开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

当Windows10设置为125%Scaling时，PowerBuilder打印缩放问题，但150%时没有scaling问题。为什么？

当Windows 10设置为125% Scaling时，PowerBuilder打印会出现缩放问题，而设置为150%时却没有缩放问题。这是因为125% Scaling和150% Scaling是Windows 10的显示缩放选项，用于调整显示元素的大小。当设置为125% Scaling时，Windows 10会将显示元素放大25%，而PowerBuilder在进行打印时可能无法正确处理这种缩放，导致打印出现缩放问题。

在Windows 10中，不同的应用程序对显示缩放的适应性可能有所不同。一些应用程序可能能够自动适应缩放，而另一些应用程序可能需要进行特殊处理才能正确显示。在这种情况下，PowerBuilder可能没有针对125% Scaling进行适配，导致打印出现缩放问题。

然而，当设置为150% Scaling时，Windows 10会将显示元素放大50%，PowerBuilder可能已经进行了适配，能够正确处理这种缩放，因此没有出现缩放问题。

为了解决这个问题，可以尝试以下几种方法：

尝试更新PowerBuilder版本，以确保使用的是最新的版本，其中可能已经修复了与缩放相关的问题。
调整Windows 10的显示缩放选项为150% Scaling，以避免出现缩放问题。
如果必须使用125% Scaling，可以尝试调整PowerBuilder的打印设置，查看是否有相关的缩放选项或设置，以适应125% Scaling。

腾讯云相关产品和产品介绍链接地址：

腾讯云计算服务：https://cloud.tencent.com/product/cvm
腾讯云数据库：https://cloud.tencent.com/product/cdb
腾讯云服务器运维：https://cloud.tencent.com/product/cvm
腾讯云音视频处理：https://cloud.tencent.com/product/mps
腾讯云人工智能：https://cloud.tencent.com/product/ai
腾讯云物联网：https://cloud.tencent.com/product/iot
腾讯云移动开发：https://cloud.tencent.com/product/mobdev
腾讯云存储：https://cloud.tencent.com/product/cos
腾讯云区块链：https://cloud.tencent.com/product/baas
腾讯云元宇宙：https://cloud.tencent.com/product/vr

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

Linux6上UI缩放的考验和磨难

但是，在对我的设置进行了一些调整之后，我得出结论，虽然分辨率确实不是问题所在，但与之相关的问题是：用户界面缩放。...当我关闭200％缩放比例并将其设置为100％时（在此过程中用户界面几乎变得非常小），这个问题就消失了。最终，经过多年与这个问题的斗争，在OSNews读者的帮助下，我似乎已经找到了问题的答案。...运行一个快速命令以启用分数缩放（gsettings设置org.gnome.mutter实验功能“ ['x11-randr-fractional-scaling']”）使我可以使用125％、150％和175...％的比例因子，我发现将因子设置为100％以外的任何值都会导致问题。...整体表现似乎很成问题）。从那时起，我一直在XPS 13上运行Linux，没有任何问题，风扇甚至从未开启，温度保持在预期值之内，并且播放视频时也没有任何问题。

1.4K4 0

TCP 滑动窗口与窗口缩放因子

假设MSS为1460字节，主机A可以在耗尽主机B的接收窗口之前发送22个段。当确认收到主机A发送的数据时，主机B可以调整其窗口大小。...（为简单起见，我们的示例计算不考虑TCP和低层报头。）这种延迟浪费了潜在的吞吐量，不必要地增加了通过网络可靠传输数据所需的时间。创建TCP窗口缩放以解决此问题。...image.png 如上图 window size设置为5840字节，但是窗口缩放因子为7（window scale）,也就是这时候最大实际窗口为 5840*128。...仅当两端都包含选项时，缩放才有效;如果只有连接的一端支持窗口缩放，则不会在任一方向上启用它。最大有效比例值为14（RFC 1323的2.3节为有兴趣的人提供了一些背景信息）。...为了支持这种大小的窗口，主机B可以将其窗口大小设置为3,125，其window scaleing因子为6（3,125左移6乘以200,000）。

