不要再把 pp 写出 % 了。

·
收录于
当前文章被以下社区和专栏收录：
标签
#机器学习
#算法
#人工智能
#算法导论
#python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
从Rust到PP：深入解析rosu-pp如何实现osu!的PP计算
本文深入解析了开源库rosu-pp如何用Rust语言实现音游osu!的PP（Performance Points）计算系统。文章拆解了从谱面难度分析到最终表现分计算的全过程，核心在于将玩家表现拆解为瞄准（Aim）和连打（Speed）等技能，并通过应变值（Strain）模型进行量化。rosu-pp的工程实现巧妙平衡了性能与精度，是理解游戏评分算法和Rust实战的优秀案例。
阅读详情
相关推荐
基于PP-PicoDet的【PP吸烟视频分析预警系统】yolov5
PP视频分析预警系统【吸烟检测】，区域内一旦检测到人员吸烟，系统立即触发报警，提醒管理人员处理。有效提高监管效率，减少安全隐患。广泛应用于仓库、公园、加油站、厨房、森林、商场等一系列禁烟场所、防火防爆场所。PaddleDetection中提出了全新的轻量级系列模型PP-PicoDet，在移动端具有卓越的性能，成为全新SOTA轻量级模型。详细的技术细节可以参考我们的arXiv技术报告。🌟 更高的mAP: 第一个在1M参数量之内超越30+(输入416像素时)。
斌擎科技
940
统计--------同比、环比、PV、UV、VV、IP
同比、环比
同比增长率=（本期数－同期数）÷同期数×100%
环比增长速度=（本期数－上期数）÷上期数×100%
同比发展速度，一般指是指本期发展水平与上年同期发展水平对比，而达到的相对发展速度。
环比发展速度，一般是指报告期水平与前一时期水平之比，表明现象逐期的发展速度。
PV、UV、VV、IP
1、PV即PageView，网站浏览量，指页面的浏览次数，用以衡量网站用户访问的网页数量。用户每打开...
heqiang2015的博客
7189
全志T133-s3（Tina Linux）下RTL8723DS WiFi驱动移植与调试实战
本文详细介绍了在全志T133-s3平台（Tina Linux）上移植RTL8723DS WiFi驱动的完整流程，包括硬件连接、驱动源码获取、内核配置、系统适配、设备树配置以及常见问题排查。通过实战案例，帮助开发者快速解决SDIO接口通信、固件加载、电源管理等关键问题，实现稳定的WiFi功能。
weixin_30505225的博客
495
百分比（%）、百分点（pp）和基点（bp）的区别
如果转化率从10%提升到20%，如果用百分比（%）表达变化，是提升了100%；比较两个数值的变化用百分比（%），比较两个百分比的变化用百分点（pp），如果百分比的变化非常小则使用基点（bp）基点（basic point）简写为bp，是指“百分之零点零一”（0.01%）或“一个百分点的一百分之一”。2022年1月毛利率为12%，2021年1月毛利率为10%，可表述为：“2022年1月毛利率。百分点（percentage point）简写为pp，是比较两个百分比的方法，用以表达。是比较两个数量的方法，
别说话写代码的博客
6万+
FPGA实现高效数字下变频：CORDIC与CIC滤波器的Verilog优化设计
本文深入探讨了FPGA实现高效数字下变频的技术方案，重点介绍了CORDIC算法与CIC滤波器的Verilog优化设计。通过详细的算法原理分析、FPGA实现技巧和实战经验分享，展示了如何利用CORDIC的旋转运算替代乘法操作，以及CIC滤波器在降采样中的高效性能。文章还提供了完整的系统集成方案和资源优化策略，为无线通信和雷达信号处理领域的工程师提供了实用参考。
redis7keeper的博客
712
YOLOv8中间特征层可视化
在通过观察这些特征，可以清楚地看到模型如何逐步将输入图像转化为有意义的表示。
weixin_45314480的博客
6873
环比同比YOY\QoQ及QQ\PP图Q-Q\P-P…
QoQ(quarter over quarter)：季营收成长(衰退)率 是指今年该季的营收金额与上一季或去年同一季的营收金额的成长(衰退)百分比率
billion=10亿=1000，000，000 ；million=100万=1000，000
YoY：Year over Year ，意为同去年同期相比。YoY(Year-on-year percentage)，是指当期的数据较去年同期变...
