- 综合排序
- 最热优先
- 最新优先
- 来自专栏初见Linux
10-3 信号
三、信号 kill 命令通常用来“ 杀死 ”（终止）进程，它可以用来终止运行不正常的程序 或 拒绝终止的程序。如下例： kill命令示例.png 我们首先在后台启动了 xlogo 程序。She
92730发布于 2020-08-11 - 来自专栏mysql
hhdb数据库介绍(10-3)
体检项：该维度下的具体体检项目 体检结果：体检项的体检结果包括未达标、警示、合格 扣分情况：该体检项实际扣分 异常对象：不符合该体检项评判标准的服务器或应用程序实例 提示：未达标或警示的体检项告知用户该项存在的风险或建议
1.4K10编辑于 2025-03-12 - 来自专栏AI机器学习与深度学习算法
机器学习入门 10-3 实现混淆矩阵，精确率和召回率
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节首先通过具体的编程实现混淆矩阵进而计算精准率和召回率两个指标，最后使用sklearn中封装的库函数实现混淆矩阵、精准率以及召回率。
2.2K30发布于 2020-04-08 - 来自专栏完美Excel
VBA专题10-3：使用VBA操控Excel界面之设置工作表（续）
要隐藏其他工作表中的行，只需使用该工作表代替ActiveSheet，例如使用Sheets(1)代表第1个工作表，或者使用Worksheets(1)代表第1个标准工作表。隐藏所有行后，行标题几乎被隐藏，但列标题仍然在工作表中。
3K20发布于 2020-07-16 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题10-3 递归实现指数函数
习题10-3 递归实现指数函数 本题要求实现一个计算xn（n≥1）的函数。
1.1K10发布于 2020-09-15 - 来自专栏DeepHub IMBA
计算卷积神经网络参数总数和输出形状
S→stride, p→padding, n→input size, f→filter size 默认Stride =1，没有提到填充(所以，p=0) 输出形状= n-f+1 = 10-3 +1 =8 在使用卷积滤波器对输入图像应用卷积后，输出将是一个特征映射。 n = 10, f = 3 s = 1, p = 0 默认Stride =1，没有提到填充(所以，p=0) 输出形状= n-f+1 = 10-3 +1 =8 在使用卷积滤波器对输入图像应用卷积后，输出将是一个特征映射 n = 10, f = 3 s = 1, p = 0 默认Stride =1，没有提到填充(所以，p=0) 输出形状= n-f+1 = 10-3 +1 =8 在使用卷积核对输入图像应用卷积后，输出将是一个特征映射
1.5K30发布于 2021-08-20 - 来自专栏微服务生态
微服务反模式与陷阱翻译终结篇
我们有一个特定业务需要四个服务来协调处理，假如远程访问一次的时间是100毫秒，那么这个特定业务就需要消耗500毫秒（初始请求+四个服务的调用时间），这个只是远程访问的时间，还不算实际业务代码的执行时间，这是大多数应用系统都不能接受的时间 服务消费者发送一个消息到第一个服务，然后发送另一个消息的第二个服务，如图10-3所示。在服务使用者执行提交之前，这些消息都保存在队列中。一旦服务使用者执行提交，两个消息就会被释放。 ? 图10-3 在图10-3中，服务消费者将消息发送到第一个队列中，然后服务消费者业务报错， 这时可以在消息事务中进行回滚，从消息系统的队列中删除掉刚才发的消息。
85720发布于 2018-08-22 - 来自专栏北京马哥教育
实战Google深度学习框架：TensorFlow计算加速
作者：才云科技Caicloud，郑泽宇，顾思宇 要将深度学习应用到实际问题中，一个非常大的问题在于训练深度学习模型需要的计算量太大。 比如Inception-v3模型在单机上训练到78%的正确率需要将近半年的时间 ，这样的训练速度是完全无法应用到实际生产中的。 图10-3中给出了一个具体的样例来说明异步模式的问题。其中黑色曲线展示了模型的损失函数，黑色小球表示了在t0时刻参数所对应的损失函数的大小。 假设在时间t1设备d0已经完成了反向传播的计算并更新了参数，修改后的参数处于图10-3中小灰球的位置。 然而这时的设备d1并不知道参数已经被更新了，所以在时间t2时，设备d1会继续将小球向左移动，使得小球的位置达到图10-3中小白球的地方。
1.5K70发布于 2018-05-02 - 来自专栏CSDN技术头条
实战Google深度学习框架：TensorFlow计算加速
要将深度学习应用到实际问题中，一个非常大的问题在于训练深度学习模型需要的计算量太大。 比如Inception-v3模型在单机上训练到78%的正确率需要将近半年的时间 ，这样的训练速度是完全无法应用到实际生产中的。 假设在时间t1设备d0已经完成了反向传播的计算并更新了参数，修改后的参数处于图10-3中小灰球的位置。 然而这时的设备d1并不知道参数已经被更新了，所以在时间t2时，设备d1会继续将小球向左移动，使得小球的位置达到图10-3中小白球的地方。 从图10-3中可以看到，当参数被调整到小白球的位置时，将无法达到最优点。 ? 图10-3 异步模式训练深度学习模型存在的问题示意图 ?
