思腾云计算

最新推荐文章于 2025-07-22 21:20:35 发布
最新推荐文章于 2025-07-22 21:20:35 发布
阅读量149 收藏
点赞数 2
CC 4.0 BY-SA版权
文章标签： 目标检测 深度学习 机器学习 神经网络
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/138333613
思腾合力专注于为教育机构、研究机构和企业打造高性能服务器硬件、自研软件（包括监控、存储和AI云平台）、集成服务及弹性算力租赁，构建全面的IT解决方案。

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

思腾合力是一家定位于为高等院校、科研院所、企业提供思腾系列硬件加速计算服务器以及软件系统集成的公司。公司的主营业务：1.以思腾合力品牌的服务器硬件，从外形服务器从1U到4U到塔式。从算力服务器单个的计算卡到最多一台机器可以支持二十块运算卡。从单台服务器到多台服务器集群；2.思腾自研的软件，一个是服务器监控软件，二是分布式存储软件，三是SCM（人工智能私有云平台）；3.集成服务，集合自研软硬件以及网络、存储为用户提供的整体的算力解决方案。同时还有裸金属算力租赁服务，我们有自己的云计算服务中心，可为用户提供弹性的算力租赁服务。

 作者：思腾云计算GPU服务器 https://www.bilibili.com/read/cv26220206/ 出处：bilibili

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...
深度学习方法生成抓取位姿与6D姿态估计的完整实现
ZPC8210的博客
07-20 936
如何将GraspNet等深度学习模型与6D姿态估计集成到ROS2和MoveIt中，实现高精度的机器人抓取系统。
卷积神经网络中的注意力机制：CBAM详解与实践
wyy202206174248的博客
07-21 741
注意力机制源于人类视觉系统的工作方式 - 我们不会同时处理视野中的所有信息，而是选择性地聚焦于重要部分。在深度学习中，注意力机制通过动态调整特征图中不同位置或通道的重要性，使模型能够关注更有信息量的区域。CBAM作为一种简单有效的注意力机制，通过顺序应用通道和空间注意力模块，显著提升了CNN模型的性能。本文详细介绍了CBAM的原理、PyTorch实现方法以及在不同任务中的应用方式。实验表明，CBAM能够以较小的计算代价带来明显的性能提升。未来发展方向：更高效的注意力计算方式。
30天打牢数模基础-循环神经网络讲解
小叶的趣味数模
07-21 222
显示每轮训练的损失（loss）和准确率（accuracy），验证集的损失（val_loss）和准确率（val_accuracy）；：如果训练集准确率很高（如100%）但测试集准确率很低（如50%），说明模型过拟合，可以减少训练轮次或增加数据。：如果有主题标签（如“思乡”“山水”），可以将其作为额外特征加入模型（需修改模型结构为函数式API）。：显示测试集输入唐诗前半部分的预测结果（如输入“慈母手中线，游子身上”，预测“衣”）。：显示模型能识别的所有字符（如“床”“前”“明”等）；
Zetane：让深度学习不再抽象，一键3D可视化
weixin_64110589的博客
07-21 277
Zetane Systems是一家专注于AI模型可视化的加拿大公司，成立于2016年。其核心产品Zetane Engine通过3D可视化技术解决深度学习"黑箱"问题，支持ONNX、Keras等格式模型的可视化分析，提供多维度张量投影、特征图视图等功能。用户可从官网下载Windows/Linux/Mac版本，实现AI模型的交互式探索和内部机制解析。
深度学习 -- 梯度计算及上下文控制
m0_73338216的博客
07-21 650
本文介绍了PyTorch中的自动微分和梯度计算相关内容。主要内容包括： 自动微分基础概念： 张量的requires_grad属性控制是否计算梯度 计算图动态跟踪张量操作 叶子节点与非叶子节点区分 梯度计算方法： 标量梯度计算 向量梯度计算及推导过程 多标量和多向量梯度计算 梯度上下文控制： 使用torch.no_grad()控制梯度计算 梯度累加特性及清零方法 应用案例： 使用梯度下降法求函数最小值 线性回归参数求解实现 文章通过代码示例详细展示了PyTorch自动微分机制的核心功能和使用方法，为神经网络训
Python构建AI数独求解器：从回溯算法到深度学习
wdracky的专栏
07-19 913
本文探讨了数独的数学特性与Python实现AI求解器的技术方案。数独作为NP完全问题，具有约6.67×10²¹种有效布局，最小有效提示数为17。文章详细介绍了五种Python求解算法：基础回溯法、约束传播优化、舞蹈链算法、遗传算法和CNN模型，其中舞蹈链算法在传统算法中表现最优（平均9.7ms），CNN在简单谜题上速度最快（1.2ms）。同时提供了数独生成器实现、PyGame可视化界面和Flask WebAPI服务，并探讨了图神经网络和强化学习等前沿方法。不同算法适用于不同场景：精确求解推荐舞蹈链，实时应用
