- 综合排序
- 最热优先
- 最新优先
- 来自专栏陈磊的专栏
Google Guetzli图片压缩算法预研报告
本文将通过比较libjpeg, Guetzli,webp的压缩率、压缩延时、压缩资源、解压性能，评估Guetzli可用性。 （此原理描述摘自文章《Guetzli：谷歌家的东西可能也没有想像的辣么美》） 压缩率 压缩率：描述压缩文件的效果名，是文件压缩后的大小与压缩前的大小之比 质量系数：图片压缩级别，质量系数1表示最低图像质量和最高的压缩 ，质量系数100表示最佳的图片质量和最低效的压缩。 下图是libjpg、Guetzli、webp不同质量系数下的压缩率，可以看出： 整体压缩效果：webp>Guetzli>libjpg guetzli比libjpg优12%-33%， webp比Guetzli 优20%左右 guetzli在高质量系数下，压缩率表现更好 图片肉眼观察质量 对于相同质量系数压缩的图片，各算法肉眼是看不出区别 压缩延时 模型：这里假设业务需要转5档图，这里压缩延时计算模型是一张图片转换成业务需要的五档图的总延时
4K00发布于 2017-03-31 - 来自专栏图与推荐
近期必读 ICLR 2021 【模型压缩】&【预训练】相关论文】
本期的关注焦点是【模型压缩】&【预训练】的7篇论文。点击文末“阅读原文”，获取正在接受盲审的论文列表。 模型压缩 Task-Agnostic and Adaptive-Size BERT Compression 本文的目标是通过压缩可以得到模型对不同大小和延迟的限制下的小模型；另外压缩后的模型是任务不可知 为了实现这个目标，本文使用的方法是基于NAS架构搜索的方法，由于待搜索的空间非常大，对于预训练任务难度较大，本文提供了3种策略来优化。 ? 在本文中，我们提出了K-PLUG，一种基于编解码转换器的知识注入的预训练语言模型，它既适用于自然语言理解任务，也适用于生成任务。 具体来说，我们提出了五个具有知识意识的自我监督的预训练目标，以实现特定领域的知识学习。 ? 论文链接：https://openreview.net/forum?id=5WcLI0e3cAY
81650发布于 2020-11-10 - 来自专栏深度学习自然语言处理
近期必读 ICLR 2021 【模型压缩】&【预训练】相关论文】
模型压缩 Task-Agnostic and Adaptive-Size BERT Compression 本文的目标是通过压缩可以得到模型对不同大小和延迟的限制下的小模型；另外压缩后的模型是任务不可知 为了实现这个目标，本文使用的方法是基于NAS架构搜索的方法，由于待搜索的空间非常大，对于预训练任务难度较大，本文提供了3种策略来优化。 ? 在本文中，我们提出了K-PLUG，一种基于编解码转换器的知识注入的预训练语言模型，它既适用于自然语言理解任务，也适用于生成任务。 具体来说，我们提出了五个具有知识意识的自我监督的预训练目标，以实现特定领域的知识学习。 ? 论文链接：https://openreview.net/forum? id=5WcLI0e3cAY 来自：RUC AI BOX 说个正事哈 由于微信平台算法改版，公号内容将不再以时间排序展示，如果大家想第一时间看到我们的推送，强烈建议星标我们和给我们多点点【在看】。
1.5K10发布于 2020-11-11 - 来自专栏技术向
python3使用gzip压缩与解压缩
，只请求没有压缩的页面。 这两天要使用百度的统计api，发现需要使用python对gazip进行压缩与解压缩，就简单探索下用法。这些函数可以用在爬虫项目中。 python3和python2处理gzip的方式有些不同，主要是由于字符串的差异 python3 代码 解压gzip import gzip def gzdecode(data): return gzip.decompress(data).decode('utf8') 压缩gzip import gzip def gzencode(data): if type(data) == str 这些代码在python3中会报错ModuleNotFoundError: No module named 'cStringIO', 原因是： 从Python 3.0开始，StringIO和cStringIO
9.3K20发布于 2019-11-20 - 来自专栏python3
Nginx演练(3)配置内容压缩
如果一个文件过大，想节省点传输时间，都会发送文件之前，先把文件压缩下。其实，我们的web服务器,也对提供压缩支持。接下来，我们通过对比的方式，具体演练下效果。 1.准备环境。 要求两个虚拟主机分别配置不同的压缩参数。 3.理解压缩级别 gzip_comp_level server { # 监听的IP和端口 listen 192.168.163.146:80; server_name 根据配置server1.domain.com 大于20k的文件，启用压缩；server2.domain.com 大于50K的文件，才启用压缩。 off – 关闭所有的代理结果数据的压缩 expired – 启用压缩，如果header头中包含 “Expires” 头信息 no-cache – 启用压缩，如果header头中包含 “Cache-Control
