发布于 2021-09-14 - 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IT云清
MD5工具
MD5工具类 import org.apache.commons.codec.digest.DigestUtils; import java.io.UnsupportedEncodingException ; import java.security.SignatureException; /** * 功能：MD5签名处理核心文件，不需要修改 * */ public class MD5 { public static String sign(byte[] bytes) { return DigestUtils.md5Hex(bytes); } public static String sign(String text, String charset) { return DigestUtils.md5Hex(getContentBytes( text, charset)); } public static String sign(String text) { return DigestUtils.md5Hex
2.1K30发布于 2019-01-22 - 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 深入对比分析四款内网穿透工具：多协议工具、自建型工具、轻量化工具、企业级工具
本文从功能、性能、安全性、易用性、成本等维度，深入分析四款主流内网穿透工具（以下分别以“多协议工具”、“官方托管工具”、“轻量化工具”、“企业级工具”代称），为用户提供客观参考。1. 官方托管工具 以简单易用为主，但由于连接方式依赖官方服务器，适合对性能需求较低的临时场景。轻量化工具 针对个人用户设计，功能上更注重简化配置，适合轻量化和非复杂场景。 5. 轻量化工具 的一次性购买模式对个人用户更友好。企业级工具 其硬件和服务结合的模式为企业提供了更高的性价比。6. 轻量化工具：面向个人用户和轻量化场景，使用门槛低，但性能和安全性相对一般。企业级工具：最佳选择为企业用户，特别是需要高安全性、低延迟和智能组网优化的场景。
86310编辑于 2025-07-04- 来自专栏磐创AI技术团队的专栏
TensorFlow 模型优化工具包 — 训练后整型量化
最初，我们通过“混合运算”为训练后量化提供支持，该方法可量化模型参数（例如权重），但以浮点方式执行部分计算。今天，我们很高兴宣布推出一款新工具：训练后整型量化。 与量化感知训练相比，此工具更易于使用，并可在大多数模型中实现出色的准确率。目前可能仍存在需要进行量化感知训练的用例，但我们希望随着训练后工具的不断改进，这种情况会越来越少。 CPU 大小和延迟时间，即应使用“混合”训练后量化工具。 如果旨在大幅改进 CPU 或兼容固定点加速器，则应使用此训练后整型量化工具；若会影响模型准确率，则可能还需使用量化感知训练。 representative_dataset_gen(): 2 data = tfds.load(...) 3 4 for _ in range(num_calibration_steps): 5
1.8K50发布于 2019-07-10 - 来自专栏量化投资与机器学习
转移熵：量化非线性因果关系的有力工具
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。 自从Schreiber 2000引入以来，转移熵已经被认为是分析非线性系统中因果关系的重要工具(Hlavackovaschindler et al. 2007)。 然而，统计工具可以帮助我们从因果关系中判断相关性。在本文中，我们介绍了格兰杰因果关系的概念及其在线性向量自回归框架中的传统实现。 最后，我们展示了如何使用转移熵来量化全球股票指数之间的关系。我们还讨论了文献中的进一步应用，其中信息理论措施被用于量化投资者情绪和股票之间的因果关系。 Python中计算Transfer Entropy的工具库： https://github.com/ZacKeskin/PyCausality 参考文章：https://towardsdatascience.com
2.1K40编辑于 2022-07-01
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