【数据湖仓】腾讯云发布面向AI的数据湖方案:TCLake+EMR打造AI-Ready数据底座

TCLake+EMR:构建AI-Ready数据湖底座的落地实践 数据湖作为现代数据架构的核心,解决了海量异构数据的统一存储问题,但如何让湖中的数据具备事务、治理和版本管理能力,成为AI场景落地的关键。湖仓一体架构将数据湖的开放存储与数据仓库的治理能力结合,通过Iceberg等表格式实现ACID事务和快照隔离,从而保证离线训练与在线推理的数据一致性。这种能力在特征工程、模型训练和实时推荐等场景中尤为重要,能够显著降低数据回溯和调试成本。腾讯云TCLake与EMR的组合,正是将Iceberg的企业级封装与弹性计算资源打通,为AI-Ready数据底座提供了一条可落地的实践路径 阅读详情

点击蓝字 关注我们

本文共计3218字 预计阅读时长10分钟

1月16日,Agentic AI Summit 2026在北京中关村展示中心会议中心举办,聚焦 Agent 从底座到应用的全链路实践。腾讯云大数据围绕 Data+AI 深度融合的产业趋势,带来数据智能即服务(DIaaS)整体实践,并发布了面向 AI 的数据湖方案 TCLake+EMR。该方案以统一多模态数据底座与 CPU+GPU 混合调度为核心,推动数据平台进入统一底座阶段。

伴随 Data+AI 深度演进,AI 应用从奢侈品变成必需品。企业既要把画像与标签等结构化数据接入 Agent,也要把商品图文、PDF、音视频等非结构化数据完成预处理、切片、向量化与 Rerank,构建可用的 RAG 链路;同时,大模型性能提升也更依赖高质量、多样性的多模态数据。

这类变化让数据平台面临新的要求:传统组装式数据平台与 AI 工作负载天然割裂,计算资源与数据难以共享;统一元数据与多模态存储能力不足,非结构化数据难以实现统一处理、统一存储、统一应用;底层调度长期以 CPU 为中心,难以覆盖 AI 工作负载所需的 GPU;当 Data+AI 叠加后,平台复杂度上升,排障与调优对人工依赖更高。

01

# DIaaS# 让数据智能触手可及

面向上述变化,腾讯云大数据推出数据智能即服务平台 DIaaS(Data Intelligence as a Service):以统一的多模态数据存储底座、统一的多模态计算引擎、统一的资源调度、统一平台自治服务为核心,通过低/无代码的自然语言交互方式与数据分析智能体(TCDataAgent),让用户在与 Agent 的交互过程中完成数据分析、机器学习训练、多模态数据检索等任务,让非技术人员也能轻松使用数据智能。

DIaaS 的关键组件包括统一多模态智能数据湖 TCLake、多模态统一计算引擎 Meson、数据分析智能体 TCDataAgent、平台智能管家服务 TCInsight,以及面向超大规模 CPU+GPU 一体化平台集群的统一资源调度服务。在自然语言交互能力上,TCDataAgent 的 NL2SQL 能力在 BIRD-Bench 评测中取得 75.74 分,跻身全球前三、国内第一。

02

# TCLake+EMR # 

让数据与算力在同一底座上协同

面向 AI 的数据湖方案 TCLake+EMR,以一套多模态数据湖底座承载结构化与非结构化数据,以一套 CPU+GPU 混合调度体系承载数据工程与 AI 工作负载,并打通从数据准备、训练评估到部署推理的端到端闭环。

TCLake 是腾讯云推出的开放、智能、融合的新一代 AI 数据湖底座,提供覆盖结构化+非结构化数据的统一管理,内置多模态统一数据目录、批流一体表格式、智能数据管理、数据加速服务,上层无缝对接腾讯云及主流开源 Data+AI 生态引擎。在能力设计上,TCLake 提供批流一体表格式 TCIceberg(兼容 Apache Iceberg),并提供兼容 Lance 生态的自研多模态数据格式,一套格式同时覆盖结构化数据以及视频、音频、文档、模型等非结构化数据业务需求;同时通过大数据智能管家实现小文件合并、无效数据清理、数据组织优化等智能自治,通过原生加速引擎提供计算感知、智能分层、分层加速等 Workload 加速能力。