45210发布于 2020-01-06 - 来自专栏coding for love
4-3~8 code-splitting，懒加载，预拉取，预加载
3. 代码自动抽取 SplitChunksPlugin插件可以将公共的依赖模块提取到已有的入口 chunk 中，或者提取到一个新生成的 chunk。 image.png 可以看到， jquery 和 lodash 由于引用次数小于 3，都没有被单独分离出来。 这里一般使用默认的四个条件即可（至于作用的模块我们可以改为 all）： 新的 chunk 可以被共享，或者是来自 node_modules 文件夹 新的 chunk 大于30kb(在 min + gz 压缩之前 预拉取和预加载 我们考虑一下这个问题，懒加载虽然减少了首屏加载时间，但是在交互操作或者其他异步渲染的响应。我们该如何解决这个问题呢？ webpack 4.6.0+增加了对预拉取和预加载的支持。 预加载块具有中等优先级，可以立即下载。在浏览器空闲时下载预拉取的块。 一个预加载的块应该被父块立即请求。预拉取的块可以在将来的任何时候使用。 浏览器支持是不同的。
1.9K20发布于 2020-02-25 - 来自专栏Mac软件
Archiver 3 for Mac(mac压缩解压软件)
Archiver 3 mac版是一款好用的mac压缩解压软件，Archiver mac 的界面简单却又不失华丽，是您压缩解压缩不可或缺的助手。 id=MjU2NjEmXyYyNy4xODYuMTI0LjE2OQ%3D%3D功能介绍档案变得简单Archiver 2使归档工作变得简单。我们知道还有改进的余地，所以我们卷起袖子让档案 更容易处理。 Archiver 3为您带来流畅的界面，快速的工作流程和便捷的快速预览。拖放喜悦再也不用担心归档格式了 - Archiver的无缝拖放功能比以往任何时候都更加智能！ 可以压缩拆分文件以挤出一些额外的空间，或者对 它们进行校验以增加安全性。保持秘密，保持安全借助Archiver，您可以保护数据的私密性和安全性。 Archiver并行解压缩存档，以充分利用最高性能。
1.3K40编辑于 2022-08-26 预训练大模型赋能：以 GPT-3 为代表的预训练模型
二、核心技术架构解析智能聊天机器人的核心能力源于自然语言处理（NLP）技术栈，其底层逻辑围绕 “语义理解 - 意图识别 - 响应生成” 三大环节构建，具体实现依赖两大关键支撑：预训练大模型赋能：以 GPT -3 为代表的预训练模型，通过海量文本数据学习语言规律，可精准解析用户输入的隐含需求，生成符合人类表达习惯的自然语言回复，无需开发者从零构建语言理解模型；高可用 API 平台支撑：New API 平台提供标准化 """ 生成聊天机器人回复 :param client: 已初始化的OpenAI客户端 :param user_prompt: 用户输入文本 :param model: 调用的预训练模型版本
20620编辑于 2025-11-05- 来自专栏全栈自学笔记
css3 压缩及验证工具
1.css w3c统一验证工具 网址：http://www.csstats.com/ 如果你想要更全面的，这个神奇，你值得拥有： w3c统一验证工具：http://validator.w3.org/umicorn / 因为他可以检测本地文件 2.css压缩 通过上面的检测没有错误，为了提高加载速度和节约空间（相对来说，css量很少的情况下，几乎没啥区别），可以通过css压缩工具把css进行压缩。 w3c css压缩 http://tool.chinaz.com/Tool/CssFormat.aspx 网速较慢 还可以去站长之家进行快速压缩。
64920发布于 2020-10-27 - 来自专栏深度学习自然语言处理
3 天，我把 NLP 中的预训练模型、图神经网络、模型压缩、知识图谱彻底撸清楚了！
那些耳熟的BERT、GPT-3、图神经网络、知识图谱等技术实际上也就是这几年发展起来的，特别像图神经网络在这两年间取得了飞速的发展。 年有一篇开创性的文章叫作"Attention is all you need"， 那我们可以很自信地说“This course is all you need”，覆盖了从经典的机器学习、文本处理技术、序列模型、深度学习、预训练模型 负责过高阶NLP3，4，5，6，7，8，9期、高阶机器学习1，2，3，4期等课程的答疑工作。 模型压缩的必要性 常见的模型压缩算法总览 基于矩阵分解的压缩技术 从BERT到ALBERT的压缩 基于贝叶斯模型的压缩技术 模型的量化 模型的蒸馏方法 第二节：基于图的学习 图的表示 图与知识图谱 基于图表示的应用场景 利用蒸馏算法压缩Transformer 14. 利用GCN实现社交推荐 15.
