搜索[文档处理]结果-低调大师优秀个人博客

Python OpenCV 图像处理之图像直方图，取经之旅第 23 天

其中函数 ravel b = a.ravel() 功能：将多维数组降为一维数组格式：一维数组=多维数组.revel() bins：一般是 256，指[0, 255] 以上内容掌握之后，就可以处理图像的直方图了

2021-01-25

MySQL慢查询（中）：正确的处理姿势，你get到了吗？

发现了慢查询之后，关于如何定位问题发生原因，最常用的方法就是利用EXPLAIN关键字模拟查询优化器执行查询SQL，从而知道MySQL是如何处理你的查询SQL，通过执行计划来分析性能瓶颈。

2021-01-07

GaussDB(DWS)应用实践丨负载管理与作业排队处理方法

本文用来总结一些GaussDB(DWS)在实际应用过程中，可能出现的各种作业排队的情况，以及出现排队时，我们应该怎么去判断是否正常，调整一些参数，让资源分配与负载管理更符合当前的业务；或者在作业阻塞的时候，怎么去处理这些情况

2020-12-14

VSCode 现内存泄漏 BUG，官方处理方式引社区不满

本文标题：VSCode 现内存泄漏 BUG，官方处理方式引社区不满本文地址：https://www.oschina.net/news/121783/vscode-memory-leakage-issues

2020-11-30

如何在SQLServer中处理每天四亿三千万记录的

（实际上大部分是信息垃圾，可以通过数据压缩进行处理的，但是别人就是要搞你，能咋办）上面是项目要求的指标，我想很多有不少大数据处理经验的同学都会呲之以鼻，就这么点？

2020-11-27

详解,Http中(MPM)三种请求处理模式的比较

Http 中的三种请求处理模式(MPM)的比较 http 支持三种MPM 工作模式 : prefork , worker, enent prefork---多进程I/O模型，每个进程响应一个请求 Prefork

2020-10-31

技术选型：为什么批处理我们却选择了Flink

当前的业务逻辑还是比较清晰的：采集同一时段不同数据源的日志；对采集的数据进行处理；将处理后的数据上传到指定位置，供客户下载。

2020-10-28

Apache Flink Task执行之数据流处理流程源码分析

处理数据流的整个流程。

2020-10-04

构建在线教育弹性高可用视频处理架构实战

使用SaaS化的云服务完成视频处理随着各大云计算厂商产品线的不断丰富，我们可以很轻松的寻找到开箱即用的方案来解决这类典型的视频处理需求。

2020-09-10

移动音视频SDK工程实践之数据采集和处理

如图，系统框架层有iOS/Android的一些多媒体框架、硬件的编解码、硬件的处理能力如CPU、GPU、NPU的处理模块，以及一些开源图像库。

2020-07-31

Apache Commons Text 1.9 发布，处理字符串的算法库

Apache Commons Text 1.9发布了，Commons Text 是一个专注于处理字符串的算法库，它包含一组用于在 Java 环境中使用的处理文本的函数与可重用组件。

