- 综合排序
- 最热优先
- 最新优先
- 来自专栏用户6296428的专栏
有赞 Android 编译进阶之路——全量编译提效方案
作者：Silas 团队：零售移动 前言：有赞移动技术沙龙刚过去不久，相信很多同学对《有赞Android秒级编译优化实践》的分享还记忆犹新，分享中提到了全量编译提效与增量编译提效两种方案。 本期我为大家详细介绍下基于 EnjoyDependence 的全量编译提效方案。 ，方便大家上手 三、全量编译提效核心——EnjoyDependence 简介：狭义上 EnjoyDependence 是集依赖管理、构建发布、编译耗时统计等功能的 Gradle 插件。 发布是整个全量编译提效方案的基础，只有稳定可靠的aar发布才能保证全量aar构建的可靠。 结语 基于 EnjoyDependence 的全量编译提效方案一期内容分享到此就结束了，但是我们的编译优化项目并未停止，我们会持续攻坚克难，找寻最优解。
1.7K30发布于 2020-08-24 - 来自专栏研发效能EE
DevOps｜研发提效-敏捷任务拆解、工作量评估和指派
- 工作量要自己评估任务，不需要Leader评估； - 工作量要用故事点，不要用人天； - 任务要自己认领，不需要用人指派。 你说的都对。但我们在实践中通常看其实际效果决定是否采用。 人天是结合了故事点和执行人员两种因素后，在时间上/工作量上的评估，更容易理解和也容易跟进。 本文小结 本文主要讲了我们在敏捷开发实践中的一些做法，包括 Team Leader 拆解任务、评估工作量和指派人员完成任务，我们认为这样做对于整个团队是最高效的、风险也是最小的；对于任务拆解，我们主要有两个大原则
38710编辑于 2023-12-18 - 来自专栏得物技术
自动化实践-全量Json对比在技改需求提效实践
1 背景随着自动化测试左移实践深入，越来越多不同类型的需求开始用自动化测试左移来实践，在实践的过程中也有了新的提效诉求，比如技改类的服务拆分项目或者BC流量拆分的项目，在实践过程中，这类需求会期望不同染色环境在相同的配置条件下 2 实践成果在这种需要对接口返回response做全量json对比的背景下，商家域新的自动化平台新增了json全量对比的组件。 测试过程利用全量json对比组件，不光测试一轮极大提高了测试效率，在二轮还可以用自动化回归提效。 本文为例，举了几个例子涉及提效需求点：服务拆分技改类需求中需要对不同服务两个或者多个接口返回response全量json结果对比的场景；拆分前和拆分后的代码相同接口需要在相同配置不同染色环境下返回response 需要在不同染色多次对比结果的场景；以上场景均能通过自动化+全量json对比组件的方式去提效测试，且在后续回归中直接用自动化覆盖回归，尤其在商家服务拆分跨好几个迭代涉及上千个接口的大的技改类需求中，达到明显的提效效果
51710编辑于 2023-08-08 - 来自专栏张俊红
如何利用Excel对公众号阅读量进行预测？
作为一名分析师(算卦的)，我就想着能不能对公众号的阅读量进行预测呢？如果在发文后能预测到公众号最终的阅读量，那么其实就没必要每过一会就去看一次后台，因为你已经知道了最终结果。 那应该如何预测呢？ 看到这里就会有两个预测方向，一个是去预测每个小时的分时阅读量，另一个是预测每个小时截止到当前的累积阅读量。 累积阅读量会相对比较好预测，可以看到，累积阅读量的趋势是符合对数分布的，直接在Excel中添加对数分布的趋势线，和真实的累积阅读量趋势是完美重合。 ? 那分时阅读量该如何预测呢？ ： v表示发文后一小时的阅读量，t表示发文后的小时数，y为发文后t小时的阅读量，最后当天总阅读量就是把不同t对应的预测值加起来即可。 该篇文章虽然以公众号阅读量预测为例，但是方法同样时也适用于其他场景下的预测，比如分时段销量预测。
1.1K10发布于 2021-01-18 轻量？智能？协同？你选的标注工具，到底有没有帮你提效？
你选的工具，是在帮你提效，还是在拖你后腿？ 下面我们来具体分析几类常见的数据标注工具LabelImg / LabelMe（开源轻量类）这类工具是最早期、最广泛传播的图像标注工具，很多初学者从这里入门。优点：开源免费、安装便捷、界面简洁。 无需本地部署、无需额外插件，轻量又高效，随时随地都能开启工作。标注类型多样，主流格式全覆盖支持 COCO、YOLO 等主流格式；矩形、多边形等多种标注方式；支持快捷键操作，大幅提升标注效率。 高效协作，管理灵活标注任务可多人协同，支持任务分发；标注结果可审阅、可打回，保障质量；提供统计报表，清晰掌握进度与工作量。
