megengine模型 性能 技巧
熵模型-为什么使用条件概率优于个元素独立的全分解模型？
熵模型 论文<VARIATIONAL IMAGE COMPRESSION WITH A SCALE HYPERPRIOR 提出使用超先验，来捕获潜在表示的超先验。 追根溯源发现：在香农的通信理论中给出数学解释 即，使用联合分布比独立分布更优 如果有先验的信息，对后续编码而言其不确定性会更小，从而获得 ......
UML模型图之类图——以图书馆管理系统为例
UML模型图中类图是依据系统结构从静态观点描述系统的视图，它定义系统中的对象和类及类之间的关系，以及类的内部结构，即类的属性和操作。 通过分析图书管理系统的用例模型和系统功能需求，作为借阅者(Borrower)需要有查书、借书、还书的行为(BorrowerInf)，老师(Teacher)和学生(St ......
软件性能测试与实践
一、性能测试基础 1.1性能测试的场景 1.1.1业务场景：分析业务流程，找出性能场景 1.1.2测试场景：模拟性能场景，构造多个测试场景，得到测试结果，并分析得到测试结论。 1.1.3单场景：单个业务场景，测试场景下性能指标最大TPS，平均响应时间，和吞吐量。 1.1.4.混合场景：设计多个业务流 ......
性能测试复习准备——linux环境下安装kafka_2.13-3.2.3.tgz
参考：https://www.bilibili.com/video/BV1Xy4y1G7zA?p=6&vd_source=79bbd5b76bfd74c2ef1501653cee29d6 解压到目录路径下： 启动kafka之前，首先启动zk： 修改配置文件： 启动kafka和查看： ......
大模型训练过程中用到的 gpt_merge.txt和gpt_vocab.json是干什么用的？
下面这边文章讲的非常清晰，原文链接：https://blog.csdn.net/ljp1919/article/details/113616226 ......
使用xgboost的c接口推理模型
title: 使用xgboost的c接口推理模型 banner_img: https://cdn.studyinglover.com/pic/2023/07/b5c4ecf9aa476ca1073f99b22fe9605e.jpg date: 2023-9-10 21:10:00 categorie ......
Bypass 403 Forbidden 403页面绕过技巧
介绍 根据基础设施分析师所做的配置，有一些方法可以解决 403 禁止错误，通常是通过配置何时不允许您访问该目录或文件的某些资源。 我创建了这个快速文档来演示一些技术，包括我已经使用它并设法通过 403错误并访问数据库管理登录页面。 一些技巧📄 注意力 ️ 在使用下面的技术之前，值得为每次尝试更改 ......
pua大模型
title: pua大模型 banner_img: https://cdn.studyinglover.com/pic/2023/11/462f0f061d2455543e003066b11b873c.webp date: 2023-11-19 11:12:00 这两天看到了一个论文Large La ......
xgboost模型序列化存储并推理
title: xgboost模型序列化存储并推理 banner_img: https://cdn.studyinglover.com/pic/2023/07/9482f9fe9617825162494635a1b7f460.jpg date: 2023-9-7 15:03:00 categories ......
发布/订阅模型
可以看到，在订阅模型中，多了一个exchange角色，而且过程略有变化： Publisher：生产者，也就是要发送消息的程序，但是不再发送到队列中，而是发给X（交换机） Exchange：交换机，图中的X。一方面，接收生产者发送的消息。另一方面，知道如何处理消息，例如递交给某个特别队列、递交给所有队 ......
供应链设施选址模型——Python实现
选址问题是运筹学中非常经典的问题。选址问题是指在确定选址对象，选址目标区，成本函数以及存在何种约束条件的前提下，以总物流成本最低或总服务最优或社会效益最大化为总目标，以确定物流系统中物流节点的数量、位置，从而合理规划物流网络结构。设施选址问题（Facility Location Problem）自2 ......