3.2K3 0

模型越大，表现越差？谷歌收集了让大模型折戟的任务，还打造了一个新基准

作者认为，当一项任务同时包含「true task」和「distractor task」时，会出现 U 型缩放。...或者它是否真的会是 Inverse Scaling 呢？对于 U 型缩放的一个问题是：为什么性能会先下降后又上升？...接下来作者进一步解释为什么会出现 U 型缩放以及未来需做的工作。...CoT prompt 对 Inverse Scaling 的影响接下来，作者探索了使用不同类型 prompt 时，Inverse Scaling 奖的 4 个任务的缩放是如何变化的。...综上所述，所有被研究的任务和子任务，在使用 CoT 的 prompt 时都呈现出 U 型缩放或 Positive Scaling。

3011 0

深度学习中的Normalization模型（附实例&公式）

局限4：训练时和推理时统计量不一致对于BN来说，采用Mini-Batch内实例来计算统计量，这在训练时没有问题，但是在模型训练好之后，在线推理的时候会有麻烦。...5、Normalization操作的Re-Scaling不变性我们知道，当神经网络深度加深时，训练有较大困难，往往其原因在于随着网络加深，在反向传播训练模型时，存在梯度爆炸或者梯度消失问题，Loss信息不能有效传导到低层神经网络参数...，整个权重矩阵缩放后，任意神经元的激活与未缩放时相同，所以BN具备权重矩阵Re-Scaling不变性。...均值是无法提出公共缩放因子的，类似的方差也提不出公共缩放因子，所以不具备权重向量Re-Scaling不变性。那这又是为什么呢？...上文尽管从Normalization操作的Re-Scaling不变性角度有所说明，但其实还有更深层或更本质的原因。

1.6K5 0

为什么要做特征归一化标准化？

什么情况下该使用什么feature scaling方法？有没有一些指导思想？所有的机器学习算法都需要feature scaling吗？有没有例外？损失函数的等高线图都是椭圆或同心圆吗？...但笔者能力有限，空有困惑，能讲到哪算哪吧（微笑）。常用feature scaling方法 ---- 在问为什么前，先看是什么。...当特征维数更多时，对比如下，图片来自youtube， ?...多维情况下可以分解成多个上图，每个维度上分别下降，参数W为向量，但学习率只有1个，即所有参数维度共用同一个学习率（暂不考虑为每个维度都分配单独学习率的算法）。...理论上为每个参数都设置上自适应的学习率，可以吸收掉x尺度的影响，但在实践中出于计算量的考虑，往往还是所有参数共用一个学习率，此时x尺度不同可能会导致不同方向上的下降速度悬殊较大，学习率不容易选择，下降过程也可能不稳定

2.1K2 1

深度学习效果不好？试试 Batch Normalization 吧！

BN大法虽然好，但是也存在一些局限和问题，诸如当BatchSize太小时效果不佳、对RNN等动态网络无法有效应用BN等。...局限4：训练时和推理时统计量不一致对于BN来说，采用Mini-Batch内实例来计算统计量，这在训练时没有问题，但是在模型训练好之后，在线推理的时候会有麻烦。...五、Normalization 操作的 Re-Scaling 不变性我们知道，当神经网络深度加深时，训练有较大困难，往往其原因在于随着网络加深，在反向传播训练模型时，存在梯度爆炸或者梯度消失问题，Loss...，整个权重矩阵缩放后，任意神经元的激活与未缩放时相同，所以BN具备权重矩阵Re-Scaling不变性。...均值是无法提出公共缩放因子的，类似的方差也提不出公共缩放因子，所以不具备权重向量Re-Scaling不变性。那这又是为什么呢？

3.6K3 0

解读：为什么要做特征归一化标准化？

什么情况下该使用什么feature scaling方法？有没有一些指导思想？所有的机器学习算法都需要feature scaling吗？有没有例外？损失函数的等高线图都是椭圆或同心圆吗？...但笔者能力有限，空有困惑，能讲到哪算哪吧（微笑）。常用feature scaling方法在问为什么前，先看是什么。...就欧式距离而言，增大某个特征的尺度，相当于增加了其在距离计算中的权重，如果有明确的先验知识表明某个特征很重要，那么适当增加其权重可能有正向效果，但如果没有这样的先验，或者目的就是想知道哪些特征更重要，那么就需要先...理论上为每个参数都设置上自适应的学习率，可以吸收掉x尺度的影响，但在实践中出于计算量的考虑，往往还是所有参数共用一个学习率，此时x尺度不同可能会导致不同方向上的下降速度悬殊较大，学习率不容易选择，下降过程也可能不稳定...但习惯上还是会做feature scaling。什么时候不需要Feature Scaling？