1.7K80发布于 2018-02-12 - 来自专栏程序猿DD
都在说微服务，那么微服务的反模式和陷阱是什么（三）
我们有一个特定业务需要四个服务来协调处理，假如远程访问一次的时间是100毫秒，那么这个特定业务就需要消耗500毫秒（初始请求+四个服务的调用时间），这个只是远程访问的时间，还不算实际业务代码的执行时间，这是大多数应用系统都不能接受的时间 服务消费者发送一个消息到第一个服务，然后发送另一个消息的第二个服务，如图10-3所示。在服务使用者执行提交之前，这些消息都保存在队列中。一旦服务使用者执行提交，两个消息就会被释放。 ? 在图10-3中，服务消费者将消息发送到第一个队列中，然后服务消费者业务报错， 这时可以在消息事务中进行回滚，从消息系统的队列中删除掉刚才发的消息。
1.1K50发布于 2018-02-01 - 来自专栏人工智能头条
实战Google深度学习框架：TensorFlow计算加速
作者：才云科技Caicloud，郑泽宇，顾思宇 要将深度学习应用到实际问题中，一个非常大的问题在于训练深度学习模型需要的计算量太大。 比如Inception-v3模型在单机上训练到78%的正确率需要将近半年的时间 ，这样的训练速度是完全无法应用到实际生产中的。 假设在时间t1设备d0已经完成了反向传播的计算并更新了参数，修改后的参数处于图10-3中小灰球的位置。 从图10-3中可以看到，当参数被调整到小白球的位置时，将无法达到最优点。 ? 图10-3 异步模式训练深度学习模型存在的问题示意图 ? 所以这两种训练模式在实践中都有非常广泛的应用。
1.2K50发布于 2018-06-06 - 来自专栏Java技术栈
卧槽！Dozer 宣布停止维护，不要再用了。。
www.baeldung.com/java-performance-mapping-frameworks 实测结果： Framework Name p0.90 p0.999 p1.0 JMapper 10 -3 0.008 64 MapStruct 10-3 0.010 68 Orika 0.006 0.278 32 ModelMapper 0.083 2.398 97 Dozer 0.146 4.526
1.2K10编辑于 2022-03-03 - 来自专栏黎鹤舞的编程技术栏
常用的数据单位符号
负数单位符号 十进制（SI） 二进制（计算机存储） 数据速率单位 d = 10-1 1 KB = 1,000(103) B 1 KB = 1,024 (210)B 1 Kbps = 1,000 bps m = 10
51800编辑于 2024-05-27 - 来自专栏实战docker
LeetCode279:完全平方数，动态规划解法超过46%，作弊解法却超过97%
以10为例，10=(10-3*3) + 3*3，但是这不是唯一，还有10=(10-2*2) + 2*2，所以到底j等于几？ 根据题意，应该是dp[10-3*3]和dp[10-2*2]中最小的那个 至此，分析完毕，可以愉快的写代码了 编码 完整源码如下所示，可见，对应前面分析的j的多种可能，要取最小值 class Solution
78820编辑于 2022-09-29 - 来自专栏气象学家
Science Advances | 清华大学团队揭示气候变化下全球中低纬度海洋绿度和藻类暴发频率下降趋势
图1 OCNET模型重构全球海洋叶绿素a浓度数据流程图 研究表明，全球中低纬度海洋的“绿度”整体呈现显著衰减，叶绿素a浓度以(-0.35±0.10)×10-3 mg·m-3·yr-1的速率下降。 沿海区域降幅更为显著，达每年(-0.73±0.22)×10-3 mg·m-3(图2)。其中，北半球的叶绿素a浓度显著衰退的区域面积约为增长区的4.4倍(图2A)。
24410编辑于 2026-03-25 - 来自专栏Hadoop数据仓库
