思腾云计算

思腾合力推动AIGC：技术创新与产业化机遇
最新推荐文章于 2025-12-03 15:01:10 发布
原创 最新推荐文章于 2025-12-03 15:01:10 发布 · 531 阅读 · 9 ·
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 #神经网络 #自然语言处理 #人工智能

部署运行你感兴趣的模型镜像

思腾合力以自身影响力，让市场聚焦AIGC的技术创新与应用落地。随着芯片、CPU\GPU等硬件技术的不断提高，以及云计算、大数据技术的快速发展，人工智能的算力水平及需求都达到了前所未有的高度。数据、算法、算力共振推动AIGC发展，模型开源及商业化带来的产品化浪潮及通用人工智能领域的初探推动AIGC破圈。把握住AIGC产业化和商业化的大机遇，同时也能够为人类硅基文明的共生做出贡献。不久的未来也许人类将实现通用AGI，开启强人工智能新时代。 作者：思腾云计算GPU服务器 https://www.bilibili.com/read/cv24854661/ 出处：bilibili

您可能感兴趣的与本文相关的镜像

Langchain-Chatchat

Langchain-Chatchat

AI应用
Langchain

Langchain-Chatchat 是一个基于 ChatGLM 等大语言模型和 Langchain 应用框架实现的开源项目，旨在构建一个可以离线部署的本地知识库问答系统。它通过检索增强生成 (RAG) 的方法，让用户能够以自然语言与本地文件、数据库或搜索引擎进行交互，并支持多种大模型和向量数据库的集成，以及提供 WebUI 和 API 服务

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 1763
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。
深度学习理论推导--多元线性回归
weixin_43719312的博客
12-02 543
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
12-02 673
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。
【民族服饰识别系统】Python+TensorFlow+Vue3+Django+人工智能+深度学习+卷积网络+resnet50算法
子午的博客
11-30 797
民族服饰识别，民族服饰智能识别与分析系统基于TensorFlow框架，采用卷积神经网络（CNN）算法构建而成。系统在收集了回族、汉族、满族、苗族四类典型民族服饰图像数据集的基础上，通过多轮迭代训练，最终生成高精度识别模型，并配合Web可视化平台实现便捷交互。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能系统分为管理员和用户两个角色，登录后根据角色显示其可访问的页面模块。登录系统后可发布、查看、编辑文章，创建文章功能中集成了markdown编辑器，可对文章进行编辑。
【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
12-01 414
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。
深度学习实战（基于pytroch）系列（四十一）长短期记忆（LSTM）pytorch简洁实现
echo的博客
11-29 1080
本文介绍了使用PyTorch简洁实现长短期记忆网络(LSTM)语言模型的方法。首先读取周杰伦歌词数据集并进行预处理，然后定义包含LSTM层和全连接层的RNN模型类，其中LSTM需要同时处理隐藏状态和细胞状态。文章详细展示了模型初始化、预测函数实现以及训练过程，包括梯度裁剪和数据迭代器设计。通过对比手动实现，突出了PyTorch框架在简化LSTM实现方面的优势，为自然语言处理任务提供了高效的解决方案。
深度学习1-软件安装
诚朴勇毅
12-03 201
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。
11-29 912
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
基于深度学习的手写数学公式识别与计算系统设计与实现
Dev7z的博客
11-30 784
随着深度学习和计算机视觉技术的快速发展，手写数学公式的自动识别与计算在智能教育、人机交互等场景中具有重要应用价值。本文围绕“基于深度学习的手写数学公式识别与计算系统设计与实现”这一课题，设计并实现了一套集公式图像输入、字符分割、字符识别及表达式计算于一体的完整系统。
[论文笔记] End-to-End Audiovisual Fusion with LSTMs
最新发布
2302_76169191的博客
12-03 364
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”。
深度学习调参手册：学习率、Batch Size 的最优搭配策略
dream_it_come_in的博客
11-30 993
绑定关系：LR 与 BS 是 “步长” 和 “导航精度” 的关系，大 BS 配大 LR，小 BS 配小 LR，遵循 “线性缩放原则”；场景优先：显存充足选大 BS + 适配 LR，显存不足选小 BS + 小 LR + 梯度累积，特殊任务针对性调整；迭代验证：先定 BS 基线，再配初始 LR，最后对比多组组合，以验证集性能为核心指标。
【机器学习】21-22 机器学习系统开发流程 & 倾斜数据集
weixin_54010404的博客
11-30 770
本文摘要：文章介绍了机器学习开发流程的关键环节，包括迭代开发过程、错误分析方法、数据增强与合成技术、迁移学习的应用场景与策略。详细阐述了倾斜数据集下的评估指标（准确率、召回率、F1分数）及其权衡关系，并概述了完整机器学习项目的生命周期（从任务定义到部署监控）。特别强调了在数据不平衡情况下传统准确率的局限性，提出了使用精确率和召回率作为替代指标，并通过F1分数进行综合评估的方法。最后提及了机器学习项目中的伦理考量和数据偏见问题。
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 1078
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。
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