1.4K3 0

深入探讨：为什么要做特征归一化标准化？

对于feature scaling中最常使用的Standardization，似乎“无脑上”就行了，本文想多探究一些为什么，常用的feature scaling方法都有哪些？...什么情况下该使用什么feature scaling方法？有没有一些指导思想？所有的机器学习算法都需要feature scaling吗？有没有例外？损失函数的等高线图都是椭圆或同心圆吗？...但笔者能力有限，空有困惑，能讲到哪算哪吧（微笑）。常用feature scaling方法在问为什么前，先看是什么。...，但学习率只有1个，即所有参数维度共用同一个学习率（暂不考虑为每个维度都分配单独学习率的算法）。...理论上为每个参数都设置上自适应的学习率，可以吸收掉x尺度的影响，但在实践中出于计算量的考虑，往往还是所有参数共用一个学习率，此时x尺度不同可能会导致不同方向上的下降速度悬殊较大，学习率不容易选择，下降过程也可能不稳定

2793 0

为什么要做特征的归一化标准化？

什么情况下该使用什么feature scaling方法？有没有一些指导思想？所有的机器学习算法都需要feature scaling吗？有没有例外？损失函数的等高线图都是椭圆或同心圆吗？...但笔者能力有限，空有困惑，能讲到哪算哪吧（微笑）。常用feature scaling方法在问为什么前，先看是什么。...就欧式距离而言，增大某个特征的尺度，相当于增加了其在距离计算中的权重，如果有明确的先验知识表明某个特征很重要，那么适当增加其权重可能有正向效果，但如果没有这样的先验，或者目的就是想知道哪些特征更重要，那么就需要先...，但学习率只有1个，即所有参数维度共用同一个学习率（暂不考虑为每个维度都分配单独学习率的算法）。...理论上为每个参数都设置上自适应的学习率，可以吸收掉x尺度的影响，但在实践中出于计算量的考虑，往往还是所有参数共用一个学习率，此时x尺度不同可能会导致不同方向上的下降速度悬殊较大，学习率不容易选择，下降过程也可能不稳定

2241 0

【DL】一文读懂深度学习中的Normalization模型

BN 大法虽然好，但是也存在一些局限和问题，诸如当 BatchSize 太小时效果不佳、对 RNN 等动态网络无法有效应用 BN 等。...局限 4：训练时和推理时统计量不一致对于 BN 来说，采用 Mini-Batch 内实例来计算统计量，这在训练时没有问题，但是在模型训练好之后，在线推理的时候会有麻烦。...Normalization 操作的 Re-Scaling 不变性我们知道，当神经网络深度加深时，训练有较大困难，往往其原因在于随着网络加深，在反向传播训练模型时，存在梯度爆炸或者梯度消失问题，Loss...于是得出各自经过缩放后的激活值为： ? 对应的缩放后的均值为： ? 均值是无法提出公共缩放因子的，类似的方差也提不出公共缩放因子，所以不具备权重向量 Re-Scaling 不变性。那这又是为什么呢？...上文尽管从 Normalization 操作的 Re-Scaling 不变性角度有所说明，但其实还有更深层或更本质的原因。

6711 0

Elasticsearch查询优化实践(一)

Aggregations聚合的字段类型主要为scaled_float,并设置scaling_factor（比例因子）为100scaled_float类型是一种基于long类型数字进行比例缩放的数据类型。...必须指定缩放因子scaling_factor。ES索引时，原始值会乘以该缩放因子并四舍五入得到新值，ES内部储存的是这个新值，但返回结果仍是原始值。...例如：字段a的值为0.1 当将字段a的类型设置为scaled_float,并设置scaling_factor为100,在存储时这个数值就会被存储为0.1*100的一个整数。...在agg聚合中使用的字段没有keyword类型，所以不存在高基数字段导致聚合过多而出现慢查询或性能下降的问题。...map 告诉es直接用query到的value做聚合，避免构建global ordinal的过程；新写入是新的segment，老的segment并没有改变，每个segment的序数关系也没有改变，所以全局序数记录的和老的

