- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器视觉那些事儿
【测量篇】（4）2D测量（计量）
参数： MetrologyHandle：计量模型句柄 Index：计量对象索引 Instance：计量对象实例 GenParamName：参数名称 GenParamValue ：参数值 Parameter angle_ll (LineParameter[0], LineParameter[1], LineParameter[2], LineParameter[3], LineParameter[4] angle_ll (LineParameter[0], LineParameter[1], LineParameter[2], LineParameter[3], LineParameter[4] intersection_lines (LineParameter[0], LineParameter[1], LineParameter[2], LineParameter[3], LineParameter[4] Orientation1 > 0) Orientation1 := Orientation1 - rad(180) endif line_orientation (LineParameter[4]
3.1K20发布于 2019-07-28 Token计量与费用归因体系设计
二、成本失控的根因分析根因一：计量颗粒度太粗传统IT成本计量以“实例”或“账号”为单位。但AI成本是以“Token”为单位的——每次调用消耗数百到数千Token，单价低、频次高、总量大。 没有精细化的Token计量，就无法回答“谁、什么时候、用什么模型、花了多少Token”。根因二：缺少多维度归因能力一个Token消耗背后涉及多个维度：哪个部门？市场部还是研发部？哪个项目？ 设计要点：要点一：统一计量口径不同模型的Token计价方式不同（有的按输入+输出分别计费，有的按总Token计费）。 计量系统需要：统一采集每次调用的输入Token数、输出Token数记录模型名称、调用时间、响应耗时保留原始请求和响应（用于审计和复盘）要点二：实时计量流采用流式计量架构：模型调用完成 → 异步写入计量队列计量消费者聚合数据 查询4：GPT-4 vs Claude，哪个性价比更高？
30410编辑于 2026-05-12Token 计量与费用归因体系的设计
，无法拆分到各业务线· 用量行为难预测：某个员工突然开始用 AI 批量处理数据，当月成本暴增，事后才发现· 模型价格不一致：GPT-4o 和 GPT-4o-mini 单价差 20 倍，但用户选择模型往往没有约束二 、计量体系的设计2.1 归因维度要做有意义的费用报告，至少需要以下几个归因维度：计量记录（每次 LLM 调用）：{ 'timestamp': '2026-03-15T10:23:45Z', 'model ': 'gpt-4o', 'input_tokens': 1240, 'output_tokens': 380, 'cost_usd': 0.0186, // 归因标识（由调用方传入） 'org_unit token 比，比值异常往往意味着 prompt 设计有问题四、降低成本的工程手段4.1 Prompt 压缩input token 是成本的大头。 ZGI（zgi.cn）的费用管控模块提供了从计量、归因到预算预警的完整体系，支持按部门独立预算管理。
75810编辑于 2026-03-26- 来自专栏国产程序员
Pig4Cloud之检验token
if(validatenull(token) || validatenull(basicAuth)){ return; } request({ url: '/auth/token/check_token 请求资源服务器的资源时,Spring Security 拦截token，进行token 和 userdetails 匹配过程，把无状态的token 转化成具体用户! 解析 header 或者参数中的 access_token 字段! `PigRedisOAuth2AuthorizationService` 通过token value 查询 认证中心下发令牌时 存储的用户认证信息.! , @Nullable OAuth2TokenType tokenType) { Assert.hasText(token, "token cannot be empty");
79130编辑于 2022-12-07 - 来自专栏全栈程序员必看
matlab空间计量模型AIC和SC,空间计量模型
第二列(value)是各个统计量的值，比如LM lag就是统计量等于0.238，服从自由度为1的卡方分部。下面的差不多。 第三列(Prob)应该是对应的P value。
81940编辑于 2022-11-01 - 来自专栏PyStaData
计量笔记 ｜ 异方差
（伍德里奇《计量经济学导论》（第五版）p.219） 在一般多元回归模型： 在假定 MLR.1~MLR.4 下， 的一个有效估计量是： 其中， 表示将 对所有其他自变量做回归所得到的第 * 4.WLS /* 得到扰动项方差的估计值 ${\hat \sigma_{i}^2}_{i=1}^n$ 后，可作为权重进行 WLS 估计。 */ 4. */ * 4.WLS /* 得到扰动项方差的估计值 ${\hat \sigma_{i}^2}_{i=1}^n$ 后，可作为权重进行 WLS 估计。 */ 4. 参考资料 陈强, 2015. 计量经济学及 Stata 应用[M]. 高等教育出版社. 古扎拉蒂, 波特, 2011. 计量经济学基础 第 5 版 （上册）[M].
