思腾云计算

最新推荐文章于 2025-12-03 19:28:51 发布
原创 最新推荐文章于 2025-12-03 19:28:51 发布 · 238 阅读 · 0 ·
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：

#目标检测 #深度学习 #机器学习 #数据挖掘 #人工智能 #自然语言处理

思腾云计算中心，公司新增裸金属服务器租赁和公有云业务，具备高性价比、高性能、可定制、弹性灵活等优势，适用于高安全和监管要求、高性能计算、核心数据库等场景。思腾合力现已形成以天津为生产及研发基地、以北京为营销中心、以南京、深圳、成都、武汉、西安、包头覆盖全国主要区域的营销和售后服务机构，为更全面地服务客户提供了有力保障。

 作者：思腾云计算GPU服务器 https://www.bilibili.com/read/cv28450301/ 出处：bilibili

STGPU
关注
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 2771
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
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...
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...
【卷积神经网络】卷积层、池化层、全连接层
一杯水果茶！足矣~
11-29 1737
卷积神经网络通过三维输入数据（h×w×c）直接提取特征，相比传统神经网络能更好地保留空间信息。其核心架构包含卷积层、池化层和全连接层，其中只有带权重参数的层（如卷积层和全连接层）计入网络深度。卷积层通过滑动窗口、步长调节、边缘填充和多核设计实现多层次特征提取，小卷积核堆叠既能扩大感受野又能减少参数量。感受野随网络深度递推增长，计算公式为RF_new = RF_prev + (k-1)×S_prev，这种层级结构使浅层提取局部特征，深层捕获全局特征。
【人工智能】【深度学习】④ Stable Diffusion核心算法解析：从DDPM到文本生成图像的飞跃
xiezhiyi007的专栏
12-02 767
Stable Diffusion是AI绘画领域的革命性技术，其核心基于扩散模型：通过"拆快递"式的噪声添加（前向扩散）和"拼乐高"式的逐步去噪（逆向过程），实现从噪声到图像的构建。本文用快递分拣、乐高拼装等生活化类比，解析CLIP文本编码器（翻译文字指令）、VAE（图像压缩）和U-Net（智能拼图）三大核心组件。相比传统GAN模型，它避免模式崩溃，提升语义理解能力，成为文本生成图像的黄金标准。通过代码与架构图解析，帮助开发者快速掌握这项技术的核心逻辑。
深度学习理论推导--多元线性回归
weixin_43719312的博客
12-02 530
本文介绍了多元线性回归的矩阵表示与求解方法。首先通过矩阵运算展示了如何从一元线性回归扩展到多元情形，推导出预测值的矩阵表达式。然后定义了残差平方和(RSS)的矩阵形式。最后详细阐述了利用链式法则对参数求导的过程，说明如何通过最小化残差平方和来求解最优参数。全文以矩阵运算为核心，展示了多元线性回归的简洁数学表达和求解思路。
深度学习理论推导--梯度下降法
weixin_43719312的博客
12-02 666
本文通过小猪体重增长的例子，生动解释了梯度下降法的原理。首先回顾线性回归的求解方法（最小二乘法和正规方程），指出非线性问题的局限性。然后以二元函数z=1+x+2y为例，通过微分推导证明：在微观尺度下，当增量方向与梯度方向一致时，函数增长最快。文中详细分析了不同方向上的增量变化，并用向量运算说明梯度方向的重要性。最后指出梯度向量∇z=[1,2]^T即为函数增长最快的方向，为后续讲解梯度下降法奠定了基础。
【动物识别系统】Python+TensorFlow+Django+人工智能+深度学习+卷积神经网络算法
子午的博客
12-01 408
动物识别系统，基于TensorFlow搭建Resnet50卷积神经网络算法，通过对4种常见的动物图片数据集（猫、鸡、马、狗）进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。技术栈项目前端使用Html、CSS、BootStrap搭建界面。后端基于Django处理逻辑请求基于Ajax实现前后端数据通信选题背景与意义在人工智能技术蓬勃发展的当下，动物识别作为计算机视觉领域的重要应用方向，有着广泛的实际需求，如动物保护监测、智能安防等场景均需精准高效的动物识别能力。
【光伏功率预测】EMD 分解 + PCA 降维 + LSTM 的联合建模与 Matlab 实现
专注AI大模型,软件混淆,授权
12-01 1324
本文提出一种基于EMD-PCA-LSTM的光伏功率预测方法，通过多尺度分解与深度学习结合解决光伏功率的非线性、非平稳性问题。首先利用EMD将功率序列分解为不同时间尺度的IMF分量，再结合辐照度、温度等外部特征构建特征矩阵，通过PCA降维后输入LSTM网络进行预测。Matlab实现流程包括数据预处理、EMD分解、PCA降维、LSTM建模等步骤，并给出完整的代码框架。实验结果表明该方法能有效提高预测精度，RMSE、MAE等指标表现良好。该方法可扩展加入更多特征和深度学习结构，为光伏功率预测提供有效解决方案。
