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

Erlang的精确度

以下是关于Erlang的答案：

Erlang是一种并发性编程语言，它是由瑞典电信设备制造商爱立信开发的。Erlang的设计目标是支持高并发、分布式和容错系统的开发。Erlang的特点是具有非常高的并发性和容错性，因此在实际应用中被广泛用于电信、金融、游戏、医疗等领域。

Erlang的精确度是指其数值计算的精确程度。Erlang在处理浮点数时，采用的是双精度浮点数表示法，因此其精确度与其他编程语言相同，即约为15位有效数字。

Erlang的优势在于其高并发性和容错性，这使得它非常适合开发分布式系统和大规模并发应用程序。Erlang还具有简单易学的特点，其语法简洁明了，易于理解和编写。

Erlang的应用场景包括：

电信网络和协议栈开发
金融交易和风险管理系统开发
游戏服务器开发
医疗保健和生命科学应用程序开发
物联网和移动应用程序开发
大数据处理和分析

推荐的腾讯云相关产品包括：

腾讯云容器服务：支持Docker容器化部署，可以快速搭建和管理Erlang应用程序的容器化环境。
腾讯云虚拟机：提供Erlang运行环境的虚拟机镜像，可以方便地部署和管理Erlang应用程序。
腾讯云数据库：提供多种数据库服务，可以与Erlang应用程序结合使用，实现数据的存储和管理。

腾讯云相关产品介绍链接地址：

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

学界 | 新型池化层sort_pool2d实现更快更好的收敛：表现优于最大池化层（附代码实现）

选自Hackernoon 作者：Sahil Singla 机器之心编译参与：黄小天、路雪近日，Sahil Singla 在 Medium 上发表了一篇题为《A new kind of pooling layer for faster and sharper convergence》的文章，提出一种可实现更快更好收敛的新型池化层 sort_pool2d，表现优于最大池化层，同时解决了最大池化层无法使用来自多层激活函数信息的问题，以及反向传播只会提升最大池化的激活函数的问题。作者还给出了该池化层的代码实现。

ICLR 2018最佳论文AMSGrad能够取代Adam吗

在ICLR 2018最佳论文On the Convergence of Adam and Beyond（关于Adam的收敛性及其他）中，Google的Reddi等指出了Adam收敛性证明的缺陷，并提出了一个Adam算法的变体AMSGrad。论文通过一个合成任务和少量试验展示了AMSGrad的优势。然而，它仅仅使用了小型网络（MNIST上的单层MLP，CIFAR-10上的小型卷积网络），并且没有表明测试精确度（显然，比起交叉熵损失，我们更加关心精确度）。从训练和测试损失上看，他们在CIFAR-10上训练的卷积网络，比当前最先进的结果要差很多（我们并不知道精确度）。

02

作为AI产品经理，我们到底在优化什么？

用户体验与人工智能（AI）之间有什么样的关系？这种关系对产品经理而言又意味着什么？

03

调参心得：超参数优化之旅

只需采用正确的过程，为给定的预测任务找到顶尖的超参数配置并非难事。超参数优化主要有三种方法：手工、机器辅助、基于算法。本文主要关注机器辅助这一方法。本文将介绍我是如何优化超参数的，如何证实方法是有效的，理解为何起效。我把简单性作为主要原则。

01

Scikit-learn机器学习建模的万能模板！

【导读】大家好，我是泳鱼。一个乐于探索和分享AI知识的码农！今天的这篇文章带大家轻松get机器学习建模方法~

05

深度学习实战：4.通过scikit-learn模板两步构建自己的机器学习模型

最近看到一个实用的搭建机器算法的模板，与大家分享。只需要两步就能构建起自己的机器学习模型：

04

机器学习（二十四） ——从图像处理谈机器学习项目流程

机器学习（二十四）——从图像处理谈机器学习项目流程（原创内容，转载请注明来源，谢谢）一、概述这里简单讨论图像处理的机器学习过程，主要讨论的是机器学习的项目流程。采用的业务示例是OCR（photo optical character recognition，照片光学字符识别），通过一张照片，识别出上面所有带字符的内容。二、机器学习流水线对于一个业务项目，通常机器学习是其中一部分的内容，对于整个项目而言，相当于一个流水线(pipeline)。对于OCR，主要流水线为：1-获取照片->2-字符串

