思腾云计算

最新推荐文章于 2025-07-26 23:18:16 发布
原创 最新推荐文章于 2025-07-26 23:18:16 发布 · 392 阅读 · 7 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #神经网络 #机器学习 #数据挖掘 #语音识别 #计算机视觉 #人工智能

近年来，云计算中心为人们日常生活和工作带来了前所未有的便捷和效率。随着云计算技术的普及，云计算中心的运维越来越成为关注焦点。为了保障业务的高可用性和稳定性，思腾合力特别设立了一个由专业运维团队组成的部门，负责云计算中心24小时运维及日常维护，确保系统稳定高效运转，为用户提供优质服务

STGPU
关注
思腾多功能网络教室整体解决方案.doc
05-02
思腾多功能网络教室整体解决方案，由广东思腾信息技术有限公司提出，旨在解决网络计算机（NC）在教育行业中应用的诸多局限。在概述中，解决方案指出随着国产CPU的研发成功和批量生产，网络计算机在国内市场日益兴盛...
合力思腾：2019年半年度报告.PDF
05-30
这表明合力思腾在云计算领域具有较强的技术积累和创新能力。 2. **质量管理与社会责任**：在2019年上半年，合力思腾的子公司网鼎明天顺利通过了GB/T 24001环境管理体系和GB/T 28001职业健康安全管理体系的年度监督...
只有做好物流才有精益JIT——聚思腾制造行业解决方案.pdf
05-13
聚思腾信息技术有限公司，作为领先的供应链管理解决方案提供商，提出了“只有做好物流才有精益JIT”的制造行业解决方案。通过深入分析和大量的业务实践，聚思腾认为要达到精益生产的目标，企业需要重视供应链系统...
思腾合力 云服务器上传文件和镜像以及提交作业的详细教程
weixin_38638559的博客
08-08 2705
目录docker安装上传文件到集中式存储用docker制作镜像运行容器升级python到3.7.10 docker安装 参考1 参考2 上传文件到集中式存储 直接上传文件 如果文件夹过大，建议压缩以后再上传（这里上传的是.tar.xz压缩包）, 解压 xxx.tar.xz 文件 # 进入网页版SSH的挂载目录 $ cd /root/data # 用xz命令解压成tar包 $ xz -d xxx.tar.xz # 用tar命令解压完成 $ tar xvf xxx.tar 用scp上传文件
合力思腾：2019年年度报告.PDF
05-22
北京合力思腾科技股份有限公司2019年年度报告 本报告是北京合力思腾科技股份有限公司（以下简称“公司”）对2019年的年度报告。报告中披露了公司的发展情况、财务状况、管理层讨论与分析、重要事项、股东情况、融资...
CNN实战案例：从图像识别到医疗诊断
keny-大成的博客
07-23 984
本文介绍了基于SpringBoot与CNN（卷积神经网络）的30个应用实例，涵盖图像识别、医疗诊断和工业检测等领域。主要内容包括：1）典型应用场景如MNIST手写识别、医疗影像分析等，提供关键代码示例；2）CNN核心组件（卷积层、池化层等）和工作原理；3）经典网络架构如LeNet、ResNet；4）模型部署方案与性能优化技巧。文章强调从基础示例入手，结合实际需求调整模型架构，为开发者提供完整的CNN应用实现参考方案。
基于深度学习的胸部 X 光图像肺炎分类系统（七）
wh_xia_jun的专栏
07-26 187
评估结果总结=====")print(f"评估样本数只考虑有有效边界框的结果计算关键指标print(f"平均平均重合度中位数中间水平标准差波动程度准确率（模型预测肺炎且实际有肺炎的比例）print(f"模型预测准确率肺炎绘制IoU分布直方图（看大多数样本的表现）label=f'平均值分布直方图')交并比(IoU)')频数')绘制预测概率与IoU的关系（看模型自信度和准确性是否相关）预测概率与IoU的关系')肺炎预测概率')交并比。
【CNN】LeNet网络架构
2302_77326347的博客
07-23 505
LeNet-5模型是由杨立昆（Yann LeCun）教授于1998年在论文Gradient-Based Learning Applied to Document Recognition中提出的，是一种用于手写体字符识别的非常高效的卷积神经网络，其实现过程如下图所示。原论文的经典的LeNet-5网络结构如下：各个结构作用：卷积层：提取特征图的特征，浅层的卷积提取的是一些纹路、轮廓等浅层的空间特征，对于深层的卷积，可以提取出深层次的空间特征。
深度学习篇---剪裁&缩放
道阻且长，行则将至。
07-25 629
深度学习图像预处理中，剪裁和缩放是关键操作：剪裁通过截取关键区域去除冗余信息，常用方法包括中心剪裁、随机剪裁和目标区域剪裁；缩放则通过插值算法统一图像尺寸，主要方法有最近邻、双线性和双三次插值。二者协同使用能有效提升模型训练效率和泛化能力，但需注意平衡细节保留与计算成本，避免过度处理导致特征丢失。实际应用中应根据任务需求选择合适的策略组合。
Inception网络架构：深度学习视觉模型的里程碑
2301_80338712的博客
07-25 685