深度学习1-软件安装
诚朴勇毅
12-03 191
为了研究深度学习与信号处理的结合，我又开始搞起了深度学习，博一的时候浅试过一次都失败了，这次打算学习一下Pytorch和一些最新的网络，好好做几篇论文。首先就是搭环境。我先安装了一个Anaconda，从网上搜了一大堆，我的理解是，Anaconda就是一个包管理器，因为pythoh版本太多了，而且要装的包也很多，各种包之间容易产生冲突，为了杜绝这个问题，我们可以安装一个Anaconda，它就像一个虚拟机，可以创建不同的操作系统，我们创建的不同任务和工程可以跑在不同的环境下。
Python连接云端Linux服务器进行远程 （后端开发/深度学习）时候的注意事项
少年何妨梦摘星，敢挽桑弓射玉衡。 他时若遂凌云志，敢笑黄巢不丈夫。
11-29 902
Python云端远程开发，遇到的相关的知识点。比如Linux以及shell的常用的命令，使用pyenv管理pyhton的版本！类似Vue使用nvm管理的！编写 `setup.py`？（配合 `-e .` 使用）Python连接云端Linux服务器进行远程 （后端开发/深度学习）时候的注意事项。深度学习，AI，神经网络，入门教程
【目标检测】基于卷积神经网络的轨道部件（扣件、轨枕、钢轨）缺陷检测算法研究
最新发布
Hai_Lang_IT的博客
12-03 394
基于卷积神经网络的轨道部件（扣件、轨枕、钢轨）缺陷检测算法，解决了轨道部件缺陷检测中的区域定位、微小缺陷识别和多类别缺陷分类问题，实现了高精度、高实时性的轨道部件缺陷检测功能。对于计算机专业、软件工程专业、人工智能专业、大数据专业的毕业生而言，选择一个合适的毕业设计选题至关重要。在这个毕业设计选题合集中，我们精心收集了各种有趣且具有挑战性的选题，旨在帮助学生们在毕业设计中展现他们的技术实力和创新能力。不论是对于对深度学习技术感兴趣的同学，还是希望探索机器学习、算法或人工智能的领域的同学，本合集都能为您提供丰
[论文笔记] End-to-End Audiovisual Fusion with LSTMs
2302_76169191的博客
12-03 349
本文是《End-to-end visual speech recognition with LSTMs》的进阶篇。它将基于 LSTM 的端到端架构从视觉（Visual）扩展到了视听（Audiovisual）领域，并将任务从单纯的“说话内容识别”扩展到“语音识别和非语言发声分类”。
LLM底层原理学习笔记：Adam优化器为何能征服巨型模型成为深度学习的“速度与稳定之王”
这里是数字化与人工智能的 “实验场” 与 “瞭望台”
11-29 1074
摘要：在大规模深度学习时代，Adam优化器凭借融合动量和自适应学习率的双重优势，成为训练数十亿参数模型的首选方案。传统优化器如SGD面临梯度稀疏和学习速度不均、复杂优化空间中的鞍点等挑战。Adam通过一阶动量平滑梯度方向，二阶动量定制化学习率，有效解决这些问题。针对Adam在泛化性上的不足，AdamW通过解耦权重衰减进一步优化性能。案例分析表明，Adam在Transformer架构训练中能稳定控制不同参数的收敛速度，使其成为大模型训练的默认优化器。
【卫星图像识别系统】Python+TensorFlow+Vue3+Django+人工智能+深度学习+卷积网络+resnet50算法
子午的博客
11-30 734
卫星影像识别系统，基于TensorFlow搭建卷积神经网络算法，通过对7种常见的卫星遥感影像图片数据集（‘草地（Grass）’, ‘农田（Field）’, ‘工业区（Industry）’, ‘河流湖泊（RiverLake）’, ‘森林（Forest）’, ‘居民区（Resident）’, ‘停车场（Parking）’）进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能。
时序性步态数据处理的RNN及LSTM算法
weixin_43156294的博客
12-01 790
1.步态周期识别：针对脑卒中患者的康复评估，LSTM模型可通过采集的膝关节角度数据，自动识别足跟着地（heel strike）、足尖离地（toe off）等关键节点，分割精度较传统方法（如阈值法）提升20%以上，且能适应患者步态的个体差异，为康复进度评估提供客观数据支持。2.运动状态预测：在下肢外骨骼机器人控制中，RNN模型可基于前200ms的步态加速度数据，预测下一步的运动意图（如平地行走、上楼梯、转弯），预测延迟低于50ms，满足外骨骼实时控制的需求，使机器人的运动更贴合人体自然步态。
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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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