bluewater的专栏
2万+
brpc组件bvar源码解析（一）简介、使用和类的关系
bvar是brpc中的一个重要组件，brpc内部有很多builtin监控都是bvar实现的。
brpc文档介绍bvar“几乎不会给程序增加性能开销，也快于竞争频繁的原子操作”。它的原理是：多线程累加一个计数器时，每个线程只累加私有的变量而不参与全局竞争，因此写时没有锁的竞争；在读取时累加所有线程的私有变量。虽然读比之前慢多了，但写就快多了，因此它使用写多读少的场景，例如统计、监控场景。
1.使用
// bvar::Adder用于累加，下面定义了一个统计read error总数的Adder。
华秋实的专栏
1843
计算同比、环比的一些常识性问题
讲
bluedraam_pp的博客
1万+
OPC UA 服务端的模拟工具及客户端工具
详细介绍如何使用 Prosys OPC UA Simulation Server 作为 OPC UA 服务端的模拟工具来生成数据模型，并使用 Softing OPC UA Client 作为客户端工具，直观地查看和验证模拟生成的数据。
weixin_44462773的博客
9767
ECU-TEST 快速入门
ECU-TEST 是由位于德国德累斯顿的TraceTronic公司开发的一款用于嵌入式系统测试验证软件工具。自从2003年首次发布ECU-TEST ，该软件成为了汽车ECU开发的标准工具 ，同时也逐步成为了重型机械和工业自动化开发的标准工具 。该软件是起源自于一个控制单元的系统化测试的项目研究，从而为从德累斯顿工业大学脱离出来的TraceTronic公司奠定了基础。ECU-TEST旨在完成测试案例的规范化、评估、求解和归档。得益于该软件包含大量的自动化测试方法使得测试案例的所有必要功能如创建、求解和评估
wangying202的博客
1万+
同比、环比的区别及计算公式
以下三大点可以解答下几类问题：
1、环比增长怎么算
2、“环比”与“同比”是什么意思？区别在哪里？
3、如何计算同比增长环比增长以及下降
4、同比和环比怎么算
5、同比和环比的区别
6、什么是同比和环比
一、同比和环比的区别
「同比」
与历史「同时期］比较，例如2011年3月份与2010年3月份相比，叫「同比」。
「环比」
与「上一个」统计周期比较，例如2
三少GG
8万+
OpenStack 2018 年终盘点
目录
文章目录目录前言OpenStack 一年来的成长NovaCinderNeutronIronicCyborgOctaviaKollaMagnumZunKuryr从 OpenStack 到 OpenInfra
前言
这是最好的时代，也是最坏的时代 — — 查尔斯·约翰·赫芬姆·狄更斯《双城记》
年关将至，闲暇之余，回顾我与 OpenStack 的 2018。
NOTE：仅作为个人见解，与公...
烟云的计算
3562
不要再把 pp 写成 % 了。
Hey，我是小z今天给大家分享一篇好友俊红的短文，科（jiu）普（zheng）一个基本概念作为一名分析师，应该对环比和同比都比较熟悉，就是下面这个公式：同环比本期值上期值上期值同环比常用来...