05

5种小型设备上深度学习推理的高效算法

【导读】文中为AI实践者和研究者们介绍了5种高效模型推断算法，希望这篇文章能够帮助大家更清楚地认识到，在我们所使用的深度学习库的背后，有多少优化正在被应用，从而在像移动电话等小型边缘设备上实现越来越多的实际应用。

02

【干货】不止准确率：为分类任务选择正确的机器学习度量指标（附代码实现）

【导读】本文是数据科学研究者William Koehrsen撰写的技术博文，介绍了在分类模型中需要用到的度量标准。我们知道，准确率是我们在分类任务中最常用到的度量指标，但是单纯的准确率并不能说明模型的

07

22 | 使用PyTorch完成医疗图像识别大项目：模型指标

今天又是相对轻松的一节。今天我们来研究一下评估模型的指标问题。前两节我们已经把模型训练完了，并且能够在TensorBoard上面查看我们的迭代效果。但是模型的效果实在是不如人意，哪怕我已经把全部的数据都加进去了，但是模型也只能学会把类别都归为非节点。

01

谷歌发布深度学习模型DeepVariant新版本：旨在提高基因组数据精确度

去年12月，谷歌发布了DeepVariant。这是一种深度学习模型，研究者训练它分析基因序列，使其准确地识别其中的差异，这种差异就是所谓的变体，它让我们每个人都作为独一无二的个体存在着。我们在最初的文章里主要关注的问题是，DeepVariant如何将识别变体（variant calling）作为图像分类问题来解决，并且得到结果能够比以前的方法更精确。

02

Percy Liang等人新研究：新必应等生成式搜索引擎可能没那么好用

生成式搜索引擎通过直接生成对输入查询的回应以及在线引用来满足用户的信息需求（如下图 1）。现有的生成式搜索引擎正在迅速获得用户，微软报告说 "大约三分之一的每日预览用户每天都在使用 Bing 聊天"，Bing 聊天在其公开预览的第一个月提供了 4500 万次聊天。

03

解读 | 如何用进化方法优化大规模图像分类神经网络？

机器之心原创作者：Angulia Chao 参与：Joni、侯韵楚、高振让机器具备生物一样的进化能力一直是计算机科学的一个热门研究领域，今年三月份，谷歌的多位研究者提出了一种图像分类器的大规模进化方法，机器之心也曾报道过这项研究，参阅：《深度 | 谷歌和 OpenAI 新研究：如何使用达尔文进化论辅助设计人工智能算法？》。研究发布之后，机器之心的技术分析师又对这项重要研究进行了更加深度细致的解读。论文：图像分类器的大规模进化（Large-Scale Evolution of Image Classi

提高mnist模型精确度

在学习深度学习这门课程中，各种模型指标有一个叫精确度，精确度的意思就是说在模型完成后，测试集的结果与真实值之间的占比程度。那么我们应该如何提高整个模型的精确度呢？我们都知道深度学习模型的建立在经过一些简单的配置，默认的参数，模型在一次训练只有较低的准确率，往往在多次训练后最高也不到85%。所以我们需要一些方式来提高精确度。

01

无人驾驶 | 剑桥大学深度学习系统助力无人驾驶取得新突破(附论文、视频)

汽车要实现真正的无人驾驶，它必须能够感知和识别周围的物体，并且要知道自己的确切位置。这两方面都是无人驾驶技术的核心。英国剑桥大学的一个团队利用图像识别和深度学习技术在这两个方面取得了一定的突破。他们

05

由人工智能参数讨论基于Bug的软件测试质量分析

上文和大家一起讨论了人工智能样本的评价参数：准确度、精准度、召回率和F1分数。这篇文章，我们结合这些参数来讨论基于Bug的软件测试质量分析。

01

如何实现基于商圈和地标的位置搜索

本文介绍了如何基于商圈和地标的位置搜索实现方法，包括多边形、矩形和圆形的划定方式以及地标搜索POI的方法。同时，本文还对比了三种方式的精确度、复杂度和灵活度，并建议在满足需求的前提下选择合适的方法。

