- 综合排序
- 最热优先
- 最新优先
- 来自专栏技术博客文章
多变量函数优化
；undefined 状态产生函数是指由当前解随机产生新的候选解的方法；undefined 状态接受函数是指接受候选解的机制，通常采用Metropolis准则；undefined 外循环是由冷却进度表控制的温度循环 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。 使用模拟退火算法的基本方案：控制温度按照 T(k) = a * T(k-1) 指数衰减，衰减系数取 a；如式（1）按照 Metropolis 准则接受新解。 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
1.8K00编辑于 2021-12-05 - 来自专栏技术进阶之路
信号量机制实现进程控制
一、信号量机制实现进程互斥 我们将一次仅允许一个进程访问的资源称为临界资源，而临界区是指访问临界资源的那段代码。 通常将互斥信号量设置为 mutex ，初始值为 1。 为什么初始值设置为 1 呢？ 对于不同的临界资源，需要设置不同的互斥信号量。 这里来看一段代码： semaphore mutex = 1; // 初始化信号量 P1(){ ... 二、信号量机制实现进程同步 进程同步的目的就是要让并发进程按照要求有序地推进。 我们可以设置一个同步信号量 S=0； 然后在前一个操作之后执行 V 操作，在后一个操作之前执行 P 操作。 三、信号量机制实现前驱关系 前驱图如下所示： ? 即有 6 个代码，需要按照图中的顺序执行。
1K10发布于 2020-11-24 - 来自专栏小小程序员——DATA
线性回归 多变量预测
多变量预测 多元线性回归 对于多个特征量(Features)，规定符号表示： n 特征的总数量 x^{(i)} 第i个训练样本的输入特征向量， i 表示的是一个索引(Index) x_j^i 第i个训练样本中特征向量的第j个值 此时的假设函数不再是单纯的 h_θ (x)=θ_0+θ_1 x 对于多个特征量，此时的假设函数为： h_θ (x)=θ^T x=θ_0+θ_1 x^{
51210编辑于 2023-12-01 - 来自专栏mythsman的个人博客
多变量线性回归算法
其实所谓的多变量的线性回归（Linear Regression with multiple variables ）本质上将与单变量的线性回归没啥差别。 不过毕竟多了一些变量，在对多变量跑梯度下降算法时，显然对参数的调节就更加重要了，因此我们首先得学会一些参数调节的技巧。这些技巧在实际的操作过程中尤为重要。 其实也很简单，就是把每一个参数的变化范围大概控制在一起，这样他们的下降速率就不会受到相互的牵连。具体的操作就是将他所有参数的值，都缩放在大小差不多的一个区域内（通常是(-1,1)）。 公式法（Normal equation） 介绍 对于多变量的线性回归，除了用我们之前学的GD算法，我们其实还有另外一个直接套公式的算法（卧槽早说）。 事实上正常情况下是不会没有逆元的，没有逆元的情况一般有两种： 1、参数中有线性相关的两组量。比如一个参数是用厘米表示的高度，另一个参数是用米表示的同样的那个高度。
75840编辑于 2022-11-14 - 来自专栏码上积木
神秘、常用、多变的Binder
今天说说神秘又常用又多变的Binder~ Binder是什么 Binder通信过程和原理 在Android中的应用 Binder优势 Binder是什么 先借用神书《Android开发艺术探索》中的一段话
78520发布于 2020-12-11 - 来自专栏零基础使用Django2.0.1打造在线教育网站
灵活多变的单例模式
在软件工程领域，设计模式是一套通用、可复用的解决方案，用于解决在软件设计过程中产生的通用问题。它不是一个可以直接转成源码的设计，是一套开发人员在软件设计过程中应当遵循的规范。也就是说没有设计模式，软件依旧可以开发，只是后期维护可能变得不那么轻松。设计模式就是为了简化你的维护成本提升性能而设计的，不同的设计模式适用场景各异，具体的结合实际场景对待。
48110发布于 2021-11-02 - 来自专栏云原生实验室
使用 wrk 压测并精细控制并发请求量
在之前的文章使用 wrk 完成简单的自定义动态请求[1], 我介绍了如何使用 wrk 制造随机请求, 也给出了 lua 脚本的使用方式, 这篇博客主要想介绍下在压测时如何利用 wrk 精细控制并发请求 . wrk 的参数 wrk 中并没有 qps 控制的选项, 它只能控制连接数目, 指定的连接数会平均分配到每个线程 Usage: wrk <options> <url> Options: - return jsonify(result=result) 多种 qps 下, Ingress 的具体表现 我针对 Kubernetes 的 Ingress 机器进行了一次压力测试, 主要测试各个请求量下 这个程序在达到 13~14k 之后已经到了瓶颈, 这个时候, 我只能保留这个程序的请求量, 加入另一个程序用于压测. 如果 CPU 再好一点的话, 我觉得并发量可以更高. 如果觉得我压测方法不科学或者有其他想讲的, 可以在评论里面说, 我看看是不是过程有问题.
