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
900+累计阅读
951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
目前，证券企业拥有了众多的it系统，使用不同的架构和平台。如证券交易系统、企业的互联网站、办公自动化系统、客户关系管理系统、数据仓库、商业智能(bi)系统、总部综合管理系统、财务管理系统等等。其中证券交易系统是企业的核心系统，证券交易系统在渠道接入方面又包括柜台交易系统、网上交易系统和电话委托系统等。这些系统的大部分来自不同的软件开发商，少数由企业自行开发。
● 相互独立。如企业的互联网站、财务软件等都独立于其他系统。
与tcp/ip包交换接口相比，通过专用程序进行系统集成要更糟糕得多。以转存营业部证券交易系统数据到总部各系统的数据采集程序为例，如果要更改或增加采集数据内容，需要熟悉数据采集程序的全部源码。由于it人员流动性高的特点，几年前编写数据采集程序的开发人员已经离开公司，因此必须让新的维护人员去熟悉这些源代码，然后才能进行修改。
采用分布式技术重塑证券公司IT架构.pdf
#资源达人分享计划#
【交易技术前沿】新一代证券交易系统应用架构的研究
【交易技术前沿】新一代证券交易系统应用架构的研究 上交所技术服务 今天 本文选自《交易技术前沿》总第三十八期文章（2020年3月） 陈镇光 丁一 / 国信证券股份有限公司 chenzguang@guosen.com.cn 摘要：随着国内外证券市场的持续发展，当前的证券交易系统已越来越难以满足业务上的需求。本文从证券行业的应用现状出发，分析证券业务对交易技术的新需求，研究设计新一代交易系统应用架构，解决当前交易系统普遍存在的耦合过紧、效率不高、扩展性差等问题，以支持新业务的快速上线，并满足不同类别客户做
【mip-NeRF】使用一组二维图像渲染3D场景视频（mip-NeRF论文复现）
本文对mip-NeRF模型的pytorch实现进行了复现
SOA重塑证券企业应用架构
IT建设：路越走越窄 随着证券业务的快速变化，企业IT投资越来越大，系统越建越多，IT建设的路反倒越走越窄了，越来越难以快速应对频繁的业务变化发展的需要。 目前，证券企业拥有了众多的IT系统，使用不同的架构和平台...
Stable Diffusion跑图总爆显存？别急着换显卡，试试这个PYTORCH_CUDA_ALLOC_CONF参数调优
本文深入解析了Stable Diffusion运行中常见的显存不足问题，特别是由显存碎片化导致的假性OOM现象。通过详细讲解PYTORCH_CUDA_ALLOC_CONF参数中的max_split_size_mb设置技巧，提供了一套完整的显存优化方案，帮助用户在无需升级硬件的情况下显著提升AI绘画的稳定性与效率。
Unity3d移动端性能优化
以下条目主要针对移动端，大部分也适合PC端 一、Profiler的使用 1.性能优化应贯穿项目开发的全过程，如需求（性能能不能达到要求）、设计、开发、测试等。不能开发结束才优化性能。 2.官方推荐的优化工具是【Window】->【Profiler】 3.确认瓶颈是CPU-bound(Gfx.WaitForCommands)还是CPU-bound(Gfx.WaitForPresent) 4.内存分析使用Memory Profiler 二、内存优作 5.减少内存收集的影...
证券公司业务部门深度全解
一、序 自研究生毕业起，就一直在证券行业转，券商呆过，基金公司呆过，也在市场其他机构呆过，一共10年多了。所以不敢说十分了解，但是可以算是过遍千帆了 二、前台业务部门 任何公司，都有前中后台之分。证券公司因为接受证监会监管，因此和银行、信托、基金、期货、保险公司一样，都分比较明显的前中后台。这区分，是按接触客户的远近（或者说业务角度）来区分的。 先从前台说起，前台一般就是纯业务部门，给公司...
【鸿蒙南向开发】OpenHarmony音频驱动audio适配方案
这份鸿蒙（HarmonyOS NEXT）文档包含了鸿蒙开发必掌握的核心知识要点，内容包含了（ArkTS、ArkUI开发组件、Stage模型、多端部署、分布式应用开发、音频、视频、WebGL、OpenHarmony多媒体技术、Napi组件、OpenHarmony内核、OpenHarmony南向开发、鸿蒙项目实战等等）鸿蒙（HarmonyOS NEXT）技术知识点。
重塑应用架构 证券企业之SOA实施
IT建设：路越走越窄 随着证券业务的快速变化，企业IT投资越来越大，系统越建越多，IT建设的路反倒越走越窄了，越来越难以快速应对频繁的业务变化发展的需要。 目前，证券企业拥有了众多的IT系统，使用不同的架构和平台。...
