思腾云计算

最新推荐文章于 2025-07-08 22:29:35 发布
最新推荐文章于 2025-07-08 22:29:35 发布
阅读量204 收藏
点赞数 2
CC 4.0 BY-SA版权
文章标签： 深度学习 神经网络 机器学习 人工智能 自然语言处理
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。
本文链接：https://blog.youkuaiyun.com/STGPU/article/details/137490903
思腾云计算中心，位于内蒙古包头，凭借其完善的基础设施和高规格设计，提供裸金属GPU算力租赁服务，作为国家算力枢纽节点之一，预计将带动大量投资。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

思腾云计算中心 | ，基础设施完善，提供裸金属GPU算力租赁业务
思腾云计算中心是一家位于内蒙古包头的云计算中心，占地2400平米，拥有IDC/ISP服务经营资质，提供云计算服务和数据中心建设等服务。思腾云计算中心基础设施等级标准高，采用模块化设计，控制模块冗余设计等技术，拥有7英寸触摸彩屏和NetEco全网监控系统等。思腾云计算中心位于京津冀、长三角、粤港澳大湾区、成渝、内蒙古、贵州、甘肃、宁夏等地启动的国家算力枢纽节点，将带动4000亿元人民币投资。

STGPU
关注
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...
海光服务器
05-30
例如，思腾合力推出的 CH2D20-HA 服务器基于 Hygon 7300 系列处理器开发，是一款全新的企业级高性能双路 GPU 服务器，专为需要强大计算能力的企业设计[^2]。此外，海光 5000 系列处理器主要面向边缘计算和分布式存储...
深度学习-多分类
2301_80349130的博客
07-08 922
交叉熵损失函数与逻辑回归中的损失函数效果相同，都是为如何调整参数指明方向，即通过求取梯度，调整参数使损失函数的值逼近0，只是交叉熵损失函数用在多分类中。在这个模型中没有隐藏层，这是一个单层神经网络（也称为 Softmax 回归或多元逻辑回归），是直接从784个输出特征到，输出层的十个输出神经元。(乘的时候按类，分开乘了，0*log or 1*log ,单个样本，最终结果取决于那个唯一的1*log的值)softmax_output = exp(z_i) / sum(exp(z_j)) # 转换为概率分布。
卷积神经网络：池化层与全连接层深度解析
spinage的博客
07-08 556
卷积神经网络（CNN）通过​​层级化特征抽象​​实现视觉理解，其中池化层与全连接层是关键组件： ​​池化层​​（核心功能）：通过​​最大池化​​（保留显著特征）或​​平均池化​​（保留整体趋势）实现​​空间维​​，减少计算量增强模型​​平移不变性​​与​​噪声鲁棒性​​，扩大感受野全局池化（如GAP）可替代全连接层，生成固定长度特征向量全连接层​​（分类引擎）：整合卷积特征的​​全局语义信息​​，通过权重矩阵映射到类别空间 传统结构参数量大易过拟合，现代设计用​​全局平均池化​​压缩参数
未来已来：美颜SDK如何通过深度学习实现个性化美颜形象？
wanyuekeji的博客
07-07 301
本篇文章深入探讨了美颜SDK如何借助深度学习技术，从传统滤镜进化为个性化美颜引擎。通过人脸识别、多维建模和实时渲染，美颜SDK正在帮助用户实现更加自然、定制化的美颜体验，广泛应用于直播、社交、电商等场景。未来的美颜不只是变好看，更是表达自我、彰显个性的方式。技术有温度，美不再千篇一律。
【AI大模型】循环神经网络（RNN）：序列建模的核心引擎
woaiyitiaochaiya的博客
07-07 1039
摘要：循环神经网络（RNN）是一类专为序列数据设计的神经网络，其核心创新是通过循环连接实现记忆功能。文章系统介绍了RNN的三层架构：基础理论（包括生物启发原理和数学表达）、三大变体（Vanilla RNN、LSTM和GRU）及其PyTorch实现，以及五大应用场景（时间序列预测、NLP、语音识别等）。针对训练挑战，提出了梯度裁剪、注意力机制等解决方案，并对比了RNN与Transformer的特性差异。最后展望了神经架构搜索等未来发展方向，强调RNN在实时系统等场景的不可替代性。全文以情感分析实战案例收尾，完
深度学习1（深度学习和机器学习的区别，神经网络）
锅挤小博客
07-03 670
人工神经网络(Artificial Neural Network，简写为ANN)也简称为神经网络(NN)。是一种模仿生物神经网络(动物的中枢神经系统，特别是大脑)结构和功能的 计算模型。分别输入层，输出层以及隐藏层。输入层是神经网络的“入口”，负责接收原始数据（如图像像素、文本词向量、传感器信号等）每一层隐藏层都会学习数据的不同抽象表示（如从边缘→纹理→物体部件→完整物体）将输入数据转换为神经网络可处理的数值形式（通常是向量或矩阵）输出层的设计需匹配具体任务（分类、回归、生成等）深度学习和机器学习都是。