7.8K20发布于 2021-03-05 OpenClaw + 离线 Gemma 4：省Token，保隐私
题图摄于奥林匹克公园南门 （今天写篇短的笔记） 智能体应用要烧 Token，大家都已经达成共识。自从 Gemma 4 发布后，“平民版”的方案成为了可能。 之前文章介绍过谷歌 Gemma 4，最大的优点是不挑食——低端设备也能跑，就像一辆加 92 号汽油就能跑的小货车，不用非得喂 98 号油。 而 Gemma 4 就亲民多了，部署成本低，还能把数据锁在自己家里，对智能体应用来说，真的挺香。 不少读者后台问我：能不能用OpenClaw（龙虾）接上离线的 Gemma 4？ 大家的想法很一致——就是想省点 Token 钱。答案是：完全可以。 今天快速记录一下部署过程，给大家当个“菜谱”参考。文中用的是 Ollama，适合测试玩一玩。 模型跑起来之后，OpenClaw 这边要配置 Gemma 4 大模型。
76720编辑于 2026-04-13- 来自专栏晓晨的专栏
IdentityServer4实战 - JWT Token Issuer 详解
本文所诉Token如无特殊说明皆为 JWT Token。 3.Issuer 可以自定义，并且可以设置一个列表，如果手动设置了会覆盖默认值 4.Issuer 验证逻辑默认只验证是否相等，即 Token 携带的 Issuer 是否与 设置的 Issuer 值相等。 设置 Token 的 Issuer 需要在 IdentityServer4 设置。 2.对Token解码，查看 iss 字段 如果在 IdentityServer4 设置此值，默认情况下所有API资源都会获取此值作为默认有效Issuer。 ，如果直接通过外网请求的 Token Endpoint（/connect/token） 生成的 Token，那么这个 Token 携带的 iss 地址将会是外网地址（正常情况下，Host是会经过代理传过来的
2.5K21发布于 2019-03-05 - 来自专栏机器学习与统计学
【温习统计学】无偏估计量、相合估计量
无偏估计量，数学期望等于被估计的量的统计估计量。 设^θ(X1,X2,…,Xn)是θ的估计量，若E(^θ)=θ，对一切θ∈Θ，则称^θ为θ的无偏估计量，否则称为θ的有偏估计量。 估计量的一种大样本性质:当样本容量n充分大时,估计量可以以任意的精确程度逼近被估计参数的真值。设n＝T (X1,X2,…,Xn)是未知参数θ∈Θ的估计量,其中Θ是θ的值域。
6K30发布于 2019-04-10 - 来自专栏PyStaData
计量笔记 ｜ 拟合优度
（图片来源：古扎拉蒂《计量经济学精要》（第 4 版）） 如上图所示，将 的总变异（TSS）分解为两部分，可以被回归分解（ESS） + 未被回归分解（RSS）。 自由度是指当以样本的统计量来估计总体的参数时，样本中独立或能自由变化的数据的个数，称为该统计量的自由度。通常为 。 比如，若存在两个变量 ，而 那么自由度为 1 。 计量经济学导论（第 5 版）[M]. 北京: 中国人民大学出版社. [2] 陈强, 2015. 计量经济学及 Stata 应用[M]. 经济计量学精要（第 4 版）[M]. 机械工业出版社. [4] 李·C·阿迪金斯, 卡特·希尔, 2015. 应用 Stata 学习计量经济学原理（第 4 版）[M]. 重庆：重庆大学出版社.
