- 博客(15)
- 收藏
- 关注
RSS订阅原创 轻松掌握算法基础-线性回归
线性回归算法是一种统计分析方法，用于确定两种或两种以上变量间相互依赖的定量关系。它的核心思想是通过最小二乘法找到自变量和因变量之间的最佳拟合直线（或超平面），使得预测值与真实值之间的误差最小
2024-05-22 18:43:31
974
2
原创 如何更好的了解混沌测试（二）
在测试过程中，应该尽量限制测试的范围和影响，确保测试过程不会对系统造成不可逆的损害。通过明确测试目的、选择合适的测试对象和指标、设计合理的测试事件以及制定有效的恢复策略，我们可以提高系统的稳定性和可用性，确保在关键时刻能够为用户提供优质的服务。比如，双十一大促前进行混沌测试，其主要目的是模拟和预测在高并发、高负载情况下系统的表现，从而提前发现和修复可能存在的问题，确保系统的稳定性和可用性。混沌运用的原则在于确保在引入混乱和不确定性时，系统能够得到有效的测试和评估，同时保证测试过程的安全性和可控性。
2024-05-20 17:05:27
556
1
原创 如何更好的了解混沌测试（一）
混沌测试（Chaos Testing）的目的主要是为了模拟真实环境中可能出现的各种不确定性、故障和异常情况，以评估系统在这种不稳定状态下的行为、容错能力和恢复机制。针对复杂系统的优化，首先我们要高效且精确的复杂系统存在的问题；总之，混沌测试的目的是通过模拟真实环境中的不确定性、故障和异常情况来评估系统的稳定性、可靠性和容错能力，从而帮助开发团队提升系统的整体性能和用户体验。随着这些系统的复杂性日益增加，传统的测试方法难以涵盖所有可能的情况，因此出现了对系统在不确定性和混乱环境中的表现进行更全面测试的需求。
2024-05-14 17:38:59
302
2
原创 快速了解微服务架构？
这些服务单元可以独立开发、测试、部署，并且每个服务都运行在其独立的进程中，服务之间通过轻量级通信机制（如HTTP/REST、消息队列等）进行通信。总的来说，微服务架构是一种灵活、可扩展的分布式架构模式，适用于构建复杂的大型应用程序。然而，在采用微服务架构时，需要权衡其优势和挑战，并采取相应的措施来确保系统的稳定性和可靠性。：每个微服务都是独立的代码库和部署单元，可以独立开发、测试和部署。由于微服务架构的松耦合性和独立部署特性，可以根据需求对每个微服务进行独立的扩展，提高了应用的弹性和可伸缩性。
2024-05-14 17:13:37
246
2
原创 轻松掌握算法基础-KNN算法（K近邻）
【分类】：从训练样本中找出最近的K个值的类别来代表待预测值的类别；【预测】：从训练样板中找出最近的K个值的平均值来表示待预测的值；网络说法：它的工作原理是：存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。
2024-04-28 19:49:43
571
原创 redis向量数据库快速开始（三）
Chook Air 5为六岁及以上的孩子们提供了一辆耐用且轻便的山地自行车，让他们第一次体验在赛道上的骑行，并轻松穿越森林和田野。查询结果显示了各个查询的前三个匹配项（我们的K参数），以及每个查询的自行车id、品牌和型号。有了查询模板，就可以通过传递矢量化的查询提示来执行循环中的所有查询提示。因为使用余弦距离作为度量，所以距离最小的项目更接近，因此更类似于查询。然后，它返回到查询向量的距离最小的K个项目。这些是最相似的项目。从描述来看，这辆自行车非常适合年幼的孩子，所使用的嵌入准确地捕捉到了描述的语义。
2024-04-28 18:25:53
980
原创 redis向量数据库中文使用手册-快速开始（二）
现在，接下来JSON将矢量化描述添加到Redis中的JSON文档中。说明：MS MARCO是一个文本搜索排序领域最具代表性的数据集。这些嵌入表示可以捕捉数据之间的复杂关系，并用于各种机器学习任务。向量数据库能够直接存储和查询这些嵌入表示，使得机器学习模型能够更高效地利用这些数据。：在机器学习中，经常需要将数据转换为嵌入表示（embedding），2、向量数据库在机器学习中大量使用，其中嵌入表示是一个重要的原因。，它被广泛的应用于搜索模型，聊天模型以及其他的AI场景中；获取一个数据：get命令。
2024-04-28 15:51:59
326
原创 redis向量数据库中文使用手册-快速开始（一）