摄像机模型
title: 摄像机模型 banner_img: https://drive.studyinglover.com/api/raw/?path=/photos/blog/background/1679396994125.png date: 2022-12-29 21:47:00 categories: ......
LeetCode 354. (经典问题) 俄罗斯套娃信封问题 (俄罗斯套娃模型 + 最长下降子序列
package leetcode; import java.util.Arrays; public class lec154 { /** * 首先是思路来源 : https://leetcode.cn/problems/russian-doll-envelopes/solutions/19681/z ......
AtCoder 330. E Mex and Update (关于Mex的总结 + TreeSet和优先队列的性能问题
package AtCoder.begin330; import java.util.*; class Main5 { /** * 总结 : mex的取值范围跟数据长度有关, 而跟元素取值范围无关 * * 思路 : 首先我们只需要用TreeSet维护0 -> N就好了, 我们答案一定在0 -> N中 ......
zemax导入外部模型
一：在三维软件（Catia、Solidworks）中绘制实体，将文件转存为STP格式（其他格式也可以，放到不同文件夹里面就行）。提前将此文件放入Zemax安装包的文件中，例如：C:\Users\59118\Documents\zemax\OBJECTS\CADFiles\.STP。 二：在Zemax ......
MySQL运行在docker容器中会损失多少性能
前言 自从使用docker以来，就经常听说MySQL数据库最好别运行在容器中，性能会损失很多。一些之前没使用过容器的同事，对数据库运行在容器中也是忌讳莫深，甚至只要数据库跑在容器中出现性能问题时，首先就把问题推到容器上。 那么到底会损失多少，性能损失会很多吗？ 为此我装了两个MySQL，版本都是8. ......
数据分享|Eviews用ARIMA、指数曲线趋势模型对中国进出口总额时间序列预测分析
全文链接：https://tecdat.cn/?p=34361 原文出处：拓端数据部落公众号 研究的背景及意义 众自20世纪80年代至今，随着改革开放的深入以及中国最终加入WTO，我国的对外贸易实现了跨越式的发展，中国已经成为世界第一大出口国和第二大进口国，中国经济对世界经济做出了重大贡献。与此同时 ......
小技巧分享 - 找出 SAP ABAP SPRO 配置项后台对应配置表的两种办法试读版
相信 SPRO 是广大 ABAP 开发人员每天使用频次最高的事务码之一了吧。 毕竟 SAP 软件的复杂度摆在那里，无论是 SAP On-Premise 产品，还是 Cloud 产品，在安装或者订阅之后，都要根据客户实际的业务需求，对 SAP 系统进行配置。在 On-Premise 系统里，事务码 S ......
批量数据加载的最佳实践技巧
有时，PostgreSQL 数据库需要在单个或最少的步骤中导入大量数据。这通常称为批量数据导入，其中数据源通常是一个或多个大文件。这个过程有时会慢得令人无法接受。 造成这种低性能的原因有很多：索引、触发器、外键、GUID 主键，甚至预写日志 (WAL) 都可能导致延迟。 在本文中，我们将介绍一些将数 ......
C语言编程技巧 全局变量在多个c文件中公用的方法
在使用C语言编写程序时，经常会遇到这样的情况：我们希望在头文件中定义一个全局变量，并将其包含在两个不同的C文件中，以便这个全局变量可以在这两个文件中共享。举个例子，假设项目文件夹"project"下有三个文件：main.c、common.c和common.h。在这种情况下，我们希望声明一个字符型变量 ......
空间三维模型的编码结构光方法实现：基于EinScan-S软件
本文介绍基于EinScan-S软件，实现编码结构光方法的空间三维模型重建的具体操作。 目录1 相关原理1.1 编码结构光成像原理1.2 编码结构光编码方式1.3 编码结构光与侧影轮廓方法比较1.4 编码结构光方法流程2 三维模型制作2.1 防晒霜罐三维模型制作2.1.1 前期准备工作2.1.2 软件 ......
