- 综合排序
- 最热优先
- 最新优先
- 来自专栏悟道
2-4 快速乘法 模板
适用于不让用/ * 的情况实现某些结果 ! /** * 快速乘法 * * @param a 乘数 * @param b 被乘数 * @return 积 */ public static long quickMulti(long a, long b) { long result = 0; while (b > 0) { if ((b & 1) == 1) {
50410发布于 2021-06-01 - 来自专栏刷题笔记
2-4 另类堆栈 (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101049523 2-4 另类堆栈 (20 分) 在栈的顺序存储实现中，另有一种方法是将Top
78830发布于 2019-11-08 - 来自专栏Deep learning进阶路
2-4 线性表之双链表
2-4 线性表之双链表 双向链表除了相当于在单链表的基础上，每个结点多了一个指针域prior，用于存储其直接前驱的地址。同时保留有next，用于存储其直接后继的地址。 ?
56020发布于 2019-07-02 - 来自专栏Hank’s Blog
2-4 R语言基础 列表
> l1 <- list("a",2,10L,3+4i,TRUE) #每个元素没有名字 > l1 [[1]] [1] "a"
54520发布于 2020-09-16 - 来自专栏IT技术圈
练习2-4 温度转换 (5分)
本题要求编写程序，计算华氏温度150°F对应的摄氏温度。计算公式：C=5×(F−32)/9，式中：C表示摄氏温度，F表示华氏温度，输出数据要求为整型。
1.1K10发布于 2021-02-24 - 来自专栏AI机器学习与深度学习算法
学习分类 2-4 感知机权重向量的更新
下面直接给出权重向量的更新表达式，然后通过可视化的方式来直观的展示权重向量的更新。
1.3K40编辑于 2022-11-08 - 来自专栏育种数据分析之放飞自我
笔记 | GWAS 操作流程2-4：哈温平衡检验
「什么是哈温平衡？」 ❝哈迪-温伯格(Hardy-Weinberg)法则 哈迪-温伯格（Hardy-Weinberg）法则是群体遗传中最重要的原理，它解释了繁殖如何影响群体的基因和基因型频率。这个法则是用Hardy,G.H (英国数学家) 和Weinberg，W.（德国医生）两位学者的姓来命名的，他们于同一年（1908年）各自发现了这一法则。他们提出在一个不发生突变、迁移和选择的无限大的随机交配的群体中，基因频率和基因型频率将逐代保持不变。---百度百科 ❞ 「怎么做哈温平衡检验？」 ❝「卡方适合性检验！」
5.4K21发布于 2020-04-27 - 来自专栏刷题笔记
【并查集】2-4 朋友圈 (25 分)
2-4 朋友圈 (25 分) 某学校有N个学生，形成M个俱乐部。每个俱乐部里的学生有着一定相似的兴趣爱好，形成一个朋友圈。一个学生可以同时属于若干个不同的俱乐部。 Max:p[r]; }printf("%d\n",Max); return 0; } 总结这种题目一般都是有套路，需要两个函数一个是查找父亲，同时更新和优化数据 int Find(int x){
1K10发布于 2020-06-23 - 来自专栏AI系统
【AI系统】算子循环优化
AI 芯片硬件的支持。 循环优化 循环的优化方案针对不同的数据局部性和计算并行性，有不同的优化方案，如循环分块、循环展开、循环重排、循环融合、循环拆分等。下面重点接受不同的循环优化方案细节。 循环分块 循环分块是利用 Cache 的数据局部性进行优化的一种方法。 循环分块主要针对大型数据集进行优化，大数据集无法一次全部存入 Cache 中。 循环重排 循环重排序（reorder）是矩阵乘法常见的优化方式，指的是对程序中的循环结构重新排列顺序，以优化数据访问模式，特别是在 CNN 中卷积层的应用。
67910编辑于 2024-12-04 - <! -- --> <div class="<em>ai</em>-explanation <em>ai</em>-explanation-content来自专栏大大的小蜗牛
博客 AI 摘要及优化
即便如此，我的博客中也只有不到三分之二的文章有 AI 摘要。 这样下去，感觉像个无底洞。 这个时候的 AI 摘要功能就变成了一个历史包袱。 如果取消 AI 摘要功能，那前面花的那些小钱就变成了沉没成本了。 有情怀不代表需要妥协 Geek 精神。 所以决定自己动手改造一下 AI 摘要。 怎么优化 AI 摘要 推荐：https://github.com/Moraxyc/ai-summary-hugo 辅助生成 summary.json 的 Python 脚本 1. ai-title-text">AI 摘要