90230编辑于 2022-06-14 - 来自专栏python3
关于U3D贴图格式压缩
因为有不少人都问过我压缩格式的问题，今天飞哥又重新提醒了一次。整理一下发个贴，以供大家查阅和讨论。 各种纹理格式，大家参照下U3D MANUAL里面的具体描述介绍，这是官方的东西。 一般来说，IOS只支持PVRTC的压缩格式。一旦相应的贴图格式不兼容的时候，U3D会自动将其转换成RGB(A)格式。 对此抱有比较大疑问的是ARGB 16 和RGB 16，感觉可能这里U3D的BUNDLE有BUG。 3D游戏一般来说都是受摄像机远近大小改变而采取不同的采样大小，假设不设置多重纹理采样的话，在远处会有非常多的白色噪点。 a.不透明贴图: RGB 16BITS d.透明贴图：RGBA 16BITS 高清不压缩贴图: RGBA 32BIT 另外： 对于不重要的贴图，模糊度低的贴图，建议不仅要采取像素压缩，还要直接压缩其大小
1.3K20发布于 2020-01-15 - 来自专栏Devops专栏
python3 使用 imagemagick 压缩图片
前言 在日常的业务开发中，我们经常会有需要压缩图片，节省服务器存储空间的需求。本章节来介绍一下使用 imagemagick 来压缩图片。 ://www.imagemagick.org/script/download.php 官方提供的第三方库 http://docs.wand-py.org/en/0.5.6/ 安装wand $ pip3 with Image(filename='1563928708294.png') as img: print(img.size) for r in 1, 2, 3: 我目前的需求是需要将图片进行压缩，现在来看看压缩的代码。 压缩图片示例 from wand.image import Image from wand.display import display def compression(filename):
1.3K20编辑于 2022-01-17 - 来自专栏圆圆的算法笔记
ACL 2022 杰出论文：华为&港大提出SOTA预训练语言模型量化压缩方法
3 量化压缩在PLM中的问题 将以前在BERT上取得成功的量化压缩方法应用到预训练语言模型（PLM）上，会存在比较明显的效果下降。 下图是之前的PACT、LSQ等量化压缩方法随着压缩后的bit减少困惑度的变化。可以看到压缩到2-bit时出现非常明显的效果折损。 为什么之前的量化压缩方法应用到预训练语言模型上效果会这么差的？ 这些问题在预训练语言模型这种单向结构中更加严重，因为单向的学习会导致量化误差累计问题。 6 总结 本文以ACL 2022杰出论文——量化压缩预训练语言模型为出发点，首先介绍了经典的量化压缩方法，包括BinaryConnect、PACT等，又进一步介绍了在BERT上的量化压缩工作。 通过以上工作在预训语言模型上应用的不足，带大家理解了本文面临的难点和核心解法。
82710编辑于 2022-12-19 - 来自专栏Devops专栏
python3 使用pngquant压缩图片
所以这次考虑试试这个pngquant压缩工具。 压缩图片示例代码 import os import os.path import sys SelfPath = sys.path[0] # 压缩工具 PngquantExe=SelfPath+". compression(filename): # cmd = PngquantExe + " --force " + filename + " --quality 50 -o " + filename # 压缩 50%的质量，直接覆盖压缩至源文件 cmd = PngquantExe + " " + filename + " --quality 50 -o out.png" # 压缩50%的质量，输出图片名称为 ： 可以看到压缩图片从1004KB至282KB，压缩率还是很可观的。
1.5K40编辑于 2022-01-17 - 来自专栏Java知识图谱
Nginx网络压缩 CSS压缩 图片压缩 JSON压缩
二、网络压缩 此部分所有的压缩内容在浏览器端都会还原，特别需要指出的是图片，图片在网络间是压缩状态传输的，到达浏览器后是会被还原的。 技术实现依托gzip压缩，仅仅在服务器与客户端网络传输时对静态资源进程压缩，文件的大小在压缩前与还原后保持不变。 图片压缩分为两类：一是等比压缩；二是固定宽高压缩。根据应用场景的不同也分为两类：一是固定参数；二是动态参数。 此部分图片压缩后到达浏览器不会被还原。 (\d+)$ { image_filter resize $3 -; image_filter_buffer 10M; try_files /$1.$2 /default.png; root (\d+)x(\d+)$ { image_filter crop $3 $4; image_filter_buffer 10M; try_files /$1.$2 /default.png;
