element)，反之则是未激活 (inactive)。 这就是稀疏的好处，按需分配，自动扩容。 分块则是利用了我们存储的数据常常有着空间局域性的特点，减轻哈希表的压力，同时在每个块内部也可以快乐地 SIMD 矢量化，CPU 自动预取之类的。  传统稠密二维数组 区间内的正数，非常方便。  ## 对稀疏数据结构造成的问题 - 如果这里的 x 是负数，则 x % B 也是负数，会造成对 m block 的越界访问。 - 因此 % 会返回负数对 CFD 用户来说是个很大的坑点，很多人想当然地用 % 做循环边界，然而这对负方向会不起作用。 的整除运算 a // b 的值始终是向下取整，非常方便。 >>> -7 // 4 -2 >>> 7 // 4 1 >>> ## 对稀疏数据结构造成的问题 - 也就是说，如果 x 是 [-3,0] 则 x/B 会是 0，如果 x 是 [0,3] 则 x/B 也是 0。导致两个同时跑到一个 block 上去，会出错。 void write(int

9043c7b635da4bafc51c4c907686/p1_2.jpg) ## Python在量化投资领域的应用 ## 以澎博真格量化平台为例 刘欣 ## 目录 >> 关于澎博财经 >> Python量化平台应对问题 >> Python量化平台愿景 ## 1 关于澎博财经 中国金融市场的交易技术先行者， 提供期货、股票、期权交易系统解决方案， |锁定解锁||||||||| |组合|查询|||||||| ## 关于澎博财经-真格量化 ## 量化，我们来「真格」的！ 一 真格量化 期货期权 实盘量化平台 一 泰德财经旗下 泰易大师 汇点财富 研发团队出品 真实的实盘策略 (部分公开票码) 商品持仓排名策略 商品期货双均线策略 查看详情 查名详情 澎博财经真格量化平台 期权卖跨市套利 ID:10372 ![Image](/uplo 000 - INFO - 2.35行权价格 2017-01-12 15:00:00.000 - INFO - 2.35行权价格2 全球首家支持期权tick策略回测的免费Python量化平台 ## 关于澎博财经-真格量化 ## 我们可以用Python做什么？ 策略回测，覆盖期货、期权、股票ETF市场 模拟交易、实盘交易、风险控制、信号提醒、报表生成…… ![Image](/uploads

 ## 别名 - 指向相同的可变数据结构的两个标识符可以看作是别名 1. fn alter(a: Ref[Int], b: Ref[Int]) { 2. a.val = 10 3. b.val = 20 4. } 5. : 1 } 8. alter(x, x) 9. println(x.val.to_string() // x.val 的值将会被改变两次 10. } ## 别名 - 指向相同的可变数据结构的两个标识符可以看作是别名  - Int View No quick fixes ## 可变数据 • 使用场景广泛 ☐ 直接操作程序外环境，如硬件等 ☐ 一些情况下性能更好，如随机访问数组等 ☐ 可以构建部分复杂数据结构，如图 ☐ 重复利用空间（原地修改） - 可变数据并不总是与引用透明性冲突 1. fn fib_mut(n: Int) -> Int { // 对于相同输入，总是有相同输出 2.

亿万生活 ## 目录 算法 YOLOv6：又快又准的目标检测框架开源啦 目标检测开源框架 YOLOv6 全面升级，更快更准的 2.0 版本来啦 通用目标检测开源框架 YOLOv6 在美团的量化部署实战 7 次 KDD Cup&Kaggle 冠军的经验分享：从多领域优化到 AutoML 框架 图神经网络训练框架的实践和探索 图技术在美团外卖下的场景化应用及探索 大规模异构图召回在美团到店推荐广告的应用 未来我们会持续建设和完善 YOLOv6 生态，主要工作包括以下几个方面： 1) 完善 YOLOv6 全系列模型，持续提升检测性能。2) 在多种硬件平台上，设计硬件友好的模型。3) 支持 ARM 平台部署以及量化蒸馏等全链条适配。4) 横向拓展和引入关联技术，如半监督、自监督学习等等。5) 探索 YOLOv6 在更多的未知业务场景上的泛化性能。 同时也欢迎社区同学加入我们，共同建设一个适合工业应用的更快更准的目标检测框架。 # 目标检测开源框架 YOLOv6 全面升级， 更快更准的 2.0 版本来啦 作者：楚怡 红亮 梦婕等 9月5日，美团视觉智能部发布了YOLOv6 2.0版本，本次更新对轻量级网络进行了全面升级，量化版模型YOLOv6-S达到了869FPS，同时，还推出了综合性能优异的中大型网络（YOLOv6-M/L），丰富了YOLOv6网络系列。其中，YOLOv6-M/L在COCO上检测精度（AP）分别达到49

实在太少了。 • 计算太简单，数据量又大，并行只带来了多线程调度的额外开销。 • 小彭老师经验公式：1 次浮点读写 ☐ 8 次浮点加法 - 如果矢量化成功（SSE）：1 次浮点读写 ≈ 32 次浮点加法 • 如果 CPU 有 4 核且矢量化成功：1 次浮点读写 ≈ 128 次浮点加 |Benchmark|Time|CPU|Iterations| |---|---|---|---| |B [Image](/uploads/documents/c/5/8/f/c58ff92436036a76c10e50cca6c339e6/p18_1.jpg) ## 缓存的工作机制：读 • 缓存中存储的数据结构： • struct CacheEntry { • bool valid; • uint64_t address; • char data[64]; •}; • CacheEntry cache[512]; 0x0048~0x0050 这 4 个字节时，实际会导致 0x0040~0x0080 的 64 字节数据整个被读取到缓存中。 - 这就是为什么我们喜欢把数据结构的起始地址和大小对齐到64字节，为的是不要浪费缓存行的存储空间。 ## 缓存的工作机制：写 • 缓存中存储的数据结构： • struct CacheEntry { • bool valid, dirty; • uint64_t address; •

被忽视的访存优化：内存带宽与 cpu 缓存机制 8. GPU 专题：wrap 调度，共享内存，barrier 9. 并行算法实战：reduce，scan，矩阵乘法等 10. 存储大规模三维数据的关键：稀疏数据结构 11. 物理仿真实战：邻居搜索表实现 pbf 流体求解 12.C++ 在 ZENO 中的工程实践：从 primitive 说起 13.结业典礼：总结所学知识与优秀作业点评 ## 硬件要求： 4cb5e31bac55f3bf66b/p19_1.jpg) ## addss 是什么意思？ 省流助手： 如果你看到编译器生成的汇编里，有大量 ss 结尾的指令则说明矢量化失败；如果看到大多数都是 ps 结尾则说明矢量化成功。 • 可以拆分成三个部分：add，s，s 1. add 表示执行加法操作。 2. 第一个 s 表示标量 (scalar)，只对 xmm 的最低位进行运算；也可以是 unique_ptr, shared_ptr, weak_ptr • pair, tuple, optional, variant 存储在栈上无法动态扩充大小，这就是 为什么 vector 这种数据结构要存在堆上， 而固定长度的 array 可以存在栈上 那么刚才那个例子改成 array 是不是就可以自动优化成功了？你可以自己试试看，想一想，为什么会是这个结果，然后在作业的 PR 描述中和老师分享你的思考