一些基础的操作： import torch as th a=th.rand(3,4) #随机数，维度为3，4的tensor b=th.rand(4)print(a)print(b) a+b tensor([[0.3777, 0.4128, 0.6244, 0.7772], [0.0859, 0.9350, 0.1705, 0.911...
Content 1 引言 2 维数灾难与过拟和 3 怎样避免维数灾难 4 总结 1 引言 本文章讨论的话题是“curse of dimension”，即维数灾难，并解释在分类它的重要性，在下面的章节我会对这个概念做一个直观的解释，并清晰的描述一个由维数灾难引起的过度拟合的问题。 下面不如正题，考虑我们有一堆猫和狗的图片，现在要做一个分类器，它可以把猫和狗...
Introduction 在空间维度上，现有video reid方法局限于把所有帧在相同分辨率下进行特征提取，造成了特征冗余，如图(a)。 在时间维度上，现有方法要么采用long-term要么采用short-term，也有一些方法同时考虑了两者，却赋予两者相同的权重来融合。但如图(b)所示，当存在遮挡情况时，需要long-term来提供更多信息，当存在快...
Torch笔记 import torch import numpy as np import torch.nn as nn a_np = np.random.rand(10,100) numpy知识回顾 a_np.dtype # 数据类型 a_np.ndim #维度个数 a_np.shape # 形状 整数元祖 a_np.dtype=np.int...
一、数据平台的软硬件环境 二、组织机构和权限体系 组织机构：平台中已集成一套组织机构，可以建立部门、人员。也可以与现有系统的组织机构集成，将组织机构导入到平台中。 功能权限：通过配置功能点URL的方式实现各个用户相应的BI访问权限。用户第一次访问受保护的资源（某个功能点）时，会发出访问请求，服务器接收到请求后会验证用户权限，如果没有通过验证则返回登录页面...
链接：http://www.jb51.net/article/90946.htm 数据提取是分析师日常工作中经常遇到的需求。如某个用户的贷款金额，某个月或季度的利息总收入，某个特定时间段的贷款金额和笔数，大于5000元的贷款数量等等。本篇文章介绍如何通过python按特定的维度或条件对数据进行提取，完成数据提取需求。 准备工作首先是准备工作，导入需要使用...
记得之前在规划和设计微服务架构的时候，一个同事给我我一个至今依然记忆深刻的提示：你的设计蓝图里为什么没有看到DDD的影子呢？ 随着对充血模型的领域认知的加深，我越来越觉得DDD的重要性，但是DDD内容繁多，是不是要深入去了解呢，我觉得不必入坑太深，个人浅见，它最核心的一点就是针对贫血模型的不足而设计，把原先传统的贫血模型里的业务逻辑拎出来，融入到Domai...
一、维度 度量 1. 连接到新数据源时，Tableau 会将该数据源中的每个字段分配给“数据”窗格的“维度”区域或“度量”区域，具体情况视字段包含的数据类型而定。 例如： 2. tableau中的字段有角色和类型： 数据字段由数据源中的列组成。系统会为每个字段自动分配一种数据类型（例如整数、字符串、日期）和一个角色：离散维度或连续度...
“两地三中心”部署体系 “两地三中心”架构顾名思义：在一个城市有A、B两个机房，另一个城市有C机房，在第一个城市中TDSQL数据库实例采用同IDC异步、跨IDC强同步的方式，我们需要在第一个城市将四个数据节点部署在二个机房，其中主节点和一个备节点在一个机房，另外两个备节点在另一个机房。并且在第一个城市和第二个城市的数据库实例间，采用的是异步复制，保障金融...
阅读目录 前言 创建数据仓库 ETL：抽取、转换、加载 OLAP/BI工具 数据立方体(Data Cube) OLAP的架构模式 小结 回到顶部 前言 上一篇重点讲解了数据仓库建模，它是数据仓库开发中最核心的部分。然而完整的数据仓库系统还会涉及其他一些组件的开发，其中最主要的是ETL工程，在线分析处理工具(OLAP)和商务智能(...