思腾云计算

最新推荐文章于 2025-07-25 21:23:58 发布
最新推荐文章于 2025-07-25 21:23:58 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
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
07-24 723
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。
CNN实战案例：从图像识别到医疗诊断
keny-大成的博客
07-23 979
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。
无源域自适应综合研究【2】
weixin_52201996的博客
07-24 818
这篇论文为SFUDA领域提供了全面且系统的综述，不仅有助于研究人员快速了解该领域的研究现状和应用情况，还为未来的研究指明了方向。其分类方法和对未来方向的探讨具有重要的参考价值，可推动SFUDA在更多实际场景中的应用和发展。原文题目：Source-Free Unsupervised Domain Adaptation: Current research and future directions请大家自行搜索阅读原论文。
卷积神经网络：模型评估标准
m53421的博客
07-23 661
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
07-23 503
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。
07-25 508
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
07-25 530
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。
储粮温度预测新方案！FEBL模型用代码实现：LSTM+注意力+岭回归的完整流程
最新发布
2301_76444133的博客
07-25 319
本文提出了一种特征增强型宽度学习（FEBL）模型用于储粮温度预测。该模型结合LSTM提取时序特征，通过多头自注意力机制增强关键特征，并采用宽度学习系统扩展模型容量。数据处理阶段使用滑动窗口构建时序数据集，并进行归一化处理。模型整合特征增强模块和宽度学习系统，最后采用岭回归计算输出权重以避免过拟合。实验结果表明，该方法能有效预测储粮温度，评价指标包括MAE、RMSE和MAPE。该方案为储粮温度监控提供了新的深度学习解决方案。
多层感知机（深度学习-李沐-学习笔记）
gyeolhada的博客
07-25 439
多层感知机（深度学习-李沐-学习笔记）
RNN模型数学推导过程（笔记）
niki_yang
07-25 157
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。
【AI学习从零至壹】Transformer
weixin_53831496的博客
07-22 1061
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。
CNN正则化：Dropout与DropBlock对比
qq_45464126的博客
07-23 942
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。
【Pytorch实战教程】torchvision.datasets.ImageFolder的详细用法介绍
若北辰
07-25 42
【Pytorch实战教程】torchvision.datasets.ImageFolder的详细用法介绍
深度学习中的Dropout技术
qq_45464126的博客
07-23 1071
摘要： Dropout是一种深度学习中常用的正则化技术，通过在训练时随机"丢弃"部分神经元（保留概率p通常为0.5），缓解过拟合。其核心原理是减少神经元间的共适应性和近似集成学习。测试时需保持输出期望一致，可采用Inverted Dropout（训练时缩放输出）简化计算。针对不同网络结构有SpatialDropout（CNN）、AlphaDropout（自归一化网络）等变体。Dropout简单高效，但会延长训练时间，且不适用于所有任务（如生成模型）。PyTorch等框架默认使用Inver
初识卷积神经网络CNN
2301_79797055的博客
07-22 1260
本文摘要：卷积神经网络(CNN)通过局部感知和权重共享机制有效解决了全连接神经网络在处理图像时的局限。文章详细介绍了CNN的核心组件：卷积层通过滑动窗口(卷积核)提取局部特征，池化层降低维度保留关键信息，多通道处理机制适应不同图像格式。关键概念包括通道数、卷积运算规则、填充与步幅对输出尺寸的影响。最后以MNIST手写数字识别为例，展示了包含卷积层、池化层和全连接层的典型CNN实现代码。CNN通过这种特殊结构大幅减少了参数数量，在保持图像空间信息的同时提高了计算效率和模型泛化能力。
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