- 综合排序
- 最热优先
- 最新优先
- 来自专栏Python机器学习算法说书人
优化函数递归
递归是指函数/过程/子程序在运行过程序中直接或间接调用自身而产生的重入现象。在计算机编程里，递归指的是一个过程：函数不断引用自身，直到引用的对象已知。使用递归解决问题，思路清晰，代码少。 下面我们以 n = 5 代入上面的函数，手动执行一下这个函数。 我要计算 fib(5)，那么我就需要计算 fib(4)和 fib(3)。 因为这个次数限制是可以修改的，直接使用 sys 模块中的 setrecursionlimit 函数来设置，这个函数接受一个参数，这个参数是新设置最大次数。 递归就是函数不断的调用自身，在内存中产生许多调用堆栈，这不就是传说中的数据结构——栈吗？ 其中用循环实现这种方法并不通用，因为有些递归函数不能写成循环，比如阿克曼函数。下面我们直接来看使用 lru_cache 的效率。
1.6K10发布于 2019-08-13 - 来自专栏IMWeb前端团队
递归函数的优化
本文作者：IMWeb 寒纱阁主 原文出处：IMWeb社区 未经同意，禁止转载 递归函数是一个函数自我调用而构成的，如下是一个典型的递归阶乘函数： function factorial(num) { if(num<=1){ return 1; }else{ return num*factorial(num-1); } } 这个函数当然没有什么问题，但遇到下面的情况时， 原因就出在return num*factorial(num-1)这一句上，这种写法使得函数太过紧密，一旦将函数保存到另一个变量中，并将原变量设置为null,factorial便不再是函数，因此会报错。 解决方法：arguments.callee arguments.callee是一个指向正在执行的函数的指针，修改后代码如下： function factorial(num){ if(num<=1){ f 的表达式，并将其赋值给factorial，这样一来即便将函数赋值给其他变量，函数名 f 依然有效。
1.1K30发布于 2019-12-03 - 来自专栏技术博客文章
多变量函数优化
模拟退火算法基于优化问题求解过程与金属退火过程的相似性，以优化目标为能量函数，以解空间为状态空间，以随机扰动模拟粒子的热运动来求解优化问题（1 KIRKPATRICK,1988）。 2、多变量函数优化问题 选取经典的函数优化问题和组合优化问题作为测试案例。 问题 1：Schwefel 测试函数，是复杂的多峰函数，具有大量局部极值区域。 3、模拟退火算法 Python 程序 # 模拟退火算法 程序：多变量连续函数优化 # Program: SimulatedAnnealing_v1.py # Purpose: Simulated annealing algorithm for function optimization # v1.0: # (1) 基本算法：单变量连续函数优化问题 # (2) 文件输出优化结果和中间过程数据 # (3) matplotlib.pyplot as plt # 导入模块 matplotlib.pyplot，并简写成 plt from datetime import datetime # 子程序：定义优化问题的目标函数
1.8K00编辑于 2021-12-05 - 来自专栏IMWeb前端团队
递归函数的优化
本文作者：IMWeb 寒纱阁主 原文出处：IMWeb社区 未经同意，禁止转载 递归函数是一个函数自我调用而构成的，如下是一个典型的递归阶乘函数： function factorial(num) { if(num<=1){ return 1; }else{ return num*factorial(num-1); } } 这个函数当然没有什么问题，但遇到下面的情况时， 原因就出在return num*factorial(num-1)这一句上，这种写法使得函数太过紧密，一旦将函数保存到另一个变量中，并将原变量设置为null,factorial便不再是函数，因此会报错。 解决方法：arguments.callee arguments.callee是一个指向正在执行的函数的指针，修改后代码如下： function factorial(num){ if(num<=1){ f 的表达式，并将其赋值给factorial，这样一来即便将函数赋值给其他变量，函数名 f 依然有效。
1.4K100发布于 2018-01-08 - 来自专栏前端文章小tips
JavaScript 高频函数优化-函数防抖&函数节流
