【TVM教程】使用自定义调度规则(Sketch Rule)在 CPU 上自动调度稀疏矩阵乘法

ASM 版本矩阵与 JDK 差异:ASM9 读到 JDK 21 类会发生什么 ASM 里有两个同名不同义的「版本」:ASM API 版本和 class 文件版本。前者低了报。 阅读详情

Apache TVM是一个深度的深度学习编译框架,适用于 CPU、GPU 和各种机器学习加速芯片。更多 TVM 中文文档可访问 →https://tvm.hyper.ai/

作者:Chengfan Jia

本文介绍如何用 auto-scheduler 来调优 CPU 的稀疏矩阵乘法。

auto-scheduler 旨在自动探索给定计算声明的最佳性能调度。有时需要尝试一些特殊的操作,auto-scheduler 的默认调度规则(Sketch Rule)可能不能很好的支持这些操作,会导致性能不佳。auto-scheduler 目前允许用户提供一个 CustomSketch 来覆盖这些情况。

本教程使用稀疏矩阵乘法作为示例,演示如何实现自定义调度规则,并将其插入 auto-scheduler 的搜索策略。

注意,本教程无法在 Windows 或最新版本的 macOS 上运行。如需运行,请将本教程的主体放在 if __name__ == "__main__": 代码块中。

import os
import numpy as np

import tvm
import tvm.testing
from tvm import te, auto_scheduler, runtime, topi
from tvm.auto_scheduler import _ffi_api
from tvm.topi.utils import get_const_tuple
from tvm.topi.sparse.utils import random_bsr_matrix

定义计算​

首先用几个 relu 和 bias 相加来定义一个稀疏 matmul 的计算,该函数返回输入/输出张量列表,auto-scheduler 可以从这些张量中得到整个计算图。

@auto_scheduler.register_workload
def sparse_dense(M, N, K, w_data_shape, w_indices_shape, w_indptr_shape, dtype):
    X = te.placeholder(shape=(M, K), dtype=dtype)
    W_data = te.placeholder(shape=w_data_shape, dtype=dtype)
    W_indices = te.placeholder(shape=w_indices_shape, dtype="int32")
    W_indptr = te.placeholder(shape=w_indptr_shape, dtype="int32")
    B = te.placeholder(shape=(M, N), dtype=dtype)

    out = topi.nn.sparse_dense(topi.nn.relu(X), W_data, W_indices, W_indptr)
    out = te.compute((M, N), lambda i, j: out[i, j] + B[i, j], name="BiasAdd")
    out = topi.nn.relu(out)

 return [X, W_data, W_indices, W_indptr, B, out]

稀疏工作负载(sparse workload)的特殊步骤​

在调度调优期间,auto-scheduler 使用随机输入来测试生成的调度的性能。虽然不能直接使用随机数组作为稀疏运算的输入,但「indices」和「indptr」数组对于计算很有用。

为解决这个问题,将它们注册为特殊的 buffer,然后在测试程序时加载。更多详细信息,参阅 tvm.auto_scheduler.measure.py 。

# 定义稀疏计算的基本 shape
M = 128
K = 256
N = 512
BS_R = 16
BS_C = 1
density = 0.6

# 用 numpy 生成测试数据
X_np = np.random.randn(M, K).astype("float32")
X_np = np.maximum(np.zeros((M, K), dtype="float32"), X_np) # Relu
W_sp_np = random_bsr_matrix(N, K, BS_R, BS_C, density=density, dtype="float32")
W_np = W_sp_np.todense()
Y_np = X_np @ W_np.T  # 处理矩阵乘法
B_np = np.random.randn(M, N).astype("float32")
Y_np = Y_np + B_np  # Bias add
Y_np = np.maximum(np.zeros((M, N), dtype="float32"), Y_np) # Relu

创建搜索任务​

接下来创建一个搜索任务 M=N=K=512,dtype=「float32」。如果你的机器支持 avx 指令,你可以:

  • 将下面的「llvm」替换为「llvm -mcpu=core-avx2」来启用 AVX2
  • 将下面的「llvm」替换为「llvm -mcpu=skylake-avx512」来启用 AVX-512
target = tvm.target.Target("llvm")