6.7K41编辑于 2022-02-08 - 来自专栏NewBeeNLP
从头预训练一只超迷你 LLaMA 3
Trainer 来做预训练。 为了贴近主流，于是打算预训练一个 LLaMA 3——不过是超迷你版本，大小仅不到 20M。 代码放在这里了：GitHub - Mxoder/TinyStories: 从头预训练一只超迷你 LLaMA 3——复现 TinyStories。 现在 Colab 可以直接看到剩余使用时长了，虽然已经被砍到只有 3h 左右的用卡时间，但至少心里有个底，况且 3h 训我们这个也完全够了。 支持各模型的webui、终端预测，低参数量及全参数模型训练(预训练、SFT、RM、PPO、DPO)和融合、量化。
1.4K10编辑于 2024-06-04 - 来自专栏h5学习笔记
预解析
1.预解析的相关概念 JavaScript 代码是由浏览器中的 JavaScript 解析器来执行的。 JavaScript 解析器在运行 JavaScript 代码的时候分为两步：预解析和代码执行。 预解析：在当前作用域下, JS 代码执行之前，浏览器会默认把带有 var 和 function 声明的变量在内存中进行提前声明或者定义。 代码执行： 从上到下执行JS语句。 预解析会把变量和函数的声明在代码执行之前执行完成。 2. 变量预解析 预解析也叫做变量、函数提升。 变量提升（变量预解析）： 变量的声明会被提升到当前作用域的最上面，变量的赋值不会提升。 结果：undefined 注意：**变量提升只提升声明，不提升赋值** 3. 函数预解析 函数提升： 函数的声明会被提升到当前作用域的最上面，但是不会调用函数。
96020发布于 2020-09-30 - 来自专栏数据挖掘
python3图片裁剪+转换pdf+压缩
本地大量长图，要发送给别人，所以要对图片进行裁剪+转换pdf+压缩 1 import zipfile 2 import os 3 from concurrent.futures import 63 pdfname = str(outpdffilepath) + str(tempfilename) + ".pdf" 64 # A4的大小 65 # 发现A4会把长图压缩成 110 def zipfiles(names): 111 # 需要压缩到的文件目录和名字 112 zipname = str(outzipfilepath) + str(names.replace (zipname, 'w', zipfile.ZIP_DEFLATED) 116 117 # 写入压缩包 118 files.write(name) 119 files.close () 120 print("完成压缩：" + str(zipname)) 121 122 123 # 这里是压缩zip的多进程 124 # 开启多进程 125 def threadingzip
1.4K30发布于 2019-07-02 - 来自专栏韩曙亮的移动开发专栏
【JavaScript】预解析 ② ( 预解析示例分析 | 分步骤分析预解析过程 )
一、预解析示例分析一 1、要分析的代码 要分析的 代码示例 : <! console.log(num); var num = 888; } 分析上述代码 的 预解析过程 : 全局作用域 的 var num = 666; 变量 , 进行 function fun() { console.log(num); var num = 888; } 全局作用域 的 fun 函数 预解析 的最终 结果 ; 3、作用域链分析 预解析结果如下 : var num; function fun() { var num; console.log console.log(num1); console.log(num2); console.log(num); 在 fun 函数内部 , 可以打印出 3
51810编辑于 2024-04-20 - 来自专栏DrugOne
基于3D几何的预训练分子图表示
编译| 沈祥振 审稿| 郭梦月 本文介绍了唐建课题组的Shengchao Liu等人基于3d几何研究的成果：鉴于现实世界场景中 3D 信息的缺乏极大地阻碍了对分子几何图表示的学习，本文提出了一种图预训练框架 学习范式是在预训练期间将 3D 分子几何学知识注入 2D 分子图编码器，这样即使没有可用的 3D 信息，下游任务也可以从隐式 3D 几何学中受益。 在预训练阶段，通过辅助任务对提供 3D 和 2D 分子结构的数据收集进行 SSL；在微调期间，预训练的 2D GNN 模型在随后的特定下游任务上进行微调。 GraphMVP预训练 自监督学习 (SSL) 基于视图设计，每个分子都有2d和3d两个自然视图。 3实验测试结果 实验设置 数据集：在同一数据集上基于GEOM进行模型预训练，然后对广泛的下游任务进行微调。
1.2K50编辑于 2022-04-19
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