这样，具有相似特征的数据将在向量空间中距离较近，而不相似的数据将距离较远。基于先进的向量索引结构和相似度计算算法，向量数据库能够提供快速、准确的数据查询和检索功能。一般来说，现实中的数据大部分都是非结构化的数据，也就是说它不是由定义好的模型来描述的。向量数据（Vector Data）是指以向量的形式表示的数据。在数据科学和机器学习的上下文中，向量数据通常用于表示各种类型的信息，包括文本、图像、音频等。向量数据是数据科学和机器学习领域中的重要概念，它们为各种复杂的数据分析和处理任务提供了有力的支持。
2024-04-16 15:19:55
963
原创 redis中文使用手册-快速上手
python语言链接库：redis-py。2）使用命令行工具redis-cli和。RedisInsight-官方可视化工。Redis server保持通。通过tsl连接redis。存储string格式。
2024-04-11 17:13:05
226
原创 智能化图像/视频效果质量评测方法（四）
其次，深度学习的实质，是通过构建具有很多隐藏层的学习模型和海量的训练数据，提取有用的特征，从而提升分类和或预测的准确性。市面上有很多基于stable diffusion算法的图片生成大模型，采用不同的模型会得到不同的结果；为了得到适合业务方向的模型，调研者需要手动生成大量的模型图片，以及肉眼对比模型的好坏，比较主观，且费时费力；首先，深度学习是起源于对于人工神经网络的研究，包含多个隐藏层的多层感知器的深度学习结构。收集我们需要的图片数据，通过对数据进行训练，对生成的图片客观的给出结果。
2024-03-25 17:28:47
281
原创 智能化图像/视频效果质量评测方法（三）
最后，利用双线性池化模块融合两个网络的全连接层特征，作为图像的深度特征，进而再拟合深度特征与质量得分之间的映射关系。该指标认为人眼看到的图像是图像通过HVS过滤出来的信息，HVS本身就是一个失真通道，即人类视觉失真通道，而失真图像只是比原始图像在经过HVS之前又多了一个图像失真通道，故可以使用信息论的知识将人眼提取的信息与从原始图像提取的信息进行比较，得出最终评测结果。细节损失是指影响内容可视性的有用视觉信息的损失，即在测试图像中出现的分散观众对有用内容的注意力的信息，从而导致不好的观看体验。
2024-03-25 17:25:46
774
原创 智能化图像/视频效果质量评测方法（二）
相较于传统所使用的影像品质衡量指标，像是峰值信噪比（PSNR），结构相似性在影像品质的衡量上更能符合人眼对影像品质的判断。3）MSE：均方误差(Mean Square Error)反映的是变量间的差异程度，是一种基于像素误差的图像质量客观评价指标，用于衡量融合图像和理想参考图像之间的差异，MSE越小，表示融合图像质量越好。5）ENTROPY：信息熵主要是度量图像包含信息量大小的一个客观评价指标，信息熵越高表示融合图像的信息量越丰富，质量越好。和原图比较，模糊一点的图像2在视觉体验上比含有噪声的图像1好；
2024-03-25 17:20:34
510
原创 智能化图像/视频效果质量评测方法（一）
其具体的做法是：让观测者根据事先规定好的评价准则或者自己的主观经验，对待评价图像按照视觉效果做出质量判断，并给出质量分数，最后对所有评价人员给出的质量分数进行加权平均，得到的结果就是该幅图像的平均主观分值（Mean Opinion Score,MOS）。但针对图像/视频的效果和质量评测主要是人为评价，偏主观，评测手段受到一定的局限性。目前，通过对在图像/视频领域的效果质量评价工具的调研，市面上有符合业务需求的工具，同时又因为不同业务场景，可以利用现有的方法针对具体的业务场景去调试和创新；
2024-03-25 17:13:16
565
原创 图片/视频等效果质量评测指标
如果可以根据人眼视觉系统的特性来建立图片/视频的评测指标，这样就可以根据实际情况给出客观的数据，不再收到个人偏好或者环境等因素的影响了。5）MSE：均方误差(Mean Square Error)反映的是变量间的差异程度，是一种基于像素误差的图像质量客观评价指标，用于衡量融合图像和理想参考图像之间的差异，MSE越小，表示融合图像质量越好。3）图片/视频质量评测指标后续规划讲针对不同的领域/人群的视觉特性来生成训练数据集，通过训练数据集，给到更专业的评价参考标准。基于机器学习的全参考视频/图像质量评估算法。
2024-03-25 17:02:48
938
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人