526互联

语法 实战 助手 模型

图神经网络之预训练大模型结合：ERNIESage在链接预测任务应用

通过以上两个版本的模型代码简单的讲解，我们可以知道他们的不同点，其实主要就是在消息传递机制的部分有所不同。ERNIESageV1版本只作用在text graph的节点上，在传递消息(Send阶段)时只考虑了邻居本身的文本信息；而ERNIESageV2版本则作用在了边上，在Send阶段同时考虑了当前节... ......
神经网络 ERNIESage 模型 神经 任务

【Java并发入门】02 Java内存模型：看Java如何解决可见性和有序性问题

如何解决其中的可见性和有序性导致的问题，这也就引出来了今天的主角——Java 内存模型。 一、什么是 Java 内存模型？ 导致可见性的原因是缓存，导致有序性的原因是编译优化，那解决可见性、有序性最直接的办法就是禁用缓存和编译优化，但这样虽然解决了问题，但也导致带来的性能优化都没了。 因此，解决方案 ......
有序性 Java 模型 内存 问题

MySQL进阶实战5，为什么查询速度会慢

一、先了解一下MySQL查询的执行过程 MySQL在查询时，它是由很多子任务组成的，每个子任务都会消耗一定的时间，如果要想优化查询，实际上要优化其子任务，可以消除一些子任务、减少子任务的执行次数、让子任务执行的更快。 MySQL查询的执行过程：从客户端到服务器、然后在服务器进行解析、生成执行计划、执 ......
实战 速度 MySQL

MySQL进阶实战6，缓存表、视图、计数器表

一、缓存表和汇总表 有时提升性能最好的方法是在同一张表中保存衍生的冗余数据，有时候还需要创建一张完全独立的汇总表或缓存表。 缓存表用来存储那些获取很简单，但速度较慢的数据； 汇总表用来保存使用group by语句聚合查询的数据； 对于缓存表，如果主表使用InnoDB，用MyISAM作为缓存表的引擎将 ......
视图 缓存 计数器 实战 MySQL

机器学习分类模型评价指标之ROC 曲线、 ROC 的 AUC 、 ROI 和 KS

前文回顾： 机器学习模型评价指标之混淆矩阵 机器学习模型评价指标之Accuracy、Precision、Recall、F-Score、P-R Curve、AUC、AP 和 mAP 1. 基本指标 1.1 True Positive Rate(TPR) $TPR = \frac{TP}{TP+FN}$ ......
曲线 ROC 模型 机器 指标

MySQL数据库：6、约束的概述及语法

Python基础之MySQL数据库 一、约束概述 1、为什么要约束 ​ 为了防止数据库中存在不符合语义规定的数据和防止错误信息的输入、输出造成无效的操作而提出的 ​ 为了保证数据的完整性，SQL规范以约束的方式对表数据进行额外的条件限制，从以下四个方面考虑 实体完整性：例如一个表中不能存在两条相同的 ......
语法 数据库 数据 MySQL

深入浅出学习透析 Nginx 服务器的基本原理和配置指南「运维操作实战篇」

Nginx 安装非常的简单，且Nginx 启动特别容易，并且几乎可以做到24小时不间断运行，即使运行数个月也不需要重新启动。你还能够在不间断服务的情况下进行软件版本的升级。接下来我们要针对于安装和运维操作进行实战和分析。 ......
深入浅出 实战 原理 服务器 指南

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-中

本篇详细描述hoodie数据读写流程，进一步加深对数据湖技术的理解。理论后转战集成Spark的使用，通过spark-shell和spark-sql实现hoodie的插入数据、查询数据、更新数据、删除数据、覆盖数据、时间旅行查询等示例，了解创建表、修改表结构、查询分区、删除分区基本用法，为进一步使用奠... ......
数据 双管齐下 下一代 实战 原理

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

本篇演示了Hudi集成Spark的Scala编程示例，并一步步操作说明如何使用DeltaStreamer从Kafka里读取数据写入到Hudi表的HDFS中，接着集成Flink的环境准备，通过基于yarn-session的Flink的sql-client方式提交任务实现插入数据和流式读取数据，了解字节... ......
数据 双管齐下 下一代 实战 原理

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-后续

本篇实战Hudi集成Flink SQl编程示例实现从生成器表写入Hudi表，打包集群验证；然后通过Hudi Flink CDC实现采集MySQL binlog日志写入Kafka再入到hudi表的完整示例，了解Hudi Flink的基础调试只是，最后通过Hudi集成Hive实现Flink Hive C... ......
数据 双管齐下 下一代 实战 原理

