- 综合排序
- 最热优先
- 最新优先
- 来自专栏MongoDB中文社区
MongoDB 收购mLab 巩固全球云数据库地位
MongoDB 公司日前宣布，公司已经就收购位于旧金山的云数据库服务商mLab达成最终协议。在满足惯例成交条件的情况下，此次收购预计将在截至2019年1月31日的MongoDB公司财年第四季度完成。 MongoDB收购mLab将有助于深化其与以开发人员为中心的初创公司群体的关系，而mLab在这方面一直非常成功。mLab目前在其平台上拥有大约100万个免费和付费托管数据库。 mLab首席执行官Will Shulman表示：“MongoDB为应用程序开发人员数据处理方式带来了巨大变革。 通过微服务构建软件系统并在云上部署这些系统是一种趋势。 mLab的收购将使我们能够更快地扩展Atlas。mLab为其客户提供令人信服的服务长达七年，我们很高兴将这支才华横溢的团队带入MongoDB大家庭。”
1.7K20发布于 2018-12-27 - 来自专栏MongoDB中文社区
MongoDB 收购mLab 巩固全球云数据库地位
MongoDB 公司日前宣布，公司已经就收购位于旧金山的云数据库服务商mLab达成最终协议。在满足惯例成交条件的情况下，此次收购预计将在截至2019年1月31日的MongoDB公司财年第四季度完成。 MongoDB收购mLab将有助于深化其与以开发人员为中心的初创公司群体的关系，而mLab在这方面一直非常成功。mLab目前在其平台上拥有大约100万个免费和付费托管数据库。 mLab首席执行官Will Shulman表示：“MongoDB为应用程序开发人员数据处理方式带来了巨大变革。 通过微服务构建软件系统并在云上部署这些系统是一种趋势。 mLab的收购将使我们能够更快地扩展Atlas。mLab为其客户提供令人信服的服务长达七年，我们很高兴将这支才华横溢的团队带入MongoDB大家庭。”
1.5K10发布于 2019-04-22 - 来自专栏AI篮球与生活
分享一个Python当中用于绘制三维可视化图表的神器
处理/显示图形的mlab模块 2. Mayavi的api 2. ,-1,-1,-1],[1,1,1,1,1]] z = [[1,1,-1,-1,1],[1,1,-1,-1,1]] s = mlab.mesh(x,y,z) mlab.show() 效果： 只显示框的话 mlab.show() 效果： 实例代码2： from numpy import pi,sin,cos,mgrid from mayavi import mlab #建立数据 dphi, dtheta mayavi import mlab import numpy as np s = np.random.random((10, 10)) img = mlab.imshow(s, colormap = 'gist_earth') mlab.show() 效果： 4. surf 实现代码1： from mayavi import mlab import numpy as np def f(x
70920编辑于 2023-03-01 - 来自专栏毛利学Python
Python科学计算三维可视化 mayavi库使用
处理/显示图形的mlab模块 2. Mayavi的api 2. ,-1,-1,-1],[1,1,1,1,1]] z = [[1,1,-1,-1,1],[1,1,-1,-1,1]] s = mlab.mesh(x,y,z) mlab.show() 效果： 只显示框的话 mlab.show() 效果： 实例代码2： from numpy import pi,sin,cos,mgrid from mayavi import mlab #建立数据 dphi, dtheta = 'gist_earth') mlab.show() 效果： 4. surf 实现代码1： from mayavi import mlab import numpy as np def f( (x, y, f) mlab.show() 效果： 实现代码2： from mayavi import mlab import numpy as np def f(x, y): return
1.8K10编辑于 2022-08-18 - 来自专栏python前行者
Mayavi 入门
Mayavi 库基本元素 Mayavi.mlab ? Mayavi API ? ="auto") mlab.axes(xlabel='x', ylabel='y', zlabel='z') mlab.outline(pl) mlab.show() ? mlab.surf绘制一个三维空间中的曲面。曲面上的每个点的坐标由surf函数的三个二维数组参数x,y,z给出。 通过调用mlab.axes和mlab.outline函数，分别在三维空间中添加坐标轴，和曲面区域的外框。 1, 1, 1, 1]] z = [[1, 1, -1, -1, 1], [1, 1, -1, -1, 1]] s = mlab.mesh(x, y, z) mlab.show() ?
2.3K40发布于 2019-03-25 - 来自专栏锦小年的博客
mayavi作图指南0-mayavi在python3下的安装
2 测试 import numpy as np from mayavi import mlab x, y = np.ogrid[-2:2:20j, -2:2:20j] z = x * np.exp( - x**2 - y**2) pl = mlab.surf(x, y, z, warp_scale="auto") mlab.axes(xlabel='x', ylabel='y', zlabel='z' ) mlab.outline(pl) mlab.show() 运行结果： ?