1.1K10编辑于 2025-08-05基于随机森林的共享单车租赁量预测实现方案
性能指标计算from sklearn.metrics import mean_absolute_error, mean_squared_error# 预测best_rf = grid_search.best_estimator_y_pred 类别不平衡处理# 租赁量分层抽样from imblearn.over_sampling import SMOTEsmote = SMOTE(sampling_strategy='auto')X_resampled 实时预测流程def predict_next_hour(new_data): # 数据预处理 processed_data = preprocess(new_data) # 特征工程 engineer_features(processed_data) # 加载模型 model = joblib.load('bike_rental_rf.pkl') # 预测
23110编辑于 2025-08-12- 来自专栏生信技能树
药物预测之认识表达量矩阵和药物IC50
药物预测需要训练集，一般来说推荐使用权威资源作为训练集建好模型，这样就可以去预测你自己的数据。 权威的药物预测训练集资源 那么，比较权威的资源一般就是Cancer Therapeutics Response Portal (CTRP) 和 Genomics of Drug Sensitivity ).rds 906K Apr 3 2021 GDSC2_Res.rds 可以看到 Cancer Therapeutics Response Portal (CTRP) 数据库里面的细胞系表达量矩阵是来自于转录组测序 然后呢 Genomics of Drug Sensitivity in Cancer (GDSC) 数据库里面的细胞系表达量矩阵应该是芯片，因为它使用了 RMA Normalized and Log 代码探索 (GDSC) 数据库 直接看 v2的版本，有809 Cell lines 以及 198 Compounds 主要是八百多个细胞系的约2万个基因的表达量矩阵，以及对应八百多细胞系的约200个药物的
5.7K20发布于 2021-10-12 - 来自专栏WebJ2EE
【动效】：刮刮卡
A viewport represents a polygonal (normally rectangular) area in computer graphics that is currently being viewed. In web browser terms, it refers to the part of the document you're viewing which is currently visible in its window (or the screen, if the document is being viewed in full screen mode). Content outside the viewport is not visible onscreen until scrolled into view.
1.5K20发布于 2020-11-05 - 来自专栏时空探索之旅
TPAMI & ICML Oral | SparseTSF：轻量且鲁棒的稀疏时序预测
具体而言，我们提出了SparseTSF，这是一种极其轻量的LTSF模型，主干架构可以是单层线性结构或浅层多层感知机（MLP）。 方法 前置知识 长时序预测 长时序预测（LTSF）的任务是利用已观测到的多变量时间序列（MTS）数据，预测未来较长时间范围内的取值。其形式化定义为： 其中，，。 本文同样采用这种 CI 策略，探索如何在单通道序列建模中设计一种更加轻量却依然有效的方法。 公式为： 直观上，SparseTSF 的整体预测过程可视为跨周期的稀疏滑动预测，其本质是参数共享的周期内预测，如图4所示。 图4. 通过理论分析与实验验证，我们展示了SparseTSF模型的轻量特性及其在有效提取周期性特征方面的优势。特别是，我们在理论上证明了所提出的稀疏技术具备隐式结构正则化作用，能够显著提升模型的鲁棒性。
56310编辑于 2025-10-11 - 来自专栏并行训练方案
语言模型训练时间预测，计算量估计 Scaling Laws for Neural Language Models
