墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
200+累计阅读
227平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
边缘计算（Edge Computing）是一种将数据处理和计算能力从传统的云计算中心转移到接近数据源的边缘设备的计算模型。它在近年来得到了广泛的关注和应用，主要由于以下六个方面的优势：
# 示例代码：边缘设备上的实时数据处理
def process_data(data):
# 数据处理逻辑
processed_data = ...
边缘计算与云计算协同白皮书2018
此文参照边缘计算产业联盟（ecc）和工业互联网产业联盟（all）在18年11月发布的边缘计算和云计算协同白皮书，学习整理而成， 可以大概了解原文的整体想法，留作复习。 01 边云协同方法边缘计算和云计算价值 1.1边缘计算概念 边缘计算是在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的分布式开放平台，就近提供边缘智能服务，满足行业数字化在敏捷联接、实时业务、数据优化、应用智...
移动云云安防产品架构及其在边缘计算领域的探索
【作者介绍】 作者简介：田浩兵，中国移动云能力中心SaaS产品部技术专家组成员、边缘应用产品组研发经理，曾参与能力开放平台、中小企业云平台、集中化计划建设、云视频等项目及产品的研发工作，在微服务架构设计及流媒体处理领域有一定的研究与实践经验。 一、云安防：安防系统发展的趋势 云安防是基于物联网模式并且采用云存储技术来满足现代化安防的全“新”云计算架构，这种架构解决了传统安防架构的兼容性能差、安全保障低、操作体验差、监控管理难等痛点，其主要特征为后端平台完全云化与池化。云安防有以下几方面的.
算“近”所求，边缘计算不“边缘”
突破算力边界——拓维信息边缘计算实践
AI算力网络与通信领域算力共享的边缘计算协同
今天的AI应用正从“云端集中处理”走向“边云协同分布”：大模型训练仍需云端超算，但自动驾驶、工业质检、AR/VR等实时场景，要求算力“触手可及”。延迟高（数据往返云端耗时）、带宽贵（海量数据传输成本）、隐私风险（敏感数据上云不安全）。边缘计算（在数据产生地附近处理）解决了“近”的问题，但单个边缘节点算力有限；算力共享（多个节点互通有无）解决了“够”的问题，但需要高效调度；AI算力网络则像“交通系统”，让算力在边缘节点间有序流动。
DeepSeek应用领域全景解析：驱动产业智能化升级的六大核心方向
本文基于官方技术文档与行业实践案例，深入剖析DeepSeek在六大核心领域的应用突破与商业价值实现。，将注意力计算内存消耗降低70%，支持128k tokens超长文本处理，使其在医疗病历分析、法律文书审查等场景具备显著优势。支持文本、图像、音频的跨模态理解，在医疗影像诊断（CT识别准确率98.2%）、智能驾驶（多传感器融合决策）等领域表现突出。医疗领域实现"影像+病理+基因"三联诊断，准确率目标突破99.5%通过联邦学习实现95%数据隐私保护率，满足金融、医疗合规要求。
5G升级如何影响AI落地：从时延、带宽到边缘计算的关键技术解析
在数字化转型加速的背景下，5G与AI不再是相互独立的技术线，而是深度耦合的工程体系。AI应用的规模化落地，依赖网络提供低时延、高带宽、高可靠和海量连接的能力。时延直接决定自动驾驶、工业控制等实时交互场景的体验，上行带宽制约视频质检、远程巡检等回传类业务，连接密度则影响海量物联网设备的接入效率。网络切片、边缘计算和独立组网（SA）是支撑AI核心场景的关键技术，端到端网络优化、QoS配置和动态调度机制则成为当下缓解升级压力、提升AI应用质量的有效手段。本文从网络工程视角系统梳理5G升级与AI竞赛的底层逻辑，帮助
具身智能岗位全解析：六大方向能力要求与学习路线
具身智能是让智能体通过身体与物理世界交互，在真实环境中完成感知、决策与行动的技术体系，其核心在于感知、决策、执行闭环的打通。随着大模型与视觉语言动作模型（VLA）从论文走向应用，机械臂、四足与人形机器人硬件成本下降，具身智能正从实验室预研快速转向产品化落地。这一趋势催生了算法、大模型、系统软件、嵌入式与边缘计算、数据、运维部署等六大类工程岗位，企业不仅需要算法研究员，更急需能将模型部署到真机、保障系统稳定运行的工程人才。对于计算机、自动化等专业学生以及希望转型的软件工程师而言，理解各岗位职责边界、掌握ROS
2026边缘计算厂商深度对比：华为、阿里云、百度、腾讯、浪潮选型指南
边缘计算作为分布式计算架构的重要演进，将数据处理能力从中心云下沉至靠近数据源的网络边缘，其核心原理在于通过本地化计算减少数据传输延迟和带宽压力。云边协同与AI推理是边缘计算发挥价值的两大关键能力，前者保证云端统一管理，后者支撑实时智能决策。在工业质检、智慧园区、视频安防等场景中，边缘设备需在恶劣环境下稳定运行，对软硬件全栈能力提出高要求。面对华为、阿里云、百度智能云、腾讯云、浪潮等主流厂商，如何结合业务需求进行选型成为企业落地的关键。本文基于各厂商在硬件能力、云边协同、AI推理、开发者生态等维度的差异，提供
