- 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（7）
俗话说，“有钱能使鬼推磨”，这话虽然说有点夸张，不过已经是把金钱的力量描绘得非常清楚了。绝大部分人都是趋利的，所以在我看来，“利”是驱动人们协作、交互、杀伐的最基本动机，也是驱动世界运动的核心动力。只不过广义的“利”这个东西不仅仅是金钱这么简单——有的人可能被自己所信服的大义所打动，有的人可能为了自己追求的某种癖好而耗尽毕生心血，很显然刚刚说的这两样东西都不是简单用货币能衡量清楚的。为了讨论方便一些，我们现在还是指说能够用货币衡量的，商业环境下的，常态的买卖行为好了。
36720发布于 2018-10-23 - 来自专栏HAUE_LYS'Blog
货仓选址
设仓库选址最佳处为 P，此时在该位置左侧存在 m 个货仓，右侧存在 n 个货仓，总距离为 L。 若更改货仓位置为 P-1，则总长度变为 L - m + n。
49630编辑于 2023-03-01 - 来自专栏数据结构与算法
P2605 基站选址
include<cstdio> 3 #include<cstring> 4 #include<cmath> 5 #include<cstring> 6 #include<algorithm> 7 #include<queue> 8 #define INF 0x7ffff 9 #define ls k<<1 10 #define rs k<<1|1 11 using namespace name=%E9%A2%98%E8%A7%A3+P2605 1 #include <iostream> 2 #include <cstdio> 3 #include <cstring> 4 #include <algorithm> 5 #define sL (s << 1) 6 #define sR (s << 1 | 1) 7 8 using namespace
1K80发布于 2018-04-12 - 来自专栏OI
LuoguP2605 基站选址 题解
LuoguP2605 [ZJOI2010]基站选址 题解 Description 题目链接 有 N 个村庄坐落在一条直线上，第 i(i>1)1 个村庄的距离为 D_i。
66510编辑于 2022-09-19 - 来自专栏AI智韵
YoloV7改进策略：RefConv打造轻量化YoloV7利器
我们使用RefConv替换YoloV7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！ , 3, stride, 1, bias=False), norm_layer(oup), nlin_layer(inplace=True) ) YoloV7官方结果
26410编辑于 2024-10-22 - 来自专栏数据分析之旅
店铺选址的6C评估模型
相比自己构建的店铺选址模型，发现存在更科学的5C评估模型，主要从城市市场评估（city）、核心区域分析（Core Distinct）、竞争分析（Competition）、交通便利性（Convenience ）、成本/收入分析（Cost/Revenue）五个维度更加系统、科学评估选址。 但最终还是可以落实到零售最基本的要素：人、场、人在场的行为数据 基于工作中KA客户的选址分析及选址分析的数据产品，觉得应该再加入一个"C"：Correlation（协同品牌：与待选品牌/店铺相关性高的异业品牌
2.3K52发布于 2020-08-11 DeepSeek-7B-chat 4bits量化 QLora 微调
DeepSeek-7B-chat 4bits量化 QLora 微调 概述 本节我们简要介绍如何基于 transformers、peft 等框架，对 DeepSeek-7B-chat 模型进行 Lora 通过这种方式训练，可以用6G显存轻松训练一个7B的模型。我的笔记本也能训练大模型辣！太酷啦！ /deepseek-ai/deepseek-llm-7b-chat/', use_fast=False, trust_remote_code=True) tokenizer.padding_side = bnb_4bit_quant_type="nf4", # 4位精度量化的类型。这里设置为"nf4"，表示使用nf4量化类型。 bnb_4bit_use_double_quant=True # 是否使用双精度量化。如果设置为True，则使用双精度量化。
52810编辑于 2025-07-17客流量统计在商业选址中的作用：基于数据的技术分析
在零售、餐饮、文旅等领域，选址的核心任务是判断某一位置的潜在经营能力。传统方式依赖人工观察与经验判断，但这类方法无法量化不同时间段、不同客群结构的变化。 选址中的基础需求与技术切入点调研选址时，经营者关注的并不是“路过多少人”，而是以下三个技术问题：1.1 如何量化位置的真实客流需要区分偶发高峰与长期稳定流量，并捕捉全天、全周的节奏波动。 基于客流数据的选址流程（技术版）4.1 数据采集 采集周期：7–14 天 采集维度：小时级客流峰谷、动线方向、停留特征 4.2 数据清洗与结构化 去除异常数据（如大规模活动干扰） 分离工作日与周末数据 选址技术检查表（工程化） 是否进行 7–14 天完整客流采集 是否获得小时级客流曲线 是否识别目标客群比例 是否进行多点位横向标准化比较 是否计算回本周期 是否排除异常事件干扰 是否以数据支撑租金上限判断 7.