(四) 一文搞懂 JMM - 内存模型

4、JMM - 内存模型 1、JMM内存模型 JMM与happen-before 1、可见性问题产生原因 下图为x86架构下CPU缓存的布局，即在一个CPU 4核下，L1、L2、L3三级缓存与主内存的布局。 每个核上面有L1、L2缓存，L3缓存为所有核共用。 因为存在CPU缓存一致性协议，例如MES ......
模型 内存 JMM

label studio 结合 MMDetection 实现数据集自动标记、模型迭代训练的闭环

一个 AI 方向的朋友因为标数据集发了篇 SCI 论文，看着他标了两个多月的数据集这么辛苦，就想着人工智能都能站在围棋巅峰了，难道不能动动小手为自己标数据吗？查了一下还真有一些能够满足此需求的框架，比如 [cvat]、 [doccano] 、 [label studio]等，经过简单的对比后发现还... ......
闭环 MMDetection 标记 模型 数据

有来实验室|第一篇：Seata1.5.2版本部署和开源商城订单支付业务实战

有来实验室结合正式的商城订单支付业务场景将 Seata 分布式事务可视化，通过现象去看本质(原理和源码)，告别被动式输入的短期记忆学习。 ......
实战 实验室 订单 版本 业务

Web 实战：拖拽排序

实现效果图 GitHub 和 Gitee 个人主页中可以对自己的项目进行拖拽排序，于是我就想自己实现一个。本随笔只是记录一下大概的实现思路，如果感兴趣的小伙伴可以通过代码和本随笔的说明去理解实现过程。 Gitee GitHub 思路构思 要实现元素拖拽可替换位置，就必须要锁定每一个元素的具体位置，且 ......
实战 Web

基于Sklearn机器学习代码实战

本文主要跟随Datawhale的学习路线以及内容教程，详细介绍了机器学期常见的多个基础算法的基于sklearn的实现过程，内容丰富。 ......
实战 机器 Sklearn 代码

Web 实战：可滑动的标签页

实现效果图 本随笔只是记录一下大概的实现思路，如果感兴趣的小伙伴可以通过代码和本随笔的说明去理解实现过程。 Gitee GitHub 构建静态页面 可滑动的页面需要 5 个 div，标签也需要 5 个。只有页面是随着我们操作而变化，标签处于静态，标签下面有一个滑块也是随着我们操作而变化。所以，构建基 ......
实战 标签 Web

运用领域模型——DDD

模型被用来描述人们所关注的现实或想法的某个方面。模型是一种简化。它是对现实的解释 —— 把与解决问题密切相关的方面抽象出来，而忽略无关的细节。 每个软件程序是为了执行用户的某项活动，或是满足客户的某种需求。这些用户应用软件的问题区域就是软件的领域。 一些领域涉及物质世界，例如，机票预定程序的领域中包 ......
模型 领域 DDD

轻量级模型设计与部署总结

轻量级网络的手动设计目前还没用广泛通用的准则，只有一些指导思想，和针对不同芯片平台（不同芯片架构）的一些设计总结，建议大家从经典论文中吸取指导思想和建议，然后自己实际做各个硬件平台的部署和模型性能测试。 ......
轻量 轻量级 模型

神经网络模型复杂度分析

终端设备上运行深度学习算法需要考虑内存和算力的需求，因此需要进行模型复杂度分析，涉及到模型计算量（时间/计算复杂度）和模型参数量（空间复杂度）分析。 为了分析模型计算复杂度，一个广泛采用的度量方式是模型推断时浮点运算的次数 （FLOPs），即模型理论计算量，但是，它是一个间接的度量，是对我们真正关心... ......
复杂度 神经网络 模型 神经 网络

目标检测模型的评价标准-AP与mAP

为了了解模型的泛化能力，即判断模型的好坏，我们需要用某个指标来衡量，有了评价指标，就可以对比不同模型的优劣，并通过这个指标来进一步调参优化模型。对于分类和回归两类监督模型，分别有各自的评判标准，目标检测模型评价指标主要包含 f1、ap、map、roc计算公式及代码实现与auc曲线绘制等。 ......
模型 目标 标准 mAP AP

基于sklearn的集成学习实战

本文主要跟随Datawhale的学习路线以及内容教程，详细介绍了集成学习常见的多个算法的基于sklearn的实现过程，同时还有两个案例，内容丰富。 ......
实战 sklearn
共6471篇  :216/216页 首页上一页216下一页尾页