思腾云计算

最新推荐文章于 2025-11-30 17:45:00 发布

原创最新推荐文章于 2025-11-30 17:45:00 发布 · 356 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #神经网络 #自然语言处理

随着云计算的日益成熟，融合云计算技术提供高质量的算力服务成为一种新型业态，“算力云服务”“算云融合服务”正在成为产业数字化转型的新选择，并用实际案例证明对产业降本增效的突出价值。

算云融合产业大会将集中呈现我国算力云服务产业现状、最新研究成果、创新技术、产品与应用，聚焦热点领域和方向，开启多项合作研究，五大亮点，值得期待！

亮点一：国内首个围绕算力云服务的高端峰会

亮点二：权威发布国内首个算力云化指数、算智指数等研究成果

亮点三：公布算力服务领航者计划评选结果

亮点四：公布首批可信算力云服务评估结果

亮点五：发布多本热点领域研究报告，发起超算生态建设创新计划倡议

C A I C T

数字经济大潮澎湃，实体经济坚实发展，在算力新引擎驱动下，中国彰显出巨大的发展潜力与创新活力。算力与云计算正不断发展完善，算力云服务这一新型业态，未来承载无限可能。

思腾合力诚邀与会者莅临展位，探讨算力云服务产业趋势，共话技术创新发展，交流优秀产品与解决方案，携手产业共创算力云服务价值，开启我国算力云服务新篇章！

作者：思腾云计算GPU服务器 https://www.bilibili.com/read/cv24989282/ 出处：bilibili

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

STGPU

关注关注

2
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

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...

参与评论您还未登录，请先登录后发表或查看评论

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...

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

2768

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

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...

机器学习周报二十四

weixin_60864619的博客

11-30

749

本周学习了潜在扩散模型的概念，潜在扩散模型的实现是很简单的，之后学习了变分自编码器(VAE)。同时解决了之前的RCNN目标检测的模型，但是效果很差。This week, I studied the concept of latent diffusion models. The implementation of latent diffusion models is quite simple. Afterwards, I learned about variational autoencoders (VAE)

11.1 高斯消元法的应用

passxgx的博客

11-26

779

高斯消元法实际应用

AAAI-2013《Spectral Rotation versus K-Means in Spectral Clustering》

Christo的博客

11-30

493

这篇论文成功地将谱旋转技术应用于谱聚类，解决了传统K-Means在处理松弛谱向量时的偏差问题。通过引入正交旋转约束，方法在理论上保证了更好的连续-离散逼近，并在实验中证明了其在图割优化和聚类指标上的优越性。论文结构清晰：从谱聚类背景引入问题，推导优化算法，提供理论证明，并通过基准数据集验证。该工作强调了谱聚类后处理的的重要性，为后续研究（如自适应谱聚类）提供了基础。

深度学习、机器学习、人工智能三者的关系

casually的博客

11-29

711

以上就是深度学习、机器学习、人工智能三者的关系。

【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

463

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。

机器学习初级

2401_87118211的博客

11-28

525

机器学习初级

INT301 Bio-computation 生物计算（神经网络）Pt.9 自我组织特征映射（Self-Organizing Fearure Map）

sensen_kiss的博客

11-30

683

自我组织映射(SOM)是一种模拟大脑神经元自组织特性的无监督学习算法。它通过竞争学习机制将高维输入数据映射到低维(通常二维)离散空间，同时保持输入数据的拓扑结构。SOM算法包含三个核心过程：竞争(选择最佳匹配神经元)、合作(激活邻近神经元)和突触适应(调整权重)。这种机制使得相似输入在输出空间中彼此靠近，形成有序的特征映射(如音调映射、视网膜映射等)。SOM通过"墨西哥帽"函数实现短程兴奋和长程抑制，可用于数据降维和模式识别，广泛应用于数据可视化和特征提取领域。

深度学习——神经网络

2303_80634169的博客

11-24

4144

本文梳理了深度学习中的核心网络模型及其组件。基础模型包括MLP（全连接层堆叠）、CNN（卷积结构处理图像）、RNN（循环结构处理序列）和Transformer（自注意力机制）。扩展模型涵盖跨模态融合（如CLIP）、图神经网络（如GCN）和强化学习网络（如DQN）。核心组件涉及网络层（卷积/全连接/注意力等）、激活函数（ReLU/Sigmoid等）、优化器（Adam/SGD等）、损失函数（交叉熵/MSE等）以及数据处理方法。通过系统分类和典型示例，为深度学习模型选择与设计提供参考框架。

多模态量子神经网络：融合、架构与前沿进展

andeyeluguo的博客

11-29

MQNNs的核心思想在于，利用量子系统的高维希尔伯特空间和强大的表示能力，对来自不同模态的经典数据进行编码、处理和融合，从而有望在特征提取效率、模型泛化能力和计算复杂度等方面超越纯经典的多模态模型 \cite{qu2023qnmf}。他们将来自不同物理平台（如超导和离子阱）的量子设备的表征数据（如校准参数、噪声谱）视为不同的“模态”，并使用一个专门设计的MQNN来学习一个统一的、平台无关的设备指纹。鉴于当前量子硬件的局限性（如量子比特数少、相干时间短），完全在量子电路上实现复杂的多模态处理尚不现实。

时间序列的“语言”：从语言模型视角理解时序基础模型

u010681011的专栏

11-30

525

摘要：本文提出“时间的语言”假说，将时间序列基础模型类比为语言模型，认为时间序列patch（短片段）类似于语言中的token，但在潜在空间中表现为分布而非单点。通过构建时间序列“词汇表”并分析其统计特性，研究发现时间序列token遵循Zipf定律，且其组合呈现稀疏语法结构，验证了时间序列数据的类语言特征。这一发现为跨域时序模型的迁移能力提供了理论支持，表明模型通过学习“时间的语言”实现对动态模式的抽象表示。

知识图谱 (Neo4j)、大语言模型与 RAG 技术全景解析

m0_73161433的博客

11-30

555

大语言模型是参数规模达数十亿至数万亿的深度学习模型，基于 Transformer 架构，通过海量文本预训练获得理解和生成自然语言的能力。关键里程碑2017 年：Transformer 架构问世，解决 RNN 无法并行计算和捕捉长距离依赖的问题2018 年：GPT-1 (1.17 亿参数) 验证 "预训练 + 微调" 范式2020 年：GPT-3 (1750 亿参数) 展现 "零样本学习" 能力2022 年：ChatGPT 引入 RLHF (人类反馈强化学习)，大幅提升对话质量。

Transformer架构变体全景图：从BERT到GPT的演化路径