【AI系统】AI 编译器后端优化
AI 编译器分为多层架构，最顶层由各种 AI 训练框架编写的神经网络模型架构，一般由 Python 编写，常见的 AI 训练框架有 PyTorch、MindSpore、PaddlePaddle 等。 在导入 AI 编译器时需要用对应框架的 converter 功能转换为 AI 编译器统一的 Graph IR，并在计算图级别由 Graph Optimizer 进行计算图级优化，也叫前端优化。 在算子级优化结束后，即进入代码生成阶段。本文将重点介绍 AI 编译器的后端优化相关功能。后端优化后端优化基本概念在 AI 编译器中存在两层中间表示，相应也存在两类优化，即前端优化和后端优化。 传统编译器如 GCC、LLVM 也具有后端优化的部分，为什么不直接将 AI 编译器的后端优化委托给传统编译器来实现呢？有两个关键原因：1）数据形式不同：深度学习中数据形式主要为张量（Tensor）。 对优化后的低级 IR 转化为机器指令执行，现阶段最广泛的做法为借助成熟的编译工具来实现，代码生成不是 AI 编译器的核心内容。
AI模型的效率优化
AI模型的效率优化：量化与模型压缩技术随着人工智能（AI）技术的快速发展，AI模型的应用范围不断扩大，尤其是在计算资源有限的设备上，如移动设备、物联网（IoT）设备以及边缘计算环境中，AI模型的计算效率和存储需求变得至关重要 为了确保这些模型能够在资源受限的环境中高效运行，模型的效率优化成为了研究和应用的关键问题。AI模型的效率优化主要集中在两个方面：模型量化和模型压缩。 实际案例与应用案例一：移动设备上的AI应用在移动设备上，AI模型面临计算资源、内存和电池续航等多方面的限制。通过量化和模型压缩，开发者可以将复杂的深度学习模型优化为适合移动设备的版本。 对于想要深入了解AI模型优化的开发者而言，这是一本非常实用的参考书。 总结AI模型的效率优化技术，尤其是量化与模型压缩，是在计算资源有限的环境中部署高效AI应用的核心手段。量化通过减少模型参数的存储位数，能够显著提高推理速度并降低存储需求。
AI搜索GEO优化（生成引擎优化）白皮书
AI搜索GEO优化（生成引擎优化）白皮书GEO优化让AI正确听你的话，在AI搜索内容/生成内容/推理内容/问答内容里有你的品牌/产品/服务和口碑等推荐希望本书（GEO优化）能帮您实现下面的3个基本基础效果 GEO优化作业规范 2. GEO优化关键词分类 3. 图文GEO优化 4. 视频GEO优化 5. GEO排名优化 6. GEO流量优化 7. AI问答优化 8. 关于作者： 9. 鸣谢 10. GEO优化作业规范1.1 GEO优化KPI制定1.2 GEO用户输入分类（俗称关键词）用户通过输入关键词，提示词，命令词，指令词，问题词/集，推理词，Prompt去问AI，AI生成答案和内容。 图文中段提供价值，深化主题相关关键词数量：2-4个（同义词、长尾词）。一次舒心的自驾游旅行，离不开出发前的细心准备。 视频30s-50s提供价值，深化主题相关关键词数量：2-4个（同义词、长尾词）。口播：“除了虾饺，红米肠和凤爪也是老广饮茶的必选项。”
AI口语练习App的优化
AI口语练习App的优化是一个持续改进的过程，旨在提升用户体验、提高学习效率和增强学习效果。以下是一些关键的优化方向。1. 主动学习和用户反馈： 收集用户的纠错反馈，用于模型迭代和优化。当App识别错误时，允许用户手动纠正，并将这些数据用于模型训练。 提升用户体验：更简洁、直观的界面设计： 优化用户界面和交互流程，提高App的易用性和用户友好性。更流畅的交互体验： 优化App的性能，减少延迟和卡顿，提供更流畅的交互体验。 技术层面的优化：模型压缩和优化： 优化模型结构和参数，减少模型大小和计算复杂度，提高App的运行效率。 通过以上多方面的优化，可以不断提升AI口语练习App的质量和用户体验，使其成为更有效、更受欢迎的口语学习工具。持续关注用户反馈和技术发展趋势，不断进行迭代和更新，是保持App竞争力的关键。
【AI系统】计算图优化架构