00

JavaScript 浮点数之迷：0.1 + 0.2 为什么不等于 0.3？

“0.1 + 0.2 = ?” 这个问题，你要是问小学生，他也许会立马告诉你 0.3。但是在计算机的世界里就没有这么简单了，做为一名程序开发者在你面试时如果有人这样问你，小心陷阱喽！你可能在哪里见过

03

【机器学习】基于机器学习的分类算法对比实验

本论文旨在对常见的分类算法进行综合比较和评估，并探索它们在机器学习分类领域的应用。实验结果显示，随机森林模型在CIFAR-10数据集上的精确度为0.4654，CatBoost模型为0.4916，XGBoost模型为0.5425，LightGBM模型为0.5311，BP神经网络模型为0.4907，而经过100次迭代的深度学习模型达到了0.6308的精确度。相对于随机森林模型，CatBoost和XGBoost模型表现出更好的性能，而深度学习模型在CIFAR-10数据集上展现出卓越的性能。

01

【教程】简单教程：用Python解决简单的水果分类问题

在这篇文章中，我们将使用Python中最流行的机器学习工具scikit- learn,在Python中实现几种机器学习算法。使用简单的数据集来训练分类器区分不同类型的水果。这篇文章的目的是识别出最适合

05

一文让你了解AI产品的测试评价人工智能算法模型的几个重要指标

如何测试人工智能产品越来越受到广大测试工程师的关注，由于人工智能的测试预言（Test Oracle）不是像普通软件产品那么明确，到目前为止，基于大数据的第四代人工智能产品的测试，主要集中在“对大数据测试”“白盒测试”“基于样本分析算法的优劣”以及“对最终产品的验收测试”。“对大数据测试”主要针对数据阶段验证、对数据计算验证和对输出阶段验证；“白盒测试”主要考虑神经元覆盖（Neuron Coverage）、阈值覆盖率（Threshold Coverage）、符号变更率（Sign Change Coverage）、值变更覆盖率（Value Change Coverage）、符号-符号覆盖率（Sign-SignCoverage）和层覆盖（LayerCoverage）这六个指标；“对最终产品的验收测试”可以采用对传统软件验收测试的方法，基于业务来进行测试，比如对于人脸识别系统，是否可以在各个人脸角度变化，光线等条件下正确识别人脸。本文重点讨论的是“基于样本分析算法的优劣”。

02

软考高级架构师：性能评价方法概念和例题

性能评价是衡量计算机系统或其组件在指定条件下执行预期任务的有效性的一种方式。性能评价的方法主要可以分为几种，每种方法都有其特点和适用场景。

00

静息态fMRI+图论+机器学习实现阿尔兹海默症的高准确度诊断

阿尔兹海默症AD是痴呆中最为普遍的病症，约占痴呆病例的60-80%。AD的病理性标志是Aβ蛋白的沉积。近些年来，利用静息态fMRI对AD发病机制和影响标志物的研究发现AD患者许多脑区之间的功能连接如默认网络DMN出现异常。此外，图论方法可以通过计算全局和局部参数来表征脑网络的不同方面。这里，笔者为大家分享一篇发表在Clinical Neurophysiology杂志上的题目为《Identifying patients with Alzheimer’s disease using resting-state fMRI and graph theory》的研究论文，该论文利用静息态fMRI构建脑网络，计算脑网络的图论参数，以图论参数作为特征值，结合机器学习实现AD的100%准确率分类诊断。

00

业界 | 谷歌开源大规模神经网络模型高效训练库 GPipe

AI 科技评论按：谷歌前日在博客中宣布开源大规模神经网络模型高效训练库 GPipe，这是一款分布式机器学习库，可以让研究员在不调整超参数的情况下，部署更多的加速器以对大规模模型进行训练，有效扩展了模型性能。雷锋网 AI 科技评论对此进行编译如下。