# 将稀疏数据注册到任务输入
prefix = "sparse_dense_bsr_%d_%d_%d_%d_%d_%d_" % (
    N,
    K,
    BS_R,
    BS_C,
    W_sp_np.indices.shape[0],
    W_sp_np.indptr.shape[0],
)
task = tvm.auto_scheduler.SearchTask(
    func=sparse_dense,
    args=(M, N, K, W_sp_np.data.shape, W_sp_np.indices.shape, W_sp_np.indptr.shape, "float32"),
    target=target,
    task_inputs={
        prefix + "W_data": runtime.ndarray.array(W_sp_np.data),
        prefix + "W_indices": runtime.ndarray.array(W_sp_np.indices),
        prefix + "W_indptr": runtime.ndarray.array(W_sp_np.indptr),
 },
    task_inputs_save_to_file=True,
)

# 检查计算图
print("Computational DAG:")
print(task.compute_dag)

输出结果:

Computational DAG:
placeholder = PLACEHOLDER [33]
placeholder = PLACEHOLDER [4916, 16, 1]
placeholder = PLACEHOLDER [4916]
placeholder = PLACEHOLDER [128, 256]
compute(i0, i1) = max(placeholder[i0, i1], 0f)
compute(i, nb_j, j) += (placeholder[(placeholder[nb_j] + elem_idx), j, c]*compute[i, (placeholder[(placeholder[nb_j] + elem_idx)] + c)])
compute(m, n) = compute[m, floordiv(n, 16), floormod(n, 16)]
placeholder = PLACEHOLDER [128, 512]
BiasAdd(i, j) = (compute[i, j] + placeholder[i, j])
compute(i0, i1) = max(BiasAdd[i0, i1], 0f)

为稀疏密集算子(sparse dense op)编写自定义草图(sketch)​

在调优之前,需要为稀疏密集操作定义 CustomSketchRule。

CustomSketchRule 由两部分组成:条件函数和应用函数。

  • 条件函数:描述应用此调度规则的时间。例如,通过匹配名称和标签将规则应用于稀疏操作。
  • 应用函数:描述生成初始草图的方式。可以用 auto-scheduler 提供的循环状态 API 来实现。
def meet_condition_func(search_policy, state, stage_id):
    state = auto_scheduler.loop_state.State(state, search_policy.search_task.compute_dag)
 if state.stages[stage_id].op.tag in [
 "sparse_dense_sp_rhs_bsrmm",
 "sparse_dense_sp_rhs_bsrmm_block",
 ]:
 return auto_scheduler.PreloadCustomSketchRule.APPLY_AND_SKIP_REST
 else:
 return auto_scheduler.PreloadCustomSketchRule.PASS

def apply_func(search_policy, state, stage_id):
    ret = []
    s0 = auto_scheduler.loop_state.State(state, search_policy.search_task.compute_dag)
 if s0.stages[stage_id].op.tag == "sparse_dense_sp_rhs_bsrmm_block":
 return [s0.state_object, stage_id - 1]

    sparse_dense = s0.stages[stage_id].op
    sparse_dense_block = s0.stages[stage_id - 1].op
 assert sparse_dense.tag == "sparse_dense_sp_rhs_bsrmm"
 assert sparse_dense_block.tag == "sparse_dense_sp_rhs_bsrmm_block"

 # 设置计算块的默认消费者
    consumer = sparse_dense

 # 若稀疏密集有单个元素消费者
 # 可以计算内联稀疏密集输出阶段
    consumers = _ffi_api.SearchPolicyUtilsGetConsumers(
        search_policy.search_task, s0.state_object, stage_id
 )
 if len(consumers) == 1:
        consumer_id = int(consumers.items()[0][0])
 if _ffi_api.SearchPolicyUtilsIsElementwiseMatch(
            search_policy.search_task, s0.state_object, stage_id, consumer_id
 ):
            consumer = s0.stages[consumer_id].op
            s0.compute_inline(sparse_dense)

