- 综合排序
- 最热优先
- 最新优先
- 来自专栏Geo
两大核心+四轮驱动Geo：获客成本降35-60%，权威度升210%
一、战略定调：Geo优化的“两大核心”于磊老师认为，AI时代的Geo优化，必须回归到内容的本质：信任与人性。这两大核心是所有优化工作的哲学基础和战略方向。 在Geo优化中，这意味着内容中的每一个关键论点、每一项数据，都必须能通过至少两个独立的、权威的信源进行交叉核对。 三、价值兑现：Geo优化为企业带来的革命性提升与产出Geo专家于磊老师的“两大核心+四轮驱动”方法论，不仅是一套优化策略，更是为企业创造了全新的内容资产和获客能力。 • 实施“两大核心+四轮驱动”：在Geo专家于磊老师的指导下，企业重塑了内容体系。 四、结语：Geo优化，企业内容战略的未来Geo专家于磊老师首创的“两大核心+四轮驱动”方法论，为企业提供了一套在AI时代构建内容护城河的成熟的Geo优化体系和方法论。
31710编辑于 2025-12-11 - 来自专栏Python乱炖
想理解深度学习，究竟应该降维打击 or 升维思考？
让我们从一道选择题开始今天的话题。 什么是神经网络？请选择以下描述正确的一项或多项。 A. 神经网络是一种数学函数，它接收输入并产生输出。 B. 神经网络是一种计算图，多维数组流经其中。 C. 神经网络是一种通用函数逼近器。 你的答案是________。 正确答案是……ABCD。 是不是有点懵？对于神经网络，难道就没有唯一、统一的描述吗？ 你或许钟情于算法，又或许习惯于视觉型学习，但唯有进行「升维思考」，你才能建造出多面玲珑的建筑。 韦德曼提出以如下步骤学习导数、嵌套函数、链式法则等概念。 可以通过两种方式来计算这条线的斜率。第一种方式是使用微积分来实际计算极限，第二种方式是在a−0.001处和a+0.001处取连线f 的斜率，如下图所示。 ? 另一种可视化方式是将函数想象成小型工厂，并想象其输入通过一根线连接到输出。
56720发布于 2021-04-22 - 来自专栏智能算法
降维方法（一）：PCA原理
PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。 也就是说，我们可以将一N维数据变换到更低维度的空间中去，变换后的维度取决于基的数量。因此这种矩阵相乘的表示也可以表示降维变换。 至此，我们得到了降维问题的优化目标：将一组N维向量降为K维（K大于0，小于N），其目标是选择K个单位（模为1）正交基，使得原始数据变换到这组基上后，各字段两两间协方差为0，而字段的方差则尽可能大（在正交的约束下 最后我们用P的第一行乘以数据矩阵，就得到了降维后的表示： ? 降维投影结果如下图： ? 进一步讨论 根据上面对PCA的数学原理的解释，我们可以了解到一些PCA的能力和限制。 降维方法（一）：PCA原理 免责声明：本文系网络转载。版权归原作者所有。如涉及版权，请联系删除！
1.9K90发布于 2018-04-02 - 来自专栏工程师看海
干货分享，强大的4开关升降压BOB电源，可升可降、能大能小
下图就是BUCK的结构，有S1、S2两个工作管子，这种BUCK被称为同步BUCK，效率会高一些。 有两种工作周期，1：S1闭合、S2断开，对电感L1充电，见下图绿色曲线；2：S1断开、S2闭合，电感对负载放电，见下图蓝色曲线。 将上图中的S2代替为二极管也可以起到降压作用，然而效率会降低一些，二极管会消耗一部分功率，这种结构被称为非同步BUCK，只有S1一个管子动作。 对于非同步BUCK，如果在上图中SW点开关节点位置测量电压，会发现一个奇怪的负电压，如下图红色圈圈中那样，这是因为二极管需要有一个导通低电压，一般是0.7V，就刚好出现这个小小的负电压。 下图就是BOOST的结构，有S3、S4两个工作管子，有两种工作周期，1：S3闭合、S4断开，对电感L1充电，见下图蓝色曲线；2：S3断开、S4闭合，电感对负载放电，见下图绿色曲线。
5.1K21编辑于 2022-06-23 Spring Boot 2 升 3：两条命令搞定 95%，AI 收尾
