- 综合排序
- 最热优先
- 最新优先
- 来自专栏mysql
hhdb数据库介绍(9-5)
计算节点支持mysqlbinlog命令，mysqlbinlog命令能够解析binlog文件用于同步增量数据，从而减少了将单机数据迁移至计算节点时的停机时间。使用mysqlbinlog连接远程实例获取binlog文件并解析出其中的SQL语句，然后交由计算节点执行，从而将某个数据库的增量数据导入到计算节点某个逻辑库下。首先，登入到管理端口（默认端口为3325），执行dbremapping命令添加数据库映射关系，关于dbremapping命令用法，请参考计算节点管理命令文档。
35810编辑于 2025-03-26 - 来自专栏AI机器学习与深度学习算法
机器学习入门 9-5 决策边界
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节介绍对于分类问题非常重要的决策边界，先对逻辑回归求出决策边界的函数表达式并绘制，但是对于像kNN这种不能求出决策边界表达式的可以通过预测样本特征平面中区间范围内的所有样本点来绘制决策边界。最后通过调整kNN算法的k值，了解模型的复杂与简单对应的决策边界不同。
3.1K20发布于 2020-02-26 AI营销新宠助力企业突围
据最新数据，2024年中国AIGEO市场规模将突破180亿元，年增速达38%。如今，63%的互联网用户习惯向AI工具提问获取信息，AI搜索流量占全网信息获取量的42%。 国务院在《新一代人工智能发展规划》中指出人工智能新特征，为AIGEO商业化应用提供了政策支持。面对这样的市场趋势，企业必须重新思考内容策略。我长期关注AI营销领域，见证了众多企业借助新技术实现突破。 就像上海跑一跑企业发展有限公司，聚焦小微企业智能服务，基于AIGEO技术提供地理空间数据分析、智能财税管理等服务，帮助企业精准决策。它的服务模式和单仁牛商AI智排有相似处，但更贴合小微企业需求。 再看AI语义预检生成内容，它在内容优化、关键词研究、内容分发和监测系统方面优势明显。在内容优化上，采用“问题—证据—结论”三段式逻辑架构和Schema标记等，增强AI理解能力和机器可读性。 关键词研究时，AI语义预检生成内容通过用户画像分析精准定位需求，五格剖析法和GRPO法则助力跨境电商多语言内容优化。
22610编辑于 2025-09-23“GEO黑产业链”被曝光引发行业洗牌：真正的GEO才刚刚开始
3月15日，央视315晚会曝光了所谓“GEO（生成引擎优化）黑产业链”通过AI批量生成垃圾内容、伪造榜单、操纵AI推荐等黑灰产行为，引发广泛关注和行业热议。 面对公众对于“GEO是否将面临全面整顿”的疑问，多家专注于正规AIGEO（AI生成引擎优化）营销的服务商却表示，此次曝光并非行业的终结，反而是一次重要的“拨乱反正”，预示着真正的GEO时代即将来临，不妨一起拭目以待 面对市场的误解与行业的洗牌，部分合规经营的AIGEO服务商也借此机会重申其核心理念与价值。 这位行业人士表示：“黑灰产的GEO试图通过技术手段‘操控’AI的推荐逻辑，而我们一直坚持的是质量取胜的原则，坚持原创性，坚持正规AIGEO，核心是‘帮助AI更好地理解品牌、理解价值’。”
27321编辑于 2026-03-16- 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题9-5 通讯录排序
习题9-5 通讯录排序 输入n个朋友的信息，包括姓名、生日、电话号码，本题要求编写程序，按照年龄从大到小的顺序依次输出通讯录。题目保证所有人的生日均不相同。
1.3K30发布于 2020-09-15 - 来自专栏数据结构与算法
BZOJ1096: 仓库建设(dp+斜率优化)