5K40发布于 2021-05-10 - 来自专栏云深之无迹
单变量到多变量.上
有事没事，看看这种东西也是极好的 你使用微积分这套工具+普天之下的测量单元，你可以在低速世界里面为所欲为，因为你总可以把你感兴趣的量写出一个关系式，那么就又归到了微积分的世界。 这个是讲微分之前的一段话 这个图也是老演员了，当 x 大一点点的时候，对于整个量的变化是多少，这就是微分。 这里面出现的小增长就是无穷小的概念，无所谓可以不要？ 可调节性：通过调整左右段的长度，我们可以控制邻域的大小。这对于分析数学对象的性质和行为非常有用。如果我们需要更小的邻域，就可以减小左右段的长度；如果需要更大的邻域，就可以增大左右段的长度。 从哪一点往下延伸一个垂线，其实就完成了全部 这里 这里 这里 就在任意的一个曲面上面的一点，你都可以在上面往下引一点 任意的一个点都可以投影在平面上 这个参数是来控制这个单位向量的方向-u 这就是方向导数
32710编辑于 2024-08-21 - 来自专栏Crossin的编程教室
【Pygame 第7课】 多变的宿敌
random.randint(-200, -50) self.speed = random.random() + 0.1 它的作用是，给敌机在屏幕上方的一定范围内随机一个初始位置，然后再给它增加一个叫做speed的随机量，
62890发布于 2018-04-16 Sitecore8.2 进行多变量测试
最近我们发现的数量表单提交不符合我们的预期，我们做了一些调查我们发现用户正在联系我们页面，但因为表单有一些无用/额外的字段，所以用户没有提交表单，所以我们创建了不同的变体通过删除和添加一些字段，然后使用Sitecore的多变量测试的开箱即用功能 名字 姓 电子邮件 移动 国籍 第2步：为营销控制面板中的每个表单定义5个目标 第3步：注册目标，我们通过表单提交上的代码完成，我们创建了触发目标和传递目标ID的功能 public bool TriggerGoal 在目标选项卡中，您可以选择您的测试目标是什么以及您需要多长时间运行测试，如果它是A / B测试表单测试目标通常是从下拉列表的目标，您可以选择您想要的目标实现，但在我的情况下，我正在使用多变量测试，所以我有
42200编辑于 2025-04-05- 来自专栏小数志
Tableau可视化之多变地图
导读：可视化地图在描述地理位置相关度量时效果直观、优势明显，Tableau制作地图非常方便，而且支持多种可视化地图形式。本文介绍几种经典的可视化地图形式。
2.6K10发布于 2020-03-31 - 来自专栏AI人工智能
智能体性能优化：延迟、吞吐量与成本控制
智能体性能优化：延迟、吞吐量与成本控制 Hello，我是摘星！ 在彩虹般绚烂的技术栈中，我是那个永不停歇的色彩收集者。 每一个优化都是我培育的花朵，每一个特性都是我放飞的蝴蝶。 随着大语言模型和智能体技术的快速发展，如何在保证服务质量的前提下优化系统性能、控制运营成本，已成为每个AI从业者必须面对的核心挑战。 通过深入分析延迟（Latency）、吞吐量（Throughput）和成本控制（Cost Control）三大关键指标，我将分享在实际项目中积累的优化经验和技术方案，帮助读者构建高性能、低成本的智能体系统 从性能瓶颈的精准识别到模型推理的深度优化，从多层缓存架构的设计到并发控制的精细化管理，每一个环节都需要我们投入足够的关注和专业的技术手段。 通过建立完善的监控体系、实施智能化的扩缩容策略、采用多维度的性能评估框架，我们能够在保证服务质量的前提下，实现成本的有效控制和性能的持续提升。
54310编辑于 2025-07-21 - 来自专栏程序员小何同学
Machine Learning笔记——多变量线性回归
特征x_0总是等于1，也总是在此范围之内，但对于其他的特征而言，可以通过其他的分数使得它处于同一范围内，特征的值要控制在非常小的范围内。但是不能太小，也不能太大。 4*t); plot(t,y2) 再次绘制了正切函数之后的图像如图所示： 63.png 例如：使用magic函数 A=magic（5） imagesc（A） 64.png 使用octave程序写控制语句
1.2K00发布于 2018-12-06 - 来自专栏木木玲
第五章 多变量线性回归
n ：特征量的数目 x^(i) ：第 i 个训练样本的输入特性值 x^(i)_j ：第 i 个训练样本中第 j 个特征量的值 新的假设函数公式： ? 如，一个百万级别个数的特征量 经验：当 n 在一万左右，会考虑换成“梯度下降法”或其他算法。