    i, nb_j, j, row_offset, c = s0[sparse_dense_block].iters
    m, n = s0[consumer].iters
    i0, i1, i2 = s0.split(sparse_dense_block, i, [None, None])
    m0, m1 = s0.follow_split(consumer, m, len(s0.transform_steps) - 1, 1)
    j0, j1 = s0.split(sparse_dense_block, nb_j, [None])
    n0, n1 = s0.follow_split(consumer, n, len(s0.transform_steps) - 1, 1)
    s0.reorder(sparse_dense_block, [i0, j0, i1, j1, row_offset, i2, j, c])
    s0.reorder(consumer, [m0, n0, m1, n1])
    s0.compute_at(sparse_dense_block, consumer, n0)

    ret.append([s0.state_object, stage_id - 2])

 return ret

接下来,为插入自定义草图的 auto-scheduler 设置参数。

  • num_measure_trials 是搜索过程中可以使用的测试次数(根据自己的时间预算调整这个参数),为快速演示,本教程只进行了 10 次试验。在实践中,推荐使用 1000 以得到收敛结果。
  • 此外,使用 RecordToFile 将测试记录转储到 sparse_dense.json 文件中,测试记录可用于查询历史最佳、恢复搜索以及以后进行更多分析。
  • 有关更多参数,参见 auto_scheduler.TuningOptions
  • 接下来创建一个 auto_scheduler.SketchPolicy 对象,并将自定义调度规则添加为 init_search_callbacks。
log_file = "sparse_dense.json"
tune_option = auto_scheduler.TuningOptions(
    num_measure_trials=10,
    measure_callbacks=[auto_scheduler.RecordToFile(log_file)],
    verbose=2,
)

search_policy = auto_scheduler.SketchPolicy(
    task,
    program_cost_model=auto_scheduler.XGBModel(),
    init_search_callbacks=[
        auto_scheduler.PreloadCustomSketchRule(meet_condition_func, apply_func, "SparseDense")
 ],
)

运行搜索​

现在已经准备好所有的输入。接下来开始搜索,经过一些测试后,可以从日志文件中加载最佳调度并应用。

def tune_and_evaluate(tune_option, search_policy):
 # 运行自动调优(搜索)
  task.tune(tune_option, search_policy)

 # 应用最佳 schedule
  sch, args = task.apply_best(log_file)

 # 自动调度后对 schedule 降级,来查看 IR。auto-scheduler 正确执行优化,包括多级平铺、布局
 # 转换、并行化、向量化、展开和算子融合。
 print("Lowered TIR:")
 print(tvm.lower(sch, args, simple_mode=True))

 # 检查正确性并评估性能

 # 构建二进制文件,并检查其正确性和性能。

  func = tvm.build(sch, args, target)

  dev = tvm.cpu()

  X_tvm = tvm.nd.array(X_np, device=dev)
  W_data_tvm = tvm.nd.array(W_sp_np.data, device=dev)
  W_indices_tvm = tvm.nd.array(W_sp_np.indices, device=dev)
  W_indptr_tvm = tvm.nd.array(W_sp_np.indptr, device=dev)
  B_tvm = tvm.nd.array(B_np, device=dev)
  Y_tvm = tvm.nd.empty(Y_np.shape, device=dev)

 # 检查结果
  tvm.testing.assert_allclose(Y_np, Y_tvm.numpy(), atol=1e-4, rtol=1e-4)

 # 评估执行时间。
  evaluator = func.time_evaluator(func.entry_name, dev, min_repeat_ms=500)
 print(
 "Execution time of this operator: %.3f ms"
 % (
      np.median(
        evaluator(X_tvm, W_data_tvm, W_indices_tvm, W_indptr_tvm, B_tvm, Y_tvm).results
 )
 * 1000
 )
 )

