- 综合排序
- 最热优先
- 最新优先
- 来自专栏Deep learning进阶路
3-2 队列
3-2 队列 1、基本概念 队列是一种特殊的线性表，特殊之处在于它只允许在表的前端（front）进行删除操作，而在表的后端（rear）进行插入操作，和栈一样，队列是一种操作受限制的线性表。
60240发布于 2019-07-02 - 来自专栏帮你学MatLab
MATLAB智能算法30个案例分析(3-2)
神经网路部分 function err=Bpfun(x,P,T,hiddennum,P_test,T_test) %% 训练&测试BP网络 %% 输入 % x：一个个体的初始权值和阈值 % P：训练样
1.1K50发布于 2018-04-18 3-2配置系统
.Net Core配置系统支持文件（Json、XML、INI）、注册表、环境变量、命令行、AZure Key Vault等。
17610编辑于 2026-06-17- 来自专栏Hank’s Blog
3-2 矩阵的子集
> x <- matrix(1:6,nrow=2,ncol=3) > x [,1] [,2] [,3] [1,] 1 3 5 [2,] 2 4 6
80120发布于 2020-09-16 - 来自专栏叽叽西
lagou 爪哇 3-2 zookeeper 笔记
分布式系统的协调工作就是通过某种方式，让每个节点的信息能够同步和共享。这依赖于服务进程之间的通信。通信方式有两种：
63010编辑于 2022-05-17 - 来自专栏破晓之歌
JAVA入门3-2（未完，待续） 原
List（序列）、Queue（队列）可重复排列有序的，Set（集）不可重复无序。list和set常用。
50750发布于 2018-08-15 - 来自专栏刷题笔记
3-2 数组元素的区间删除 (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101225075 3-2 数组元素的区间删除 (20 分) 给定一个顺序存储的线性表，请设计一个函数删除所有值大于
1.1K30发布于 2019-11-08 - 来自专栏万能的小草
pandas入门3-2:识别异常值以及lambda 函数
假设每个月的客户数量保持相对稳定，将从数据集中删除该月中特定范围之外的任何数据。最终结果应该是没有尖峰的平滑图形。
1.5K10发布于 2020-02-17 - 来自专栏机器视觉工坊
AI算法分类
AI算法分类如下： 一、机器学习算法 监督学习 1、回归算法：线性回归和逻辑回归。 线性回归：进行直线或曲线拟合，一般使用“最小二乘法”来求解。 kNN算法是一种判别模型，即支持分类问题，也支持回归问题，是一种非线性模型。它天然的支持多分类问题。kNN算法没有训练过程，是一种基于实例的算法。 无监督学习 7、K均值算法核心：把样本分配到离它最近的类中心所属的类，类中心由属于这个类的所有样本确定。k均值算法是一种无监督的聚类算法。 和其他类型的神经网络一样，循环神经网络是一个判别模型，既支持分类问题，也支持回归问题，并且支持多分类问题 三、大数据算法 数据挖掘&数据分析 推荐算法 四、一些算法本身并不算是一个机器学习算法 ，而是为了解决某个子问题而诞生的机器学习算法的子算法，如深度学习的神经网络的训练一般采用反向传播算法，梯度下降法。
2.6K20发布于 2020-07-28 - 来自专栏WebJ2EE
React：Table 那些事（3-2）—— 斑马纹、固定表头
《React：Table 那些事》系列文章，会逐渐给大家呈现一个基于 React 的 Table 组件的定义、设计、开发过程。每篇文章都会针对 Table 的某个具体功能展开分析：
4.6K10发布于 2019-07-19 - 来自专栏AI机器学习与深度学习算法
机器学习入门 3-2 jupyter notebook中的魔法命令
%time系列 应用场景： 我们常常会测试某条代码或者某段代码算法性能，然后对比，选择性能好的代码段。 此时jupyter为我们提供了一个%time的魔法命令，当然这个是一系列的魔法命令。 ? 那这里有一个问题，在视频中有CPU时间，但是在我的电脑中测试的时候并没有，只有wall time人类感知的时间，他们的区别：有些时候我们可能使用一些多线程的算法，那么在这种情况下我们的wall time 不应该只用一次时间，应该多次测量，采用统计学的方式，但有时候我们可能只想大概感知一下这个时间，并不需要这个时间的具体值所以我们仅仅跑一次就足够了，还有一种情况，我们可能花费大量的时间来训练一个机器学习算法 这是因为对Python语言来说，sort这个排序函数是有优化的，对于一个已经排好序的数组，sort可以非常快的完成这个排序动作，而对于一个乱序的数组那么就可能需要更复杂的算法进行排序。
1.8K00发布于 2019-11-13 - 来自专栏技术让梦想更伟大
C语言中3-2=？3%-2=？你确定答案吗
抛砖引玉 C语言负数除以正数，与正数除以负数或者负数除以负数的余数和商，正负有谁定呢？ -3 / 2 = ？; -3 % 2 = ?; 3 / (-2) = ?; 3 % (-2) = ?; (-3)
1.5K61发布于 2020-07-03 - 来自专栏cwl_Java
C++编程之美-结构之法(代码清单3-2)
代码清单3-2 char c[10][10] = { "", //0 "", //1 "ABC", //2 "DEF", //3
32740编辑于 2022-11-30 - 来自专栏c语言与cpp编程
C语言中3-2=？3%-2=？你确定答案吗
