- 综合排序
- 最热优先
- 最新优先
- 来自专栏Hank’s Blog
4-6 R语言函数 排序
#sort:对向量进行排序;返回排好序的内容 #order:返回排好序的内容的下标/多个排序标准 > x <- data.frame(v1=1:5,v2=c(10,7,9,6,8),v3=11:15,v4=c(1,1,2,2,1)) > sort(x$v2) [1] 6 7 8 9 10 > sort(x$v2,decreasing = TRUE) [1] 10 9 8 7 6 > order(x$v2) [1] 4 2 5 3 1 > x[order(x$v2),] v1 v
36640发布于 2020-09-16 - 来自专栏人工智能与演化计算成长与进阶
15非监督学习异常检测4-6构建与评价异常检测系统
参考资料 斯坦福大学 2014 机器学习教程中文笔记 by 黄海广 15.4 开发和评价一个异常检测系统 Developing and Evaluating an Anomaly Detection 当我们开发一个异常检测系统时，我们从带标记（异常或正常）的数据着手，我们从其中选择一部分正常数据用于构建训练集，然后用剩下的正常数据和异常数据混合的数据构成交叉检验集和测试集。 我们估计特征的平均值和方差并构建 p(x)函数 对 交叉检验集 ，我们尝试使用不同的 ε 值作为阀值，并预测数据是否异常，根据 F1 值或者查准率与查全率的比例来选择 ε 选出 ε 后，针对 测试集 进行预测，计算异常检验系统的 Supervised Learning 在以上关于评价异常检测系统的时候，我们尝试使用了 带标签的数据 来评价一个异常检测系统的好坏，既然我们有 带标签的数据 为什么不直接使用监督学习的方法来做异常检测呢 所以在实现异常检测系统之前，往往用直方图表示数据或者直接画出数据的分布，以确保这些数据在进入异常检测算法前看上去比较接近于高斯分布，如下图中(1)所示 ?
1.8K11发布于 2020-08-14 - 来自专栏yuyy.info技术专栏
《代码整洁之道》笔记（4-6章节）
个人认为注释还是要写，算是对代码的中文翻译，因为我们的英语水平，命名习惯各不相同。
28010编辑于 2022-06-28 多智能体协同自主进化渗透系统：基于XBOW基准的量化评估与实践
部署多智能体协同自主进化系统 PentestSkills系统（自主协同测试与自进化系统）由云鼎实验室支持研发，核心架构含四大创新： 多智能体协同与记忆/状态管理：Lead Agent协同Recon（ 量化应用效果与客户价值 聚焦系统稳定性、开发效率、运维成本三大ROI指标，关键数据如下： 漏洞利用成功率：通过知识增强与经验累积，成功率从50%降至39.4%后提升至58.2%（来源：NeuroSploit 攻击全链路耗时：自动化评估系统实现零成本无限次本地演练，对比人工评估效率显著优化（来源：材料“效率:攻击全链路耗时”）。 比赛应用：参与腾讯云黑富松智能渗透挑战赛，使用PentestSkills系统： 基于XBOW数据集评估，映射漏洞至OWASP TOP 10，涉及最多漏洞类型为注入型（59）、访问控制（29）、安全配置错误 选择腾讯的技术领先性 技术架构优势：PentestSkills通过多智能体协同、知识增强、工具深度改造实现自主进化，获云鼎实验室背书（来源：材料“云鼎实验室”多次提及）。
20010编辑于 2026-04-05多智能体协同驱动的自主进化渗透测试系统效能解析
现实情况中，复杂的渗透测试场景不仅考验单点漏洞发现能力，更要求系统具备长链条的逻辑推理与状态管理能力。 构建基于多智能体协同与知识引擎的渗透架构 针对上述瓶颈，NeuroSploit 战队提出并开源了 PentestSkills 系统，通过“协同、记忆、知识增强与工具驯化”的组合策略，重构了自动化渗透的执行逻辑 驱动漏洞利用成功率提升与零成本离线演练 通过部署 PentestSkills 架构并结合全自动评估系统，自动化渗透测试在效率、效果与成本控制上实现了量化的效能跃升： 漏洞利用成功率达到 58.2%： 通过自动化评估系统进行快速迭代 此外，团队将多智能体协同系统、修正后的评估基准、自动化评估框架以及数据分析平台进行了全面开源，为社区贡献了标准的反馈闭环体系。 选择在此类高规格平台上验证架构，不仅证明了 PentestSkills 在 Web 靶场场景下的技术领先性，更明确了 AI 渗透测试的未来演进路径：即从单一 Web 环境走向复杂的内网渗透与横向移动，探索接入真实的
23620编辑于 2026-04-04多智能体协同自主进化渗透测试系统：基于XBOW Benchmarks的量化评估与实践