03

业界 | 谷歌开源大规模神经网络模型高效训练库 GPipe

AI 科技评论按：谷歌昨日在博客中宣布开源大规模神经网络模型高效训练库 GPipe，这是一款分布式机器学习库，可以让研究员在不调整超参数的情况下，部署更多的加速器以对大规模模型进行训练，有效扩展了模型性能。雷锋网 AI 科技评论对此进行编译如下。

03

深度压缩网络 | 较大程度减少了网络参数存储问题

神经网络是计算密集型和内存密集型，很难使它们用有限的硬件资源去部署在嵌入式系统中。为了解决这种限制，本文引入“深度压缩”，一共有三个阶段的流水线：剪枝、量化和霍夫编码，它们一起工作去减少神经网络的存储问题，并在没有影响精确度的情况下压缩了35倍到49倍。最后在ImageNet数据集上的实验结果，将AlexNet压缩了35倍（从240MB压缩到6.9MB）并没有精确度损失；将VGG-16压缩了49倍（从552MB压缩到11.3MB），也没有精确度损失。训练主要步骤：剪枝神经网络，只学习重要的连接；量化

05

联合使用EEG电极和溯源空间特征实现精神分裂症的机器学习诊断

传统的精神分裂症（SZ）诊断往往采用问卷调查的方式进行，医生会依据一定的标准(如DSM-5)询问患者一系列问题，以此来判定患者是否符合SZ的标准。但是这种传统的诊断方式往往具有一定的主观性，如患者可能会隐藏或可以回避一些问题，使得诊断出现一定的偏差。因此，研究者一直致力于寻找客观、定量的方法来实现SZ的分类和诊断。研究者采用EEG/ERP技术发现，SZ患者在某些任务中的ERP成分、功能连接或某些频段的振荡活动等都会出现异常。一些研究者尝试把上述EEG的标志物与机器学习结合起来，实现SZ的诊断和分类。比如说，有研究者利用Oddball任务诱发的ERP成分的幅值作为特征值，实现了SZ高达79%的诊断正确率。但是，上述这些研究都是利用电极水平（sensor-level）的特征来进行分类，而利用溯源水平（source-level）特征来对SZ进行机器学习诊断的研究似乎还很少。本次，笔者在这里分享一篇题目为《Machine-learning-based diagnosis of schizophrenia using combined sensor-level and source-level EEG features》的研究论文，该论文发表于Schizophrenia Research杂志，其联合使用EEG电极和溯源空间特征实现精神分裂症的机器学习诊断。材料与方法 1.被试。从医院募集34个SZ患者和34个健康人，被试的临床资料如表1所示。

00

【机器学习 | 分类指标大全】全面解析分类评估指标：从准确率到AUC，多分类问题也不在话下，确定不来看看？

🙋‍♂️声明：本人目前大学就读于大二，研究兴趣方向人工智能&硬件（虽然硬件还没开始玩，但一直很感兴趣！希望大佬带带）

06

IJCAI Oral：弱监督实现精确目标检测，上交大提出协同学习框架

---- 新智元专栏作者：上海交通大学未来媒体网络协同创新中心【新智元导读】训练一个高准确率的检测模型需要大量精细标注的图片数据，其成本很高。本文提出了一种弱监督协同学习框架，仅使用粗略标签的图片训练目标检测模型，测试结果显示其定位精确率和检测准确率均显著优于目前最先进的方法。目标检测是机器视觉的基本问题，在视频监控、无人驾驶等场景都有广泛应用。随着深度学习的兴起，近年来涌现了大量优秀的目标检测模型。然而，训练一个高准确率的检测模型需要大量的以包围框形式精细标注的图片数据作为模型监督条件，需要

01

tf.metrics

精度函数创建两个局部变量total和count，用于计算预测与标签匹配的频率。这个频率最终作为精确度返回:一个幂等运算，简单地将total除以count。为了估计数据流上的度量，函数创建一个update_op操作，更新这些变量并返回精度。在内部，is_correct操作使用元素1.0计算张量，其中预测和标签的对应元素匹配，否则计算0.0。然后update_op用权值和is_correct乘积的约简和递增total，它用权值和的约简和递增count。如果权值为空，则权值默认为1。使用0的权重来屏蔽值。