与 TCLake 的统一数据底座相配套,EMR 完成定位升级,从数据平台升级为数据智能平台,面向数据分析师、业务人员、数据科学家、AI 工程师提供开箱即用的数据智能服务与能力。底层调度从传统 CPU 体系走向 Ray+CPU+GPU 混合调度,面向超大规模 CPU+GPU 一体化平台集群,实现传统数据工程与 AI 工作负载的统一任务与资源调度;在多引擎栈上,支持在 Spark、Ray、Meson、Xpark 等框架间进行全局资源调度与智能弹缩,保障高优先级训练任务的资源供给,同时在闲时缩容避免浪费。

围绕统一底座的性能与效率, 在计算引擎侧重点强化两类能力。一是自研高性能计算引擎 Meson。Meson 作为原生向量化查询引擎,可无感加速 Spark SQL 与 DataFrame 工作负载,并通过兼容 Spark API 及函数级 fallback 机制,在不改业务代码的前提下提升性能与稳定性。Meson 采用 Pipeline 执行模型提升并发,结合列式计算、向量化算子与 SIMD 指令集提升吞吐,并通过兼容策略降低引入成本。在 TPCDS 1TB 测试中,Meson 相较社区 Spark 整体性能提升 2.7 倍;部分计算密集型查询提升可达 5 倍,同时 CPU 与 IO 等资源消耗显著下降。

二是面向 Python 生态与 AI 场景的多模态数据计算引擎 Xpark。Xpark 基于 Python 生态提供一体化的多模态分析、预处理、训练与推理能力,内置跨模态处理算子与 AI Function,以更少的工程拼装覆盖典型多模态链路,提升开发效率;同时支持自定义镜像与自定义算子/模型接入,便于企业复用内部能力并快速扩展。

在异构算力承载上,EMR 结合 TCRay 增强统一调度与生态承载能力,对 Ray 的容错、Object Store 读写与 Evict 性能、Actor 编排等进行增强,并结合向量化与 JIT 优化、Shuffle 改进、并行读取优化与 Checkpoint 故障恢复机制,覆盖从数据处理到训练与对齐、从推理加速到应用编排与 MLOps 的完整 AI 工作负载,包括分布式训练、LLM 预训练、SFT 监督微调、DPO/RLHF 等对齐流程、超参搜索与实验并行,以及在线服务侧的多模型路由、批流推理、RAG、多模态生成式应用与 Multi-Agent 编排等。

03

# 多行业落地 # 

更高效率、更低成本、更易运维

面向 AI 的数据湖方案 TCLake+EMR 已在多个行业落地,把多模态数据处理、异构算力调度与平台自治能力收敛到同一底座,减少跨平台搬运与重复建设,提升交付效率并降低综合 TCO。

在智能终端行业,面向端侧 GenAI 应用增长,企业需要统一的多模态处理与分析能力,用于支撑拍照一键购物比价、AI 截图、手机文档图文解析、智能会议记录等功能。基于面向 AI 的数据湖方案 TCLake+EMR,通过增加 GPU 节点快速具备多模态数据处理能力,并借助预设多模态算子完成多类 AI 应用的数据预处理;结合 CPU+GPU 混合调度,在传统数据工程与 AI 工作负载间高效调度,提升 CPU 和 GPU 利用率。多模态数据应用开发效率提升 20%,结合统一调度进一步节省 30%+ 计算成本;同时引入 TCInsight 智能管家能力后,故障响应时间缩短 50%,实体计算资源缩减 15%。

在机器人硬件行业,面对海量环境视频数据的关键帧抽取需求,面向 AI 的数据湖方案 TCLake+EMR 提供开箱即用的视频关键帧抽取算子,并通过 CPU+GPU 混合调度为不同处理作业合理编排资源,预期整体可降低 30%+ 的 GPU 算力成本。

面向集团型企业的复杂场景,面向 AI 的数据湖方案 TCLake+EMR 支持在同一平台内同时完成传统数据工程与深度学习训练,数据与算力在同一底座上复用,减少跨系统导出/导入与双平台维护成本;在客户测算口径下,整体成本相较原有海外平台可实现显著下降,最高可达 70%。

腾讯云大数据持续打造 AI-Ready 的智能大数据平台,帮助各行业客户加速释放数据与智能融合价值。

Tencent BigData

关注腾讯云大数据╳探索数据的无限可能

往期精彩

求点赞

求分享

求喜欢

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

相关推荐

import-im6.q16: attempt to perform an operation not allowed by the security policy `PS‘ @ error/cons