部署多智能体协同自主进化渗透测试系统 腾讯云安全云鼎实验室支持NeuroSploit战队研发PentestSkills系统，以三大创新点构建解决方案： 多智能体协同与记忆/状态管理：设Lead Agent undefined配套自动化评估系统，基于XBOW Validation Benchmarks数据集（来源：NeuroSploit开源项目），实现多维度评估、可扩展至其他数据集、无限次本地离线演练（零成本 量化应用效果与业务价值 系统经XBOW Benchmarks验证（104个环境，含简单45、中等51、困难8），关键指标如下： 漏洞利用成功率：经迭代从50%降至39.4%，最终提升至58.2%（来源 开源赋能：发布评估系统（GitHub: https://github.com/Neuro-Sploit/xbow-validation-benchmarks）、修复XBOW Benchmark上游遗留问题 实践过程：在腾讯云黑富松智能渗透挑战赛中，部署PentestSkills系统： Lead Agent协同Recon/Exploit/ReMem等子Agent，通过Spray Skill端点发现、Xray
28220编辑于 2026-04-06- 来自专栏量子位
支持移动GPU、推断速度提升4-6倍
TensorFlow用于移动设备的框架TensorFlow Lite发布重大更新，支持开发者使用手机等移动设备的GPU来提高模型推断速度。
1.1K30发布于 2019-04-24 - 来自专栏人人都是极客
支持移动GPU、推断速度提升4-6倍
虽然移动设备的处理能力和功率都有限。虽然TensorFlow Lite提供了不少的加速途径，比如将机器学习模型转换成定点模型，但总是会在模型的性能或精度上做出让步。
1.6K20发布于 2019-03-15 多智能体协同自主进化渗透测试系统：提升漏洞挖掘效率与自优化能力
构建多智能体协同自主进化渗透系统 腾讯云安全联合云鼎实验室支持NeuroSploit战队研发PentestSkills系统，通过三大创新点突破瓶颈： 创新点一：多智能体协同与记忆/状态管理 架构：Lead 量化验证系统效能与业务价值 基于XBOW Validation Benchmarks数据集（来源：文中“XBOW Validation Benchmarks 数据集分析”）的实践显示： 数据集规模： 开源评估系统：开发基于XBOW Benchmark的全自动AI Agent评估系统，支持多维度评估（成功率、耗时、成本）、无限次本地离线演练（开源地址：https://github.com/Neuro-Sploit z3r0yu（博士） 汪琦@EkiXu（清华大学博士生） 夏天@3em0（博士生） 杨晶城@P3ngu1nW（清华大学博士生） 实战场景：参与腾讯云黑富松智能渗透挑战赛（TCA/TCH等），应用PentestSkills 系统实现： 漏洞挖掘：发现/profile?
22720编辑于 2026-04-06- 来自专栏AI机器学习与深度学习算法
机器学习入门 4-6 网格搜索与k近邻算法中更多超参数
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍使用sklearn网格搜索寻找最好的超参数以及kNN计算两个数据点距离的其他距离定义。
78000发布于 2019-11-13 - 来自专栏desperate633
第4-6课 数据的过滤where子句操作符使用通配符进行过滤
实际查询中，通常不会检索所有行，需要对数据进行筛选过滤，选出符合我们需要条件的数据。
1.9K10发布于 2018-08-22 - 来自专栏yuyy.info技术专栏
《Go语言精进之路：从新手到高手的编程思想、方法和技巧1》4-6章笔记
醍醐灌顶到没有，别扭确实存在。当然这需要一段时间来适应，说下这段时间最难接受的点吧。 1、文件的单一职责做不好，一个文件里有多个结构体，想知道某个结构体有哪些方法，需要借助IDE 2、命名使用单字母，特定场景能理解，例如循环里的i，遍历map的k,v，但是很多单字母不是这种常见场景里的。代码整洁之道里说命名要见名知意，宁愿用长命名也不用无法表达清楚的短命名，这点go背道而驰。此书里说有时需要短命名加注释，而代码整洁之道里说注释就不应该存在，如果要用注释，说明写的代码无法准确清晰的表达意思。
1.1K20编辑于 2022-09-21 - 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 练习4-6 猜数字游戏
练习4-6 猜数字游戏 猜数字游戏是令游戏机随机产生一个100以内的正整数，用户输入一个数对其进行猜测，需要你编写程序自动对其与随机产生的被猜数进行比较，并提示大了（“Too big”），还是小了（“Too
1.2K20发布于 2020-09-15 - 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4-6 水仙花数
习题4-6 水仙花数 水仙花数是指一个N位正整数（N≥3），它的每个位上的数字的N次幂之和等于它本身。例如：153=13+53+33。 本题要求编写程序,计算所有N位水仙花数。