6.8K30发布于 2021-04-13 - 来自专栏YoungGy
ISLR_t统计量
mean inference for comparing two independent means inference for comparing two paired means 回顾 之前讲了Z统计量 Z统计量的总体逻辑是：假设H0成立，建立群体均值的正态分布。正态分布的均值是总体均值，标准差是σ/n−−√\sigma /\sqrt{n}，σ\sigma一般用ss估计。
96850发布于 2018-01-02 - 来自专栏DearXuan的博客文章
算法基础-顺序统计量
顺序统计量 将长度为 n 的数组升序排序后，则第 i 个位置的数字是该数组的第 i 小的量，称之为第 i 顺序统计量 数组最小值是第1个顺序统计量，最大值是第n个顺序统计量，中位数(又称下中位数)是第⌊ (n+1)/2⌋个顺序统计量 ⌊n⌋ 表示对 n 向下取整，⌈n⌉表示对 n 向上取整 最大值和最小值 若想要寻找n个数字里的最大值或最小值，只需要进行(n-1)次比较 int min = a[0]; i += 2; } cout << "min:" << min << endl; cout << "max:" << max << endl; } 第i顺序统计量 如果想要找到数组里的第 i 顺序统计量，也就是第 i 小的数字，通常的办法是把整个数组排序，然后直接取出对应位置的数字。
1.1K60编辑于 2022-01-31 - 来自专栏技术学习笔记
因果推断常用计量方法
4. 自变量：也称为解释变量(原因变量)，可由研究者选择、控制，且能独立变化而影响其他变量变化的条件或因素。因变量：也称为被解释变量(结果变量)，研究的目标变量，取值可被观测且随自变量的变化而变化。 干预效应(Treatment Effect)：干预问题的基础是量化干预效应，常用的计量指标包括: (1). ATU = E[Y_i(1) - Y_i(0)| D_i = 0] = E[Y_i(1)| D_i = 0] - E[Y_i(0)| D_i = 0] (4). 常用计量方法 随机对照试验 因果推断的一条黄金法则：随机对照试验(AB测试) 是确定因果关系最可靠的方法 [3]。 常用于计算复杂随机变量的方差、标准差等统计量，从而简化概率推断的计算过程。
1.6K34编辑于 2025-02-09 - 来自专栏生物信息与临床医学专栏
关于F统计量的澄清
在往期推送中，米老鼠和大家介绍过评价弱工具变量偏倚的策略------孟德尔随机化之F统计量。 一般而言，当F 统计量大于经验值10时，我们认为工具变量法估计值的偏倚大约是观察性研究的10%，因此F大于10这个标准在孟德尔随机化研究中广为使用。然而，这样的盲目使用不见得是合理的。 从上表中我们不难看出，随着均分的子队列数目增加，观察性估计量比较稳定，2SLS和LIML的估计值和实际观察值越来越接近，但是每个子队列的平均F统计量在不断减少。 也即说明，等分的子队列数目越多，工具变量估计值越接近真实值，但这时候F统计量可能是比较小的。 从上表中我们不难看出单纯依靠F统计量大于10来判断弱工具变量偏倚是不可靠的，当然我们这里并不是否认F统计量的作用，在实际研究中，F统计量越大，确实偏倚会小，但不能拿F大于10作为“金标准”。
3.2K21编辑于 2022-08-21 - 来自专栏晓晨的专栏
IdentityServer4实战 - 谈谈 JWT Token 的安全策略
一.前言 众所周知，IdentityServer4 默认支持两种类型的 Token，一种是 Reference Token，一种是 JWT Token 。 前者的特点是 Token 的有效与否是由 Token 颁发服务集中化控制的，颁发的时候会持久化 Token，然后每次验证都需要将 Token 传递到颁发服务进行验证，是一种中心化的比较传统的验证方式。 因为 IdentityServer4 对 JWT Token，默认是没有控制失效的机制的，所以如果我们想添加这种机制，只有我们自定义，下一节做详细介绍。 三.自定义Token失效机制 ? 都会携带用户生成Token时的IP，我们每次验证Token是否有效时，就可以根据客户端来源IP与Token携带的IP进行匹配，如果匹配不上，那么该Token我们就可以认为是可疑的，从而进行黑名单的验证。 4.将Token添加进黑名单的方式 我们前面设立了黑名单模式，那么我们的Token何时加入黑名单呢，难道让用户说，我的 Token 被盗了，你把我的 Token加入黑名单吧，这肯定不现实。