Sample Input 3 0 5 10 5 3 100 9 6 10 Sample Output 32 HINT 在工厂1和工厂3建立仓库，建立费用为10+10=20，运输费用为(9-5)*3 如果仅在工厂3建立仓库，建立费用为10，运输费用为(9-0)*5+(9-5)*3=57，总费用67，不如前者优。 【数据规模】 对于100%的数据， N ≤1000000。 ,r)$为在第$r$个位置建仓库，前一个仓库在$l$的费用， 我们需要求的值为 但是这个并不好维护，因此我们把它拆开维护 设 根据前缀和 这样的话就有20分了 考虑继续优化 ，把上面的式子暴力推推推，再把只包含i的删去，不难得到 把dis[i]看成k 把num[i]看成x 把f[i]看成b 把f[j]-g[j]看成y 然后就能斜率优化了。
1.2K50发布于 2018-04-13 - 来自专栏机器学习与自然语言处理
Stanford机器学习笔记-9. 聚类(Clustering)
簇分配: 对于所有的样本，将其分配给离它最近的簇中心； 移动簇中心：对于每一个簇，计算属于该簇的所有样本的平均值，移动簇中心到平均值处； 重复步骤2和3，直到找到我们想要的簇（即优化目标 如图9-5的(1)所示。 但是，通常这条曲线是渐变的，没有很显然的"肘部"。如图9-5的(2)所示。 ? 图9-5 代价J关于簇数K的曲线图 注意：随着K的增加J应该总是减少的，否则，一种出错情况可能是K均值陷入了一个糟糕的局部最优。 一些其他的方法参见wikipedia。
1.6K110发布于 2018-03-13 - 来自专栏机器学习算法与Python学习
机器学习(7) -- k-means 聚类
centroids)； 簇分配: 对于所有的样本，将其分配给离它最近的簇中心； 移动簇中心：对于每一个簇，计算属于该簇的所有样本的平均值，移动簇中心到平均值处； 重复步骤2和3，直到找到我们想要的簇（即优化目标 所以我们的优化目标就是 ? 如图9-5的(1)所示。 但是，通常这条曲线是渐变的，没有很显然的"肘部"。如图9-5的(2)所示。 ? 图9-5 代价J关于簇数K的曲线图 注意：随着K的增加J应该总是减少的，否则，一种出错情况可能是K均值陷入了一个糟糕的局部最优。 一些其他的方法参见wikipedia。
1.5K50发布于 2018-04-04 AI时代，网站流量怎么玩？从SEO到GEO的超级简单指南
别和AI斗争而是要帮助AIGEO不是杀SEO，而是SEO升级版，以后抢流量，不是骗AI（和AI斗争），而是帮AI懂这个世界和懂你（帮助AI）。AI浪潮来了。
21710编辑于 2026-01-05- 来自专栏Coding迪斯尼
用go做个编译器:语法解析树及其实现
对于算术表达式9-5+2, 由于我们会首先使用list -> list + digit 来进行解析，因此 9-5对应一个list，2对应digit, 因此最终解析完成后，所形成的解析树如下： 使用生产式来定义语法是一件困难的事情 list+list进行解析，一种是使用list->list-list进行解析，如果是后者，那么我们会生成的语法树如下： 这里我们看到两个语法表达式都对应表达式”9-5+2”，但是第一个语法树执行的操作是(9- 对于算术表达式1+2，对应的算术表达式就是1 2 +, 对于表达式(3+4)，对应的后项表达式就是3 4 + , 我们看一个复杂一点的，(9-5)+2 ,首先我们计算(9-5)的后项表达式，也就是9 5
1.9K50编辑于 2022-03-28 - 来自专栏全栈程序员必看
体验vSphere 6之7-为虚拟机启用容错
图9-4 为辅助虚拟机选择主机 （5）在”即将完成”对话框，显示辅助虚拟机详细信息，这包括辅助虚拟机所在主机、配置文件位置、硬盘位置等，如图9-5所示。 图9-5 完成 （6）返回到vSphere Web Client管理控制台，在”近期任务”中会显示为虚拟机打开容错的配置信息，如图9-6所示。
1.5K40编辑于 2021-12-23 - 来自专栏C++系列