不是不想升，是真的怕。怕什么？怕的不是技术本身，而是规模。javax.*全部变成jakarta. OpenRewrite在这两点上恰好是AI的对立面：同一个Recipe，在任意规模的代码库上运行，结果完全一致、完全可预测。 整个过程分两步。 这两处加在一起，不到10分钟。放在整个迁移工程量的比例里，是噪音级别的。这也说明了一个问题：Recipe的边界不是工具的缺陷，而是合理的分工。 把变更知识写成Recipe，把Recipe当作代码一样管理，这才是OpenRewrite想让你做的事。现在升到哪个版本合适既然要升，就升到一个值得的版本。
3400编辑于 2026-04-17某股份制银行 “三升三降”！维普时代Visual RM 驱动银行需求绩效，成功案例拆解
（一）管理效能：全流程线上化，评审效率提升超 50%传统需求管理中，文档传递依赖邮件、评审依赖线下会议，需求问题闭环周期长、过程不可视。 以下以 “某股份制银行需求一体化管理平台项目” 为例，拆解平台如何解决实际痛点、实现绩效突破。 （三）绩效成果：半年内实现 “三升三降”项目上线半年后，该银行需求管理绩效呈现显著改善，核心指标实现 “三升三降”：三升：需求复用率从 5% 升至 35%、需求评审效率提升 60%、业技协同满意度从 65 分升至 92 分；三降：需求变更返工率从 25% 降至 5%、需求编制周期从 10 天降至 4 天、重复需求提出率从 15% 降至 3%。 未来，随着 AI 技术的持续迭代，平台将在 “需求预测、智能排期、全自动测试用例生成” 等领域进一步突破，为企业需求管理绩效提升开辟更多可能。
28110编辑于 2025-11-03- 来自专栏AI研习社
用 LDA 和 LSA 两种方法来降维和做 Topic 建模
不过，LSA模型专注于降维，而LDA模型专注于解决主题建模问题。 由于有很多资料介绍这两个模型的数学细节，本篇文章就不深入介绍了。如果感兴趣，请自行阅读参考资料。 字词的重要性与它在同一文件中出现的次数成正比，但同时与其在语料库中出现的次数成反比。 因此，使用分解 SVD 来降维。 ? SVD 的思想在于找到最有价值的信息并使用低维的t来表达这一信息。 ? 输出 ? 可以看到维度从 130 K 降到了 50。 ? 输出 ? 不同话题下的不同词汇 显然，你可以想象出两层聚合。第一层是类别的分布。打个比方，类似我们有金融新闻、天气新闻和政治新闻。第二层则是类中的单词分布。 两个模型均使用词袋表示作为输入矩阵 SVD的挑战是我们很难判定最优的维数。总的来说，低维所消耗的资源更少，但有可能无法区分相反意义的词。
1K40发布于 2018-09-25 - 来自专栏全栈程序员必看
图像降采样原理_降采样滤波
from=search&permalink=1cb3111d_6ee9587 1、先说说这两个词的概念： 降采样，即是采样点数减少。 对于一幅N*M的图像来说，如果降采样系数为k,则即是在原图中 每行每列每隔k个点取一个点组成一幅图像。降采样很容易实现. 升采样，也即插值。对于图像来说即是二维插值。 如果升采样系数为k,即在原图n与n+1两点之间插入k-1个点，使其构成k分。二维插值即在每行插完之后对于每列也进行插值。 插 值的方法分为很多种，一般主要从时域和频域两个角度考虑。 2、实现 其实在matlab中自带升采样函数(upsample)和降采样函数(downsample)，读者可以查找matlab的帮助文件详细了解这两个函数。 q =1; p = p+1; end end % =========================================== % 测试升采样和降采样的程序
2.6K10编辑于 2022-09-20 - 来自专栏知码前端
VueAdminWorkP版2022升级，同时借此机会告诉大家两个好消息