这六个 policy 是使用 XML 格式描述的安全策略。要将其中的限制注释掉,在每个 policy 开始和结束的标记之间添加注释标记“

m0_60657960的博客 1910

为什么Databricks值1700亿?腾讯云用Agent Ready数据平台给出了答案

全面普及的新时代,技术本身逐渐趋同,能够承载转化、落地应用的流量与场景入口,正在成为行业最稀缺的资产。能力,打通了从原始数据存储、计算分析到大模型、智能体开发部署的全链路,解决了长期困扰企业的数据孤岛、算力割裂、模型落地难等痛点。的任务结果又回流到数据层形成新的知识沉淀——这个传导链条一旦跑通,平台就不再是静态的工具集,而是一个不断进化的有机体。这个阶段的主角,不再只是模型公司,还包括那些能够把数据、算力、模型、应用串成闭环的平台型玩家。,腾讯在重建模型的同时,也在底层的数据基建上下苦功夫。

优快云资讯 5888

ubuntu20.04运行VINS-Mono(跑EuRoC数据集)

在VINS-Mono主工程目录下的config子目录中找到euroc文件夹,并打开其中的euroc_config.yaml文件,将其中结果输出保存路径修改为本地的绝对路径或相对路径。应该是这个功能包路径没有成功得到,直接注释了这一行,改成你电脑中安装的vins_mono的pose_graph这个功能包路径,备注:直接下可能因为包太大下不下来,我是下载的zip,再解压,将VINS-Mono-master重命名为VINS-Mono。,当时参考了几篇不同的文章,感觉我的这个配置应该也可以编译,就先尝试了一下。

2301_80311277的博客 2983

腾讯云:Data+AI下一代数智平台建设指南

腾讯云以智能体、数据湖仓、安全治理等产品矩阵,助力企业破解非结构化数据处理、实时计算、安全合规等挑战,实现数智化转型。非结构化数据占企业数据总量的 70%-90%,传统工具在元数据提取、向量化存储等方面能力不足,腾讯云通过 TCLake、TBDS 多模态数据湖仓服务应对挑战。提升协作效率:Data+AI 团队在统一平台协作,形成 “数据管理支撑 AI 应用、AI 反哺数据智能化” 的良性循环。WeData Agent:基于多智能体协作,支持数据开发、治理、分析,如零售行业通过自然语言查询提升决策效率。

weixin_55366265的博客 667

为什么一个“时间片”能折腾 Linux 十年?

时间片扩展不是抢占调度器的控制权,也不是提升优先级。在“非常短暂、非常确定”的用户态临界区内,避免线程被不必要地抢占。用户态自旋锁(user-space spinlock)无系统调用的极短临界区高并发、低延迟的数据结构操作RSEQ(Restartable Sequences)保护区间一旦线程在临界区被抢占,系统整体性能反而下降。线程 A 拿着一个用户态锁线程 B 被调度上来,开始自旋等这个锁但 A 因为时间片用完,被调度器切走CPU 白白空转,所有线程都在浪费时间。

网络技术联盟站 256

深度学习论文: AnomalyDINO: Boosting Patch-based Few-shot Anomaly Detection with DINOv2

通过将DINOv2模型适应到一次性和少量异常检测中,并专注于工业应用少量异常检测。实验表明,这种方法不仅与现有技术相匹敌,甚至可以在许多设置中超越它们。我们提出的仅视觉方法AnomalyDINO基于补丁相似性,能够实现图像级别的异常预测和像素级别的异常分割。该方法在方法论上很简单,无需训练,因此不需要任何额外的数据进行微调或元学习。

mingo_敏 1907

腾讯云程彬:构建下一代数智平台,加速Data+AI融合落地

还有,如果跟您合作的客户付费方式是什么样子的,是弹性付费,还是一揽子解决的付费,有没有自己的特色,这是一类问题。记者:刚才演讲当中提到很多非结构化数据,非结构化数据我们认为更多在AI里面是RAG业务,OB在前两年发了PowerRAG,其实大家都想去做RAG业务,你看到Oracle也有类似的产品,就是我想知道腾讯云在做不管是RAG也好,还是非结构化数据也好,我们现在有哪些新的特点或者说有哪些新的竞争力?对于具身智能数据处理,程彬表示,具身智能领域如自驾领域的轨迹数据等,需要快速处理与实时分析能力。

cloudbigdata的博客 464

完整 Bootloader 框架

本文详细介绍了嵌入式系统中Bootloader的完整框架设计。主要内容包括:1.Bootloader的核心功能模块,如应用启动、命令交互、下载功能、Flash烧写和调试维护;2.模块化设计框架,包含启动代码、驱动层、协议实现等组件;3.典型工作流程和关键模块实现,如命令行接口、命令注册机制、Flash操作等;4.应用跳转前的准备工作和安全扩展设计,如加密校验、OTA支持等。文章强调了一个成熟Bootloader在系统维护、升级和安全中的重要性,建议采用模块化、可扩展的设计方法。