02

必看，10篇定义计算机视觉未来的论文

导语：如果你没能参加 CVPR 2019 ，别担心。本文列出了会上人们最为关注的 10 篇论文，覆盖了 DeepFakes（人脸转换）, Facial Recognition（人脸识别）, Reconstruction（视频重建）等等。

05

温度对压力差压变送器精确度的影响

压力差压变送器的制造技术不断发展，产品的精确度已由上世纪六十年代的1%、0.5%提高到上世纪七八十年代的0.25%，在上世纪九十年代提高到0.1%、0.075%，近年来又提高到0.05%、0.025%。这个精确度指标通常是由变送器的制造厂商提供的，有的制造厂商称其为“参考精度”，原因在于这个精确度指标通常是在试验室恒温、恒湿及标准大气压条件下得到的，而在用户的实际生产现场，往往离试验室条件相差甚远，变送器的精确度是很难达到的，所以称为其“参考精度”可能更为合适。“参考精度”在实际使用时多半要打折扣，这个折扣有多大？怎么样才能不打或少打折扣？这是用户关心的。

02

TRICONEX PLM 3900N 第一个储存程序型计算机

TRICONEX PLM 3900N 第一个储存程序型计算机图片一些早期的电脑如马克一号并不支持任何"jump"指令，因些而限制了程序的复杂性。这理由很大程度上导致它们不被认为是严格意义上的CPU，尽管它们和存储程序计算机相似。^ 这里的描述事实上是一个简单的关于经典RISC流水线的介绍。它很大程度上没有考虑到CPU缓存的重要性，因而也少了对数据传输访问的介绍。如果想了解更多信息请查阅相关资料。^ 物理概念上的电压是一种模拟值，实际上可能的值可以有无限多种。为了物理上表达二进制数，我们把特定范围的电压的值

02

搞懂机器学习的常用评价指标！

我与评价指标的首次交锋是第一次实习面试时，面试官开头就问分类任务的评价指标。我当时TP,FP,FN,TN各种组合一顿上，回答得乱七八糟。后来经历多了，发现评价指标的确是面试的高频考点。

04

一个数字截取引发的精度问题（四）

这篇是精度问题的最后一篇，要是想看前面的，请看微信历史记录。做前端的都感觉JS这语言巨坑无比，兼容性让你摸不到头脑，甚至还会让你脱发。一些初学者遇到： 0.1 + 0.2 = 0.30000000000000004 都会觉得这JS太TM坑了，一个小数计算都不会。可是我想说，这"锅"JS不背！其实和JS采用的数值存储 IEEE754 规范有关，所有采用此规范的语言都会有此问题并不是JS的"锅"。 IEEE754 IEEE浮点数算术标准（IEEE 754）是最广泛使用的浮点数运算标准，为许多CPU与浮点运算器

谷歌大脑：使用强化学习，从头生成神经网络架构（论文）

【新智元导读】深度学习的成功，使业内范式开始从特征设计转向架构设计。Google Brain 研究人员使用强化学习，从头开始生成神经网络架构。【论文地址：https://arxiv.org/pdf/1

06

ACS Cent Sci｜机器学习辅助药物高通量筛选中的优先级识别

2024年3月15日，德国慕尼黑工业大学Davide Boldini等人，在ACS Central Science上发表文章Machine Learning Assisted Hit Prioritization for High Throughput Screening in Drug Discovery。

01

deeplab系列详解(简单实用年度总结)

方法：结合DCNNs和概率图模型，即DCNNs最后一层响应和条件随机场解决分割问题。

04

【机器学习 | 分类指标大全】全面解析分类评估指标：从准确率到AUC，多分类问题也不在话下，确定不来看看？

表示真正类（True Positive）的样本数，即被分类器正确预测为正类的样本数；

04

单单知道分类正确率是不够的，你可以使用更多的性能评估指标

当你为某个分类问题建立了一个模型时，一般来说你会关注该模型的所有预测结果中正确预测的占比情况。这个性能指标就是分类正确率。

08

采用手机拍照银行卡识别功能，实现移动支付快速绑定银行卡

受支付宝银行卡识别的启发，腾讯随后在微信、QQ中添加银行卡识别功能，通过技术上的创新提升用户支付的体验，均得到用户的肯定。为此，更多的行业用户希望在其业务系统中集成手机拍照银行卡识别功能，比如：证券公司为股民开户时需要绑定银行卡账号；保险公司为车险用户赔付时需要登记用户的银行卡账号，在线金融公司为提高客户体验度，也在使用银行卡识别。