41810编辑于 2025-11-21- 来自专栏Python3爬虫100例教程
华为OD机试 新学校选址
新学校选址 ❓ 题目 为了解新学期学生暴涨的问题,小乐村要建立所新学校 考虑到学生上学安全问题,需要所有学生家到学校的距离最短.
56330编辑于 2023-03-11 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
中科星图GVE（案例）——AI实现光伏选址
简介 光伏选址是一项复杂而重要的任务，需要考虑多个因素，包括地形地貌、气候条件、土地利用情况、附近电网的容量和可靠性等。 人工智能可以帮助优化光伏选址过程，以下是一些AI算法和技术可以应用于光伏选址： 数据分析和模型预测：使用机器学习算法对大量的历史气象数据和土地利用数据进行分析，建立气候条件和土地适宜度的预测模型。 同时，可以考虑电网的输电损耗和电力质量等因素，以便在选址过程中考虑到电网的适应性。 多因素优化算法：使用多目标优化算法，考虑多个因素的权衡和平衡，以找到最佳的光伏选址方案。 这些算法可以考虑到太阳辐射量、土地适宜度、电网可靠性等因素，并给出一系列最优选址方案供决策者选择。 上述算法和技术可以结合使用，形成一个综合的光伏选址决策支持系统。 通过人工智能的辅助，可以加快选址过程，提高选址的准确性和效率，为光伏发电项目的规划和建设提供科学依据。
38710编辑于 2024-10-15 - 来自专栏csdn文章同步
Capacitated Facility Location Problem容量有限设施选址问题
对于设施选址问题，将用户的分配情况列为一个数组，作为解空间，则要在这个解空间内进行搜索。
1.1K20编辑于 2022-06-23 - 来自专栏ml
2015编程之美（资格赛）--基站选址
题目3 : 基站选址 时间限制:2000ms 单点时限:1000ms 内存限制:256MB 描述 需要在一个N × M的网格中建立一个通讯基站，通讯基站仅必须建立在格点上。 CRT_SECURE_NO_WARNINGS 2 3 #include<iostream> 4 #include<string> 5 #include<vector> 6 #include<algorithm> 7
79650发布于 2018-03-26 - 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 揭秘边缘AI性能7倍提升：模型量化与推测解码技术
某中心的Jetson AGX Thor边缘计算平台，自2025年8月发布以来，通过持续的软件优化，其生成式AI性能已实现了7倍的增长。 持续的软件优化随着最新的vLLM容器发布，与8月底首发日的性能相比，Jetson Thor在相同模型和量化配置下，性能提升了高达3.5倍。 例如，在Llama 3.3 70B模型上使用推测解码，可获得88.62输出令牌/秒，相比首发性能实现了7倍加速。 量化与推测解码是加速LLM和VLM推理的两大核心策略。量化：缩小模型尺寸，加速推理量化本质上是降低模型数据（权重和激活）数值精度的过程。 如果量化后的模型在任务上的精度满足要求，则坚持使用。若任务更复杂，发现W4A16精度不足，则切换到FP8。推测解码：采用草稿-验证方法提升推理选定量化格式后，下一个重要的性能杠杆是推测解码。
22410编辑于 2026-01-09- 来自专栏开心鸭数据分析
CSP201912-2-回收站选址题目解析-Java ,
1.会想要开一个很大的二维数组，比如a[1000000000][1000000000],比如1.0 就用a[1][0]=1，这样赋值的时候内存就会爆掉，所以不可行。需要换一种表示方式a[n][2]，表示1.0就用a[n][0]=1 和a[n][1]=0;
