- 综合排序
- 最热优先
- 最新优先
- 来自专栏Hank’s Blog
3-5 处理缺失值
> x <- c(1,NA,2,NA,3) > is.na(x) [1] FALSE TRUE FALSE TRUE FALSE > x[!is.na(x)] #找出不是缺失值 [1] 1 2 3 > x <- c(1,NA,2,NA,3) > y <- c("a","b",NA,"c",NA) > z <- complete.cases(x,y) #都不是缺失值的元素 > x[z] [1] 1 > y[z] [1] "a" > library(datasets) #import dat
47210发布于 2020-09-16 - 来自专栏NetCore 从壹开始
3-5 安装CICD管理平台：Jenkins
大家这里可以先安装gitlab工具，我就省事了，直接用gitee做源代码管理平台了。
32521编辑于 2023-01-09 - 来自专栏实验盒
当我用DeepSeek预测AI for BioScience未来3-5年发展趋势
预测未来3-5年AI在生物科学（AI for BioScience）的发展趋势，可以从技术突破、跨学科融合、数据驱动创新以及伦理监管等多个维度进行分析。以下是一些关键趋势的展望： 1. 药物研发的端到端AI化 全流程覆盖：AI将贯穿从靶点发现、化合物生成、ADMET（毒性/代谢预测）到临床试验优化的全链条，缩短药物研发周期（目前平均10年→可能压缩至3-5年）。 自动化实验科学（Self-Driving Lab） 机器人+AI闭环系统：实验室自动化平台（如机器人移液、高通量筛选）与AI算法实时交互，自主优化实验方案（如材料合成、基因编辑条件）。 基因编辑与细胞治疗的AI赋能 CRISPR优化：AI预测基因编辑脱靶效应并设计高精度向导RNA（gRNA），提高安全性。 细胞疗法设计：AI优化CAR-T细胞受体结构，或设计通用型干细胞分化方案。 总结 未来3-5年，AI将深度重构生物科学的研究范式，从“数据辅助分析”转向“主动设计创造”，并在药物研发、合成生物学、精准医疗等领域实现商业化落地。
55610编辑于 2025-02-05 - 来自专栏叽叽西
lagou 爪哇 3-5 spring cloud (下) 笔记
为了⽀撑⽇益增⻓的庞⼤业务量，我们会使⽤微服务架构设计我们的系统，使得 我们的系统不仅能够通过集群部署抵挡流量的冲击，⼜能根据业务进⾏灵活的扩展。那么，在微服务架构下，⼀次请求少则经过三四次服务调⽤完成，多则跨越⼏⼗ 个甚⾄是上百个服务节点。那么问题接踵⽽来：
81320编辑于 2022-05-17 - 来自专栏PHP实战技术
3-5年的PHPer常见的面试题
linux网络优化，如何查看进程、怎样查看最大文件打开数？ 1条微薄要推送给100万个粉丝该怎么处理？ 知道哪些算法？冒泡排序？快速排序？二分查找法？ nginx 实战优化业务功能 ？ 谈一下近三年来你的得意之作? 看看简历，会问一些过去做的项目的用户量、pv、吞吐量、相关难点和解决方法等 数据库设计经验,为什么进行分表? 分库? 可以举例说明 数据库优化有哪些? 分别需要注意什么? web开发方面会遇到哪些缓存? 分别如何优化? 给你256M的内存,对10G的文件进行排序(文件每行1个数字),如何实现？ 每个步骤需要注意什么如何优化等? 为什么要对数据库进行主从分离? 如何处理多服务器共享session? 一个10G的表，你用php程序统计某个字段出现的次数,思路是? 不优化前提下,apache一般最大连接数为? nginx一般最大连接数为? mysql 每秒insert ? select ? update ? delete?