1.4K20发布于 2018-09-20 - 来自专栏YoungGy
统计简单学_常用统计量
连续型数据特征 数据特征值的应用 经验法则 盒须图 连续型数据特征 集中趋势 平均数 中位数(群体η\eta，样本X̃ \tilde{X}) 众数 选择：当群体中有离群值时，使用中位数或者众数，
92540发布于 2019-05-27 - 来自专栏国产程序员
Pig4Cloud之登陆验证（二）发放token
## 令牌颁发授权服务器提供令牌颁发接口（/oauth2/token），由客户端发起请求，授权服务器生成访问令牌（access_token）返回，客户端使用此令牌才能去调用资源服务器的接口。 （刷新令牌模式）>当客户端支持刷新令牌时，授权服务器颁发访问令牌(access_token)时会同时颁发刷新令牌(refresh_token)，客户端可以使用刷新令牌重新获取访问令牌。 OAuth2AccessTokenAuthenticationToken) this.authenticationManager.authenticate(authorizationGrantAuthentication); //step4 请求，若是，则继续授权模式检验，否则跳过step2.解析请求中的参数，构建成一个 Authentication（组装登陆认证对象）step3.认证管理器对 Authentication 进行认证step4. 到这一步说明access_token生成好了， 将access_token和相关信息响应给请求方。
1.6K30编辑于 2022-12-07 - 来自专栏GiantPandaCV
解析 Token to Token Vision Transformer
最后看下T2T，通过Token to Token结构（下文会讲），它在浅层的时候也能建模出结构信息，同时也避免了极值的出现。 Token To Token结构 ? 下面是一段测试代码 import torch import numpy as np np_input = np.array([[[[1, 2, 3], [4, , 5.], [ 2., 3., 5., 6.], [ 4., 5., 7., 8.], [ 5., 6., 8., 9.], ') self.soft_split0 = nn.Unfold(kernel_size=(7, 7), stride=(4, 4), padding=(2, 2)) self.num_patches = (img_size // (4 * 2 * 2)) * ( img_size // (4 * 2 * 2)) # there
8.1K10发布于 2021-03-11 - 来自专栏用户8955222的专栏
计量模型 | 前定变量#时间FE
最近在某年会的学术汇报上看到一篇DID实证论文，不过作者构建的计量模型比较特别。这篇文章的基本财务数据来自工企数据库，但却用于评估2017年实施的某项政策的政策效应。
1.2K20发布于 2021-11-10 - 来自专栏PyStaData
计量笔记 ｜ 简单线性回归
* PRF 和 SRF：蒙特卡罗模拟 clear set obs 30 set seed 10101 gen x = rnormal(3, 4) gen e = rnormal(0, 9) gen y 1.1 OLS 估计量的推导 目标：残差平方和最小 此最小化问题的一阶条件为： 消去方程左边的 ，可得： 对上式各项分别求和，移项可得： 上式为“正规方程组”。 */ clear set obs 30 set seed 10101 gen x = rnormal(3, 4) gen e = rnormal(0, 9) gen y = 1*x + e reg 计量经济学及 Stata 应用[M]. 高等教育出版社. 古扎拉蒂, 波特, 2010. 经济计量学精要[M]. 机械工业出版社. 杰弗里·M·伍德里奇, 2015. 计量经济学导论（第五版）[M]. 北京: 中国人民大学出版社.
4.7K42发布于 2021-03-05
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