m0_49476241的博客 1338

腾讯云TCLake+EMR:AI时代湖仓一体数据底座实战解析

在AI大模型时代,数据底座需要同时满足海量存储与高效治理的需求。数据湖仓一体架构应运而生,它结合了数据湖的灵活性与数据仓库的事务能力,为多模态数据处理提供了统一基座。其核心原理是通过Iceberg等表格式实现ACID事务与快照隔离,配合对象存储与弹性计算引擎,实现存算分离。这种架构在AI训练数据管理、特征工程、数据版本回溯等场景中展现出明显优势。腾讯云TCLake与EMR的组合正是这一理念的落地实践:TCLake托管元数据与表管理,EMR提供弹性计算,帮助团队快速构建AI-Ready的数据底座。本文从架构原

weixin_29061465的博客 339

视觉SLAM十四讲slambook2示例代码所有依赖库的编译安装教程(VTK、OpenCV3、ceres、Sophus、g2o、Eigen、Pangolin、googletest等)

这是2021年的最后一篇博客~ 新年快乐! 0 准备工作   首先需要先安装cmake编译器: sudo apt-get install cmake   以及,将十四讲的示例代码克隆下来(十四讲的源码地址点击这里): git clone --recursive https://github.com/gaoxiang12/slambook2.git   由于里面的3rdparty文件夹内所有内容都来自于其他github仓库,所以需要加上--recursive参数,不然克隆下来的内容不完整。   如果你.

zeeq的博客 7840

基于STM32设计的智能家居控制系统(华为云)_363

本项目设计并实现了一种基于STM32的智能家居控制系统,融合了语音识别、远程控制、环境监测与安全报警等功能。系统以STM32F103C8T6单片机为核心控制器,集成ESP8266 Wi-Fi模块实现与华为云IOT物联网平台的数据交互,采用MQTT协议进行通信。用户可通过语音识别模块控制风扇、空调、窗帘、卧室灯、客厅灯和电视等家电的开关操作,同时也可通过Android手机APP或Windows电脑上位机进行远程控制。系统还具备温湿度、光照强度、烟雾浓度和火焰检测功能,当检测到异常情况时,自动触发蜂鸣器报警并向

883

TCLake+EMR实战:构建AI-Ready数据湖仓底座的架构与调优

数据湖仓(Lakehouse)是融合数据湖灵活存储与数据仓库治理能力的新型架构,其核心价值在于将存储与计算分离,并通过弹性元数据服务解决海量文件和高并发访问瓶颈。在AI训练、特征工程和RAG检索等场景下,传统数仓重、数据湖散的问题尤为突出,数据底座必须兼顾吞吐性能、成本效率和生态兼容性。基于对象存储、用户态文件系统与存储加速缓存,TCLake配合EMR实现了HDFS协议无缝迁移、元数据水平扩展和本地缓存加速,使全表扫描性能提升36%、并发查询提升31%,存储成本降至传统方案的三分之一。本文从架构原理、参数调

weixin_29046035的博客 304

Android Update Engine 分析(三四)OTA 签名都支持哪些算法?

写了几十篇还没涉及到 OTA 签名算法细节,OTA 讨论群也很少问这个,毕竟签名算法纯理论的问题,一旦实现好就极少需要改动,只需要进行一些配置,准备好签名的秘钥和证书就可以了。限于签名的算法理论太过于抽象,本篇不讨论签名算法细节,但会总结一些签名操作。以及 Android OTA 包支持的签名算法。本文主要分析 Update Engine 中支持的签名算法,以及这些算法的操作实现(不涉及原理部分),并总结签名和验签使用的 key。