01 前言 新年新气象，2022伊始，VueAdminWorkP版本也迎来了新年第一次升级。增加了几个好用的功能和组件。 同时，借此机会也向大家说两个好消息 02 VueAdminWorkP升级说明 新增：`VawVerifySimple`滑动验证组件，用于登录的时候进行简单的验证 在之前的登录页面中，只有一个简单的用户名和密码组件 ，没有一个验证功能，可能会在一定程度上降价系统的安全性。 value = [ { label: '会议一室', value: 1, }, { label: '会议二室', 官网地址如下 http://www.vueadminwork.com/ 一直以来想把Vue中常用的功能都封装成一个个简单的组件。随着VueAdminWork用户使用不断增加，此工程也已经提上日程。
56320编辑于 2022-10-28 - 来自专栏开源部署
聊一聊CentOS 7升级内核方案
CentOS 7自带的内核版本还停留在3.x，如果某些软件对Linux内核版本有要求，就不得不升级内核来支持，比如Google的BBR加速，要求Linux内核大于4.9以上，这篇文章来聊一聊CentOS 内核地址如下：https://elrepo.org/linux/kernel/el7/x86_64/RPMS/ 但是打开elrepo的网站我们只能看到5.15.x和5.4.x（随着时间的推移可能会有变化）两个版本 ，标识了ml和lt ml代表主线版本，总是保持主线最新的内核 lt代表长期支持版本，支持周期更长 再通过https://www.kernel.org官网对照下上面两个版本的生命周期，可以看到5.15支持到 -3.el7.elrepo.noarch.rpm #升级最新内核 yum --enablerepo=elrepo-kernel install kernel-ml -y #升级长期支持的lt内核（二选一即可 注意 升级内核有分险，以上方法不保障升级内核一定成功，生产环境请谨慎操作，如果升级后内核无法启动，可通过VNC连接服务器（咨询服务商），然后选择正常的内核启动，并删除异常的内核进行恢复。
4.2K10编辑于 2022-08-13 - 来自专栏IT编程小知识
一分钟了解降维算法
为此，降维算法成为机器学习领域中的一种重要技术，它可以将高维空间中的数据点映射到低维空间中。降维算法可以帮助我们发现数据中的隐藏模式和结构，提高模型的效果和性能。 降维算法主要分为线性降维和非线性降维两种。 线性降维算法中最具有代表性的是主成分分析（PCA），它的基本思想是将原有的n个特征，投影到k维空间，k维度空间之间两两正交称为主成分，新的特征由原特征变换而来。 如图示例，可以通过将所有数据点近似到一条直线来实现降维。非线性降维算法中比较有代表性的是t-SNE。 在大规模数据处理中，降维可以减少计算和存储的开销，提高算法的效率。总之，降维算法是机器学习中一项重要的技术，它可以帮助我们处理高维数据，发现数据中的模式和结构，提高模型的效果和性能。
21110编辑于 2024-01-08 - 来自专栏算法channel
通俗理解一个常用的降维算法
很久以前，就有人提出一种降维算法，主成分分析(PCA) 降维法，中间其他的降维算法陆续出现，比如 多维缩放(MDS)，线性判别分析(LDA)，等度量映射(Isomap)。 其次，t-SNE本质是一种嵌入模型，能够将高维空间中的数据映射到低维空间中，并保留数据集的局部特性。t-SNE 可以算是目前效果很好的数据降维和可视化方法之一。 缺点主要是占用内存较多、运行时间长。 通过原始空间和嵌入空间的联合概率分布的KL散度（用于评估两个分布的相似度的指标，经常用于评估机器学习模型的好坏）来评估嵌入效果的好坏。 4 t-SNE 精华所在 t-SNE的精华都在以下这些文字： 在文中提到的论文中，主要讨论降维出现的拥挤问题，解决的方法也很巧妙，一旦理解它后就明白为什么叫t-分布随机近邻嵌入。 如果想象在一个三维的球里面有均匀分布的点，不难想象，如果把这些点投影到一个二维的圆上一定会有很多点是重合的。
1.3K20发布于 2019-11-22 - 来自专栏Apache SeaTunnel
