在Windows 8（64bit）中安装RRDtool [关闭](Installing RRDtool in windows 8 (64bit) [closed])
我是Round robin数据库的新手，并且阅读了一些关于RRDtool的文章。 请有人建议一些文章或说明在Windows 8（64位）中安装RRDtool。
任何帮助将不胜感激！
I am new to Round robin database and I read the articles for getting an idea about RRDtool. Please anyone suggest some articles or give instructions to install RRDtool in windows 8 (64bit).
Any help will be appreciated!
原文：https://stackoverflow.com/questions/34940075
更新时间：2022-11-13 17:11
最满意答案
不要在看不见的数据上调用
fit_transform，只进行transform！ 这将使字典不受训练集的影响。Do not call
fit_transformon the unseen data, onlytransform! That will keep the dictionary from the training set.
相关问答
更多-
什么是“矢量化”？(What is “vectorization”?)[2023-08-17]
许多CPU具有“向量”或“SIMD”指令集，它们同时对两个，四个或更多个数据应用相同的操作。 现代x86芯片具有SSE指令，许多PPC芯片都具有“Altivec”指令，甚至一些ARM芯片也有一个称为NEON的向量指令集。 “向量化”（简化）是重写循环的过程，因此，不是像数组中的单个元素N次处理一样，它会同时处理（例如）4个数组元素的N / 4次。 （我选择了4，因为现代硬件最有可能直接支持;术语“向量化”也用于描述一个更高级别的软件转换，您可以在其中简单地抽象出循环，只需描述对数组而不是元素的操作组成它们） ... -
矢量化，以实现性能(Vectorization to achieve performance)[2022-06-16]
你基本上是在卷积，对边界进行了一些特殊的处理。 尝试以下操作： from scipy.signal import convolve2d # define your filter f = np.array([[0.0, 0.2, 0.0], [0.2,-0.8, 0.2], [0.0, 0.2, 0.0]]) # select parts of 'a' to be used for convolution b = (a * (a > 3))[1:- ... -
但是，我们能否始终将Python中的一般多行循环转换为单行循环？ 最简洁的答案是不。 列表推导适用于投影（映射）和/或过滤。 例如，如果你有这样的代码： result = [] for x in seq: if bar(x): result.append(foo(x)) 然后，正如您所指出的，它可以从重写为列表理解中受益： result = [foo(x) for f in seq if bar(x)] 但是，对于不适合此投影或过滤模式的操作，列表推导通常不太好。 例如，如果您需 ...
-
为什么矢量化失败？(Why does vectorization fail?)[2023-07-19]
在添加asm volatile("": "+m"(a), "+m"(b), "+m"(c)::"memory"); 在main的结尾处，我的gcc副本发出这样的结果： 400610: 48 81 ec 08 60 00 00 sub $0x6008,%rsp 400617: ba 00 20 00 00 mov $0x2000,%edx 40061c: 31 f6 xor %esi,%esi 4 ... -
从http://research.microsoft.com/en-us/um/people/simonpj/papers/ndp/haskell-beats-C.pdf中的工作中得到GHC的SIMD分支， 网址为https：//ghc.haskell .org / trac / ghc / wiki / SIMD以及正在进行的工作，将这些指令作为原始版本，适用于诸如vector的库。 （ https://dorchard.wordpress.com/2013/10/14/automatic-simd-ve ...
-
我还没有看到GCC或英特尔C ++自动向量化任何东西，但非常简单的循环，即使给定的算法代码可以（并且在我使用SSE内在函数手动重写之后）被矢量化。 其中一部分是保守的 - 特别是当遇到可能的指针别名时，C / C ++编译器很难向自己“证明”矢量化是安全的，即使你是程序员知道的那样。 大多数编译器（明智地）更喜欢不优化代码而不是冒错误编译它的风险。 这是高级语言比C更有优势的一个领域，至少在理论上是这样的（我在理论上说，因为我实际上并不知道任何自动向量化的ML或Haskell编译器）。 它的另一部分只是分析 ...
-
不要在看不见的数据上调用fit_transform ，只进行transform ！ 这将使字典不受训练集的影响。 Do not call fit_transform on the unseen data, only transform! That will keep the dictionary from the training set.
-
以一般的方式，我认为差异实际上是吞吐量（延迟）与操作的数量（复杂性）。 如果你要为你构建一个非常专用的ASIC算法，你将不得不进行n ^ 3次操作。 通过向量化，您可以说这些操作中的一些可以彼此独立地并行执行。 Matlab和当前的处理器更加聪明，可以在“并行”中进行某些操作，例如64位处理器可以进行2到32位的4-16bit等式的总和。 想想O（n ^ 3）中的两种算法，其中每个操作必须完全独立完成（你可以对这个算法进行矢量化），另外两个算法必须是系列的（你不能对它进行矢量化）。 每个特殊硬件都需要n ^ ...
-
让我们看看会发生什么： fac <- function(n) { ifelse(n == 1, 1, {message(paste(n-1, collapse = ",")); stopifnot(n > 0); n * fac(n-1)}) } fac(4:5) #3,4 #2,3 #1,2 #0,1 #-1,0 # Show Traceback # # Rerun with Debug # Error: n > 0 are not all TRUE ...
-
嵌套循环上的矢量化(Vectorization on nested loop)[2021-07-07]
np.apply_along_axis可以工作，但这太过分了。 首先，嵌套循环方法存在问题。 用于定义y的np.float返回np.float值的数组， np.float值不能用于索引数组。 要处理这个问题，你必须将数组转换为整数，例如y = np.empty((100, 100, 3)).astype(np.int) 。 完成后，您可以使用y进行索引，如下所示： y = np.empty((100, 100, 3)).astype(np.uint8) x = np.empty((300,)) y[:,:, ...