SeizeeveryDay的博客
2万+
Istio ICA考试之路---2-2
找到dr部分,这部分可以在mirroring里找也可以和题2-1一样在Traffic Management的dr里复制,内容都一样。此题之后都是在cluster-2上操作,所以就不需要再切换了.之后的几题2.1节就忽略掉了。可以看到,80%的流量被镜像到了dev上,实际考试这步可以忽略。看到ex-ip是192.168.126.220。获取gw,把gateways加入到vs配置中。获取istio-ingress的ex-ip。就获得了这样一个模板文件。查看2个pod的日志。
Q先生
845
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
【论文笔记】：PP-YOLO、PP-YOLOv2、PP-YOLO Tiny
&Title
PP-YOLO: An Effective and Efficient Implementation of Object Detector（2020）
PP-YOLOv2: A Practical Object Detector（2021）
&Summary
目标检测算法的准确性和推理速度不可兼得，本文的工作旨在通过tricks组合来平衡目标检测器的性能以及速度。
PP-YOLO： 45.2% mAP，速度高达72.9 FPS！FPS和mAP均超越YOLOv4，FPS也远
Activewaste
7963
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
《PP-OCRv2》论文精读：蒸馏让PP-OCRv2获得了7%的OCR性能提升
文章介绍了作者如何在PP-OCRv1的基础上优化提升OCR的性能，并发明了PP-OCRv2
my_name_is_learn的博客
1591
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
【笔记】PP-YOLO、PP-YOLOv2、PP-YOLO Tiny
&Title
PP-YOLO: An Effective and Efficient Implementation of Object Detector（2020）
PP-YOLOv2: A Practical Object Detector（2021）
代码
&Summary
目标检测算法的准确性和推理速度不可兼得，本文的工作旨在通过tricks组合来平衡目标检测器的性能以及速度。
PP-YOLO： 45.2% mAP，速度高达72.9 FPS！FPS和mAP均超越Y...
nyist_yangguang的博客
4708
再升级！PP-OCRv4多场景平均精度提升5%！
OCR方向的工程师，一定有在关注PaddleOCR这个项目，其主要推荐的PP-OCR算法更是被国内外企业开发者广泛应用。短短几年时间，PP-OCR累计Star数量已超过32.2k，频频登上GitHub Trending和Paperswithcode日榜月榜第一，称它为OCR方向目前最火的repo绝对不为过。PaddleOCR主打的PP-OCR系列模型，在去年五月份推出了v3。最近，飞桨AI套件团队...
百度大脑
892
学习记录：PP-OCRv4
PP-OCRv4在PP-OCRv3的基础上进一步升级。整体的框架图保持了与PP-OCRv3相同的pipeline，针对检测模型和识别模型进行了数据、网络结构、训练策略等多个模块的优化。PP-OCRv4系统框图如下所示：检测模块：LCNetV3：精度更高的骨干网络PFHead：并行head分支融合结构DSR: 训练中动态增加shrink ratioCML：添加Student和Teacher网络输出的KL div loss识别模块：SVTR_LCNetV3：精度更高的骨干网络。
xiaoxianzhu的博客
3866
从70%到11%‼️pp论文修改助手怎么样
大家好，今天来聊聊pp论文修改助手怎么样，希望能给大家提供一点参考。PP论文修改助手是一款由清华大学研发的智能论文修改软件，它通过自然语言处理和机器学习等技术，可以帮助用户自动修改论文中的语法、拼写、标点等错误，并提供了多种改写功能，以提高论文的质量和可读性。
阿发狗伪原创
382
目标检测——PP-PicoDet算法解读
百度移动端检测算法PP-PicoDet算法解读
lishanlu136的博客
6305
SAP PP模块核心知识点及PP顾问需要掌握的技能
实例：汽车制造中，轮胎的MRP类型设为“PD”（按订单生产），以确保按客户需求精准采购。实例：策略50（无最终装配计划）适用于半成品生产，由销售订单触发最终装配。实例：家具生产的工艺路线包括切割、打磨、喷漆，每道工序关联对应工作中心。实例：一部手机的BOM包含屏幕、电池、主板等组件，层级关系需精确维护。- 理解PP与MM（采购）、SD（交货）、QM（质检）的交互逻辑。- 示例：定期分析生产订单差异（计划vs实际工时），优化工艺路线。作用：定义物料的生产属性（如MRP类型、批量大小、计划策略）。
weixin_39757802的博客
2273
超轻量OCR系统PP-OCRv3技术解读
​。
胭脂草的ABC博客
1069
上一篇：
盘点一款Python二级考试模拟软件，带你轻松过关二级Python考试
下一篇：
利用SQL对数据进行清洗处理