Class5多层感知机的从零开始实现
qq_45325217的博客
07-04 222
【代码】Class5多层感知机的从零开始实现。
深度学习4(浅层神经网络)
锅挤小博客
07-05 1075
浅层神经网络通常指仅含1个隐藏层的神经网络，是早期神经网络的基础形态。输入层 → 隐藏层 → 输出层。其隐藏层一般含有多个神经元，输出层有一个神经元。为方便理解，每个神经元都可看作一次逻辑回归（可能不准确，但方便理解）。输入层（Input Layer）：接收原始数据（如图像像素、数值特征等）。隐藏层（Hidden Layer）：仅1层，由多个神经元（Neurons）组成，每个神经元对输入数据进行加权求和并应用激活函数（如Sigmoid、ReLU）。输出层（Output Layer）
贝叶斯深度学习：赋予AI不确定性感知的认知革命
拒绝AI玄学，只聊真技术▲
07-03 823
传统深度学习：追求“最可能答案”贝叶斯深度学习：回答“答案的可信度是多少”其本质是让AI具备认知谦逊（Epistemic Humility）高风险决策（医疗、金融、自动驾驶）小样本学习（科学实验、罕见病诊断）开放环境感知（机器人应对未知场景）可解释性要求（司法、金融审计）随着计算硬件的进步和近似推断算法的成熟，贝叶斯深度学习正成为构建可信赖AI系统的核心支柱。本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。
深度学习--pytorch安装
2201_75762674的博客
07-07 920
计算机的"大脑"，负责执行程序指令和处理通用计算任务。
【第三章:神经网络原理详解与Pytorch入门】02.深度学习框架PyTorch入门-(5)PyTorch 实战——使用 RNN 进行人名分类
IT古董
07-06 402
本文介绍了使用PyTorch实现RNN进行人名分类任务的完整流程。首先通过Unicode标准化处理原始数据，构建字符级one-hot输入张量。然后实现了一个单层RNN模型，包含输入层、隐藏层和LogSoftmax输出层。训练过程采用负对数似然损失和手动梯度下降。最后展示了预测函数的使用方法，并建议扩展为LSTM/GRU模型，使用优化器以及可视化训练过程。该案例完整呈现了字符级序列分类任务的实现要点。
深度学习前置知识全面解析：从机器学习到深度学习的进阶之路
wyy202206174248的博客
07-04 839
机器学习是使计算机系统能够从数据中"学习"并改进性能而不需要明确编程的科学领域。Tom Mitchell教授给出的经典定义是："一个计算机程序被称为从经验E中学习某些任务T和性能度量P，如果它在T上的性能（由P度量）随着经验E的提高而提高。监督学习(Supervised Learning)：模型从带有标签的训练数据中学习，目标是学习输入到输出的映射关系。典型算法包括：线性回归逻辑回归支持向量机(SVM)决策树和随机森林无监督学习(Unsupervised Learning)
Transformer-BiGRU、Transformer、CNN-BiGRU、BiGRU、CNN五模型回归预测对比，Matlab代码实现
最新发布
机器学习之心的博客，关注并私信文章链接，获取对应文章源码和数据。
07-08 781
Transformer-BiGRU、Transformer、CNN-BiGRU、BiGRU、CNN五模型回归预测对比，Matlab代码实现
李宏毅genai笔记：模型编辑
qq_40206371的博客
07-07 168
0 和post training的区别。
【深度学习新浪潮】什么是蛋白质反向折叠模型？
agito_cheung的博客
07-08 30
蛋白质反向折叠模型（Inverse Folding Model）是一种通过给定蛋白质三维结构来设计或预测其氨基酸序列的计算方法，属于领域。其核心目标是解决“逆向折叠问题”——即如何从目标结构出发，找到能稳定折叠成该结构的氨基酸序列。这一模型的应用场景广泛，包括酶工程、药物设计、疫苗开发以及新型蛋白质材料的研发等。
论文解读：《DeepGray：基于灰度图像和深度学习的恶意软件分类方法》
罗斯839的博客
07-04 730
这篇论文提出了一种创新的二进制恶意样本分类方法DeepGrey，将二进制文件转换为灰度图像后利用计算机视觉技术进行分类。关键步骤包括：将二进制数据按字节转换为灰度像素值，重组为二维矩阵并使用PCA和双三次插值统一降维至512×512尺寸；将灰度图转换为RGB格式后，改造VGG16等预训练模型（移除原分类层并添加恶意软件分类层）进行训练。该方法通过图像处理技术简化了传统检测方法难以应对的恶意软件变异问题，但效果仍受训练数据质量和规模影响。虽然存在误报/漏报问题，其创新思路为应对复杂攻击场景提供了新方向。
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