2020-07-25

未来大数据处理架构的主流模式：实时流计算

实时流计算技术是当前最前沿的大数据处理方式，并且代表了未来大数据处理架构的主流模式。其对系统的低延时、高并发、高吞吐、高可用、高可靠都带来极大的挑战。

2020-07-22

Ignite在集群内存空间不足时的处理方式

如果内存空间即将用完，Ignite可以水平扩展以存储应用和服务生成的更多数据，这是Ignite的基础功能之一，因此增加资源是最简单的处理方法。

2020-06-27

云栖号资讯：【点击查看更多行业资讯】在这里您可以找到不同行业的第一手的上云资讯，还在等什么，快来！俗话说得好，机器学习要想玩的溜，你可以不会写Python，但一定不能不会调库（大雾）。Numpy可以说是Python中最基础也是最重要的工具库了，要用Python做机器学习，玩转各种框架，Numpy是必须要会的。像是TensorFlow、pytorch这些知名框架都是基于Numpy进行计算的，可想而知它的重要性。 Numpy存在的必要性网上关于Numpy的介绍非常多，但说来说去无非是一个Python中数值计算的非常重要的基础包，可以用来很方便地做一些矩阵和大数据的运算。 Numpy是做什么的我们很好理解，但是我们可能更加好奇它更深层次的意义究竟是什么？关于这个问题我们从浅到深不停地追问，可以得到许多不同的答案。最浅层的回答很简单，Numpy很方便，计算速度快，可以很方便地进行矩阵运算。在Andrew的课程当中，他曾经演示过，同样的矩阵运算，如果我们通过Python中的循环实现速度会比调用Numpy慢上至少上百倍。这个差异显然是非常可怕的。但为什么Numpy会更快呢？我们追问下去，又会得到一个新的答案。因为Numpy包底层是通过C++实现的，显然C++运算比Python快得多，所以Numpy自然就更快了。难道Numpy就只是因为C++更快这么简单吗？这个问题已经超越了Numpy本身，我们需要从Python的特性来回答了。Python是一门解释型语言，也就是说当我们执行Python的时候，其实是执行了一个Python的解释器。由Python的解释器来解释执行Python的每一行代码。如果我们把解释器理解成虚拟机，把Python执行的代码理解成虚拟机当中的程序。如果我们虚拟机多开的话，是很难保证线程安全的。为了解决这个问题，Python设计了GIL机制，也就是全局解释器锁，它保证了同一时刻最多只有一个解释器线程在执行。这个机制保证了线程安全，但是也限制了Python多线程的使用。Python的多线程本质上是伪多线程，因为解释器只有一个线程在跑。所以如果我们想要通过多线程并发来加速计算的话，这是不可能的。而矩阵和向量的一些操作是可以通过多线程并发来加速计算的，而Python本身的特性导致了Python不能执行这样的操作。那么通过Python调用C++实现的计算库也就是唯一的选择了。实际上不仅是Numpy，几乎所有Python的计算库，都是通过Python调用其他语言实现的。Python本身只是最上层的调用方。理解了这点除了对于Python可以有更加清晰的认识之外，也有助于之后学习TensorFlow等其他框架。 Numpy中的n维数组 Numpy之所以好用，是因为我们可以通过Numpy很方便地创建高维的数组和矩阵。举个例子，比如在原生Python当中，当我们需要创建一个二维数组的时候，往往需要些很长的定义。比如我们想要一个10 * 10的数组：但是在Numpy当中就会很方便，只需要一行。第一行当中我们引入了numpy，为了编码方便，我们将它重新命名成了np。这个是业内惯用做法，几乎所有使用numpy的程序员都会这么重命名。在numpy当中，存储高维数组的对象叫做ndarray，与之对应的是存储矩阵的mat。其实这两者区别不大，支持矩阵的运算，ndarray基本上也都支持。我们有这么一个印象即可，关于mat内容我们会在之后介绍。我们创建除了ndarray之后，关于获取ndarray基本信息的api大概有下面四个。第一个是通过.ndim查看ndarray的维度，也就是查看这是一个几维的数组：第二个是通过.shape获取这个ndarray在各个维度的大小：第三个是通过.dtype获取这个ndarray中元素的类型：最后一个是tolist()方法，可以将一个ndarray转化成Python原生的list进行返回。 ndarray 那么我们怎么创建numpy中的ndarray呢？大概也有几种办法，首先，既然numpy中的ndarray可以转换成Python原生的list，同样Python中原生的list也可以转换成numpy中的ndarray。和转换变量类型的语法很像，我们通过np.array()转换即可。除了通过Python中原生的list转换，我们还可以根据自己的需要创建新的ndarray。numpy创建array的方法有很多，我们先来介绍一下其中比较基础的几种。创建出一个range np.arange可以生成一个序列，有些类似于Python中原生的range。不过它更加灵活，我们可以之传入一个整数，它会返回一个从0开始的序列：我们也可以指定首尾元素和间隔，numpy会自动帮我们生成一个等差序列：除此之外，numpy中还提供了ones和zeros两个api，可以生成全为0和全为1的元素。我们还可以使用eye或者是identity生成一个N*N的单位矩阵：除此之外，还有一个full的api可以指定shape和数值，用我们指定的数值填充出一个指定大小的数组来：但是这个api我们用的不多，因为我们可以用ones生成一个全为1的数组，然后乘上一个我们想要的值，就等价于full。另外，ones, zeros, full这几个api还有一个对应的like方法。所谓的like方法就是我们传入另外一个ndarray代替shape，numpy会根据这个ndarray的形状生成一个对应形状的新array。我们来看个例子吧，首先我们生成一个顺序的序列：然后我们通过zeros_like方法生成一个同样大小的全为0的矩阵：它其实等价于：其他几个like方法也大同小异，因为可替代性很强，所以我也用的不多。 numpy支持的类型 numpy支持的数据类型很多，除了常用的int和float之外，还支持复数类型的complex，某种程度上来说和golang支持的类型比较接近。其中int类型一共分为int8，int32，int64和int128，其中每一种又分为带符号的和不带符号的。例如int8就是带符号的8位二进制表示的int，而uint8则是不带符号位的。浮点数没有无符号浮点数，一共分为float16，float32，float64和flaot128。复数也有三种，分别是complex64，complex128和complex256。除此之外还有string_和object以及unicode_这三种类型。我们可以通过调用astype方法更改ndarray中所有变量的类型：除了人为转换之外，我们还可以在创建的时候通过dtype这个参数来表示我们想要创建的数据的类型，这样可以避免之后转换的麻烦。结尾这篇文章当中我们不仅介绍了Numpy的创建的方法，还聊了Python这门语言的一些特性。正是因为Python本身多线程的限制，导致它在需要高并发计算的场景下性能很差。才会需要通过Python去调用C++或者是其他语言的底层实现。这也是为什么Python经常被称为胶水语言的原因。 Numpy可以认为是Python进行机器学习的基础，当然除了Numpy之外，像是pandas、matplot以及scikit-learn等库也是必不可少的。我们会从Numpy开始，一点一点把这些常用的库都给大家分享一遍。【云栖号在线课堂】每天都有产品技术专家分享！课程地址：https://yqh.aliyun.com/live 立即加入社群，与专家面对面，及时了解课程最新动态！【云栖号在线课堂社群】https://c.tb.cn/F3.Z8gvnK 原文发布时间：2020-05-13本文作者：承志本文来自：“掘金”，了解相关信息可以关注“掘金”

