- 综合排序
- 最热优先
- 最新优先
- 来自专栏刷题笔记
7-9 人以群分 (25 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/99688626 7-9 人以群分 (25 分) 社交网络中我们给每个人定义了一个“活跃度”
74420发布于 2019-11-08 - 来自专栏yuyy.info技术专栏
【笔记】Operator课程(7-9)
当新任务到达waitingForAddCh时，消费一个任务后会循环消费waitingForAddCh里的全部任务，感觉这个优化意义不大，因为外部循环并没有什么耗时操作，仅仅是从堆里peek一个任务，并根据该任务的执行时间创建
37720编辑于 2023-04-12 - 来自专栏刷题笔记
7-9 最长对称子串
本文链接：https://blog.csdn.net/shiliang97/article/details/96307903 7-9 最长对称子串 对给定的字符串，本题要求你输出最长对称子串的长度。
76530发布于 2019-11-08 - 来自专栏后端开发从入门到入魔
7-9 JAVA-水仙花数
水仙花数是指一个N位正整数（7≥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。 要求编写程序，计算所有N位水仙花数。
41210编辑于 2024-03-01 - 来自专栏刷题笔记
【未完成】7-9 目录树 (30 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/102727548 7-9 目录树 (30 分) 在ZIP归档文件中，保留着所有压缩文件和目录的相对路径和名称
71710发布于 2019-11-07 - 来自专栏AI机器学习与深度学习算法
机器学习入门 7-9 人脸识别与特征脸
本系列是《玩转机器学习教程》一个整理的视频笔记。本章的最后一个小节介绍PCA在人脸识别领域的一个特殊的应用，也就是所谓的特征脸。本小节会介绍什么是特征脸，并通过可视化的方式直观的感受特征脸。
1.4K20发布于 2019-11-23 - 来自专栏yuyy.info技术专栏
《代码整洁之道》笔记（7-9章节）
多个条件分支记录错误信息，可以封装进一个方法，在记录异常信息的地方抛出异常，并给出相应信息。在该方法外部捕获，记录异常信息。异常处理和正常业务流程隔离。
56510编辑于 2022-06-28 - 来自专栏ReganYue's Blog
【PTA】7-9 递归实现逆序输出整数 (15point(s))
本题目要求读入1个正整数n，然后编写递归函数reverse(int n)实现将该正整数逆序输出。
1.4K10发布于 2021-09-16 - 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。
【2020HBU天梯赛训练】7-9 天梯赛座位分配
7-9 天梯赛座位分配 天梯赛每年有大量参赛队员，要保证同一所学校的所有队员都不能相邻，分配座位就成为一件比较麻烦的事情。
【未完成】7-9 电路布线 (30 分)15分
本文链接：https://blog.csdn.net/shiliang97/article/details/101473534 7-9 电路布线 (30 分) 在解决电路布线问题时，一种很常用的方法就是在布线区域叠上一个网格
2017年天梯赛大区赛题集 7-9 人以群分
7-9 人以群分 社交网络中我们给每个人定义了一个“活跃度”，现希望根据这个指标把人群分为两大类，即外向型（outgoing，即活跃度高的）和内向型（introverted，即活跃度低的）。
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。 GEO排名优化GEO优化一共分为6个步骤：5.1 用户输入用户有7种输入方法（大白话就是关键词类型），每种方法又细分为3种，共计21种。Ai平台上：用户/消费者搜啥？问啥？看啥？干啥？怎么问Ai？ 平台的回答结果中，需要实施全面的GEO优化策略，包含关键词优化（如语义关键词挖掘与布局、关键词密度与分布优化、长尾关键词精准匹配等）、内容架构优化、多媒体优化、技术层优化等，以提升品牌在AI平台中的可见性
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
