- 综合排序
- 最热优先
- 最新优先
- 来自专栏拓端tecdat
PHP代做编程辅导：CPT270 Cinemas
Web的裸写大作业，做一个Cinemas，包括Image Gallery，Movies Selection，Movies Reservation，Shopping Cart等等功能页面，简单粗暴耗时，做了整整两天。30个得分点，每个一分，再加上bonus那滋味真是酸爽。
83120编辑于 2022-10-30 - 来自专栏云深之无迹
（AR36CPT）
Rubidium/CS 原子钟（含 CPT 铷钟模块）：长期准确度/长期稳定度/老化通常显著更强，用于基站、授时、测试计量、精密同步系统。 “原子钟级”具体在说哪些指标更强？ 放回这个主角：AR36CPT 语境 像这种 CPT 铷原子钟振荡器，“原子钟级”基本就是在强调：它不是普通石英 10MHz，而是用铷原子物理特性做基准的 10MHz 参考源，还能用 1PPS 做驯服/锁定 有点不高兴 这是 Abracon AR36CPT 系列 CPT（Coherent Population Trap）铷原子钟/原子钟振荡器 的简要规格页（初版，2025-03-20 发布）。 它的核心定位可以一句话概括：用 CPT 铷原子钟提供一个非常高精度、低相噪的 10MHz 频率基准，并可用 1PPS 进行驯服/锁定，也能用 UART 做配置与状态管理。 这个模块到底能做什么？ 放回 AR36CPT 这类铷钟的理解 之前看到的那类数据（举例）： 意思就是： “我用 1 秒/10 秒/100 秒 去平均观察它的频率，它的相对频率稳定度大概到什么数量级。”
14910编辑于 2026-01-07 - 来自专栏NTP时间服务器
京准科普：铷钟与CPT原子钟两种时钟同步区别
京准科普：铷钟与CPT原子钟两种时钟同步区别京准科普：铷钟与CPT原子钟两种时钟同步区别在物理学的世界中，精密的时间测量是至关重要的。这就需要一个高度准确且稳定的时间标准，这就是原子钟。 而CPT原子钟则使用了另一种方法，它利用了光子的相位差，通过观察光子的相位变化来计算时间。接下来，我们来看看这两种原子钟的具体差异。 首先，从精确度方面来看，由于铷原子的两个能级之间的能量差小于光子，因此铷原子钟通常比CPT原子钟更精确。然而，这并不意味着CPT原子钟没有优势。事实上，CPT原子钟的一个主要优点是其稳定性更高。 这是因为光子的相位差不受环境条件的影响，所以CPT原子钟可以在各种复杂环境中保持高精度的时间测量；此外，铷原子钟和CPT原子钟在构造和使用上也有所不同。 相比之下，CPT原子钟使用的光源更加简单，只需要一个单色光源即可，而且其构造相对简单，更容易实现大规模生产和应用。总的来说，铷原子钟和CPT原子钟各有优劣，它们在不同的应用场景中有各自的优势。
33910编辑于 2024-11-05 - 来自专栏CSharp编程大全
C# 生成chart图表的三种方式
, new PointF(cpt.Y, cpt.Y - 8), new PointF(cpt.Y, cpt.Y + 8) };//x轴三角形 PointF[] ypt = new PointF[3] { new PointF(cpt.X, cpt.X - 15), new PointF(cpt.X - 8, cpt.X), new PointF(cpt.X + 8, cpt.X + 60, cpt.X));//图表标题 //画x轴 gph.DrawLine(Pens.Black, cpt.X, cpt.Y, cpt.Y, cpt.Y + 10, cpt.Y + 10)); //画y轴 gph.DrawLine(Pens.Black, cpt.X, cpt.Y, cpt.X, cpt.X , cpt.X + (i - 1) * 30, cpt.Y - d[i - 2] * 3, cpt.X + i * 30, cpt.Y - d[i - 1] * 3); }
4.7K20发布于 2020-10-10 - 来自专栏数字藏品系统
文心一言 CPT-4 新必应的推出 对于区块链会产生哪些推进作用
新必应利用了微软自主研发的CPT-4（Content Processing Technology 4）技术，将搜索结果以加密哈希值的形式存储在区块链上，并通过智能合约实现搜索结果的验证和奖励机制。 通过CPT-4技术，新必应能够对网页内容进行深度分析和处理，并将最相关、最准确、最权威的搜索结果保存在区块链上。这样可以避免数据冗余、重复和垃圾信息，并提升数据的信任度和可信赖度。
59430编辑于 2023-03-18 - 来自专栏脑电信号科研科普