【MySQL-26】万字总结＜SQL优化＞——【插入优化 主键优化 order by优化-group by优化-limit优化-count优化-update优化】
本章主要内容面向接触过C++的老铁 主要内容含： ※全文大致内容总结 一.插入数据优化 关于插入数据优化，主要有以下三个方面 批量插入 手动提交事务 主键顺序插入 1.批量插入 采取以下形式，在一个 顺序插入可以减少 页分裂 （下文主键优化有详解）相应博客传送门 二.主键优化 1.主键设计原则 满足业务需求的情况下， 尽量降低主键的长度。 三.order by优化 尽量使用 覆盖索引INDEX . （覆盖索引加子查询形式＆多表联查） 优化思路： 一般分页查询时，通过创建 覆盖索引 能够比较好地提高性能，可以通过 覆盖索引加子查询形式 或者 多表联查 进行优化。 count(*) InnoDB引擎并不会把全部字段取出来，而是专门做了优化，不取值，服务层直接按行进行累加。
92910编辑于 2024-09-09 - 来自专栏零域Blog
Unity 性能优化 | 贴图优化、声音优化
图片相关优化 压缩格式优化 简书 高清晰无压缩 > RGBA32 缺点 内存占用大, 显示运行内存 中清晰中压缩 > RGBA16+Dithering(TexturePacker)内使用FloydSteinberg Android] ETC1, 不支持dxt [Iphone/Ipand] PVRTC4 压缩默认 RGBA16 清晰度高但是渐变不合适 RGBA32 高保真 16it/尺寸减半 压缩 UI Icon 声音相关优化 推荐将Load Type设置为Decompress on Load（在加载时解压）会运行的更流畅（并不是使用于任何的音频，只是使用于频繁使用的音频） 参考链接: -微信公众号(游戏蛮牛)-Unity性能优化 —声音优化
1.6K20编辑于 2022-03-27 - 来自专栏YoungGy
【优化2】整数优化
或的逻辑约束 三个选择的或 只有才 更多或 整数可除 多边形组合 固定花费 分段线性 组合型 set covering set packing 食堂定位 地图填色 Julia例子 9数独 概述 整数优化就是线性优化
1.9K50发布于 2018-01-05 - 来自专栏三流程序员的挣扎
Android 优化——网络优化
Android 优化目录 ---- 利用 Network Profiler 检查网络流量 接口设计 API设计 App 与 Server 之间的 API 设计要考虑网络请求的频次，资源的状态等 故而也是需要优化的一个点。可以在获取图片时告知服务器需要的图片的宽高，以便服务器给出合适的图片，避免浪费。 弱网优化 除了正常的网络优化，还需考虑到弱网情况下 App 的表现。 一般来说，网络延迟在 60ms 内是 OK 的，超过 200ms 就比较糟糕了。 弱网优化，本质上是在弱网的情况下能让用户流畅的使用。 压缩/减少数据传输量 利用缓存减少网络传输 针对弱网(移动网络)，不自动加载图片 界面先反馈，请求延迟提交。
2.1K10发布于 2018-09-11 - 来自专栏YoungGy
【优化1】线性优化
概览 线性化的必要性 非线性条件线性化 绝对值约束 最大最小约束 比例约束 总结 Julia优化例子 Knapsack Diet 概览 线性优化，指的是目标函数和约束条件都是线性的优化问题。 面对一个优化问题，首先需要建立优化问题的模型，因此需要编程语言；对优化问题建模后需要求解该问题，因此需要求解不同优化问题的solver。 优化库JuMP：是Julia的一个包，用于建立优化问题。 solver：Jump支持很多开源与商业的solver，这些solver用于求解优化问题。 线性化的必要性 求解线性问题要比求解非线性问题容易很多，因此将非线性的目标函数或者约束跳进进行线性化，有利于求解优化问题。 本文将介绍三种常见的非线性约束并探讨如何将其线性化。 \end{equation} 最大最小约束 最大最小约束（或最小最大约束），可以将优化目标用一个自变量代替，然后补充满足条件的自变量的约束条件即可。