# 注意: 我们不在服务器上运行调优,因为太花时间,
# 去掉下行注释自行运行
# tune_and_evaluate(tune_option, search_policy)

备注
调优结果示例

Lowered TIR:
primfn(placeholder_5: handle, placeholder_6: handle, placeholder_7: handle, placeholder_8: handle, placeholder_9: handle, compute_1: handle) -> ()
attr = {“global_symbol”: “main”, “tir.noalias”: True}
buffers = {placeholder_2: Buffer(placeholder_10: Pointer(float32), float32, [9831, 16, 1], []),
placeholder_4: Buffer(placeholder_11: Pointer(int32), int32, [33], []),
placeholder_3: Buffer(placeholder_12: Pointer(float32), float32, [512, 512], []),
compute: Buffer(compute_2: Pointer(float32), float32, [512, 512], []),
placeholder_1: Buffer(placeholder_13: Pointer(float32), float32, [512, 512], []),
placeholder: Buffer(placeholder_14: Pointer(int32), int32, [9831], [])}
buffer_map = {placeholder_7: placeholder, placeholder_9: placeholder_1, placeholder_6: placeholder_2, compute_1: compute, placeholder_5: placeholder_3, placeholder_8: placeholder_4} {
for (i0.outer.i1.outer.fused: int32, 0, 1024) “parallel” {
attr [compute_3: Pointer(float32)] “storage_scope” = “global”;
allocate(compute_3, float32, [256]) {
for (nb_j.inner: int32, 0, 2) {
for (i.inner.init: int32, 0, 8) {
for (j.init: int32, 0, 16) {
compute_3[(((i.inner.init32) + (nb_j.inner16)) + j.init)] = 0f32
}
}
for (elem_idx: int32, 0, ((int32*)placeholder_11[(((floormod(i0.outer.i1.outer.fused, 16)2) + nb_j.inner) + 1)] - (int32)placeholder_11[((floormod(i0.outer.i1.outer.fused, 16)2) + nb_j.inner)])) {
for (i.inner: int32, 0, 8) {
for (j: int32, 0, 16) {
compute_3[(((i.inner
32) + (nb_j.inner16)) + j)] = ((float32)compute_3[(((i.inner32) + (nb_j.inner16)) + j)] + ((float32*)placeholder_10[((((int32*)placeholder_11[((floormod(i0.outer.i1.outer.fused, 16)2) + nb_j.inner)]16) + (elem_idx16)) + j)]max((float32)placeholder_12[(((floordiv(i0.outer.i1.outer.fused, 16)4096) + (i.inner512)) + (int32)placeholder_14[((int32*)placeholder_11[((floormod(i0.outer.i1.outer.fused, 16)2) + nb_j.inner)] + elem_idx)])], 0f32)))
}
}
}
}
for (i0.inner: int32, 0, 8) {
compute_2[ramp((((floordiv(i0.outer.i1.outer.fused, 16)4096) + (i0.inner512)) + (floormod(i0.outer.i1.outer.fused, 16)32)), 1, 32)] = max(((float32x32)compute_3[ramp((i0.inner
32), 1, 32)] + (float32x32*)placeholder_13[ramp((((floordiv(i0.outer.i1.outer.fused, 16)4096) + (i0.inner512)) + (floormod(i0.outer.i1.outer.fused, 16)*32)), 1, 32)]), broadcast(0f32, 32))
}
}
}
}

下载 Python 源代码:tune_sparse_x86.py
下载 Jupyter Notebook:tune_sparse_x86.ipynb

sketch-assistant-core-rules:包含官方核心规则的Sketch Assistant 此仓库已移至 立即下载

相关推荐

带标尺网格的拖拽设计页面

带网格的拖拽特效。并且有标尺。类似于ps的的标尺。标尺插件用的ruler。

关于可以移动的标尺vue3-sketch-ruler

【代码】关于可以移动的标尺vue3-sketch-ruler。

weixin_45685394的博客 4235

Sketch-Constraints::straight_ruler:一个插件,该插件在Sketch中集成了约束以布置图层

:straight_ruler: 草图约束 Sketch Constraints是一个插件,它在Sketch中集成了约束以布置图层。 这些约束相对于父级(组或画板)而言。 用法 编辑约束⌘ + E 更新版面⌘ + L 例子 安装 使用Sketch Runner 使用Sketch Runner,只需转到install命令并搜索Sketch Constraints 。 Runner允许您管理插件,并可以做更多的事情来加快Sketch中的工作流程。 。 手动地 确保您已安装最新版本的Sketch。 (素描40岁以上) 下载此存储库的ZIP文件 双击Sketch Constraints.sketchplugin 笔记 约束与其他层无关,而与父层无关。 Update Layout更新当前页面的每个画板。 调整组的大小时,所有子层的大小都会被调整。 如果希望子图层保持其大小,请检查Width和/或Hei