什么是 Web 应用性能参数中的 First Contentful Paint
"First Contentful Paint"（简称 FCP）是一个非常重要的性能指标，用于测量我们的网页在用户的设备上渲染出第一片有意义内容的时间点。这个指标是 Web 性能用户体验的关键部分，因为它直接关系到用户对网站加载速度的第一印象。在互联网世界中，每一毫秒的延迟都可能影响用户的满意度，甚 ......
.NET领域性能最好的对象映射框架Mapster使用方法
Mapster是一个开源的.NET对象映射库，它提供了一种简单而强大的方式来处理对象之间的映射。在本文中，我将详细介绍如何在.NET中使用Mapster，并提供一些实例和源代码。 和其它框架性能对比： Mapster的安装和配置： 首先，打开Visual Studio并创建一个新的.NET项目。 在 ......
PyTorch团队重写「分割一切」模型，比原始实现快8倍
前言 我们该如何优化 Meta 的「分割一切」模型，PyTorch 团队撰写的这篇博客由浅入深的帮你解答。 本文转载自机器之心 仅用于学术分享，若侵权请联系删除 欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。 CV各大方向专栏与各个部署框架最全教程 ......
自动编码器（Autoencoders）和序列到序列（Sequence-to-Sequence）模型区别
核心区别 应用范围：自动编码器主要用于数据的压缩、重建和特征提取，而序列到序列模型用于处理序列数据，特别是在输入和输出都是长度可变的序列的情况下。 数据处理方式：自动编码器处理固定大小的输入和输出，而序列到序列模型处理的输入和输出通常是长度可变的序列。 任务类型：自动编码器更多用于无监督学习任务，而 ......
LLMLingua:集成LlamaIndex，对提示进行压缩，提供大语言模型的高效推理
大型语言模型(llm)的出现刺激了多个领域的创新。但是在思维链(CoT)提示和情境学习(ICL)等策略的驱动下，提示的复杂性不断增加，这给计算带来了挑战。这些冗长的提示需要大量的资源来进行推理，因此需要高效的解决方案，本文将介绍LLMLingua与专有的LlamaIndex的进行集成执行高效推理。 ......
.NET8极致性能优化Non-GC Heap
前言 .NET8里面JIT引入了一个新的机制，叫做Non-GC Heap。JIT可以确保相关对象分配在Non-GC Heap上，该堆像其名称一样，不受GC管理。JIT需要保证这个对象没有被GC引用，并且在这个对象的生命周期内一直是根对象(不会被GC消灭的对象)的状态。原文:.NET8极致性能优化No ......
人工智能概述之06模型评估
机器学习模型评估是确保模型性能良好并能泛化到新数据的关键步骤。下面是一些机器学习模型评估的详解、最佳实践和示例： 1. 评估指标： 1.1 分类问题： 准确度（Accuracy）： 正确预测的样本数除以总样本数。 精确度（Precision）： 正类别预测正确的样本数除以所有被预测为正类别的样本数。 ......
【行行AI公开课】AIGC从模型到落地：促进技术落地与产业变革
11月26日北京大学的北大创新学社将举行“AI-FUSION”系列活动第十期。北大创新学社是北京大学团委和光华管理学院团委指导成立，是2023HICOOL全球创业者峰会唯一受邀参展的高校社团。“首都高校创新创业大赛”发起方及主办单位。“AI-FUSION”是AI创投部人工智能行业社群打造的系列活动， ......
深度学习模型训练并行问题
并行这个概念一方面是是加快模型训练，一方面是解决显存不够的问题的并行策略 数据并行(最常用的)，即每张卡上都放一个完整的模型，主要用于单机多卡的数据并行。 模型并行，将模型的不同部分进行手动的分割，然后分别放在不同的卡上。注意，模型要放在卡上不光是需要保存模型参数，因为模型训练过程中不仅涉及数据一层 ......