软考系统架构师认证价值与云原生、边缘计算考点解析
系统架构设计是构建可靠IT系统的核心技术，其核心原理是通过分层解耦和模式复用实现复杂系统的可控性。随着云原生和边缘计算等新技术的普及，架构师需要掌握Service Mesh、不可变基础设施等关键技术，这些在软考系统架构师认证中占据25%的考试权重。认证不仅验证专业知识体系，更为职业发展带来显著优势，持证者薪酬平均溢价30-45%。针对2023年考纲，备考需重点关注云原生架构设计、边缘计算部署等实践场景，同时掌握混沌工程等新兴架构验证方法。
ESP32-S3 PIE指令深度解析：面向AIoT边缘计算的向量化加载与位操作加速
处理器指令拓展（PIE）是嵌入式AIoT芯片中实现高效信号处理与神经网络推理的关键硬件加速机制。其核心原理在于将内存加载、数据格式转换、位操作与寄存器搬运等多步运算融合为单周期指令，显著降低CPU干预开销。技术价值体现在对8-bit/16-bit量化数据的符号扩展、128-bit并行访存、饱和移位及GPIO原子控制等能力，直接支撑低功耗边缘端实时音频处理、轻量级CNN推理与传感器融合等典型场景。本文聚焦ESP32-S3平台的PIE指令集，深入剖析EE.LDQA、EE.MAC、EE.SRCMB等关键指令的行为
AI原生应用与自动化流程的六大核心场景解析
人工智能技术正在深度改造传统自动化流程，AI原生应用通过将机器学习、自然语言处理等能力内化为基础架构，实现了从规则驱动到智能驱动的范式跃迁。在技术原理层面，这类系统通常结合传感器数据采集、实时特征工程和深度学习模型，形成感知-决策-执行的闭环。其核心价值在于突破固定规则的局限，具备环境适应性和持续进化能力。典型应用场景覆盖智能文档处理、预测性维护、零售补货优化等领域，其中基于BERT模型的语义识别和LSTM自编码器的异常检测等技术方案已产生显著效益。随着计算机视觉与AR技术的融合，这类智能自动化系统正延伸至
2020年软件开发六大趋势：AI驱动、跨平台、区块链、物联网、微服务与远程协作
软件开发的核心在于通过技术架构与工程实践，构建高效、可靠、可扩展的数字化解决方案。其基本原理涉及从单体应用到分布式系统的演进，旨在解耦服务、提升团队协作效率与系统韧性。这一演进的技术价值在于能够快速响应业务变化、降低维护成本并支撑创新。当前，其典型应用场景已覆盖互联网应用、企业级平台及智能设备互联等多个领域。随着人工智能与机器学习技术的深度融合，开发流程本身正变得智能化，例如智能代码补全和基于机器学习的自动化测试，显著提升了代码质量与交付速度。同时，跨平台开发框架的成熟，使得一套代码适配多端成为高效开发的新
RK3566边缘AIoT网关实战：算力边界与六大适用场景解析
边缘计算是物联网架构中连接设备与云端的关键一环，而AIoT网关则是这一环的“本地大脑”。边缘网关不仅需要完成协议转换与数据治理，更要在本地承载轻量化AI推理，实现实时响应与低带宽消耗。RK3566作为一款集成0.8TOPS NPU的嵌入式SoC，其算力虽不顶级，却恰好满足轻量目标检测、分类等常见边缘视觉任务。凭借四核A55 CPU、丰富接口与低功耗设计，RK3566能在工业数采、门店视觉分析、园区门禁等场景中，以低成本完成协议接入、数据汇聚与本地判断。本文从边缘计算与AIoT网关的基础原理出发，结合RK35
9、农业中的边缘计算：技术与应用解析
本文深入解析了边缘计算在农业领域的技术与应用，涵盖精准灌溉、物联网集成、边缘计算框架设计及其在智能种植、水产养殖、畜牧业等场景的应用。文章详细探讨了边缘计算的通信、处理、分析、存储、执行和传感六大功能模块，展示了其在提升农业生产效率、实时性和智能化水平方面的优势，同时也指出了计算能力限制、数据管理困难和系统互操作性等挑战，为智慧农业的发展提供了技术参考和未来方向。
甄选范文“论边缘计算及应用”，软考高级，系统架构设计师论文
边缘计算是在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的分布式开放平台(架构)，就近提供边缘智能服务。边缘计算与云计算各有所长，云计算擅长全局性、非实时、长周期的大数据处理与分析，能够在长周期维护、业务决策支撑等领域发挥优势；边缘计算更适用局部性、实时、短周期数据的处理与分析，能更好地支撑本地业务的实时智能化决策与执行。因此边缘计算与云计算之间不是替代关系，而是互补协同关系，边云协同将放大边缘计算与云计算的应用价值。
5G时代边缘计算：万亿市场架构、场景落地与工程实现（上篇）上篇：核心理论与产业架构全解析
目前，全球范围内关于边缘计算的定义已形成共识，其中最具权威性的是欧洲电信标准协会（ETSI）和国际电信联盟（ITU）的定义：ETSI将边缘计算定义为：“一种将计算、存储、网络能力部署在网络边缘（靠近终端用户或数据源）的分布式计算架构，其核心目标是为终端设备提供就近的低时延、高可靠、高带宽的服务，同时实现数据本地化处理与资源高效利用”。