1.5K100发布于 2018-03-09 - 来自专栏AI机器学习与深度学习算法
机器学习入门 3-5 Numpy数组(和矩阵)的基本操作
shape 属性查看数组的维度，返回值是一个元组，元组中对应位置的值为数组中对应维度的元素个数。
78310编辑于 2022-05-25 - 来自专栏cwl_Java
C++编程之美-结构之法(代码清单3-5)
代码清单3-5 void RecursiveSearch(int* number, int* answer, int index, int n) { if(index == n)
24420编辑于 2022-11-30 - 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。
第二章 小程序开发指南3-5
在本章会介绍小程序的基本开发流程，结合前面章节的知识，完全可以独立完成一个体验很完善的小程序。为了让开发者更加了解小程序开发，在本章中还会通过常见的一些应用场景介绍小程序API的一些细节以及开发的一些技巧和注意事项。
未来 3-5 年内，哪个方向的机器学习人才最紧缺？
但有没有必要通晓数学，擅长优化呢？ 所以以 3-5 年的跨度来看，这些工具依然会非常有用，甚至像 CNN 和 LSTM 之类的深度学习算法还在继续发展迭代当中。
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。 简介/描述 (Description)详情页GEO，提供信息关键词数量：自然出现3-5次（包括核心词、同义词、长尾词）。 这些看似简单的交互，实际上在整个AI系统的生命周期中扮演着至关重要的角色，被大量利用的内容通常意味着高价值，一般3-5种形式：①复制②下载 ③鼓励④踩一踩 ⑤去编辑6.11 推理对话引导：AI会根据前面输入的内容
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 场景的存储优化之路
这次我们讲讲面向AI场景的存储性能优化思路。 谈优化之前，我们先分析一下AI访问存储的几个特点： 海量文件，训练模型的精准程度依赖于数据集的大小，样本数据集越大，就为模型更精确提供了基础。 跟一些AI公司的同事交流中，大家经常提到的一个问题就是，用户在某一个目录下存放了海量文件，导致训练的时候出现性能问题，其实就是碰到了存储的热点问题。 但在AI场景中情况则不同，我们前面分析到，AI场景中80%以上是小文件，一个文件只有几十KB，文件数量动辄就几十亿，文件的数量成为了文件系统要解决的首要矛盾。 针对这个问题，该如何解决呢？ AI训练效率；第二，小文件的性能瓶颈在哪里，读取一个小文件，需要多次元数据操作加一次数据操作。 总结 本文针对海量文件存储、小文件访问性能、热点访问三个维度，分析了面向AI场景下，分布式文件系统面临的挑战，以及我们的应对思路，也希望借此文和更多技术专家交流如何对AI场景下的存储方案进行针对性的优化
【AI系统】指令和存储优化
除了应用极广的循环优化，在 AI 编译器底层还存在指令和存储这两种不同优化。指令优化指令优化依赖于硬件提供的特殊加速计算指令。这些指令，如向量化和张量化，能够显著提高计算密度和执行效率。 向量化在之前的循环优化中，已经介绍过了向量化的原理，它是一种数据级并行的优化。 在 AI 芯片硬件中，内存层次结构的设计至关重要。通过优化数据在不同层级内存之间的流动，我们可以减少数据传输的延迟和带宽消耗，从而提升整体的计算效率。 在 AI 系统中，这种视角下的内存管理显然无法支撑起 AI 应用。AI 系统通常需要处理大量的数据和复杂的算法，这就需要高效的内存分配和回收策略来支持它们的运行。 内存访问模式：NPU 针对 AI 工作负载进行了优化，支持高并发的内存访问模式。量化和压缩：使用数据量化和压缩技术，可以减少内存占用并提高能效。
【AI系统】离线图优化技术
上一篇文章主要回顾了计算图优化的各个组成部分，包括基础优化、扩展优化以及布局和内存优化。这些优化方式在预优化阶段、优化阶段和后优化阶段都有所应用，以提高计算效率。 同时，还介绍了 AI 框架和推理引擎在图优化方面的不同应用和侧重点。接下来，我们从计算图优化的各个组成部分开始逐步进行讲解。 基础图优化方案 基础图优化指涵盖了所有保留语义的修改，如常量折叠、冗余节点消除和有限数量的节点融合，具体如下所示： Constant folding 常量折叠：主要针对那些在模型推理中值不变的常量进行处理 这种优化可以显著提高程序的运行效率。 因此，省略这两个步骤可以优化计算流程，加速推理过程。