vue 按钮根据状态切换_一个vue实现的标尺插件 - vue-sketch-ruler

简介具备以下功能,start过50+才考虑添加额外的功能 ... (开源不容易啊)该插件支持通过点击标尺,添加参考线该插件支持通过鼠标悬浮参考线顶部或左部,显示移除按钮,或直接拖出边界外部该插件支持显示或隐藏参考线该插件支持标尺响应视图的缩放该插件支持显示或隐藏线标尺吐槽也是奇怪,这个这么好看且实用的插件,竟然只有20+star,不能忍 ... 因为该插件也用在了可视化大屏编辑器上,所以也纳入了可...

weixin_36457551的博客 6944

浙江大学Fast-Lab从0制作自主空中机器人公开课教程补充及部分注意事项(适用于ubuntu系统和ROS零基础)

浙江大学Fast-Lab从0制作自主空中机器人公开课纯萌新补充(适用于从没接触过ubuntu系统),记录了一些自己不会的地方以及踩过的坑

qq_39986834的博客 2987

【可穿戴算法开发】-PPG信号检测方法

文章目录一、PPG(光电容积脉搏波法)信号的检测原理二.PPG技术目前存在的问题(挑战)三. **心电信号产生的原理** 随着经济的发展,在人们生活水平提高的同时,高脂肪摄入和低运动量成为了人们普遍的生活模式,近年来高血压、高血脂已经发展为危险性最高的病症。心电、血压、血氧等生理参数是预防和分析心血管疾病的重要生理参数。 常用的心电测量仪器有:多导ECG心电图仪、PPG心率检测器、心率带等; 常...

wxq_1993的博客 2万+

sketch设计不得不知道的五个高级功能

在以前的PS时代,拉伸是属于破坏性的一种操作,我们在遇到样式一样、宽度不一样的组件时,只能重新建立一个新组件,这就造成了样式重复。其实Library可以简单地理解为一个UI规范,这个UI规范定义了项目的颜色、文字、图标以及各种组件,我们在设计的同时需要严格遵守和调用,这样才能保证一个项目具有一个完整的、统一的视觉语言。Sketch 是为图标设计和界面设计而生的。举个例子,一个图标需要不同的状态颜色,按照传统的做法,我们需要制作图标1、图标2、图标3等Symbol,这样会造成组件的重复,维护起来非常不方便。.

励志做最业余的专业博主,控件产品可以私我~ 889

使用Docker搭建MaxKB智能体平台

【代码】使用Docker搭建MaxKB智能体平台。

janthinasnail的博客 711

【亲测免费】 vue-sketch-ruler 安装和配置指南

`vue-sketch-ruler` 是一个用 Vue 组件实现的素描标尺工具。它允许开发者在设计或开发过程中使用标尺来精确测量和定位元素。该项目的主要编程语言是 JavaScript,并且使用了 Vue.js 框架来构建用户界面。 ## 2. 项目使用的关键技术和框架 - **Vue.js**: 一个用于构建用户界面的渐进式 JavaScript 框架。 - **JavaScript**: ...

gitblog_07188的博客 1186

Unity资源提取实战指南:工具、工程与效率三维框架

Unity资源提取是游戏维护、外包接手和逆向分析中的基础技术动作,其本质是理解Unity序列化机制与资源加载流程。核心原理在于解析SerializedFile结构、TypeTree类型树及Addressables/AssetBundle双轨架构;技术价值体现在打破加密/压缩/混淆导致的资源不可见性,支撑美术还原、性能优化与项目交接;典型应用场景包括老项目资产抢救、AR仿真数据导出、手游换皮资源复用等。本文聚焦Unity 2019.4+现代管线,深度融合AssetRipper内存注入与三层穿透法,提供可复用的

weixin_30699955的博客 319

CKA-CN考试之路----15

这题和前面的那题类似.他让kube-scheduler必须满足4个CPU,我们刚才也看了,单个节点只有2个CPU。编辑/etc/kubernetes/manifests/kube-scheduler.yaml看下。根据报错信息来看 https://11.0.1.111:6443/api?查看etcd状态,是正常的.并且对本机的2379和11.0.1.111的2379监听。这里我们改成了剩余可用的10%,保存退出后可以看到。第一次退出root用户,第二次退回到初始节点。