SpringAi 通过大模型来实现调用自己的Api
摘要 本文介绍了如何利用Spring AI的Tools机制扩展大模型能力，实现业务系统集成。通过@Tool和@ToolParam注解定义工具方法，将订单查询和关闭功能暴露给大模型调用。关键实现包括：1）使用详细描述标注工具方法和参数；2）在ChatClient中注册工具服务；3）集成对话记忆保持上下文。该方法使AI具备操作业务系统的能力，形成"认知-决策-执行"闭环，大幅提升了模型在实际业务场景中的应用价值。
别再让 AI 瞎写 SAP 代码了！这套 Claude Code Skill 的验证机制才是关键
本文深入解析了专为SAP CAP开发设计的AI辅助工具sap-cap-capire的技术架构。该工具采用四层设计：协议层集成MCP和LSP实现实时模型访问与语法检查；智能层通过4个专业化Agent（数据建模、服务开发等）分工协作；验证层确保代码质量；知识层存储文档模板。这种工程化设计解决了通用AI在CAP开发中面临的上下文不足、专业性缺失和代码质量保证等核心问题，通过本地化服务和实时反馈机制显著提升了开发效率。
2025 AI 技术革命：五大风口重塑产业生态
早期语言模型的文本交互局限被彻底打破，2025 年的 AI 已能无缝融合视觉、听觉、触觉等多维信息，实现从 “理解” 到 “感知” 的质变。通用汽车 OnStar 系统的 AI 助手能精准识别驾驶员意图，优步的客服智能体可自动总结对话上下文并提供个性化解决方案，这些案例印证了多智能体协同在提升服务质量与效率上的核心价值。从多模态交互的全民普及到边缘计算的技术突围，从多智能体协同的效率革命到算力基础设施的平民化转型，AI 技术正以超出预期的速度重构产业逻辑与生活方式。
高通平台WIFI学习-- WCN7851 三频 2X2 MIMO DBS HBS Wi-Fi 7介绍
WCN7851是支持Wi-Fi 7和蓝牙5.4的三频SoC芯片，具有以下核心特性：采用NSP334封装，支持2.4GHz/5GHz/6GHz三频段并发操作，最高速率达5.8Gbps；集成MU-MIMO、4096QAM调制技术，6GHz频段支持320MHz带宽；提供PCIe Gen3接口和低功耗设计，兼容多种无线标准。电气特性包括1.8V/1.2V可编程GPIO、76.8MHz时钟源要求，以及详细的射频性能参数。该芯片通过多链路操作和动态频率选择等先进功能，实现高性能无线连接。
人工智能专题：迈向人工智能新时代
今天分享的是深度研究报告：《页精选报告来源/公众号：海选智库。
100天精通Python（基础篇）——第3天：运算符全解析（算术运算符、比较运算符、逻辑运算符、赋值运算符及其优先级规则）
100天精通Python（基础篇）——第3天：运算符全解析（算术运算符、比较运算符、逻辑运算符、赋值运算符及其优先级规则）
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
DeepSeek十大关键问题解读
—技术与开源：DeepSeek优化模型结构（MLA+MOE、MTP）、模型训练方法（DualPipe）、针对性GPU优化（FP8混合精度等）等内容，降低了训练成本，同时进行开源，各下游企业可以直接通过本地部署或云端调用，降低了调用成本。——Jevons悖论：短期训练侧算力需求或受影响，但DeepSeek推理价格下降吸引更多用户调用模型，带来英伟达H100 GPU的租赁价格提升，故表明算力需求量短期仍呈提升趋势，中长期推理算力需求有望持续增长。——多模态模型大规模应用，或将升级算力需求。
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")
AI技术突破：算力与智能的双重革命重塑未来
人工智能技术正经历算力与算法的双重革命。从芯片制程迭代到量子计算突破，算力基础设施的指数级增长为千亿参数大模型提供动力。而大模型的多模态融合及自主进化能力的涌现，推动AI从专用工具向通用智能的跃迁。这两者的协同驱动产业发生变革。预计到2025年，中国数字经济规模将突破55万亿元，但伦理挑战与安全风险亦需全球协同应对。本文通过技术演进路径、产业影响图谱与典型案例，解析这场技术革命的核心逻辑与未来方向。