抛砖引玉 C语言负数除以正数，与正数除以负数或者负数除以负数的余数和商，正负有谁定呢？ -3 / 2 = ？; -3 % 2 = ?; 3 / (-2) = ?; 3 % (-2) = ?; (-3)
71300发布于 2020-12-02 - 来自专栏xiaosen
AI - 聚类算法
感谢大家的观看 聚类算法概念 聚类算法是一种无监督学习方法，用于将数据集中的对象划分为若干个簇，使得同一个簇内的对象之间具有较高的相似性，而不同簇的对象之间具有较大的差异性。 聚类算法的应用场景： 商业选址：通过分析用户的地理位置信息，聚类算法可以帮助企业确定新店铺的最佳位置，以最大化覆盖潜在客户。 资源优化：在物流和供应链管理中，聚类算法可以帮助优化资源的分配，例如确定最佳的仓库位置或货物配送路线。 聚类算法因其能够在无监督的环境中发现数据的内在结构和模式，而在各个领域都有广泛的应用。 选择合适的聚类算法和参数对于解决特定问题至关重要。这类方法通常需要预先指定簇的数量，并通过迭代优化来找到最佳的数据划分。典型的划分方法包括K-means算法、K-medoids算法等。 代表性的算法有AGNES（自底向上的聚合算法）和DIANA（自顶向下的分裂算法）。
1.5K10编辑于 2024-03-22 - 来自专栏AI系统
【AI系统】QNNPack 算法
本文将会深入介绍 QNNPACK 算法的实现过程。 前置知识回顾 在介绍 QNNPACK 算法前，先回顾一下传统的矩阵卷积运算方法。 加速库中针对矩阵卷积运算的核心算法，即如文章标题所示的 The Indirect Convolution Algorithm（间接卷积算法）。 对计算进行划分 虽然 QNNPACK 利用了像其他 BLAS 库一样的 PDOT 微内核，但其对具有 8 位元素的量化张量和移动 AI 使用案例的关注带来了非常不同的性能优化视角。 与 Im2Col 算法对比 与基于 Im2Col 的卷积算法相比，间接卷积的性能受到四个因素的影响： 消除非单位卷积的 Im2Col 转换。 可以看到间接卷积算法性能会明显优于其他算法的性能。
94110编辑于 2024-12-13 - 来自专栏sofu456
斗地主ai算法
牌的识别 识别和过滤，即要知道牌是什么牌，还要过滤出那几张牌是需要的牌 sequence = ['3', '4', '5', '6', '7', '8', '9', '10', 'j', 'q', 'k', '1', '2', 'xw', 'dw'] card = ['单牌', '对牌', '三张', '三带一', '单顺', '双顺', '三顺', '飞机','炸弹','四带二'] def to_card(data): return list(map(lambda x:
1.4K10编辑于 2021-12-06 - 来自专栏AI系统
【AI系统】Winograd 算法
在本文将重点介绍 Winograd 优化算法，它是矩阵乘优化方法中 Coppersmith–Winograd 算法的一种应用，按照 Winograd 算法的原理将卷积的运算进行转换，从而减少卷积运算中乘法的计算总量 算法约束与缺点 从上述方法的介绍中可以得知，Winograd 算法通过减少乘法操作的次数，有效降低了计算资源的消耗，从而提高了计算速度。 首先，当应用 Winograd 算法处理单个小局部的二维卷积时，该算法不能直接应用于这样的计算当中，因为产生的辅助矩阵规模过大，可能会对实际效果产生负面影响。 因此，Winograd 算法仅适用于较小的卷积核和分块尺寸。 另一个想法是将 Winograd 算法与空间组织算法结合起来，充分利用局部性和算法分析的优化，将卷积计算通过空间组合优化算法中的拆分方法，将输入拆分成若干个小规模卷积。
83511编辑于 2024-12-17 - 来自专栏Soul Joy Hub
【大模型AIGC系列课程 3-2】国产开源大模型：ChatGLM
https://arxiv.org/pdf/2103.10360.pdf GLM是General Language Model的缩写，是一种通用的语言模型预训练框架。它的主要目标是通过自回归的空白填充来进行预训练，以解决现有预训练框架在自然语言理解（NLU）、无条件生成和有条件生成等任务中表现不佳的问题。 具体来说，GLM通过随机遮盖文本中连续的标记，并训练模型按顺序重新生成这些遮盖的部分。这种自回归的空白填充目标使得GLM能够更好地捕捉上下文中标记之间的依赖关系，并且能够处理可变长度的空白。通过添加二维位置编码和允许任意顺序预测空白，GLM改进了空白填充预训练的性能。
96920编辑于 2023-08-28 - 来自专栏决策智能与机器学习
AI算法对抗攻击和防御技术综述「AI核心算法」
关注：决策智能与机器学习，深耕AI脱水干货 ? Athalye等提出了EoT算法来解决第一个问题。 启发式防御算法由研究者通过实验获得，它们在实践中可以做到对一些特定的对抗攻击算 法具有良好的防御性能，但没有对防御性能给出理论性保障；可证明式防御通过理论证明，可以计算出在特定对抗攻击算法攻击下模型的最低准确度 Goodfellow等首先提出对抗训练，他们使用良性样本和通过FGSM算法生成的对抗样本一起训练神经网络，用于增强神经网络的鲁棒性；接着，提出了使用由PGD算法生成的对抗样本进行对抗训练的方法。 这主要是因为，攻击算法只要针对某一类防御生效即可， 然而一个有效的防御算法则需要去防御所有可能的攻击手段。 结束语 近两年来，针对深度学习算法的对抗攻击和防御技术迅速发展。
3.8K10发布于 2020-09-14
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