维度模型数据仓库（十五） —— 多重星型模式
图（五）- 10-2 图（五）- 10-3 图（五）- 10-4 工厂的信息很少改变，所以可能希望在一个CSV文件里提供任何关于工厂的最新信息。 执行清单（五）- 10-3里的脚本创建过渡表。 factory_zip_code INT(5), factory_city VARCHAR(30), factory_state VARCHAR(2) ); 清单（五）- 10 注意对factory_dim表的所有列都应用SCD1。该脚本每天执行，装载前一天的产品数据。 说明：脚本里没有使用cdc_time表，是出于简化测试的目的。 -------------+------------+---------------------+ 8 rows in set (0.00 sec) 为了确认工厂维度上成功应用了
77620编辑于 2022-12-02 - 来自专栏ops技术分享
redis原理（2）
数据读写 执行节点查找操作时， 先根据key计算hash值， 然后顺时针找到第一个大于 等于该哈希值的token节点， 如图10-3所示 image.png 这种方式相比节点取余最大的好处在于加入和删除节点只影响哈希环中
44200发布于 2021-05-18 - 来自专栏机器学习与自然语言处理
Stanford机器学习笔记-10. 降维(Dimensionality Reduction)
如图10-3所示。 ? 图10-3 一个可视化的例子 10.2 Principal Component Analysis 主成分分析(Principal Component Analysis : PCA)是最常用的降维算法。 在实际应用中，我们只需利用svd()函数，如下： ? 10.2.4 Advice for Applying PCA PCA通常用来加快监督学习算法。 但是获取到Ureduce之后可以应用在交叉检验集和测试集。 避免使用PCA来防止过拟合，PCA只是对特征量X进行降维，并没有考虑Y的值；正则化是防止过拟合的有效方法。
1.1K80发布于 2018-03-13 - 来自专栏about云
about云日志分析实战之清洗日志小实例2：导入日志清洗代码并打包
对于iis日志，可参考 about云日志分析项目准备10-3：Spark Local模式之Log文本清洗 http://www.aboutyun.com/forum.php?
1.1K60发布于 2018-03-26 - 来自专栏思影科技
深度学习在静息态功能磁共振成像中的应用
探索这一目标的一个潜在方法是利用深度学习(DL)模型的灵活性，因为在过去几年中，这些模型已经在各种医学成像和基因组数据的应用中显示出了巨大的前景。 对于KRR方法，超参数网格被扩展为核映射函数(线性核/多项式核等)，正则化参数的范围为([10-3,10-2,10-1,1])，核映射函数中的gamma参数(范围为[−4,2])。 对于EN回归方法，将调优参数alpha乘以惩罚项(在[10-1、10-2、10-3、10-4、10-5、10-6]范围内)和凸组合惩罚参数(在[0,1]范围内均匀采样的10个值)也视为超参数。 此外，对于3D CNN DL模型，作者使用的批量大小为16，初始学习率设置为10-2并通过在[10-1,10-2,10-3,10-4,10-5,10-6]范围内进行调优。 两层双向LSTM模型和graph-CNN均使用了Adam优化器，并对学习率在[5×10-2,10-2,5×10-3,10-3,10-4]范围内和对批量大小在(16,32,64,128)范围内进行了调整。
1.9K30编辑于 2022-06-13
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