NeuroImage Clinical：EEG神经反馈对ADHD患者的α波振荡、注意力和抑制控制的影响
作者计算了CPT2和CPT1中各个指标的的绝对差异，并计算了各组之间的如下相关性：i) CPT2-CPT1相对α波功率vs CPT2-CPT1行为；ii) CPT2-CPT1波ERD vs CPT2-CPT1 行为；iii) CPT2-CPT1相对α波功率vs CPT2-CPT1 α波 ERD。 中的相对α波功率的比较(CPT2 vs CPT1)。 相关分析 4.1 NFB前后(CPT2-CPT1)的α波功率与CPT操作 在ADHD组的CPT2- CPT1相对α波功率与CPT2- CPT1虚报误差呈显著负相关(r = 0.483, p < 0.05 NFB前后CPT操作(CPT2-CPT1)的α波ERD 在ADHD组的CPT2-CPT1 α波ERD振幅与CPT2-CPT1虚报误差呈显著正相关(Go试次:r = 0.527, p <0.01; NoGo
1.2K00发布于 2021-01-27 - 来自专栏我爱计算机视觉
CPT：刷爆少样本REC任务！清华刘知远团队提出跨模态预训练Prompt Tuning
（CPT）刷爆少样本REC任务！ 03 实验 从上表中，可以看出，在少样本和零样本设置下，CPT的性能显著优于微调的结果，提升非常明显；在全部数据训练下，CPT的性能也是接近或者超过了以前的SOTA性能。 04 总结 在这项工作中，作者提出了VL-PTM的第一个跨模态提示调优（CPT）框架。实验结果证明了CPT在零样本和少样本的Visual Grounding任务上的有效性。 然而，尽管它在Visual Grounding方面的性能很不错，但CPT有几个局限性: 颜色干扰 。CPT通过在图像和文本中添加基于颜色的提示，利用颜色来连接视觉和文本语义。 在这项工作中，作者以Visual Grounding为例，以证明CPT的有效性。但实际上，CPT可以适应其他视觉语言任务。
1.4K20编辑于 2022-03-23 - 来自专栏机器之心
清华孙茂松组的 CPT 了解一下
为此，CPT 将视觉定位重新构建为一个填空问题。 在视觉 sub-prompts 中用分割掩码给目标着色（CPT-Seg）获得了比块（CPT-Blk）更好的结果。 值得注意的是，CPT 实现的标准差明显小于微调。例如，在 RefCOCO 评估中，CPT-Blk one-shot 相对标准差平均降低了 73.8%。 在 RefCOCO + 评估中，CPT-Blk 在 shot 数为 16 时比微调表现略差。 在全监督的设置下，CPT 实现了与强微调 VL-PTM 相当的性能。这表明，即使在全监督的场景中，CPT 也是 VL-PTM 的一种有竞争力的调优方法。
1K30发布于 2021-11-18 - 来自专栏诡途的python路
Task1：随机事件与随机变量
P_X=random_X.loc['P(X)'].tolist() print("随机变量 X 的期望是：%s"%cpt_EX(X,P_X)) print("随机变量 X 的方差是：%s"%cpt_Var ,(np.array(Y)-cpt_EX(X,P_xy))))]) #相关系数 def cpt_corr(X,Y,P_xy): return cpt_Cov(X,Y,P_xy)/(cpt_Var (X,P_xy)*cpt_Var(Y,P_xy))**(1/2) if (cpt_Var(X,P_xy) ! =0)&(cpt_Var(Y,P_xy)! =0) else 0 print(" 随机变量 X 的期望是：%s \n"%cpt_EX(X,P_xy), "随机变量 Y 的期望是：%s \n"%cpt_EX(Y,P_xy),
1.1K20编辑于 2022-05-09 - 来自专栏用户4866861的专栏
国产芯片级微型原子钟介绍
CPT原子钟是利用原子的相干布局囚禁原理而实现的一种新型原子钟，由于不再需要微波谐振腔，因此可以做到真正的微型微小化。美国NIST研制的CPT原子钟物理有的甚至比一粒米还要小。 最小的CPT原子钟可为手表尺寸，并用纽扣电池供电。由于这些特点，CPT原子钟在远程通讯系统定时、大范围通讯网络同步、武器装备的便携化等军、民应用方面具有很好的应用前景。 例如，CPT频标应用于GPS接收机，可以显著提高导航定位精度。欧美等西方国家已经把便携式和微型化CPT频标的研发作列入国家战略发展目标。美国已经有两种商品CPT频标上市。 在几年前，cpt铷原子钟基本都是进口产品，因为此类产品是由国外首发的，也的确满足了大部分体积小但是需要内置时频基准的设备，但是近几年国内科研技术也是日益强大，生产的cpt芯片级原子钟无论是安装尺寸和性能方面完全可以代替国外进口的 cpt铷原子钟。
