思腾云计算

最新推荐文章于 2025-07-24 20:17:49 发布
最新推荐文章于 2025-07-24 20:17:49 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...
服务器2U2S是什么意思
最新发布
07-25
例如，思腾合力的 CH2D20-HA 服务器基于 Hygon 7300 系列处理器，是一款双路 GPU 服务器，适用于对数据处理有高要求的企业级用户[^1]。 结合这些信息，“2U2S”通常描述的是一款高度为 2U、支持双路处理器的企业级...
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...
基于深度学习的胸部 X 光图像肺炎分类系统（二）
wh_xia_jun的专栏
07-24 443
不是固定公式：没有 “必须 21 层” 的规定，就像盖房子，3 层能住，5 层也能住，看需求。经验为主：人们发现处理这类 X 光片（中等复杂度的图片），用 4 个卷积块（16 层）+ 简单分类器（5 层）比较合适：少于 10 层：可能 “看不透” 细节（比如小的肺炎阴影抓不到）。多于 30 层：电脑要算很久，还可能 “想太多”（把正常的纹理当成肺炎特征）。试出来的：程序员可能一开始试了 10 层，发现效果不好（漏诊多）；又试了 30 层，发现太慢还容易错；最后调到 21 层，效果和效率比较平衡。
卷积神经网络中的注意力机制：CBAM详解与实践
wyy202206174248的博客
07-21 927
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。
CNN实战案例：从图像识别到医疗诊断
keny-大成的博客
07-23 966
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。
卷积神经网络：模型评估标准
m53421的博客
07-23 539
真正例率（TPR，又称灵敏度、召回率）真实正例中被正确预测为正例的比例，反映模型对正例的识别能力。假正例率（FPR，又称 1 - 特异度）真实负例中被错误预测为正例的比例，反映模型的误判率。（注：TP、TN、FP、FN 的定义见混淆矩阵相关内容）
【CNN】LeNet网络架构
2302_77326347的博客
07-23 437
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。
30天打牢数模基础-循环神经网络讲解
小叶的趣味数模
07-21 342
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）；
深度学习 -- 梯度计算及上下文控制
m0_73338216的博客
07-21 731
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
Zetane：让深度学习不再抽象，一键3D可视化
weixin_64110589的博客
07-21 375
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。
CNN正则化：Dropout与DropBlock对比
qq_45464126的博客
07-23 739
Dropout和DropBlock是CNN中常用的正则化技术，但存在显著差异。Dropout随机失活单个神经元，适用于全连接层但卷积层效果有限；而DropBlock丢弃特征图中的连续空间块，破坏空间局部性，强制模型学习更全局的特征，在图像分类、分割等任务中表现更优。两者推理时均需调整输出，但DropBlock专为卷积网络设计，通过块级失活提供更强的正则化效果。
循环神经网络--LSTM模型
2201_75762674的博客
07-24 526
所用的数据集是关于酒店的中文评价，数据量为5265条，其中2822条好评，其余的均为差评。我们目的就是利用LSTM和全连接实现自定义网络结构对数据集进行训练，然后实现中文评论的情感分析，分析评论是正面的还是负面的。
[深度学习] 大模型学习3下-模型训练与微调
You and Me
07-23 876
前面提到大语言模型发布时通常会推出基础版与对话版两个版本。其中，基础模型是经过大规模语料无监督预训练的模型，这类模型虽然学习了大量通用知识，但没有经过任何行为指导；而对话模型则是专门为用户交互构建的，通常采用提问与回答的格式，它是在基础模型的基础上，通过指令监督微调与基于人类反馈的强化学习进行优化得到的，能够与人进行对话，并且输出的结果更加符合预期、更易于控制，也更加安全。想让大语言模型理解并生成好的对话，需要给它一个清晰的“剧本”，这就是 Chat Template（聊天模板）。
【CNN】自定义CNN模型
2302_77326347的博客
07-22 637
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(),
基于深度学习的胸部 X 光图像肺炎分类系统（四）
wh_xia_jun的专栏
07-24 617
ROC 曲线以。
深度学习，如何去除视频字幕
waterHBO的博客
07-24 756
你提出了一个非常棒且具有挑战性的问题，这正是从简单的视频处理迈向高级计算机视觉的绝佳案例。你视频上的字幕属于，意味着字幕的像素已经和视频画面的像素“烤”在了一起，成为了图像本身的一部分。这与可以随时打开或关闭的“软字幕”(Soft Subs)完全不同。因此，去除硬字幕的本质是一个或问题：你需要智能地“抹掉”字幕区域，并用合乎逻辑的背景内容将其填充。
【CNN】卷积神经网络池化- part2
2302_77326347的博客
07-21 269
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，。
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 jupyter notebook ``` #### 启动服务 启动Jupyter服务前，建议创建一个新的虚拟环境来隔离不同项目的包管理。之后通过下面的指令开启Jupyter的服务端口并设置访问密码。 ```bash jupyter notebook --generate-config jupyter notebook password ``` 对于安全性和远程访问的需求，可以通过修改`~/.jupyter/jupyter_notebook_config.py`文件中的参数实现更细粒度的安全控制和网络配置调整。 #### 文件上传与项目构建 当涉及到具体的文件传输任务时，如向思腾合力SCM平台上传数据集或模型镜像等资源，则可参照官方文档说明执行相应的SCP/SFTP协议下的文件传送动作。此外，利用Python内置模块`os`, `shutil`也可以简化本地到云端的数据同步过程。 #### 提交作业流程 针对批量处理需求或是自动化调度场景下，编写Shell脚本配合Cron定时器成为了一种高效的方式。而对于交互式的编程体验而言，直接在Notebook单元格内运行代码片段即可满足大多数情况的要求。 #### 常见问题解答 如果遇到连接超时、权限不足等问题，检查防火墙规则以及SSH密钥认证状态是非常重要的排查方向之一；另外确认目标主机上的相应端口号未被占用也十分必要。 ```python import os print(os.getcwd()) # 打印当前工作目录路径 ```
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