2.5K100发布于 2018-01-02 - 来自专栏CSDN迁移
Windows+ Python3.6 安装 Mayavi 工具包（whl方法）
import numpy as np from mayavi import mlab x, y = np.ogrid[-2:2:20j, -2:2:20j] z = x * np.exp( - x**2 - y**2) pl = mlab.surf(x, y, z, warp_scale="auto") mlab.axes(xlabel='x', ylabel='y', zlabel='z') mlab.outline (pl) mlab.show()
3.3K10编辑于 2022-10-25 - 来自专栏全栈程序员必看
Mayavi入门_乐理知识入门
m7 x = r*sin(phi)*cos(theta) y = r*cos(phi) z = r*sin(phi)*sin(theta) # View it. from mayavi import mlab s = mlab.mesh(x, y, z) mlab.show() 出现下图，成功！ **y-25/2.)**2)**3)/25 # View it. from mayavi import mlab s = mlab.mesh(x, y, z, colormap="copper") s = mlab.mesh(x-0.9, y, z, colormap="copper") mlab.show() 发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/167336
80710编辑于 2022-09-20 - 来自专栏JS菌
如何免费获取 MongoDB 云数据库
如何免费获取 MongoDB 云数据库 想做些实验但又不想掏钱购买，那么有免费的 MongoDB 数据库可以用么❓ 有的～最近笔者发现 DAAS 服务商 mLab 发布了将要合并到 MongoDB 的消息 首先打开 mLab 官网 https://mlab.com/ ? 长这个样子 然后点击那个蓝色按钮 GET START INSTANTLY with 500 MB FREE! 紧接着需要填写注册信息： https://mlab.com/signup/ ? 接着再次点击下方按钮 CREATE MONGODB ATLAS ACCOUNT ?
7.3K10发布于 2019-04-10 - 来自专栏FreeBuf
Injectify：一款执行MiTM攻击的工具
从浏览器中提取出已保存的密码； 项目地址 【GitHub主页】 【官网传送门】 工具安装 注：完整的使用文档目前正在开发中，敬请期待…【官方文档】 创建一个MongoDB数据库 【选项1】创建一个mLab 数据库： 访问mLab网站【传送门】并创建一个账号 点击右上角的“Create new”按钮 选择“Sandbox”，然后点击“Continue” 选择相应的地区，然后点击“Continue” 输入数据库名称 复制到项目中并改名为server.config.js； 在文本编辑器中打开server.config.js； 将新创建的应用信息替换掉GitHub中的client_id和client_secret值； 用新建的mLab URL（或专用MongoDB数据库的URL）替换mongodb值： mongodb://<dbuser>:<dbpassword>@XXXX.mlab.com:XXXX/injectify 设置服务器
1.2K50发布于 2018-03-22 - 来自专栏python前行者
matplotlib.pyplot中的hist函数
’, ‘barstacked’, ‘step’, ‘stepfilled’ # -*- coding:utf-8 -*- import numpy as np import matplotlib.mlab as mlab import matplotlib.pyplot as plt # example data mu = 100 # mean of distribution sigma = 15 patches = plt.hist(x, num_bins, normed=1, facecolor='blue', alpha=0.5) # add a 'best fit' line y = mlab.normpdf ---- # -*- coding: utf-8 -*- import numpy as np import matplotlib import matplotlib.mlab as mlab import
4.9K30发布于 2019-03-25 - 来自专栏机器之心
入门 | 目标函数的经典优化算法介绍
import numpy as np import matplotlib.mlab as mlab import matplotlib.pyplot as plt import scipy.stats Bivariate Normal function X,Y = params sigma11,sigma12,mu11,mu12 = (3.0,.5,0.0,0.0) Z1 = mlab.bivariate_normal import numpy as np import matplotlib.mlab as mlab import matplotlib.pyplot as plt import scipy.stats import numpy as np import matplotlib.mlab as mlab import matplotlib.pyplot as plt import scipy.stats import numpy as np import matplotlib.mlab as mlab import matplotlib.pyplot as plt import scipy.stats
2.2K50发布于 2018-05-10 - 来自专栏ATYUN订阅号
优化算法:到底是数学还是代码？
import numpy as np import matplotlib.mlab as mlab import matplotlib.pyplot as plt import scipy.stats Bivariate Normal function X,Y= params sigma11,sigma12,mu11,mu12= (3.0,.5,0.0,0.0) Z1= mlab.bivariate_normal import numpy as np import matplotlib.mlab as mlab import matplotlib.pyplot as plt import scipy.stats import numpy as np import matplotlib.mlab as mlab import matplotlib.pyplot as plt import scipy.stats import numpy as np import matplotlib.mlab as mlab import matplotlib.pyplot as plt import scipy.stats
1.2K40发布于 2018-03-05 - 来自专栏机器学习与生成对抗网络
网络推理 | PyTorch vs LibTorch：谁更快？