洛奇看世界 716

腾讯云推出物理AI平台—格物(XPhysis),让AI从理解世界走向改变世界

2026 腾讯全球数字生态大会大数据专场在深圳举行。腾讯云大数据基础产品总经理程彬在会上推出面向 Physical AI 场景的物理 AI 平台——格物(XPhysis):腾讯云把过去一年服务数十家具身与智驾客户的工程实践,沉淀为多模态 AI 数据湖 TCLake,并进一步推出覆盖物理 AI 工程全链路的 TCLake 格物(XPhysis)平台,致力于"让 AI 从理解世界走向改变世界"。

cloudbigdata的博客 157

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

GPU 平台哪家服务更好?智星云、阿里云、腾讯云,从开机前比到项目结束

如果是个人或小团队,主要做短期训练、AI 内容制作和模型验证,:缺货时可以提前配置并预约,遇到问题有 7×24 小时工单,结束实例前也能明确选择是否保留磁盘。已有企业运维体系、需要提前收到维护通知的团队,可以重点比较;已有腾讯云 CVM 环境、希望沿用现有监控和故障处理流程,则可以优先看。三家的服务侧重点不同。客服回复得快、技术人员能定位故障、平台能及时提供替代资源,是三件不同的事。比较时,最好看:缺货时能否安排资源,任务变慢时能否缩小排查范围,项目结束时能否保住数据并停掉不需要的费用。

weixin_38978741的博客 206

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

Debian 11/12 安装 Docker 完整教程(官方源 + 腾讯云实测)

本文基于Debian11/12系统,在腾讯云CVM上实测部署Docker官方稳定版。通过添加官方GPG密钥与软件源,安装Docker核心组件,并配置腾讯云镜像加速及日志轮转(单个日志最大100MB,保留3个),有效防止磁盘被日志占满。全程使用Docker官方源,确保版本稳定安全。适用于云服务器或本地环境,若非腾讯云,可跳过镜像加速步骤,替换为其他国内镜像源。

2501_94567985的博客 245

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

域名证书自动化:acme.sh + 腾讯云/七牛 CDN 部署流水线

用 acme.sh 签发一张多 SAN 证书,靠 --reloadcmd 钩子自动部署到腾讯云 CDN 与七牛 CDN,cron 每 6 小时巡检,附验收命令与踩坑记录。

east4ming的博客 113

腾讯云发布基于第六代AMD EPYC处理器的SA10云服务器实例

AMD EPYC 9006 系列基于全新 “Zen 6” 核心微架构,并采用先进的 2nm 制程技术,最高可提供 256 个核心和 512 个线程,同时支持 16 通道 DDR5 内存、并支持最高 12,800 MT/s MRDIMM 以及 PCIe 6.0,旨在为下一代云计算、企业应用、高性能计算和 AI 工作负载提供更强大的平台基础。这对于 AI 尤其重要。双方的合作不仅聚焦于处理器本身,更覆盖硬件与软件层面的协同优化,以满足通用企业应用、数据库、游戏、广告与推荐,以及 AI 等多样化工作负载的需求。

szqx2025的博客 374

四川大学alkaerr战队夺冠,第三届腾讯云智能攻防挑战赛收官

从开源大模型的底层去审查、自进化的执行系统环境,到端云协同的本地算力部署,再到针对真实业务场景的漏洞挖掘与多智能体协作,专家们带来了多场技术实践分享。过去一年,AI从“能对话”到“会执行”,以WorkBuddy为代表的AI办公智能体,在个人生产力提效方面的价值已经获得充分验证,同时正在加速落地企业,通过构建坚实可信的安全底座,智能体才能跨越单点工具的限制,成为真正可托付的“数字助理”。,第三届腾讯云智能攻防挑战赛,将挑战从自主渗透、复杂网络突破,推进到多Agent同场攻防。智能攻防挑战赛决赛最终排名。

RPA中国 139

腾讯云国际站代理商:CVM公网SSH无法访问,从客户端到服务器逐项排查

腾讯云国际站CVM SSH连接失败常见于安全组、防火墙、SSH服务或认证配置问题。需按“网络→安全组→系统防火墙→sshd服务→账号密钥”顺序排查,区分报错类型(如timeout、denied)精准定位。即使安全组放行,仍可能因系统防火墙、端口未监听或密钥错误导致失败。建议通过VNC登录检查配置,使用ss -lntp、systemctl status ssh等命令验证服务状态,并确保sshd_config中允许相应用户登录。

2601_96000280的博客 341

企业级智能体平台怎么选:腾讯云ADP与其他主流技术路线的架构对比

智能体上线后谁来评测、谁来监控、谁来迭代?如果平台本身不带AgentOps,你得自己补,补的成本要算进总投入。

Kari11的博客 404

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 338

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 614

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 273

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 206

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 340
上一篇: <span class=“js_title_inner“>【专家说】翁艳波:金融行业AI就绪型数据平台建设与思考</span>
下一篇: 腾讯云与致宇信息、银兴智能达成渠道战略合作 共同推动国产化大数据平台与智能数据解决方案落地
腾讯云大数据
博客等级 码龄6年 348粉丝 220原创
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
 
 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