一、模型计算量C ≈ 6N*D其中C表示训练语言模型所需的总计算量，N表示模型参数量，D表示用于训练的语料总量，6表示每训练一个token所需的浮点计算量约为6N，其中前向计算2N，反向计算4N。 注意：这里的6是针对Transformers，如果其它模型结构，还请重新确定每个参数的平均计算量。开了激活点检查activation checkpoint，这个系数是8。 6*175*10^9*300*10^9=3.15*10^23=3.15*10^7 PFlops二、模型训练耗时估计哈哈哈，都知道所需的总的计算量，那不是轻轻松松估计训练耗时。 T=C/(MFU*S)其中C表示训练语言模型所需的总计算量，S表示训练模型所用集群的算力，MFU(Model FLOPs Utilization)训练模型时的算力利用率。 视频教程：模型计算量预测 训练时间估计_哔哩哔哩_bilibili参考文献：[2001.08361] Scaling Laws for Neural Language Models (arxiv.org
68410编辑于 2024-07-22 - 来自专栏WeTest质量开放平台团队的专栏
【干货分享】研效优化实践：WeTest提效测试
接下来，本文将分享一些使用WeTest进行测试提效的小经验，希望能帮到大家。 因为打点日志上报的量较大，我们需要精准地抓取本次操作产生的日志，并作为关键字到db进行搜索。这里我们采用打本地文件的方式，保存执行过程的状态以及用于定位本次搜索的关键字，用于后续的操作校验以及搜索。 03 数据驱动提高覆盖率 全量提交测试会导致任务周期久，并且公有云设备不可避免会存在等待时间，每次全量提交也可能给产品带来额外的测试成本。
1.1K10编辑于 2022-01-14 - 来自专栏人力资源数据分析
人效数据建模，一图搞定人效分析
人效数据分析是人力资源数据分析里最能体现人力资源价值的一个分析模块，也是老板最关注的一个数据指标，因为这个指标是和公司的财务关联在一起的，通过人效的数据分析和对比，我们可以看出公司的人力成本在行业是否有竞争力 ，人员的调薪和人员的编制是否需要调整，这些都是通过人力成本和人效的数据分析得出来的。 我们以前在做人效的数据分析的时候都是通过一些静态的图表来做分析，不能很好的结合财务指标和人力资源指标全局的进行分析，很多HR也不知道如何的进行人效的分析，今天我们给大家做了一个人效的数据建模，帮助我们来做人效的分析 我们在作图之前先要有个数据分析的思维，我们要做人效的分析，我们需要有人效的关键指标，通过关键指标的数据来判断人效的高低，我们从下面4个指标来做分析： ? 最后我们生成人效数据分析的折线图，为了区分关键指标和支撑指标的数据，我们关键指标以实线的形式出现，支撑的指标以虚线出现，如下图： ?
10.3K50发布于 2020-04-21 - 来自专栏薄荷前端
canvas中普通动效与粒子动效的实现
canvas可以绘制动态效果，除了常用的规则动画之外，还可以采用粒子的概念来实现较复杂的动效，本文分别采用普通动效与粒子特效实现了一个简单的时钟。 普通时钟 普通动效即利用canvas的api，实现有规则的图案、动画。 效果 该效果实现比较简单，主要分析一下刻度与指针角度偏移的实现。 offscreenCanvasCtx.stroke(); 粒子动效 canvas可以用来绘制复杂，不规则的动画。粒子特效可以用来实现复杂、随机的动态效果。
2.4K50编辑于 2022-04-07 - 来自专栏小康的自留地
五、jQuery动效
显示slideDown()动画，隐藏动画slideUp()，切换动画slideToggle()
2.6K30发布于 2020-06-18 - 来自专栏CodeGuide | 程序员编码指南
小傅哥自研插件，为开发提效80%，已经有8.1k安装量！
截止到目前小傅哥开发的这款插件已经有 8.1k 安装量！ 特性 2个对象的转换操作，通过复制 X x 对象，转换给 Y y 对象 允许使用 lombok 对象转换、lombok 和普通对象转换，对于 serialVersionUID 属性过滤 支持类继承类，全量的对象转换操作 含记忆功能的弹窗选择映射关系，支持全量对象、支持匹配对象、也支持空转换，生成一组set但无get的对象 支持对于引入不同包下的同名类处理 支持 Lombok.Builder 模式创建转换对象 ️ 安装
29410编辑于 2023-12-20 - 来自专栏镁客网