什么是高频函数？ 什么是函数节流？ 高频函数不断的触发过程中，业务逻辑代码以设定的时间为间隔进行触发 实现原理 利用某一变量作为定时器开启和关闭的条件，只要定时器没有执行完成，即使高频函数在不断进行触发，也不会重新开启或关闭定时器，业务逻辑代码写在定时器的回调函数中 this.value); console.log("发送请求"); } // 通过这种方式虽然能满足基本功能效果，但是在输入框每次输入的数据改变时，就会发送请求，那么这样容易造成服务器压力 通过函数防抖进行优化 setElement(); console.log("发生变化了"); } // 此方法虽然能实现，但是在浏览窗口大小发生改变时，setElement方法被高频率的多次触发 通过函数节流进行优化
61630发布于 2021-11-24 匿名函数、高阶函数与尾递归优化
尾递归优化：递归的救星递归是解决问题的优雅方式，但在处理大规模数据时常常因栈溢出而失效。这是我初学递归时经常遇到的痛点。尾递归优化正是解决这一问题的关键技术。 尾递归优化的核心是将递归调用作为函数的最后一个操作，这样编译器可以复用当前的栈帧而不是创建新的，从而避免栈溢出。 我总结了普通递归与尾递归的主要区别：特性普通递归尾递归栈帧使用每次递归创建新栈帧可复用同一栈帧内存消耗与递归深度成正比常量级内存消耗代码风格通常更直观需要传递累加器参数易用性直接表达问题可能需要包装辅助函数风险栈溢出风险高取决于语言是否支持优化一个典型的例子是计算斐波那契数列 Python不支持需手动转为循环Java不支持JVM限制，需手动优化三者的协作：解决实际问题这三个概念单独使用已很强大，结合使用则更显威力。 在一个文档处理项目中，我曾用它们构建了一个表达式计算引擎：用高阶函数定义操作符行为利用匿名函数简化操作符实现通过尾递归优化处理深层嵌套表达式这种组合使用让代码既简洁又高效，同时保持了良好的可维护性。
16500编辑于 2025-07-26- 来自专栏全栈程序员必看
MATLAB优化函数fmincon解析
MATLAB，优化函数fmincon解析 [x,fval,exitflag,output,lambda,grad,hessian]=fmincon（fun,x0,A,b,Aeq,beq,lb,ub,nonlcon ； 输入参数：fun要求解的函数值 ；x0函数fun参数值的初始化； 参数值的线性不等式约束A,b 参数值的等式线性约束Aeq,beq, fmincon函数应用四种不同的算法：内点法（interior point）；序列二次规划算法(SQP)；有效集法（active set）；信赖域有效算法（trust region reflective 所有算法中EXITFLAG返回值涵义 1 满足一阶最优性条件 0 函数计算或迭代太多。
2.5K40编辑于 2022-07-02 - 来自专栏用户7873631的专栏
JS构造函数优化 三步优化到位
test: function () { console.log("test"); } } // 由于test函数都是属于同一个对象
1K10发布于 2020-10-28 - 来自专栏数据派THU
GANs的优化函数与完整损失函数计算
本文详细解释了GAN优化函数中的最小最大博弈和总损失函数是如何得到的。 优化函数(最小-最大博弈)和损失函数 GAN的原始论文中模型的优化函数为以下函数： 上式为Optimization函数，即网络(Generator和Discriminator)都要优化的表达式。 总结两个表达式（判别器和生成器优化函数）并得到最后一个： 我们得到了优化函数。但是这不是总损失函数，它只告诉我们模型的整体性能（因为鉴别器来判断真假）。 仅仅看优化函数并不是一个很好的衡量标准，因为优化函数是对鉴别器损失函数的修改，因此它并不能反映生成器的性能(尽管生成器损失函数源于它，但我们只是在该函数中考虑了鉴别器的性能)，但是如果同时考虑这两个函数来评估性能我们就需要考虑到这两个函数的差别并加以修正 总结 GAN得优化函数(也叫最大-最小博弈)和总损失函数是不同的概念:最小-最大优化≠总损失。 优化函数的起源来自二元交叉熵(这反过来是鉴别器损失)，并从这也衍生出生成器损失函数。
1.3K10编辑于 2022-10-10 - 来自专栏DeepHub IMBA
GANs的优化函数与完整损失函数计算
然而但是GAN今天仍然是一个广泛使用的模型) 本文详细解释了GAN优化函数中的最小最大博弈和总损失函数是如何得到的。 优化函数(最小-最大博弈)和损失函数 GAN的原始论文中模型的优化函数为以下函数： 上式为Optimization函数，即网络(Generator和Discriminator)都要优化的表达式。 总结两个表达式（判别器和生成器优化函数）并得到最后一个： 我们得到了优化函数。但是这不是总损失函数，它只告诉我们模型的整体性能（因为鉴别器来判断真假）。 仅仅看优化函数并不是一个很好的衡量标准，因为优化函数是对鉴别器损失函数的修改，因此它并不能反映生成器的性能(尽管生成器损失函数源于它，但我们只是在该函数中考虑了鉴别器的性能)，但是如果同时考虑这两个函数来评估性能我们就需要考虑到这两个函数的差别并加以修正 总结 GAN得优化函数(也叫最大-最小博弈)和总损失函数是不同的概念:最小-最大优化≠总损失 优化函数的起源来自二元交叉熵(这反过来是鉴别器损失)，并从这也衍生出生成器损失函数。