2.5K90发布于 2018-01-02 - 来自专栏三流程序员的挣扎
Android 优化——布局优化
Android 优化目录 ---- 理想情况下，60 FPS 以上就不会卡顿，就是 1 秒内要有 60 帧，所以每一帧要在 16ms 内绘制完成。 刷新机制可以看Android Project Butter分析或《Android应用性能优化最佳实践》2.1.2 刷新机制一节。 大片的蓝色可以接受，如果整个窗口是蓝色的，可以尝试优化减少一次 绘制。 绿色：每个像素多绘制了 2 次。 淡红：每个像素多绘制了 3 次。一般来说，这个区域不超过屏幕的 1/4 是可以接受的。 严重影响性能，需要优化，避免深红色区域。 自定义 View 本身被认为一层，但是 onDraw 里可绘制时可能产生过度绘制，通过 canvas.clipRect 来解决，具体参见 《Android应用性能优化最佳实践》2.4.3 一节。
1.7K20发布于 2018-09-11 - 来自专栏CoderStar
iOS 优化 - 启动优化
之前曾在iOS 优化-瘦身文章中提到过 iOS 优化将会是一个专题，今天就带来 iOS 优化系列的第二篇，主要介绍一下启动优化，即如何减少应用的启动时间。 App 启动过程 在优化之前，我们需要对 App 的完整启动过程有个了解，这样我们才能知道启动耗时分布的阶段、哪一个阶段可以被优化以及优化哪一个阶段 ROI 最高。 下面是一些常用的优化手段，优化起来易，防劣化起来难。 首屏渲染优化 这个阶段其实对 UI 渲染效率的提升了，优化手段也就是渲染优化方面的通用手段了。 参考资料 reducing-your-app-s-launch-time[6] 58 同城 App 性能治理实践-iOS 启动时间优化 iOS 优化篇 - 启动优化之 Clang 插桩实现二进制重排[7
5.1K20编辑于 2022-09-23 - 来自专栏三流程序员的挣扎
Android 优化——启动优化
Android 优化目录 ---- App 启动方式 冷启动 App 没有启动过或 App 进程被杀，系统中不存在该 App 进程，此时启动即为冷启动。 优化 布局优化 逻辑优化 必要且耗时的逻辑，考虑单独开线程执行 必要不耗时，按优先级高低依次执行 非必要的延迟初始化，等用到再初始化 针对冷启动的欺骗效果 使用 placeholder UI
1.3K30发布于 2018-09-11 - 来自专栏三流程序员的挣扎
Android 优化——存储优化
Android 优化目录 ---- 交换数据格式 Google 推出的 Protocal Buffers 是一种更轻便高效的存储结构，但消耗内存较大。 SharePreferences 优化 当 SharedPreferences 文件还没有被加载到内存时，调用 getSharedPreferences 方法会初始化文件并读入内存，这容易导致 耗时更长 因此，最好的优化方法就是避免频繁地读写 SharedPreferences，减少无谓的调用。 数据库优化 使用 StringBuilder 代替 String 查询时返回更少的结果集及更少的字段 查询时只取需要的字段和结果集，更多的结果集会消耗更多的时间及内存，更多的字段会导致更多的内存消耗 实际多表操作在被实际执行前，查询优化器会根据连接条件，列出几组可能的连接方案并从中找出系统开销最小的最佳方案 查询列与索引列次序一致 用多表连接代替 EXISTS 子句 把过滤记录数最多的条件放在最前面
1.7K20发布于 2018-09-11
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