2020-05-12

精选列表

Python OpenCV 图像处理之图像直方图，取经之旅第 23 天

MySQL慢查询（中）：正确的处理姿势，你get到了吗？

GaussDB(DWS)应用实践丨负载管理与作业排队处理方法

VSCode 现内存泄漏 BUG，官方处理方式引社区不满

如何在SQLServer中处理每天四亿三千万记录的

详解,Http中(MPM)三种请求处理模式的比较

技术选型：为什么批处理我们却选择了Flink

Apache Flink Task执行之数据流处理流程源码分析

构建在线教育弹性高可用视频处理架构实战

移动音视频SDK工程实践之数据采集和处理

Apache Commons Text 1.9 发布，处理字符串的算法库

未来大数据处理架构的主流模式：实时流计算

Ignite在集群内存空间不足时的处理方式

手把手教你学Numpy，从此处理数据不再慌

每日一博｜Spring Boot 中的异常处理与参数校验

定时和延时问题在业务场景中的常见处理

NullPointerException的处理新方式，Java14真的太香了

使用错误代码对象进行C++错误处理

RestFul API 统一格式返回 + 全局异常处理

NVIDIA 推出了适用于 Python 的开源视频处理框架

资源下载

Mario

腾讯云软件源

Spring

WebStorm

欢迎您来访！