计算图优化是一种重要的技术，主要目标是提高计算效率和减少内存占用，通常由 AI 框架的编译器自动完成，通过优化，可以降低模型的运行成本，加快运行速度，提高模型的运行效率，尤其在资源有限的设备上，优化能显著提高模型的运行效率和性能 计算图优化现在来到了核心内容，离线优化模块的计算图优化。早在本文之前，AI 编译器的前端优化已经讲述了很多计算图优化相关的内容。 但这些是基于 AI 框架实现的且通常出现于训练场景中，主要原因在于在在线训练的过程中。实验时间的要求相对宽松，所以可以引入较多的 GIT 编译或者是其他编译。 而在推理引擎计算图的优化中，更多的是采用预先写好的模板，而不是通过 AI 编译去实现的。 Layout & Memory: 布局转换优化，主要是不同 AI 框架，在不同的硬件后端训练又在不同的硬件后端执行，数据的存储和排布格式不同。
边缘AI硬件优化策略解析
例如，智能手机要执行复杂面部识别，必须使用尖端优化算法在毫秒内分析图像并匹配特征；耳机实现实时翻译需维持低能耗以确保电池续航。 基于云的AI模型可依赖具有强大算力的外部服务器，而边缘设备只能利用现有资源。这种向边缘处理的转变从根本上改变了AI模型的开发、优化和部署方式。 幕后工作：为边缘优化AI能在边缘设备上高效运行的AI模型需大幅缩减体积和计算量，同时保持可靠结果。该过程通常称为模型压缩，涉及神经架构搜索（NAS）、迁移学习、剪枝和量化等先进算法。 模型优化应从选择或设计特别适合设备硬件能力的模型架构开始，然后针对特定边缘设备进行精细化调整。NAS技术使用搜索算法探索大量可能的AI模型，找到最适合边缘设备特定任务的模型。 此类工具应帮助开发者更轻松地优化实际性能、功耗和延迟。设备制造商与AI开发者之间的合作正在缩小工程与用户交互间的差距。新兴趋势聚焦情境感知和自适应学习，使设备能更自然地预测和响应用户需求。
AI | 优化背后的数学基础
编者按 什么是优化呢？优化就是寻找函数的极值点。既然是针对函数的，其背后最重要的数学基础是什么呢？没错，就是微积分。那什么是微积分呢？微积分就是一门利用极限研究函数的科学。 本文从一维函数的优化讲起，拓展到多维函数的优化，详细阐述了优化背后的数学基础。 深度学习中的优化是一项极度复杂的任务，本文是一份基础指南，旨在从数学的角度深入解读优化器。 还有一个常常被忽略的元素，就是用来拟合模型的优化器。 为了说明优化的复杂性，此处以 ResNet 为例。ResNet18 有 11,689,512 个参数。 下文将从数学角度深入研究优化器，并了解它们是如何完成这一看似不可能的任务的。 优化的基础 我们从简单的地方开始。假设要最大化单变量函数。 好的架构可以让优化变得更容易，但完善的优化实践，可以处理更复杂的损失情况。架构和优化器是相辅相成的 总 我们在前文中已经了解了梯度背后的直观理解，并从数学角度以精确的方式定义了梯度。
AI口语APP的功能优化
要优化 AI 口语 APP 的功能，关键在于深入了解用户痛点、利用最新的 AI 技术以及不断提升用户学习体验。以下是一些核心的优化方向。1. 用户体验与交互设计优化实时可视化反馈：在用户说话时，实时显示声波图、音调曲线或发音器官模拟动画，直观展示发音细节。用颜色、高亮等方式即时标示出错误发音的单词或音素。 社交与激励机制优化学习社区与互动：允许用户将自己的练习成果分享到社区，获得点赞和评论。创建学习小组，用户可以互相监督、鼓励和进行组内口语练习。举办线上口语挑战赛，通过排行榜激励用户竞争。 技术基础设施与数据安全持续优化 AI 模型： 定期收集用户语音数据，进行模型训练和调优，提升识别和评估的准确性。降低延迟： 优化语音处理和 AI 推理的速度，确保实时反馈的流畅性。 云服务与扩展性： 确保后端服务能够支持大量并发用户和复杂的 AI 计算需求。通过以上多维度、深层次的优化，AI 口语 APP 将能提供更高效、更个性化、更具吸引力的学习体验，真正帮助用户突破口语障碍。
C++编程之美-数字之魅(代码清单2-4)
代码清单2-4 int Count(BYTE v) { int num = 0; switch (v) { case 0x0:
讲解2-4串锂电池升降压快速充电方案
XSP30 作为一款支持 PD/QC 快充协议的升降压型锂电池充电 IC，凭借其独特的 2-4 节电池兼容、2A 大电流快充等特性，正悄然改变着便携式设备的充电格局，重新定义人们的充电体验。 其独特的动态效率优化算法更是一大亮点，该算法可使芯片的转换效率最高达到 90%。 在成本方面，XSP30 通过优化设计，使得 BOM(物料清单)成本减少了 15%，这对于大规模生产的企业来说，能够有效降低生产成本，提高产品的市场竞争力。 它的出现，为 2-4 节串联锂电池的充电管理提供了高效、安全、智能的解决方案，不仅满足了当下消费者对快速充电的需求，也为众多电子设备厂商在产品设计和优化上提供了有力的支持。