IDC预测5G手机，今年出货量仅为全球的0.5%
根据IDC的预测，5G手机出货量份额将达到全球市场的26%。 策划&撰写：韩璐 近日，市场调研机构IDC公布了2019年及之后手机市场的预测。 按照预测，在2019年，全球智能手机出货量将再度出现负增长。这其中，5G手机的出货量仅占据了智能手机整体出货量的0.5%，作为对比，3G手机的出货量是5G手机的8倍。 ? 不过，根据IDC的预测，虽然2019年全球智能手机的整体出货量是负增长的，但在今年下半年，智能手机的出货量会随着5G设备的走近而开始获得提升。 针对5G手机，IDC预测它的普及需要花费数年的时间，到2023年，其出货量将占据全球手机整体出货量的26%，做到改变市场格局。 根据IDC等多方机构的预测，5G手机将于下半年零星上市，这也就意味着，消费者最早也得等到下半年才能买到5G手机。
45830发布于 2019-03-19 脑龄预测：系统评估站点效应、样本年龄范围和样本量
为了实现这一目标，我们在从 35,683 名健康个体（年龄范围：5-90岁；53.59%为女性）的脑形态测量发现样本中系统地研究了七种站点协调策略、年龄范围和样本量对脑年龄预测的影响后，选出了表现最佳的模型 （3）当样本量超过 1600 名参与者时，大脑年龄预测模型准确率趋于稳定。 在这里，我们扩展了我们以前的工作，构建了经过实证验证的大脑年龄预测模型，并可以更好地覆盖人类的大部分寿命。 在发现样本中，CORR CV随着样本量的增加而提高，直到 1600 名被试，此后趋于稳定；另一方面，MAE CV随样本量的变化较小，在 1000 名被试左右趋于稳定。 同样，在重复样本中，CORR R增加，MAE R随着样本量的增加而下降，直到达到 1600 名被试，此后趋于稳定。图4. 模型性能与发现样本中两个年龄段（5-40岁和40-90岁）样本量的关系。
34010编辑于 2025-03-24- 来自专栏携程技术
干货 | 携程如何基于ARIMA时序分析做业务量的预测
一个月的订单量直接将这个月对应的每天的订单量相加即可。 对于互联网公司而言，业务量是公司经营关注的重要指标之一。 实际情况的复杂性给业务量的分析预测带来了许多挑战： 具有业务特征的周期性影响 节假日等特定时序节点的变异 地域差异，空间的相互作用 受到库存、实际市场容量的影响 其他外生变量，不可控自然或社会因素 对于时间序列的分析 ，例如订单量，话务量，库存管理等，实现的方式有ANN，RNN，LR，ARIMA，Prophet等，这里我们重点关注ARIMA分析方法。 但是，ACF和PACF在3阶后有骤降和平稳的趋势，考虑到是短期预测的场景，可进一步结合预测效果和模型检验来进行判断。
1.5K51发布于 2020-10-09 - 来自专栏思影科技
青少年对快餐广告的神经反应可以预测摄入量
，但对健康食物的摄入量无预测能力。 目前还没有研究调查神经反应(对任何类型的刺激)是否能预测青少年的食物摄入量。 研究对食物广告的神经反应是否能预测青少年的食物摄入量，是确定食物摄入量的神经预测因子以及食物广告在这个年龄段增加食物摄入量的机制的重要一步。但到目前为止，还没有研究对相关问题进行探讨。 对广告中出现的不健康食品的喜爱程度能够显著预测摄入总量(r = 0.28;P < 0.001)和不健康食品摄入量(r = 0.27;(P <0.001)，但能预测更健康的食物摄入量(r = 0.09;P 图2 不健康食物广告相关分析结果 注:图2A是在不健康食物广告>手机广告条件下，尾状核的激活值能够显著预测总摄入量，图2B是在不健康食物广告>手机广告条件下，尾状核的激活值能显著预测不健康食物摄入量，图
97220发布于 2020-02-24 - 来自专栏薄荷前端
canvas中普通动效与粒子动效的实现普通时钟粒子动效粒子时钟总结
canvas可以绘制动态效果，除了常用的规则动画之外，还可以采用粒子的概念来实现较复杂的动效，本文分别采用普通动效与粒子特效实现了一个简单的时钟。 普通时钟 普通动效即利用canvas的api，实现有规则的图案、动画。 效果 ? 该效果实现比较简单，主要分析一下刻度与指针角度偏移的实现。 offscreenCanvasCtx.stroke(); 复制代码 粒子动效 canvas可以用来绘制复杂，不规则的动画。粒子特效可以用来实现复杂、随机的动态效果。
2.3K20发布于 2019-04-03
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