Q先生 215

Vue-Sketch-Ruler:在Vue中打造Sketch般的精美标尺组件

Vue-Sketch-Ruler 是一个创新的Vue.js插件,它旨在为你的应用添加一款类似Sketch的设计软件风格的标尺组件。这个小巧但功能强大的库让你可以在Web前端实现专业级的设计工具体验,为设计师和开发者提供了一种优雅的方式来辅助布局和测量。 ## 项目技术分析 Vue-Sketch-Ruler 拥有以下核心特性: - **动态渲染**:支持缩放和滚动时的标尺更新,确保无论何时何地

gitblog_00028的博客 538

【异常】OpenClaw认证 Please carry the API secret key in the ‘Authorization‘ field of the request header

OpenClaw助手Agent因401认证异常导致业务中断的排查方案。该异常由大模型API鉴权全量失败触发,主要根因包括API凭证配置错误、密钥过期、账号权限不足或请求格式不规范。解决方案分四级:优先校验并修正API密钥;排查账号状态与调用权限;检查请求格式规范;最后排查网络或服务商问题。建议建立密钥生命周期管理机制,定期监控额度,使用专用API密钥以规避类似问题。该异常属于凭证配置类故障,不影响系统稳定性。

奶爸的编程之路,也就一周冷个三天 465

【亲测免费】 推荐一款Vue.js的创新画布标尺组件——vue-sketch-ruler

**项目简介** 在数字设计领域,准确的测量工具是至关重要的。今天,我们向您推荐一款基于Vue.js框架的创新性插件——vue-sketch-ruler,它旨在为您的项目提供类似Sketch的设计软件中的画布标尺功能。通过这个库,您可以轻松地在Web应用中集成专业级的视觉参考系统,提升用户体验。 ![NPM Version][npm-badge] ![License][license-badg...

gitblog_00154的博客 1707

《UDS协议从入门到精通》系列——图解0x22:通过ID读数据

如何向车辆ECU通过DID写入数据?有哪些注意事项?图解+示例带你快速上手0x22服务!!

车载系统攻城狮 8715

【ESP32使用MAX98357播放音频】

在物联网和智能家居领域,音频播放功能越来越受到重视。ESP32作为一款功能强大的微控制器,结合MAX98357音频放大器模块,可以实现高品质的音频播放。本文将详细介绍如何使用ESP32的I2S接口通过MAX98357进行音频播放。

vor234的博客 7535

怎么把vue 的lang设为zh_一个vue实现的标尺插件 - vue-sketch-ruler

简介具备以下功能,start过50+才考虑添加额外的功能 ... (开源不容易啊)该插件支持通过点击标尺,添加参考线该插件支持通过鼠标悬浮参考线顶部或左部,显示移除按钮,或直接拖出边界外部该插件支持显示或隐藏参考线该插件支持标尺响应视图的缩放该插件支持显示或隐藏线标尺吐槽也是奇怪,这个这么好看且实用的插件,竟然只有20+star,不能忍 ... 因为该插件也用在了可视化大屏编辑器上,所以也纳入了可...

weixin_42261068的博客 1335

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

【亲测免费】 vue-sketch-ruler 项目常见问题解决方案

`vue-sketch-ruler` 是一个基于 Vue.js 的开源项目,旨在提供一个类似于素描的标尺工具。该项目的主要编程语言是 JavaScript,并且使用了 Vue.js 框架来构建组件。通过这个项目,开发者可以在 Vue.js 应用中轻松集成一个标尺工具,用于测量和布局。 ## 新手使用注意事项及解决方案 ### 1. 安装问题 **问题描述**:新手在安装 `vue-sketc...

gitblog_07381的博客 787

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

vue-sketch-ruler 使用与搭建教程

`vue-sketch-ruler` 是一个基于Vue的素描风格标尺组件。下面列出了其主要的目录结构及其内容说明: ``` vue-sketch-ruler/ ├── build # 构建相关文件 │ ├── build.js # 打包脚本 │ └── utils.js # 构建工具函数 ├── doc...

gitblog_00088的博客 761

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

vue-draggable-resizable 的基本使用模式(极简模型)

<vue-draggable-resizable @activated = "onActivated({index: index, index2: index2})" @dragging = "onDrag" @resizing = "onResize" @dragstop = "onDragStop({index: index, index2: index2})" @resiz...

aithena的博客 2598

python题目练习23-同行列对角线的格// 计算矩阵边缘元素之和//计算鞍点

以上代码可供大家参考,如果大家有更好的方法也可以分享出来哈。

2201_76061075的博客 250

多人协作运营矩阵,怎么管控环境不串号?