1142 0

ResNet-RS：谷歌领衔调优ResNet，性能全面超越EfficientNet系列 | 2021 arxiv

Training and Regularization Methods 当模型需要训练更长时间时，正则方法(如dropout、label smoothing、stochastic depth、dropblock...为了将此适配系统化，EfficentNet提出了混合缩放因子方法，用于缩放时平衡网络深度、宽度和分辨率之间的关系，但论文发现这个方法并不是最优的。...没有改变默认的weight decay设置，性能有提升。...在模型较小时，模型性能跟模型大小成正相关关系，但当模型变得越大后，这种关系就变得越不明显了，转而跟缩放策略有关。使用不同缩放策略将模型缩放到相同大小，模型越大，性能差异越大。...Two Common Pitfalls in Designing Scaling Strategies 在分析缩放策略时，论文发现了两个常见的错误做法： Extrapolating scaling strategies

3461 0

专栏 | 深度学习中的Normalization模型

BN 大法虽然好，但是也存在一些局限和问题，诸如当 BatchSize 太小时效果不佳、对 RNN 等动态网络无法有效应用 BN 等。...局限 4：训练时和推理时统计量不一致对于 BN 来说，采用 Mini-Batch 内实例来计算统计量，这在训练时没有问题，但是在模型训练好之后，在线推理的时候会有麻烦。...Normalization 操作的 Re-Scaling 不变性我们知道，当神经网络深度加深时，训练有较大困难，往往其原因在于随着网络加深，在反向传播训练模型时，存在梯度爆炸或者梯度消失问题，Loss...于是得出各自经过缩放后的激活值为： ? 对应的缩放后的均值为： ? 均值是无法提出公共缩放因子的，类似的方差也提不出公共缩放因子，所以不具备权重向量 Re-Scaling 不变性。那这又是为什么呢？...上文尽管从 Normalization 操作的 Re-Scaling 不变性角度有所说明，但其实还有更深层或更本质的原因。

6402 0

224秒训练ImageNet！这次创纪录的是索尼大法

训练设置：使用LARS [9]，系数为0.01，eps为1e-6更新权重。学习率（LR）通过以下公式计算：用以下公式计算出总的mini-batch size和学习率。...表3：per-worker/total mini-batch size 但是，当使用超过2176个GPU时，训练效率变低了。因此，由于这个问题， Exp. 5 和Exp. 6仅使用2176个GPU。...图3：训练误差曲线我们描述了与单个节点（4个GPU）相比的训练速度和GPU缩放效率。表6显示了当每个worker的批大小设置为32时的GPU数量和训练吞吐量。...虽然当使用超过2176个GPU时，GPU scaling效率降低到70％，但当使用1088 GPU时，scaling效率超过了90％。...在之前的研究[6]中，当使用1024个Tesla P40，每个worker的批大小设置为32时，GPU scaling效率为87.9％。

8171 0

大模型Scaling Law同样适用于下游任务性能？斯坦福、谷歌最新研究揭秘

虽然迁移学习方面的诸多工作在不同情况下也有类似的观察结果，但本文为 LLM 的下游性能提供了新的见解和具体的 Scaling Law。...最后的实证研究表明，当微调（迁移）数据集已经足够大时，预训练对 BLEU 得分几乎没有改善。...当微调数据集足够大时（例如，实线），不论预训练数据集大小如何，BLEU 得分或多或少保持恒定。实际上，当微调数据集足够大时，与未经预训练的模型（黑线）相比，可以看到预训练几乎没有改善。...这意味着，对于这些任务，当微调数据集足够大时，没有必要进行模型预训练。...然而，当 Scaling Law 适用得不好时，研究者可能会怀疑 BLEU 得分总体上较低。