本文深入探讨了谷歌研究团队开发的Inception网络架构，这一架构自2014年提出以来，对计算机视觉领域产生了深远影响。从最初的GoogLeNet（Inception v1）到后续的多个版本迭代，Inception系列网络不仅在ImageNet等图像分类竞赛中取得了卓越成绩，还引入了多个关键创新，如并行多尺度卷积结构、批量归一化技术和残差连接等。本文详细分析了Inception架构的演进历程、核心设计理念以及其在计算机视觉任务中的应用，同时探讨了该架构的优缺点及其对后续深度学习网络设计的启示。
【机器学习&深度学习】比较 LLaMA-Factory、vLLM 和 LMDeploy 的量化导出：为何 LLaMA-Factory 不是首选？
qq_62223405的博客
07-23 759
LLaMA-Factory 的量化导出功能受限于依赖复杂、格式支持少和量化质量优化不足，不适合高效部署。vLLM 提供灵活的量化支持和高吞吐量推理，但需外部工具预量化。LMDeploy 以 AWQ 量化和 TurboMind 引擎实现极致性能，部署流程简单，适合生产环境。开发者应根据硬件、推理需求和部署场景选择合适的工具，推荐优先考虑 LMDeploy 或 vLLM 以实现高效量化导出和推理。
多层感知机（深度学习-李沐-学习笔记）
gyeolhada的博客
07-25 657
多层感知机（深度学习-李沐-学习笔记）
开源深度学习新宠：Burn框架助您无忧高效建模
weixin_44626085的博客
07-23 865
摘要： Burn是一款基于Rust的新兴深度学习框架，以高性能、灵活性和跨平台支持为核心优势。其通过自动内核融合、异步执行、智能内存管理等技术优化计算效率，并支持多种硬件后端（如CUDA、Metal、Vulkan等）。Burn还提供线程安全训练、ONNX模型兼容性及浏览器推理能力，简化了从开发到部署的全流程。与TensorFlow/PyTorch相比，Burn凭借Rust的零成本抽象和所有权模型，在安全性与性能上表现突出，成为深度学习领域值得关注的新选择。
RNN模型数学推导过程（笔记）
niki_yang
07-25 186
RNN按顺序处理输入序列。每个序列元素在特定的t被输入网络。这是RNN的“记忆”或“状态”所在。它是一个向量（h_t），总结了从序列开始（t=0）到当前时间步t所处理过的所有信息。h_t被传递给下一个时间步t+1，用于计算h_{t+1}。在时间步t，网络接收该时间步的输入向量x_t。在时间步t，网络可以产生一个输出向量y_t（例如，预测下一个词、分类当前情绪等）。y_t通常基于当前的隐藏状态h_t计算得出。
基于卷积神经网络与小波变换的医学图像超分辨率算法复现
AI的内部世界的博客
07-22 1327
本文提出了一种结合卷积神经网络、小波变换和自注意力机制的医学图像超分辨率算法。网络采用编码器-解码器结构，核心模块是残差小波注意力块(RWAB)，通过小波分解处理多频特征，并引入通道注意力机制增强特征表达能力。自注意力模块用于捕捉全局依赖关系，损失函数结合L1损失和感知损失。实验结果表明，该方法能有效提升医学图像分辨率，保留重要细节信息。文章详细介绍了网络结构和关键模块的PyTorch实现，包括小波变换层、通道注意力机制和自注意力模块等核心组件的代码实现。
定义损失函数并以此训练和评估模型
Frost_Descent的博客
07-24 1330
损失函数计算模型输出和目标之间的距离。Pytorch 中的 optim 包提供了各种优化算法的实现，例如SGD、Adam、RMSprop 等。通过torch.nn 包可以定义一个负对数似然损失函数，负对数似然损失对于训练具有多个类的分类问题比较有效，负对数似然损失函数的输入为对数概率，而在模型搭建的输出层部分接触过log_softmax，它能从模型中获取对数概率。break得到一个测试值定义一个Adam优化器，优化器的输入是模型参数和学习率。
【AI学习从零至壹】Transformer
weixin_53831496的博客
07-22 1091
Transformer架构已经成为许多应⽤中的主导架构，它堆叠了许多层“self-attentionˮ模块。同⼀层中对每个模块使⽤标量积来计算其查询向量与该层中其他模块的关键向量之间的匹配。匹配被归⼀化为总和1，然后使⽤产⽣的标量系数来形成前⼀层中其他模块产⽣的值向量的凸组合。结果向量形成下⼀计算阶段的模块的输⼊。
AI使能的SVD算子：基于深度学习的矩阵分解方法
最新发布
huanghm88的专栏
07-26 182
奇异值分解(Singular Value Decomposition, SVD)是线性代数中一种重要的矩阵分解方法，广泛应用于信号处理、数据降维、推荐系统等领域。传统SVD算法虽然精确，但在处理大规模矩阵时面临计算复杂度高、内存需求大等问题。本文提出了一种基于深度学习神经网络的SVD算子实现方法，完全摒弃传统数值算法，仅使用PyTorch框架构建的神经网络模型来完成大规模信道矩阵的SVD分解与还原。
思腾合力scm jupyter
01-17
### 思腾合力SCM与Jupyter集成使用指南 #### 配置环境 为了使思腾合力SCM能够支持Jupyter Notebook，需先安装必要的依赖库。通常情况下，在云服务器环境中操作如下命令可以完成基本配置[^1]： ```bash pip install...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值