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
腾讯HunyuanVideo 1.5开源：83亿参数轻量模型重塑视频生成生态
腾讯混元视频生成模型HunyuanVideo 1.5于2025年11月21日正式开源，以83亿参数规模实现消费级硬件部署，推动AI视频创作从专业领域向中小企业及个人创作者普及。 ## 行业现状：视频生成技术的双轨竞争 2025年全球AI视频生成市场呈现爆发式增长，规模已从2024年的6.15亿美元增长至7.17亿美元，预计2032年将达到25.63亿美元，年复合增长率维持在20%。行业呈现"技术
人工智能行业专题报告：大模型APP，AI时代第一个爆款｜附33页PDF文件下载
OpenAI代表闭源生态的技术中心主义，通过“技术-爆品”实现用户脉冲式增长，至今MAU突破10亿。ChatGPT自2022年11月问世，通过模型能力提升和创新玩法不断打造爆品，例如2024年革命性多模态GPT-4o；2025年Deep Research、GPT5、Sora 2等产品，使得用户加速增长。从ChatGPT发布至2025年9月，ChatGPT用户发送消息数量增长了7倍以上；而在2024年7月到2025年7月一年间，ChatGPT用户发送的消息数量增长了5倍以上。token增长的背后，是较高的粘性
区块链在未来五年里的趋势
几乎在你能想到的每一个行业，区块链都准备好了要淘汰中间商，大幅提高透明度，并成倍提高全球无数交易的效率。虽然区块链以其在加密货币中的应用而闻名，但它正处于供应链、医疗、选举和房地产等领域发生根本性变革的风口上。 ...
2025年AI发展全景透视：一名技术布道者的深度观察与实战指南
2. **自主可控方案**：华为昇腾与沐曦集成电路开发的FPGA芯片，性能达到A100的85%，支撑金融、交通等关键领域国产化替代。- **人机协作范式革新**：医生与AI协同诊断时，系统会标注置信区间并推荐验证方案，避免“黑箱决策”引发的信任危机。- **就业冲击**：预计2025年15%的基层岗位将被AI替代，但同时也催生“AI训练师”“伦理审计员”等新兴职业。- **数据隐私**：采用“端云协同”架构，敏感数据存储于本地，通用计算交由云端，用户可自主控制隐私边界。
交通大模型专题汇总（2024-05-05更新）
40个常见知识模型。
微服务2017年度报告出炉：4大客户画像，15%传统企业已领跑
开篇：如果在诸多热门云计算技术中，诸如容器、微服务、DevOps、OpenStack 等，找出一个最火的方向，那么非微服务莫属。尽管话题炙手可热，但对传统行业来说，微服务落地和方法论目前处于起步阶段。本报告于2017年11月份展开，从驱动因素、落地现状、和容器关系、架构体系、未来趋势和落地方法论等方面对微服务进行了分析。希望能够为传统企业微服务决策、规划和实施提供依据和解决办法。一、驱动因素传统行
从浆板水花到算力爆炸，Sora2揭开OpenAI二次革命的序幕
它的核心价值并非简单地生成更逼真、更连贯的视频，而在于它首次大规模地验证了构建“世界模型”（World Model）的技术可行性，这标志着AI正从一个被动响应、处理信息的内容工具，演变为一个能够主动理解、预测并模拟物理世界规则的“现实引擎”（Reality Engine），并进一步影响到真实的人类世界，人类开始广泛接纳AI生成的视频内容，成为社交媒体的一部分。例如，在视频剪辑软件中加入AI抠图，在文档工具中加入AI写作助手，但在这些应用中，AI是辅助性的，核心流程依然是用户与传统软件界面的交互。
RWA发行革命：两种模式如何击碎传统资产高墙？
当一座价值10亿元的风电场被拆解为1000万份数字代币，每个代币仅需100元即可购买；当一幅价值连城的艺术名作被分割为数万份NFT，普通投资者也能成为“虚拟藏家”；当私募基金的投资门槛从500万美元骤降至2万美元……这些曾被视为“天方夜谭”的场景，正通过RWA（现实世界资产代币化）技术成为现实。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5958
扫一扫