2191 0

从 Matrix 解构出 TranslateScaleRotate（平移缩放旋转）

由于直接使用 Rect 类型时无法表示旋转后的矩形，所以我们直接使用四个顶点来计算，于是我们写出如下代码： private (Vector Scaling, double Rotation, Vector...首先来解决变换中心的通用性问题。...return (scaling, rotation, translation); } 本来第二个参数是可以用 Func 的，但那样的意义解释起来太费劲，所以改成了委托的定义： /// .../// 为方法提供变换中心的指定方法。.../// /// 先进行缩放后进行旋转时，旋转中心的计算可能需要考虑前面缩放后的坐标。此参数可以得知缩放比。

4.1K1 0

elasticsearch DSL优化案例(一)

Aggregations聚合的字段类型主要为scaled_float,并设置scaling_factor（比例因子）为100scaled_float类型是一种基于long类型数字进行比例缩放的数据类型。...必须指定缩放因子scaling_factor。ES索引时，原始值会乘以该缩放因子并四舍五入得到新值，ES内部储存的是这个新值，但返回结果仍是原始值。...例如：字段a的值为0.1 当将字段a的类型设置为scaled_float,并设置scaling_factor为100,在存储时这个数值就会被存储为0.1*100的一个整数。...在agg聚合中使用的字段没有keyword类型，所以不存在高基数字段导致聚合过多而出现慢查询或性能下降的问题。...map 告诉es直接用query到的value做聚合，避免构建global ordinal的过程；新写入是新的segment，老的segment并没有改变，每个segment的序数关系也没有改变，所以全局序数记录的和老的

3361 0

Scaling data to the standard normal缩放数据到标准正态形式

没有做数据标准化，训练效果表现的会非常差。...除了函数以外，还有个缩放的类也很容易被调用，当与后面的 Pipelines方法同时调用时，尤其的好用。...It's also useful for the center and scaling class to persist across individual scaling: 缩放类也支持独自缩放依然很实用...also contains a MinMaxScaler class, which will scale the data within a certain range: 缩放到均值为0，标准差为1并不是仅有的缩放类型...Normalization is illustrated in the following command: 然而，另一种选择是归一化，它会把每个特征都缩放到长度范围为1，这和以前的其他特征缩放都不相同

1.3K0 0

分享一个自由拖拽组件的实现思路

这个时候我们就要用到 svg 自带的一个属性：preserveAspectRatio，用来表示是否强制进行统一缩放，当设置为 none 的时候，svg 图片不会进行强制统一缩放，如果需要，会缩放指定元素的图形内容...但是，它没有指定抑制旋转和偏斜。同样，它也不指定用户坐标系的原点。由于此值抑制了用户坐标系的缩放，因此它还具有 non-scaling-stroke 的特性。...但是，它没有指定抑制旋转，偏斜和缩放。当同时指定了该矢量效果和 transform 属性， transform 属性将因该矢量效果而被消耗。...当我们设置vector-effect="non-scaling-stroke"后，我们的svg终于看起来正常了~ ?...另外我们还有一个没有解决的问题，如果path的内容是通过类似同心圆的方式来绘制图形的时候，我们并没有什么好的方法来保证缩放时候线条宽度的变化关于本文作者：LeapFE https://segmentfault.com

2.2K4 0

神经网络求解新思路：OpenAI用线性网络计算非线性问题

在 float32 标准中，当一个数比最小的可表示数还小的时候，则该数字将被映射为零。因此，近邻零的所有包含浮点数的计算都将是非线性的。（而反常数是例外，它们在一些计算硬件上可能不可用。...在我们的案例中通过设置归零（flush to zero，FTZ）解决这个问题，即将所有的反常数当成零。）...= 2**125 def get_logits(par): h1 = tf.nn.bias_add(tf.matmul(x , par[0]), par[1]) / scaling..., par[4]), par[5]/ scaling)*scaling return o 在上面的代码中，我们可以看出该网络一共 4 层，第一层为 784（28*28）个输入神经元，这个数量必须和...该函数第一个表达式计算第一层和第二层之间的前向传播结果，即计算输入 x 与 w1 之间的乘积再加上缩放后的偏置项（前面 b1、b2、b3 都定义为零向量）。

5376 0

点击加载更多

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