团队账号矩阵运营中,串号问题源于多人共用设备导致的环境数据交叉。中屹指纹浏览器通过“一号一环境”实现底层隔离,结合权限分级管理与标准化SOP流程,确保账号独立、操作可追溯。配套日志留痕与定期巡检机制,有效防范人为失误与权限滥用,构建安全可控的协作体系,是多账号矩阵高效运营的核心解决方案。

siyetianp的博客 329

蓝桥杯·全国青少年信息素养大赛·电子学会软件编程考级:二维前缀和(子矩阵快速求和)解析

在软件赛(C/C++·Python 程序设计)、全国青少年信息素养大赛算法应用主题赛,以及中国电子学会软件编程(C/C++、Python)等级考试的真题里,矩阵、网格统计类题目几乎年年出现:给你一张成绩单矩阵,反复询问「某一块矩形区域的总分是多少」。如果每次询问都暴力求和,数据一大就超时;而能用一次预处理,把任意子矩阵的求和压到。本文用一道原创题讲透它的原理、代码(C++ / Python 双版)、七个易错点和进阶变形。

IT_Scratch的博客 250

随机 矩阵

这里的震撼之处在于:它不是"越弱越难检测"的渐进困难,而是一个离散的、有一刀之隔的相变——低于阈值,信号在谱里实际上是"消失"的,你从观测数据里根本拿不到它;越过阈值,它就清晰可见。取一个纯粹随机的、元素独立同分布的矩阵,在行数与列数同时趋向无穷、且它们的比值收敛到一个固定常数的极限情形下,这个矩阵的样本协方差矩阵的特征值,会收敛到一个确定的概率分布:它落在一个由该行列比决定的、有明确上下界的区间内,密度函数形状极其具体(像一条边缘被截断的抛物型曲线),而且它有一个关键性质——所有特征值都被。

2602_95606446的博客 193

OpenCV 5.1.0正式发布:核心矩阵、图像处理、DNN推理全面升级,性能与稳定性大幅增强

与此同时,OpenCV 5.1.0 还在 AVX-512、NEON、RISC-V RVV、IPP、OpenCL、CUDA、ArmPL 等多个后端持续优化,并对大量精度、内存、越界、异常输入和跨平台问题进行了修复。DNN 模块则完成新引擎统一,强化了 CUDA、cuDNN JIT、ONNX、TFLite、注意力机制、KV 缓存和量化推理能力。另一方面在 SIMD、AVX-512、RISC-V RVV、CUDA、OpenCL、IPP、ArmPL 等后端上进行了大量性能优化。DNN 模块迎来重要架构调整。

福大大架构师每日一题 849

AI自媒体矩阵管理软件有哪些及如何实现多平台内容创作与发布自动化

本文探讨AI自媒体矩阵管理软件的核心能力模块与技术实现逻辑。软件通常包含内容生成、风格约束、渠道分发与效果监测四大模块,依赖结构化品牌资料、明确创作规则与任务计划三大前置条件,实现多平台内容自动化生产与发布。技术链路涵盖账号授权、格式适配、调度执行与结果回传,需确保权限有效、规则清晰、数据可查。监测数据应作为反馈闭环的观察依据,而非单一结论。选型关键在于链路闭合性与可排查性,而非功能数量。使用中需注意:自动化不等于无人值守,生成内容须人工复核,监测波动需结合多因素判断,数据对接常需自行开发。

2603_96364115的博客 170
上一篇: 蛋白质突变工程 AI 模型评测新基准,上海交大洪亮教授团队发布 VenusMutHub
下一篇: 股价止跌失败,黄仁勋透露Blackwell Ultra和Vera Rubin上市时间,推理能力成重点
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值