1.5K30编辑于 2023-01-17 - 来自专栏DeepHub IMBA
在没有数据的情况下使用贝叶斯定理设计知识驱动模型
首先，在知识驱动模型中，CPT不是从数据中学习的(因为没有数据)。相反，概率需要通过专家的提问得到然后存储在所谓的条件概率表(CPT)(也称为条件概率分布，CPD)中。 在本文中，我将交替使用CPT和CPD。 CPT以条件概率或先验来描述每个节点的关系强度。 然后CPT与贝叶斯规则一起使用，以更新允许进行推断的模型信息。 我们可以用bn.print(DAG)检查cpt，结果是“no CPD can be print”。我们需要用所谓的条件概率表(cpt)向DAG中添加知识，我们将依靠专家的知识来填充cpt。 现在我们需要连接DAG和cpt。 用CPT更新DAG: 所有CPT都创建好了，我们现在可以将它们与DAG连接。作为完整性检查可以使用print_DAG功能检查cpt。 # Update DAG with the CPTs model = bn.make_DAG(DAG, CPD=[cpt_cloudy, cpt_sprinkler, cpt_rain, cpt_wet_grass
3.3K30发布于 2021-10-09 澜舟科技新突破：大模型实现“持续学习”，应用成本大幅降低
如图1（右）所示，CPT model仅需要10%的计算资源就可以达到从零开始的模型效果，即便是在整体训练接近完成时，CPT model也仅需要50%的计算就能达到从零训练相同的模型效果。 CPT Scaling Law为了更加科学地指导大语言模型（LLMs）进行持续学习，我们研究了CPT场景下的Scaling Law，我们从图1观察到CPT模型的scaling曲线同从零开始预训练（Pre-training 随后，我们基于这些初始化值，进一步学习CPT Scaling Law中的新参数。 CPT中的知识迁移图3：CPT中的知识和算力迁移通过将CPT Scaling Law与原始Scaling Law进行相减，我们就可以清楚了解在持续学习过程中算力（FLOPS）的复用情况以及知识的迁移规模 研究结果显示，CPT能够显著提升训练效率，实现更快地达到更低损失的目标，同时节省了25%到50%的训练资源。
59810编辑于 2024-10-17- 来自专栏全栈程序员必看
noip2011 day1[通俗易懂]
1e10 + 7; const int MAXN = 1e5+5; int n; int gx,gy; int ans = -1; struct tan { int x,y; int lx,ly; }cpt print(x/10); } putchar(x%10+'0'); } void init() { in(n); for(int i = 1;i <= n;i++) { in(cpt [i].x);in(cpt[i].y); in(cpt[i].lx);in(cpt[i].ly); cpt[i].lx = cpt[i].lx+cpt[i].x; cpt[i].ly = cpt [i].ly+cpt[i].y; } in(gx);in(gy); } void work() { for(int i = n;i >= 1;i--) { if(cpt[i].ly >= gy && cpt[i].lx >= gx && cpt[i].x <= gx && cpt[i].y <= gy) { ans = i; break; } } out(ans
25730编辑于 2022-11-08 - 来自专栏帝讯博客
WordPress后台仪表盘“概览”小工具添加其他文章类型数据
// 根据你的需要修改下面array()里面的文章类型别名即可 $post_types = array( 'shop', 'docs' ); foreach ( $post_types as $cpt ) { $cpt_info = get_post_type_object( $cpt ); $num_posts = wp_count_posts( $cpt ); $num = number_format_i18n ( $num_posts->publish ); $text = _n( $cpt_info->labels->singular_name, $cpt_info->labels->singular_name , intval( $num_posts->publish ) ); echo '
- ' . $num . ' ' . $text .