46641发布于 2020-10-26 洲际酒店集团依托腾讯LBS与微信生态重构选址决策与直销转化闭环
应对“K型分化”趋势，探索量化选址与全链路直销闭环 当前文旅消费呈现显著的“K型分化”特征，高品质与高性价比需求两极并行，要求酒店行业必须深化数字化能力，以实现精准的客流洞察和灵活的服务供给。 企业急需将投资判断从经验导向转为可量化、可验证的数据驱动决策，以提高商业布局的确定性。 直销转化断层：消费者预订旅程分散于多个应用之间，决策易受外部干扰。 融合LBS空间大数据与微信矩阵重塑数字基建 洲际酒店集团（以下简称“洲际”）与腾讯达成战略合作，通过核心技术底座与酒店行业经验的深度融合，构建本土化数字体系： 空间数据驱动的量化选址：基于腾讯LBS数据能力与生态洞察 沉淀私域资产并提升精细化决策能力 双方数据能力与生态组件的融合，为酒店业务模型带来了实质性的能力升级与价值重构： 选址定位模型升级：借助LBS与大数据分析能力，实现酒店选址、定位及客群洞察从经验驱动向数据驱动转型 LBS空间大数据补足了实体门店选址维度的量化评估能力，降低了试错成本；而微信全矩阵组件（视频号+小程序+企业微信）则重构了用户的转化漏斗。
16810编辑于 2026-03-10- 来自专栏算法之名
量化交易
针对可交易的投资商品，理性地运用逻辑分析和回归统计判断市场趋势称为量化交易。 量化策略 量化策略就是赚钱"因子"，可以分为基本面和技术面。
47210编辑于 2024-08-21 - 来自专栏数据结构与算法
P2038 无线网络发射器选址
cstring> 3 #include<cmath> 4 #include<algorithm> 5 using namespace std; 6 const int MAXN=1001; 7
1.2K80发布于 2018-04-12 - 来自专栏全栈数据化营销
以超市为例，用数据驱动智慧选址和经营分析
因此管理层希望通过数据和分析获得精准开店选址的建议，减少开店的风险。 通过对Q市所有店铺初步探索分析后，决定选取一家销售业绩居中、销量稳定的门店，作为初始的分析对象。 并且，通过传统的选址理论和技术手段在市场饱和的情况下比较难分析出新的机会点，分析的时候更多的是靠猜，所以一般都不太会冒险开店，使得老店的客户默默地被对手蚕食，丧失开设新店的机会。 image.png 这样数据驱动选址的方法，可以比较多运用在超市、母婴专卖、牙科诊所、美容美发、主题餐厅、宠物店上。 欢迎和我交流互动： 个人微信二维码.jpg
1.1K50发布于 2018-05-31 - 来自专栏图像处理与模式识别研究所
图像量化
from skimage import data from matplotlib import pyplot as plt image=data.coffee()#原始图像 ratio=128#设置量化比率 range(image.shape[2]):#图片通道数 image[i][j][k]=int(image[i][j][k]/ratio)*ratio#对图像中的每个像素进行量化 本文的图像量化过程是将256级的彩色图像量化到2级的彩色图像。 量化等级越多，量化比率越低，所得图像层次越丰富，灰度分辨率越高，图像质量好，但数据量大；量化等级越少，量化比率越高，图像层次欠丰富，灰度分辨率低，可能会出现假轮廓，图像质量变差，但数据量较小。 图像量化的作用是在一定主观保真图像质量的前提下，丢掉对视觉影响不大的信息，以获得较高的压缩比。
78320编辑于 2022-05-28
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