Apache SeaTunnel 要不要升？怎么升？一文讲透 2.x 升级 7 个关键点
在数据集成进入常态化运行后，ApacheSeaTunnel的升级往往不是“想升就升”。版本兼容、配置变更、插件调整，任何一步疏忽都可能影响生产任务。 本文结合实际经验，梳理一份可落地的SeaTunnel2.x升级指南，帮你把风险降到最低。 Checkpoint数据：如果您启用了Checkpoint，建议在升级前先停止任务，并手动触发一次Savepoint作为备份。 通常建议在升级完成后从零重新启动任务；如确有需要，可尝试基于Savepoint恢复，但不保证一定成功。 ，必须确保：所有节点的SEATUNNEL_HOME指向相同版本所有节点的JAVA_HOME版本一致所有节点的PATH配置一致可以在每个节点执行：展开代码语言：BashAI代码解释echo$SEATUNNEL_HOME
20110编辑于 2026-03-05 - 来自专栏小小挖掘机
通俗理解一个常用的降维算法
很久以前，就有人提出一种降维算法，主成分分析(PCA) 降维法，中间其他的降维算法陆续出现，比如 多维缩放(MDS)，线性判别分析(LDA)，等度量映射(Isomap)。 其次，t-SNE本质是一种嵌入模型，能够将高维空间中的数据映射到低维空间中，并保留数据集的局部特性。t-SNE 可以算是目前效果很好的数据降维和可视化方法之一。 缺点主要是占用内存较多、运行时间长。 通过原始空间和嵌入空间的联合概率分布的KL散度（用于评估两个分布的相似度的指标，经常用于评估机器学习模型的好坏）来评估嵌入效果的好坏。 4 t-SNE 精华所在 t-SNE的精华都在以下这些文字： 在文中提到的论文中，主要讨论降维出现的拥挤问题，解决的方法也很巧妙，一旦理解它后就明白为什么叫t-分布随机近邻嵌入。 如果想象在一个三维的球里面有均匀分布的点，不难想象，如果把这些点投影到一个二维的圆上一定会有很多点是重合的。
1.4K10发布于 2019-12-02 - 来自专栏梁康的专栏
Android 在任意位置绘制文本
以下实例代码结合降部和升部，画出两条水平线：drawHorizontalLine(canvas, y + paint.descent(), Color.GREEN);drawHorizontalLine 而且标注文本区域的升部和降部的两条水平线间的距离比Paint#getTextBounds得到的矩形的高度也要大一些。 中文字符维基百科说东亚字体无基线，也无升部和降部，那Android里中文的绘制是怎样的一种情况呢？ ，好像也是有“基线”和“升部”“降部”的。 Paint#getTextBounds获取一个能包裹住文本的最小矩形，矩形原点默认为(0,0)。中文字符的绘制和英文字符并无区别，也可使用类似的基线和升部、降部。
3.1K11编辑于 2022-10-19 - 来自专栏全栈程序员必看
大三度和小三度_大三度和小三度的区别 图解
转载：https://zhidao.baidu.com/question/297003574.html 首先说一下怎么区分大三度与小三度。 音程有两个要素，音数和度数。 音数指的是音程所的包含全音的数目（也就是音程所包含的半音的数目的二分之一）。例如，C-D这个音程，包含C-升C和升C-D这两个半音，所以音数为1。 再例如，C-E这个音程，包含C-D、D-E这两个全音，所以音数为2。再例如，C-降E这个音程，包含C-升C、升C-D、D-降E这三个半音，所以音数为1.5。 三度音程的度数都为3，但是音数不一定相同。 所以例如，刚才提到的C-E就是大三度，C-降E就是小三度。是哪种三度永远看音数。 会区分大、小三度音程后，区分大、小三和弦就十分容易了。 例如，C-E-G是大三和弦，C-降E-G是小三和弦。 这个问题目前我还在研究，置顶就是提醒我别忘了这个问题。
4K30编辑于 2022-09-20 字节提出视频生成稀疏注意力机制，计算量降20倍，速度升17.79倍!