04

温度不达标，“高精度”从哪里来？

做加工的，比起精度来是不会服输的，好似实现μm级加工精度是件很容易的事情。事实上，高精度加工是一个严谨的技术话题，而有不少人连温度对精度影响的常识都不明白就夸夸其谈精度，实在令人无语！这篇文章将给大家做一个较全面的科普。

02

数据处理基础（一）

《实验设计与数据处理》是于 2009 年 10 月由化学工业出版社出版的图书，作者是张成军。本书通过典型实例介绍了常用实验设计及实验数据处理方法在科学研究和工业生产中的实际应用。

01

R语言中敏感性和特异性、召回率和精确度作为选型标准的华夫图案例

精度和查全率源自信息检索，但也用于机器学习设置中。但是，在某些情况下，使用精度和查全率可能会出现问题。在这篇文章中，我将讨论召回率和精确度的缺点，并说明为什么敏感性和特异性通常更有用。

00

切削温度对加工精度的影响

数控编程、车铣复合、普车加工、Mastercam、行业前沿、机械视频，生产工艺、加工中心、模具、数控等前沿资讯在这里等你哦

01

宏基因组binning：MetaBAT

基于reads比对注释的物种binning可以获得宏基因组微生物群落的物种组成信息，但无法获得组成物种的基因组。要获得这些基因组数据，还需要基于不同基因组的特征对拼接的contigs进行binning。目前基于contigs binning的方法使用非常广泛，也已经开发了多种软件，其中最高引用次数的两款为MaxBin和MetaBAT。这两款软件均支持使用多样本拼接的contigs来提高binning的成功率，也即根据contigs在多个library中丰度的相关性（co-abundance pattern）来进行聚类。

03

《碟中谍5》的科幻场景变为现实，银河水滴要用步态识别实现身份认证

不知道看过《碟中谍5》的朋友对其中一个场景是否还有印象：阿汤哥的搭档在破解了指纹解锁、三重物理旋转密码锁挑战后，迎来了“步态识别锁”。这项挑战无疑是对生物体的身体及步态进行360度无死角扫描，用来判断和识别进入者的身份。作为压轴挑战，我们能够猜测出步态识别在身份认证方面是有一定的优势的。有资料显示，现有的生物特征包括生理特征及行为特征。生理特征包括人脸、指纹、DNA、虹膜以及静脉等等，行为特征包括语音、步态和笔迹等等，这些生物特征都具有普遍性、唯一性和稳定性，能够用于不同场景下的身份识别和认证。尽管人脸

07

一文读懂分类模型评估指标

模型评估是深度学习和机器学习中非常重要的一部分，用于衡量模型的性能和效果。本文将逐步分解混淆矩阵，准确性，精度，召回率和F1分数。

01

解析Valve的“Lighthouse”追踪系统技术

头部追踪是VR头显非常重要的技术指标，最传统的方法是使用惯性传感器，但惯性传感器只能追踪头部的转动，要想追踪头部的位移，需引入光学系统。Valve的Lighthouse追踪系统是目前较好的VR光学跟踪方案。 Lighthouse是基于一组传感器，能监测配套基站激光束的跟踪系统，为HTC Vive提供Room Scale房型虚拟现实体验，通过VR头显和控制器追踪定位空间。 Lighthouse追踪技术 Lighthouse由两个基站构成，每个基站里有一个红外LED阵列，两个转轴互相垂直的旋转的红外激光发射器。

07

优化Cube，除了剪枝还可以这么做

对于Cube的性能优化，除了使用对Cube剪枝外，还有其他的策略，比如及时清理没有用的Segment等，这篇文章就说说除了Cube剪枝外其他的Cube性能优化策略。

02

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