89040发布于 2020-09-15 - 来自专栏深度学习与python
汇总了30余场面试，4-6月Java面经笔记及详解，通用性极强 | 极客时间
最近感慨面试难的人越来越多了，一方面是市场环境，更重要的一方面是企业对 Java 的人才要求越来越高了。 基本上这样感慨的分为两类人，第一，虽然挂着 3、5 年经验，但肚子里货少，也没啥拿得出手的项目，自己还意识不到问题；第二，自身有技术追求，但欠点儿火候，多练习多吸收知识，锤炼一下问题不大。 拿我自己来说，早几年也是心比天高，觉得自己特了不起，结果往往一面试就发虚，大部分人都经历过这样一个不自知的阶段。 后面见识多了，再主动多跟着大佬学习，薪资就能相对顺利地随着经验积累增多一路涨起来。 之前私圈分享过
23210编辑于 2023-03-29 - 来自专栏一心无二用，本人只专注于基础图像算法的实现与优化。
SSE图像算法优化系列四：图像转置的SSE优化（支持8位、24位、32位），提速4-6倍
本文介绍了如何利用SSE/AVX指令集进行CPU并行加速，以解决图像转置中存在的内存访问瓶颈问题。首先介绍了图像转置的算法和实现过程，然后通过具体示例展示了如何使用SSE/AVX指令集进行CPU并行加速，最后给出了针对不同CPU架构的优化策略。
2.4K100发布于 2018-01-03 - 来自专栏人工智能前沿讲习
ICLR2019 | 表示形式语言：比较有限自动机和循环神经网络
图1展示了用正则语言[（（[4-6]{2}[4-6]+）？）3[4-6]+]生成的样本训练得到的RNN网络的t-SNE嵌入。虽然，右侧的MDFA包含6个状态，我们发现左侧的RNN状态呈现出5个点簇。 实际上这种现象在实验中普遍存在， 而且可以用经典系统理论中的抽象概念进行很好地解释。 ? 图1：右侧是刻画正则语言[（（[4-6]{2}[4-6]+）？） 状态1和状态2均可独立地表示[4-6]*。 一个自动机M的抽象A也是一个自动机，其状态是由M的状态聚类生成的超状态。 图6 上图是SIMPLE EMAILS语言的MDFA，用系统树图描述线性解码器对该自动机的抽象化顺序。第一次抽象合并两个代表[a-d]*的状态。 下图是DATE语言MDFA，用系统树图描述线性解码器对该自动机的抽象化顺序。第一次抽象合并两个相同位置的状态。 结论 本文提出的RNN结构解释方法使我们对RNN有了新的认识。
1.2K10发布于 2020-05-13 在游戏开发中使用 WorkBuddy 提升效率的实践分享
具体应用场景与效率数据1.策划案快速生成（核心收益）实际产出：策划文档总数：27份完整策划案职业系统、装备系统、BOSS系统、养成系统战斗系统、社交多人玩法、经济系统新手引导、主线任务、剧情设计技术实现规范 、AI执行开发案等时间对比：指标传统方式使用WorkBuddy效率提升单份策划案1-2天2-4小时5-10倍27份策划案总计4-6周2天10-15倍策划案示例：21_新增游戏内容开发案_AI执行版_v1.0 .md：AI编程任务拆解文档01_职业系统补充_技能更新与克制关系_v1.0.md：完整系统设计核心价值：从"写文档"变成"审文档"保持统一格式和专业表达策划案可直接交给AI编程工具执行2.代码批量修复场景 小时效率提升10-15倍4.资源处理场景：猪八戒角色原画2K→512×512指标数据处理时间几秒钟传统耗时30分钟效率提升20-30倍整体项目效率提升汇总阶段传统周期使用WorkBuddy提升倍数策划阶段4- 个月开发周期大幅缩短：整体项目从6-8周压缩到3-4天质量一致性保障：AI生成的策划案格式统一、逻辑完整人力成本降低：1人+WorkBuddy完成原本需要2-3人1个月的工作量使用心得"以前最痛苦的是写策划案，一个系统要写好几天
20310编辑于 2026-04-10- 来自专栏跟Qt君学编程
C/C++之switch范围判断
std::cout<<"0-3: "<<i<<std::endl; break; case 4 ... 6: std::cout<<"4- 输出 4-6:5
4.2K20发布于 2019-07-15 - 来自专栏VRPinea
5.5 VR扫描：索尼演示VR手部全指追踪控制器原型；Facebook Q1非广告收入2.97亿美元
（VRPinea 5月5日电）今日重点新闻：GDC Summer 将以完全数字化形式开启，8月4-6日举办；索尼演示全新VR控制器原型，支持手部全指追踪；Facebook Q1非广告收入达2.97亿美元 1 GDC Summer将以完全数字化形式开启 8月4-6日举办 ? 因此，定于8月4-6日举办的GDC Summer2020游戏开发者大会将以“完全数字化”的形式开启。 因此，5月1日，Valve宣布：Steam VR将终止支持macOS，转而支持Windows和Linux系统。
52430发布于 2020-05-14
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