64420编辑于 2022-11-23 - 来自专栏数据派THU
手把手教你深度学习强大算法进行序列学习(附Python代码)
本文目录： 序列学习入门 紧致预测树算法(CPT) 理解CPT中的数据结构 用CPT进行训练和预测 训练阶段 预测阶段 建模与预测 序列学习入门 当我们需要预测一个事件之后可能会发生的某个特定事件时 初探CPT(紧致预测树) 紧致预测树(CPT)是一种比传统的机器学习模型(如马尔可夫模型)和深度学习模型(如自动编码器)更精准的算法。 CPT算法的独特之处是其快速的训练和预测时间。 CPT算法是如何训练和预测的。 #Importing everything from the CPT file from CPT import * #Importing everything from the CPT file from CPT import * #Creating an object of the CPT Class model = CPT() #Reading train and test file and converting
1.7K40发布于 2018-07-30 - 来自专栏landv
[财务][数据化分析][帆软]行式报表-行式引擎适用于大数据量情形下。
.cpt 三、筛选数据-过滤 1. 已完成模板 已完成的模板，可参见%FR_HOME%\webroot\WEB-INF\reportlets\doc\Primary\DetailReport\筛选数据.cpt 点击下载模板：筛选数据.cpt 已完成模板 已完成的模板，可参见%FR_HOME%\webroot\WEB-INF\reportlets\doc\Primary\DetailReport\排序.cpt 点击下载模板：排序.cpt 五 结果集筛选.cpt 六、行式报表设计 1. 已完成模板 已完成模板可参见：%FR_HOME%\webroot\WEB-INF\reportlets\demo\NewbieGuide\行式报表.cpt 点击下载模板：行式报表.cpt
3K10发布于 2020-05-25 - 来自专栏NewBeeNLP
Open-AI：基于对比学习的无监督预训练
如何无监督地训练一个神经检索模型是当前IR社区的研究热点之一，在今天我们分享的论文中，OpenAI团队尝试在大规模无监督数据上对GPT系列模型做对比预训练(Contrastive Pre-Training)，得到的 CPT-text 而下述实验结果表明本文作者的cpt-text可以在两个任务上都取得不错的表现。 (unsupervised)和先在NLI数据集上微调后再评估(Transfer from NLI data)的整体区别并不是很大，cpt-text整体上也超越了SimCSE这种强基线模型，且最大的模型( Semantic Search 下表展示了cpt-text在语义搜索基准MSMARCO、NQ和TriviaQA上的表现，cpt-text超越了一些经典的无监督方法。 另外作者也评估了cpt-text的zero-shot性能，下表展示了cpt-text在BEIR基准上的表现，在无监督的条件下，cpt-text与BM25还是有一定距离，但在经过MSMARCO微调后，cpt-text
1.2K20编辑于 2022-11-11 - 来自专栏新智元
宇宙有个「孪生兄弟」？一个时光倒流的镜像「反宇宙」
这种基本的对称性被称为CPT对称性，即电荷（C）、奇偶性（P）和时间（T）。 如果我们把CPT对称性的概念扩展到整个宇宙，那么我们目前对宇宙的看法就不可能反映出宇宙的全貌。 如果接受了这个CPT的观点，为了保持整个宇宙的CPT对称性，必须有一个「镜像的宇宙」来平衡我们目前的宇宙。 这个镜像宇宙中的电荷与我们目前的宇宙完全相反，并在目前宇宙的时间线上倒着流动。 总的来说，这两个宇宙遵守CPT对称性。 那么，这样一个宇宙的存在会产生什么后果？ 首先，一个遵循CPT的宇宙会自然地膨胀，并以粒子填充自身，而不需要通过一个被长期理论化的快速膨胀期。 但是在一个CPT对称的宇宙中，不应该存在这种波。因此，如果那些对原始引力波的搜索结果是空的，这可能是一个线索，表明这个CPT-镜像宇宙模型是正确的。
63720编辑于 2022-04-06 - 来自专栏C++核心准则原文翻译
自学HarmonyOS应用开发（70）- 解决ListContainer默认优化问题
, i); BrowserItem item = list.get(i); Component cpt = null; if (component == null) { cpt = item.createUiComponent(); } else { cpt = component; } Text text = (Text) cpt.findComponentById cpt = item.createUiComponent(); } else { if(component.getId() == item.getComponentId()) { cpt = component; } else{ cpt = item.createUiComponent(); ()); return cpt; } 为了向BowerItemProvider说明自己想要什么，我们为每个组件增加了getComponentId方法。
43220发布于 2021-09-24 - 来自专栏xdecode
Java过滤XSS脚本, 可通过Appscan扫描
例如常规业务访问一个页面读取文件&file=sdf.cpt, 如果文件不存在, 则页面返回没有找到sdf.cpt的报错. 恶意传参即: &file=sdf.cpt<script>alert(123);</script>, 这样页面会alert出来123; 这时需要我们在后台对于一些报错进行去脚本话. &file=/doc/Advanced/Chart/LineChart/%E5%AE%9A%E6%97%B6%E5%88%B7%E6%96%B0%E6%8A%98%E7%BA%BF%E5%9B%BE.cpt
2.7K50发布于 2018-01-24
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