FreeRTOS 在物联网领域核心优势
FreeRTOS凭借轻量级内核（6-10KB Flash）、超低功耗管理和原生云连接能力，成为物联网设备开发的理想选择。其优势包括：极致资源效率（支持32KB Flash/4KB RAM芯片）、云原生生态（预集成MQTT/TLS等协议）、企业级安全（安全启动/OTA/MPU隔离）、可靠远程升级、广泛硬件兼容性（45+CPU架构）和硬实时响应（微秒级延迟）。相比裸机开发和嵌入式Linux，FreeRTOS在成本、功耗、安全性和云连接间实现了最佳平衡，是物联网终端设备的首选基础设施。
数据分析是什么？
说道“数据分析”一词，大家应该并不陌生，数据分析从字面上来理解，就是对数据做出分析然后得出一个结论，看起来浅显易懂，下面我们把这个词语分开得到的是“数据”与“分析”。“数据”的范围就很广泛了，小到一个计量数字，大到成亿级别的数据汇总，都可以称为数据；“分析”一词并不难理解，以智慧思维的方法对某一事物做出合理的解释，给出结论是为分析，一般会用到数学上的分析方法，比如统计学或者概率论等等。 1. 什么是数据分析 1) 数据分析发展背景 进入到 21 世纪以后，伴随着互联网的迅速发展，大数据应运而生，越来越多的数
LLVM 编译器学习笔记之三十六-- 指令调度Instruction scheduling
1、参考Instruction scheduling in LLVM - 知乎，在中后端均存在指令调度 指令调度模型 2、在llvm12->llvm14 中Machine Instruction Scheduler有个patch增强了load/store指令的合并，也就是指令调度不仅仅只是改变指令的顺序，该优化类似gcc中的store-merge优化 .....................................................................
openEuler 22.03 LTS SP4离线安装UKUI桌面全攻略（附依赖包下载）
本文提供openEuler 22.03 LTS SP4系统离线安装UKUI桌面环境的完整实战指南。针对无网络环境，详细解析了利用dnf工具下载依赖包、配置离线软件源、处理依赖冲突及安装后优化的全流程，并附带了关键依赖包资源，帮助运维人员高效完成图形化部署。
2026年美赛数学建模竞赛 MCM B题：使用太空电梯系统建立月球殖民地 问题一 月球殖民地材料运输的三种场景建模 详细解题思路和代码
如果运输系统不能完美工作（例如，系绳摆动、火箭失败、电梯故障等），你的解决方案在多大程度上会发生变化？技术可行性：三种方案在技术上都是可行的，但挑战不同 经济性：混合方案在长期视角下最具成本效益 时间效率：并行运输可以显著缩短总建设时间环境影响：太空电梯的环境优势明显，混合方案可平衡需求风险分散：混合方案提供了天然的风险分散机制
【回眸】Tessy集成测试软件使用指南（一）新手使用篇
这个专栏的文章前4篇都在记录如何使用Tessy进行单元测试，集成测试需要有一定单元测试基础，且做集成测试之前，需要做好单元测试，否则将会大幅增加软件单元代码纠错的代价。集成测试所花费的时间通常远远超过单元测试。如果直接从单元测试到系统测试，结果往往是不理想的。集成测试可以检测由于单元相互交互而导致的错误，通常由一组专业的测试人员执行。
SMART200如何实现多次调用子程序带定时器功能
1、西门子200PLC的子程序由于很多限制条件，如果希望建立一个可以多次调用的子程序，那么这个子程序里是不能含有定时器指令的，所以我们只能退而求其次了。建议将沿指令（上升沿、下降沿）放在多次调用子程序的外面。 2、可以提供不同的时基，提供不同时间的定时 3、实现秒定时 5、子程序内部： STL代码： 1、时基信号由外部提供、 可以提供不同的时基信号 2、实现循环定时开关 LD #Start:L0....
基于AI的智能开发环境—Trae在Web开发中的应用实战与性能评估【Trae项目实战】
Trae 是一款与 AI 深度集成的开发工具，提供智能问答、代码自动补全和基于 Agent 的 AI 自动编程能力，极大提升开发效率。它具备完备的 IDE 功能，如代码编写、项目管理和源代码管理等，同时还具备强大的 AI 助手，能够提供智能问答、实时代码建议、代码片段生成等服务。开发者可以通过自然语言与 AI 协作，从 0 到 1 开发项目，AI 会根据需求自动生成代码或创建文件。
NSX-T 4.1部署搭建
NSX-T4.1 部署搭建
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
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")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
1万+
扫一扫