关键发现 发现 为了设计高效的注意力训练框架，对当前Full Attention的训练延迟进行了特异性分析，并揭示了以下两个关键发现： （1）Full Attention中的查询Query和Key-Value 动态稀疏分别体现在两方面： 获取基于统计的动态阈值p。 这得益于Query-Sparse 和KV-Sparse是可以正交实现的，两者达到的稀疏效果可以进行叠加，达到最优的加速效果，并且不会损害生成质量，验证了稀疏注意力的有效性。 完全关注效率低下源于两个关键挑战：由于查询和键值对固有的稀疏性而导致的过度计算，以及由于固定的稀疏模式无法利用DiT的动态关注而导致的冗余计算 。 BSA通过两个关键组件来解决这些问题，查询稀疏性通过语义相似度和动态时空训练策略选择信息量最大的查询令牌来优化，而KV稀疏性通过计算统计动态阈值并仅保留关键KV块进行计算来实现。
40610编辑于 2025-11-17- 来自专栏未闻Code
如何使用闭包进行一次降维打击？
一个函数内部又定义一个函数，内层函数能够读写外层函数中的变量，外层函数把这个内层函数作为值返回出来。这个内层函数就叫做闭包（Closure）。 闭包本质上就是一个函数。 我们用上面这段代码来解释一下闭包的定义： 一个函数(outer)内部又定义一个函数(inner)，内层函数inner能够读写外层函数outer中的变量a。 在闭包中是另外创建一个同名的变量而已，对它的修改不能影响外层变量。 为了在闭包中修改外层变量，我们需要使用一个关键词：nonlocal，它可以获取上一层的作用域。 我们来看一下： ? 大家对比我们之前的一篇文章：一日一技：立竿见影地把你的 Python 代码提速7倍我们已经知道，使用原始递归算法计算第40项，需要36秒。即使使用 C 语言加速，也需要5秒钟。 可以称得上是降维打击了。
74030发布于 2020-04-26 - 来自专栏祥子的故事
两数之和 (一)
题目： 给定一个整型数组，是否能找出其中的两个数使其和为某个指定的值？ res = true; break; }else if (A[i]+A[j] > target){ //目标值过小，则向前移动尾部指针，减小两数之和 ； j--; }else{ //目标值过大，则向后移动首部指针，增加两数和； i++; } [[5]] [1] 2 4 5 14 [[6]] [1] 2 4 6 13 [[7]] [1] 3 3 8 12 [[8]] [1] 3 3 9 11 得到了等于6的两个数
52930发布于 2019-02-18 - 来自专栏TechBlog
数字基带传输系统设计
2.流程图 图3 用窗函数法设计FIR升余弦滚降滤波器流程图 3.代码实现 % 采用窗函数设计法设计升余弦特性的非匹配滤波器 % alpha:滚降因子 % L:为FIR滤波器的长度 function 3.1.1 滤波器时域特性研究 （一）改变滤波器滚降系数, 观察两种发送滤波器的时域单位冲激响应波形的特点（见表 1)。 归一化增益曲线 表 3 \alpha = 0.6,N = 33 时两种滤波器频域波形比较 非匹配滤波器 匹配滤波器 归一化幅频特性曲线 归一化增益曲线 （二）从图像研究滤波器长度对滤波器频域特性的影响 (2) 在实际分析中, 我们尝试了使码元周期不变, 而改变升余弦滤波器的滚降系数, 发 现了一个有趣的现象。随着滚降因数的增加, 会出现 “眼皮变薄” 的有趣现象。 (2) 随着滚降因子的增大, 升余弦滚降滤波器的旁瓣逐渐减弱, 旁瓣衰减逐渐增大, 在码元周期不变的情况下, 抽样得到的信号旁瓣逐渐减弱, 在眼图中显示出 “眼皮变薄”。
1.9K30编辑于 2023-03-30
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