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
最新发布
AI的内部世界的博客
07-22 876
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。
DataLoader
2303_80480614的博客
07-18 492
在 PyTorch 中，DataLoader是torch.utils.data模块中的一个重要类，用于将数据集包装成可迭代对象，在训练和测试模型时提供了高效、便捷的数据加载和批处理功能。
预测导管原位癌浸润性复发的深度学习：利用组织病理学图像和临床特征
浪漫的诗人博客
07-18 1390
【 DCIS与IBC的关联】乳腺导管原位癌（DCIS）可发展为同侧浸润性乳腺癌（IBC），但超过 75% 的 DCIS 病变如不治疗则不会发展。【深度学习模型的探索】为筛选低风险DCIS，利用组织学全切片图像（WSI）和临床病理数据开发了深度学习模型。
【CNN】自定义CNN模型
2302_77326347的博客
07-22 396
print("模型构建：\n",model)过于繁琐 推荐使用nn.Sequentia来进行改进。是Pyroch的容器类模块，按顺序组织多个神经网络层（nn.Module的子类） 安装顺序依次执行这些层。语法nn.ReLU(),#等价于return x使用nn.Sequential的好处代码简洁：不用手动写forward函数，每一层自动按顺序执行结构清晰：适合构建线性堆叠结构的网络易于调试：像列表一样访问各个层，例如model[0]表示第一个层nn.ReLU(),nn.ReLU(),
【人工智能99问】卷积神经网络（CNN）的结构和原理是什么？(10/99)
EnHengNa的博客
07-20 905
CNN通过“局部感受野”“权值共享”和“层级特征提取”，成为处理网格数据的核心工具。从手写数字识别到自动驾驶，其在计算机视觉领域的应用已深入生活，且随着模型深度和效率的提升，未来将在更多交叉领域（如生物信息、遥感）发挥作用。
【CNN】卷积神经网络池化- part2
2302_77326347的博客
07-21 254
1.池化降采样，减少参数数量，避免过拟合，提高鲁棒性2.池化操作池化操作(也称为下采样，Subsampling)类似卷积操作，使用的也是一个很小的矩阵，叫做池化核，但是池化核本身没有参数，只是通过对输入特征矩阵本身进行运算，它的大小通常是2x2、3x3、4x4等，其中。然后将池化核在卷积得到的输出特征图中进行池化操作，需要注意的是，池化的过程中也有Padding方式以及步长的概念，与卷积不同的是，。
深度学习中的数据增强：从理论到实践
2301_76849908的博客
07-21 601
数据增强是一种简单有效的正则化方法，通过对现有数据进行合理变换，可以显著提高模型的泛化能力。在实际应用中，通常会组合多种增强方法，形成一个数据增强流水线。合理使用数据增强，可以在不增加原始数据的情况下，有效缓解过拟合问题，提高模型性能。随机旋转（RandomRotation）：随机旋转图像一定角度transforms.RandomRotation(degrees=30) # 随机旋转±30度颜色抖动（ColorJitter）：随机调整亮度、对比度、饱和度和色调。
基于LSTM的时间序列到时间序列的回归模拟
07-19 1004
本项目开发了一个基于LSTM的序列到序列（Seq2Seq）模型，用于时间序列回归任务。通过多Excel文件数据预处理（归一化、数据集构建）和留一交叉验证训练策略，模型采用编码器-解码器架构捕捉时间依赖性。使用MSE损失函数和Adam优化器，通过早停机制防止过拟合。评估指标包括MSE、MAE和R²，并提供了预测函数和可视化功能。最终模型表现良好，未来可探索更复杂架构和超参数优化。该模型为时间序列预测提供了有效解决方案。
【锂电池剩余寿命预测】TCN时间卷积神经网络锂电池剩余寿命预测（Pytorch完整源码和数据）
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。
07-18 117
【锂电池剩余寿命预测】TCN时间卷积神经网络锂电池剩余寿命预测（Pytorch完整源码和数据）
深度学习 ---参数初始化以及损失函数
m0_73338216的博客
07-22 87
深度学习参数初始化与损失函数摘要 参数初始化是深度学习模型训练的关键步骤，对训练速度和性能有重要影响。固定值初始化（全0、全1或常数）会导致对称性问题，降低模型表达能力，通常不推荐使用。随机初始化（均匀或正态分布）能打破对称性，加速收敛，但需合理选择初始化范围以避免梯度问题。不同激活函数需要匹配的初始化策略（如ReLU适合He初始化，Sigmoid/Tanh适合Xavier初始化）。实际应用中，小范围随机初始化是主流方法，需根据网络深度和激活函数调整参数分布。
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