1.1K20发布于 2019-03-08 - 来自专栏Gaussic
Machine Learning笔记（三） 多变量线性回归
Machine Learning笔记（三） 多变量线性回归 注：本文内容资源来自 Andrew Ng 在 Coursera上的 Machine Learning 课程，在此向 Andrew Ng 致敬 多特征的线性回归问题，被称为 多变量线性回归问题。 二、多变量梯度下降（Gradient Descent for Multiple Variables） ? 多变量的线性回归问题与单变量类似，由于特征数量从1变为n，所以需要更多的计算。其对比如下： ? 三、特征规范化（Feature Scaling） 由于现在有多个特征，且各个特征的取值范围有所不同。 五、特征以及多项式回归（Features and Polynomial Regression） 现在我们了解了多变量线性回归问题。
82330发布于 2018-08-17 - 来自专栏菩提树下的杨过
java并发编程学习：用 Semaphore （信号量）控制并发资源
开启 sudo -s launchctl load -w /System/Library/LaunchDaemons/ftp.plist 关闭 sudo -s launchctl unload -w /System/Library/LaunchDaemons/ftp.plist 上述命令，系统重启后将失效，要永久生效，可编辑ftp.plist <dict> <key>Enabled</key> <true/> ... 注意上面的红色部分，Disabled改成Enab
89080发布于 2018-01-19 - 来自专栏张俊红
python数据科学-多变量数据分析
接下来具体看看具体如何借助可视化对多变量数据进行分析。 Iris数据集是机器学习中常用的分类实验数据集，也是一个多变量分析的数据集，数据集共包含150个数据集，3个分类，每50个数据集是一类，每个数据包含4个属性（也可以理解成是特征值）。 width (cm)' 'sepal length (cm)' 'sepal width (cm)'] #数据集的分类 target:[0 1 2]#分别用0，1，2代替 03|数据可视化： 3.1多变量数据概览 #将多变量数据进行可视化 #绘出6个子图形，包括以下几列：花萼长度、花萼宽度、花瓣长度、花瓣宽度（四个属性值两两组合） plt.close("all") plt.figure(1) #绘制一个3行2列的图 箱型图怎么看（多变量数据概览）。 关于每篇中涉及到的知识点说明： 近期的文章，我会在每篇文章的末尾加上涉及到的知识点这一项，该项内容为我个人觉是一些比较新的点，或者是我觉得有必要提的点，仅此而已。
1.6K60发布于 2018-04-11 - 来自专栏ImportSource
ZGC回收器到底有多变态？
多少年来，JVM中的各种垃圾回收器都在努力追求着两个目标，暂停时间足够短，同时吞吐量也要不错。 为了追求二者兼具，各种垃圾回收器可谓绞尽脑汁，但还是无法同时让两个都足够好，要么暂停时间缩短了但吞吐量下降了，要么吞吐量上去了暂停时间却变长了，真的是操蛋，即使是现在最新的生产可用的G1也是，虽然他也号称是 low latency，也可以指定暂停时间，但还是需要你去平衡暂停时间和吞吐量，G1可以说是非常努力了，但还是没有做到极致和傻白甜。 吞吐量最大下降15%！大声告诉我，吓尿没？！ 好，继续。 ? 暂停时间不会随着堆的增大而变长！不会！ 总体印象 好，接下来，我们还是先对ZGC有个总体上的印象。 1、全新的垃圾回收器。 ZGC，一个集暂停与吞吐于一身的GC，一个暂停时间控制在10毫秒以内的GC
2.9K10发布于 2018-08-14 - 来自专栏小数志
Tableau可视化之多变饼图
通过Tableau查询"超市"数据集中六大地区及销售量数据 ? 构建辅助数据集。要绘制的玫瑰图是一个六瓣的图形，所以各瓣角度为60度，构建辅助数据表如下： ?
3K50发布于 2020-04-01 - 来自专栏数据小魔方
多变量对比的无量纲化处理
今天跟大家分享在图表中消除数据量纲的影响进行不同数量级的趋势比较！ 很多时候我们需要将不同量纲的数据放在同一个图表上进行趋势比较，可是鉴于很多数据的绝对额（量纲）差别很大，在一个图表坐标中很可能会掩
1.9K50发布于 2018-04-10
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