最近，在MLab团队内部，我们发现一个TorchScript模型在LibTorch中的推理速度变得很慢：推理时间大约是PyTorch的1.8倍左右。 03 PyTorch vs LibTorch：硬件、Nvidia驱动、软件栈 多亏了MLab HomePod这一迄今为止最先进的容器化PyTorch训练环境，我们有了一致的软件栈，具体来说就是： 宿主机 OS：Ubuntu 20.04 软件环境：MLab HomePod 1.0 CPU：Intel(R) Core(TM) i9-9820X CPU @ 3.30GHz GPU：NVIDIA GTX 2080ti 还是和上述步骤一样，凭借着MLab HomePod和libdeepvac项目，我们可以通过cmake命令调整一下参数，就转而让C++代码去链接pytorch所使用的共享库： cmake -DUSE_MKL PyTorch resnet50 benchmark步骤 部署MLab HomePod(https://github.com/DeepVAC/MLab)； HomePod上安装DeepVAC Python
4.1K10发布于 2021-07-05 - 来自专栏脑机接口
偶极取向在分布式源定位中的作用
import sample from mne.minimum_norm import make_inverse_operator, apply_inverse from mayavi import mlab subjects_dir=subjects_dir, initial_time=time_max, time_unit='s', size=(600, 400)) mlab.show surfaces='white', coord_frame='head', fig=fig) mne.viz.set_3d_view(figure=fig, azimuth=180, distance=0.1) mlab.show subjects_dir, initial_time=time_max, time_unit='s', size=(600, 400), overlay_alpha=0) mlab.show subjects_dir=subjects_dir, initial_time=time_max, time_unit='s', size=(600, 400)) mlab.show
1.6K10发布于 2020-07-01 - 来自专栏R语言交流中心
R语言实现meta分析过程中的可视化展示
,ylim=c(-1, 27), order=order(dat.bcg$alloc),rows=c(3:4,9:15,20:23), xlab="Risk Ratio",mlab REML") ### add summary polygons for the threesubgroups addpoly(res.s, row=18.5, cex=0.75, atransf=exp,mlab ="") addpoly(res.r, row= 7.5, cex=0.75, atransf=exp,mlab="") addpoly(res.a, row= 1.5, cex=0.75, atransf =exp,mlab="") ### add text with Q-value, dfs, p-value, andI^2 statistic for subgroups text(-16, 18.5, to see points(sort(yi),k:1, pch=19, cex=0.5) ### add summarypolygon at bottom and text addpoly(res,mlab
4.3K31发布于 2019-07-31 - 来自专栏数据小魔方
左手用R右手Python系列——循环中的错误异常规避
#将数据框中的PDF地址链接补全 myresult$path<-paste0("https://mlab.toutiao.com/report/download/",myresult$path) #随机抽取其中 Test[5,2]'//mlab.toutiao.com/report/download/report47.pdf' #将其中的第3、5个地址设置为越界地址（就是网址合法但是索引越界，那么你请求不到合法数据 ） Test[3,2]<-"https://mlab.toutiao.com/report/download/report570.pdf" Test[5,2]<-"https://mlab.toutiao.com #随机选择5个记录： Test=mydata.loc[:5,['title','path']] #拼接成完整的下载链接 Test['path']=['https://mlab.toutiao.com/report
2K60发布于 2018-04-11 - 来自专栏全栈程序员必看
Python可视化库
https://bootstrap.pypa.io/get-pip.py sudo python get-pip.py 快速入门 import numpy as np import matplotlib.mlab as mlab import matplotlib.pyplot as plt #产生随机数 np.random.seed(19680801) # 定义数据的分布特征 mu = 100 sigma 安装 pip install mayavi 快速入门 import numpy from mayavi import mlab def lorenz(x, y, z, s=10., r=28., b= (size=(400, 300), bgcolor=(0, 0, 0)) # 用合适的参数画出轨迹的流动. f = mlab.flow(x, y, z, u, v, w, line_width=3, e = mlab.pipeline.extract_vector_components(src) e.component = 'z-component' zc = mlab.pipeline.iso_surface
7K20编辑于 2022-07-22 - 来自专栏null的专栏
优化算法——坐标上升法
: zhaozhiyong ''' import matplotlib import numpy as np import matplotlib.cm as cm import matplotlib.mlab as mlab import matplotlib.pyplot as plt delta = 0.025 x = np.arange(-3.0, 3.0, delta) y = np.arange
1.7K60发布于 2018-03-20 - 来自专栏深度学习之tensorflow实战篇
泊松分布 二项分布 正态分布之间的联系,与绘制高斯分布图
在python中画正态分布直方图 通过numpy构造正太分布数据，之后画图，可以通过size大小来调节数据的正太分布效果 import numpy as np import matplotlib.mlab as mlab import matplotlib.pyplot as plt mu ,sigma = 0, 1 sampleNo = 1000000 np.random.seed(0) s = np.random.normal 正态分布的数据 n, bins, patches = plt.hist(x, num_bins, normed=True, facecolor = 'blue', alpha = 0.5) # 拟合曲线 y = mlab.normpdf
2K50发布于 2019-02-14
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