95610编辑于 2022-11-11 - 来自专栏前端全栈分享
函数库Rollup构建优化
前言 本文是基于Vite+AntDesignVue打造业务组件库[2] 专栏第 8 篇文章【函数库Rollup构建优化】，在上一篇文章的基础上，聊聊在使用 Rollup 构建函数库的过程中还可以做哪些优化 由于压缩版通常是直接通过script标签引入用在浏览器环境中，所以打包成 IIFE（立即执行函数表达式）格式就行。我们改造一下buildBundle函数。 第三方依赖解析和打包问题 当函数库依赖第三方模块时，我们需要考虑打包问题。 我当时还给 dayjs 提了一个PR[4]说明了这个问题，希望增加module入口优化这个问题，不过 dayjs 团队似乎不太在意这个问题，关闭了这个 PR，建议我改用 v2 alpha 版本，实际上 结语 本文主要介绍了函数库的构建过程中的一些优化方案和注意事项，希望对读者们有所帮助。如果您对我的专栏感兴趣，欢迎您订阅关注本专栏[6]，接下来可以一同探讨和交流组件库开发过程中遇到的问题。
1.6K30编辑于 2023-03-02 - 来自专栏JavaEdge
MySQL的count()函数及其优化
很简单，就是为了统计记录数 由SELECT返回 为了理解这个函数，让我们祭出 employee_tbl 表 ? ? ? 因为count(),自动会优化指定到那一个字段。所以没必要去count(1)，用count()，sql会帮你完成优化的 因此：count(1)和count(*)基本没有差别！
1.4K10发布于 2021-02-22 - 来自专栏mathor
2D函数梯度优化
首先我们构建一个2D函数方程 $$ f(x,y)=(x^2+y-11)^2+(x+y^2-7)^2 $$ 该方程为Himmelblau方程，是科学家们研究出来专门用于检测一个优化器效果的方程。 关于meshgrid()函数，这篇博客解释的很好，如果不理解的可以看看 下面以梯度下降法为例子来试着找到Himmelblau方程的极小值。 这里是以优化预测值pred为目标，而不是误差Error x = torch.tensor([0., 0.], requires_grad=True) # 设定初始值(0, 0) optimizer = torch.optim.Adam([x], lr=1e-3) # 优化器对x进行优化，设定学习率为0.001 for step in range(20000): pred = himmelblau (x[0], x[1]) optimizer.zero_grad() # 梯度信息清零 pred.backward() optimizer.step() # 进行一次优化器优化，
79240发布于 2020-02-11 - 来自专栏高端IT
重学ES系列之函数优化
charset="UTF-8"> <meta name="viewport" content="width=device-width, initial-scale=1.0"> <title>函数 function fun3(...n) { console.log(n.length); } fun3(1,2,3);//3 // 箭头函数 let fun4 let fun5 = x =>x+1 console.log(fun5(1));//2 // 函数尾调用 // 尾调用，共用一个内存空间。 一定要注意一点，尾调用的函数一定是最后一步（区分最后一行），切不参与运算。 // 尾调用优化 // 递归 let factorial = (n)=>{ if(n <=1 ){ return 1 } else{
32820编辑于 2022-06-16 - 来自专栏AI研习社
问答 | 优化函数耗时的问题
话不多说，直接上题 @徐扬 问：关于优化函数耗时的问题 sgd的时间复杂度是O(1),梯度下降的时间复杂度是O(N),但是每次epoch的时候，sgd的耗时比梯度下降耗时还要长，这是为什么呢？
81120发布于 2018-12-25 - 来自专栏ISP图像处理相关
机器学习_最优化_损失函数
机器学习_最优化_损失函数 通常机器学习每一个算法中都会有一个目标函数，算法的求解过程是通过对这个目标函数优化的过程。 在分类或者回归问题中，通常使用损失函数（代价函数）作为其目标函数。 损失函数分为经验风险损失函数和结构风险损失函数 | 损失函数 | 概念 | | - | - | | 经验风险损失函数 | 预测结果和实际结果的差别 | | 结构风险损失函数 | 经验风险损失函数+正则项 log损失函数的标准形式： L(Y,P(Y|X))=−logP(Y|X) 平方损失函数 最小二乘法是线性回归的一种方法，它将回归的问题转化为了凸优化的问题。 平方损失的损失函数为： L(Y|f(X))=∑N(Y−f(X))^2 指数损失函数 AdaBoost就是一指数损失函数为损失函数的。 在线性支持向量机中，最优化问题可以等价于 image.png 其中 l(wx_i+by_i) 就是hinge损失函数，后面相当于L2正则项。
