最新

抱歉，我无法直接访问或翻译特定网页的内容。如果您能提供网页中的具体文本，我将很乐意为您翻译。

我制作了这个工具，以便了解公司实际的收入和支出情况。每个公司都有一个桑基图，展示了从收入到支出再到利润的流动情况。同时还包括三份标准财务报表。希望能得到对可视化方法的反馈。

假设我是一位富有的数学家（这听起来不错），我想赞助一些计算，这些计算需要进行某个巨大的数字 N 的浮点或整数运算，并且可以在云端轻松并行化。我的程序员们已经提出了一个相对高效的实现方案，并通过一些小规模的测试进行了基准测试。输入/输出和存储成本较低，主要的成本将是纯计算费用。 现在我准备拿出支票本。 在当今的云计算市场中，哪些因素会影响这种计算的成本？ 价格如何随着 N 的变化和我希望完成问题的速度而变化？（例如，如果需要 1000 个 AWS 实例运行 10 个月，或者 10,000 个 AWS 实例运行 1 个月，我的费用会一样吗？我假设运行时间少于一年，因此不会长到在计算过程中成本显著降低。） 是否有灵活性方面的因素可以降低价格？（例如：云服务器可以在短期内随时暂停我的计算或限制 CPU，只要我计算的平均运行速率在任何给定的日子里超过 80% 的全速。） Lenstra 使用“美元天”（dollardays）这个术语来描述破解加密密钥的成本，认为这与计算设备的资本成本成比例（4000万美元天 = 价值100万美元的计算机运行40天，或价值4000万美元的计算机运行1天），但在云计算中，这似乎更像是按件计费的定价结构。

嗨，HN， 我一直在开发 SmartKNN，这是一个专门为生产部署而设计的最近邻系统，而不是用于学术实验。 我们的目标不是对经典 KNN 进行小幅调整，而是将其重构为一个可部署的、关注延迟的系统，同时保持可解释性。 **它的不同之处** 传统的 KNN 简单且易于解释，但在实际应用中面临以下挑战： - 随着数据集的增长，推理延迟增加 - 对所有特征的平等处理 - 固定的距离度量 - 在负载下性能不可预测 SmartKNN 通过以下方式解决这些问题： 1. **学习特征加权** 特征重要性自动学习并纳入距离计算。这减少了噪声，提高了邻居质量，而无需手动调优。 2. **自适应距离行为** 距离计算根据学习到的特征相关性进行调整，而不是依赖于简单的欧几里得固定度量。 3. **后端选择** SmartKNN 支持暴力搜索和近似最近邻策略。 - 小数据集 → 暴力搜索 - 大数据集 → 近似候选检索 近似搜索仅用于检索候选项。最终预测始终使用学习到的距离函数。 4. **以 CPU 为中心的设计** 系统优化为可预测的 CPU 推理性能，而不是依赖 GPU 的重型工作流。重点是稳定的延迟特性，适合生产工作负载。 5. **统一 API** 通过与 scikit-learn 兼容的接口支持分类和回归。 **性能** 在具有强局部结构的结构化/表格数据集上，SmartKNN 的准确性与基于树的模型相当。 它并不旨在普遍替代树模型或神经网络。在邻域结构有意义且需要可解释性的地方表现最佳。 **局限性** - 需要数据集保持在内存中 - 高维稠密数据仍可能对最近邻方法构成挑战 - 尚无在线/增量更新 - 对于大数据集，后端准备增加了设置时间 **项目状态** - 公共发布：0.2.2 - 稳定 API - 开源 - CPU 优化核心 代码库： https://github.com/thatipamula-jashwanth/smart-knn 我非常欢迎反馈，特别是来自那些在生产中部署过最近邻系统的人的意见。 谢谢。 - Jashwanth