72930编辑于 2022-01-14 - 来自专栏授客的专栏
Loadrunner 脚本优化-事务函数简介
脚本优化-事务函数简介 by:授客 QQ：1033553122 1.事务的开始和结束名称需要相同 lr_start_transaction(“transaction_name”); …//事务处理 添加检测函数有时候可以解决这个问题 例：判断是否登录成功(以lr自带web站点为例) ? ? 说明： 事务的PASS和FAIL状态会在场景的对应计数器中记录，包括通过的次数和事务的响应时间，方便后期分析改事务的吞吐量以及响应时间的变化情况 4.事务相关的函数 //获得对应事务达到该函数运行位置时持续的时间 ，返回double类型 lr_get_transaction_duration(“事务名”); //获得对应事务达到该函数运行位置时的wasted时间，返回double类型。 ，这个时候需要利用一个web_get_int_property()函数来解决。
76520发布于 2019-09-11 - 来自专栏前端与Java学习
JavaScript网页性能优化(函数防抖与函数节流)
01-函数防抖 1.什么是函数防抖？ （debounce） 网上主流解释：函数防抖，就是指触发事件后在 n 秒内函数只能执行一次，如果在 n 秒内又触发了事件，则会重新计算函数执行时间。 防抖 ：如果用户鼠标轻微晃动，在某一个元素上停留时间很短，则认为是用户误触发，则不执行本次事件处理函数 一句话总结：用户连续多次触发某个事件，则只执行最后一次 由于函数防抖 属于 前端中的 网页性能优化技术 ，因此初学者刚开始学习会有一些吃力，并且很多网站都没有做防抖处理（性能优化） 没有函数防抖的真实案例：http://www.elong.com/? 为什么要封装万能的节流函数 在上一个小节中，我们的重点是介绍函数节流的思路。 ： 1.函数防抖：用户多次触发事件，以最后一次触发为准 2.函数节流：限制事件的执行周期(500ms内指挥执行一次) 3函数防抖与函数节流的异同点 与应用场景 （1）相同点：都是为了优化js
1.7K10发布于 2020-05-16 - 来自专栏Yui编程知识
字符串函数（2）strcpy函数的模拟与优化
strcpy函数的解释与注意事项 Copies the C string pointed by source into the array pointed by destination, including strcpy函数的使用 头文件<string.h> #include <stdio.h> #include <string.h> int main() { char ch1[20] = "abc"; char ch2[] = "abcdef"; printf("%s\n", strcpy(ch1, ch2)); return 0; } strcpy函数的模拟实现 #include <stdio.h 下面我们来对这段代码进行优化吧。 优化其一 为了防止传过来空指针，我们就要运用断言（assert） 有了assert就可以有效避免空指针的出现。 ——先使用后加1，利用这个性质，我们就可以做到再一次的优化。下面看代码吧。
27010编辑于 2024-10-15 - 来自专栏胡哥有话说
前端性能优化之：函数防抖与函数节流
前言 函数防抖和函数节流是在前端性能优化中老生常谈的话题，也是各位前端的童鞋必须要掌握的性能优化手段。 今天胡哥为大家分享函数防抖和函数节流的相关原理以及具体实践场景，希望能够给各位小伙伴在工作中提供相应业务场景的解决方案。 一、函数防抖 概念： 如在窗口resize、input输入、textarea输入等操作时，为避免性能浪费，额外无意义执行相关函数处理，需检测用户是否已操作完毕。 性能优化方案： 判断用户是否已经输入完毕，输入完毕后执行搜索推荐。那如何判断用户是否已经输入完毕，约定如果用户在1000ms无新输入时，则视为输入完毕。 50) { console.log('已经触底，可触发请求更多数据') } } 缺点： 页面在滚动时，非常短的时间内会触发很多次滚动，每次都检测是否已经触达底部是一种非常浪费的行为 性能优化方案
72020发布于 2019-07-30
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