“鸿蒙”商标被抢先注册,华为上诉失败,鸿蒙系统将被迫改名?

如何利用CANoe在两路CAN通道之间创建网关(gateway) CANoe网关,利用CAPL实现CAN转发 阅读详情

作为我国最著名的手机通讯企业之一,华为凭借着无与伦比的创新设计与可靠实用的用户体验,一度成为了国内最受欢迎的手机品牌。此外,华为手机在海外市场的销量也不遑多让,不仅质量优异,在通讯的稳定性与可靠性上,华为手机甚至胜过苹果。但是,因为众所周知的原因,华为受到来自于美国等西方国家的诸多限制,很多硬件和软件产品,都已经无法适配华为手机,为此华为方面专门开发了属于自己的鸿蒙操作系统,一经推出,就广受消费者的好评。

97e071fd14e34978ebe6e33617ba97f0.jpeg

不得不说,华为规避潜在风险,舍弃安卓系统转而推广自家的鸿蒙操作系统,着实是一步险棋。毕竟,谷歌安卓和苹果IOS两分天下,早已构成了如今手机操作系统基本的市场格局,华为想要凭一己之力打破已有的市场平衡,殊为不易。

果然,星光不负有心人,华为强大的用户基础和消费黏性,以及过硬的技术实力,让鸿蒙系统一问世,就迅速搭建起了自己的应用生态,一跃成为全球第三大手机终端操作系统,值得一提的是,这也是国产第一款得到广泛应用的终端操作系统。

54e28cb1cfd3263a6b977b6969cf19d8.jpeg

从内部的物联网系统,到推向市场的终端操作系统,鸿蒙系统在一夜之间,成为了电子终端领域的新贵。而“鸿蒙”之名,最早出自我国古典名著《庄子》,意味创造天地元气,万始更新,华为对这款自研操作系统殷切的希望,由此可见一斑。

然而,随着华为鸿蒙系统彻底删除所有谷歌底层代码,并顺利升级到4.0版本时,华为集团却爆出了不利的消息,华为的鸿蒙商标已经被抢先注册,并且在后续的法务官司中,华为还败诉了。这不免令广大网友和关心鸿蒙系统的人大感意外,难道,华为鸿蒙真的要改名了吗?

193e668d67058874da8c013c067b9243.jpeg

“鸿蒙”商标已被抢先注册

毋庸置疑,华为鸿蒙操作系统绝对是妥妥的华为自研产品,目前也已经广泛搭载在华为旗下的各种终端设备,以及同华为合作的家居产品上,因为具备安卓以及IOS所没有的兼容性,华为鸿蒙操作系统得以在众多智能设备系统中脱颖而出,真正契合了当下“万物互联”的物联网发展趋势。

正是鸿蒙系统突出的优势,也令当时还未将其推广商用的华为有了十足的底气,于是,在2019年,华为科技有限公司就开始广泛注册有关鸿蒙系统的各种商标。然而,就当华为方面将商标申请递交知识产权局后,他们的请求却被出人意料地驳回了。

fa2fecc9b53c15dcaa5e189db0d719a9.jpeg

原因很简单,此前已经有其他两家公司捷足先登,将“鸿蒙”这一商标抢先注册了,为了保护知识产权,维护规范的市场秩序,工商部门只好驳回了华为的注册申请。而先前注册“鸿蒙”商标的公司,分别是北京海岸鸿蒙标准物质技术有限责任公司和河北鸿蒙广告发展有限公司。因为两家公司的经营范围不同,所以两家都可以使用鸿蒙商标。

但是,北京海岸鸿蒙标准物质技术有限责任公司的经营范围同华为方面有一定的重合,因而华为的注册申请被驳回。其实这也无可非议,毕竟,“鸿蒙”一词出自中国传统古籍,寓意又那么好,大家争先取个好名字,注册个把商标,这也是十分正常的商业行为。

不过,对于华为而言,自己苦心勠力研发出来的操作系统,如果没有一个合适的商标,在市场上的影响力势必将大打折扣。要知道,此前任正非给公司取名“华为”,都曾嫌弃是闭口音,要不是品牌打起来了,他说不定还真的会让华为改名。所以,华为对品牌一事相当在意,为此,甚至不惜将国家知识产权局告上法庭,希望能够获得鸿蒙商标的使用权。

e90ed4243c404d99ce0d1c251a6d98b2.jpeg

为获商标使用权,华为上诉失败

从2020年开始,华为就为了“鸿蒙”商标的使用权,不断通过司法程序提起上诉,理由也很简单,作为华为集全力研发的终端操作系统,鸿蒙系统对于华为而言,意义重大。华为方面表示,如果因为商标的使用限制,而让鸿蒙系统的名称更改,势必会影响华为在消费者群体的认可度,甚至将影响华为的企业形象。

显然,华为这样的说法有些牵强,在司法程序上站不住脚。当然,华为方面也提出,已经注册“鸿蒙”商标的两家公司,已经连续三年没有使用相关的商标了,因此,华为自研的操作系统使用“鸿蒙”这一名称,自然也不会对大众造成混淆的影响。

0aa126f26a977f9c2ac4f0f7933396e7.jpeg

然而,尽管华为申请的“鸿蒙”商标之前所申请的商标具有着根本性的视觉差异,华为给出的理由也比较合理,但是国家知识产权局还是认为华为的诉讼缺乏法律依据,所以还是驳回了华为的诉讼。所以,华为最终还是没能成功注册“鸿蒙”的商标。

因为没有获得“鸿蒙”商标,华为鸿蒙系统可能必须要更改名称,注册一个新的商标,以重塑自己的品牌影响力。显然,这样对华为而言是很不友好的,毕竟此前华为已经为鸿蒙系统做出了很多宣传和推广的努力,一旦改名,这些努力也就付之一炬了。

不过事情也不是没有转圜的余地,如果华为可能通过商业运作,收购此前注册该商标的企业,或者让该注册企业将“鸿蒙”商标转让给华为,鸿蒙系统也就不需要改名了。毕竟,以华为的体量和影响力,实现这两件事并不难,毕竟鸿蒙系统已经名声在外,以华为的处事风格,大概率也不会因为商标的问题而被迫改名。

def554da914236226f37d0b4f684a2c3.jpeg

尽管目前商标被抢注一事给华为方面带来了不小的麻烦,但是对于华为而言,不论是更改系统命名,还是通过收购或转让的方式获得“鸿蒙”商标,都是相对可行的办法,对于华为而言,这件小事也根本荡不起什么浪花,毕竟,华为的实力与技术摆在哪里,不论名称变不变,华为的内核,始终一如既往。

推荐阅读:

彻底爆了,这个国产神器,太强悍了...

感谢您的认真阅读,如果喜欢本篇文章,就点个“在看”或转发到朋友圈,让更多的人看到吧7672633f342fbf31aacdebda3059dd97.png

f555b63a4f4b54dfd9d40734b7325b98.png

程序员小猿  ID:DeveloperIT

长  按  二  维  码 , 一  键  关  注

896839302bdae56769bd3af2e1a01595.gif

MORE | 更多精彩文章

LAMMPS实操系列(一): 大量FCC-CoCrCuFeNi高熵合金建模与最稳定结构筛选 高熵合金(High-entropy alloys,HEA),是由五种或五种以上等量或大约等量金属形成的合金。由于高熵合金可能具有许多优秀的物理化学性质,因此在材料科学领域受到广泛关注 阅读详情

相关推荐

SAP打印错位问题终极解决指南:LP01设备格式设置全流程

本文详细解析了SAP系统中LP01设备打印错位问题的解决方案,重点介绍了SPAD事务码的配置流程和格式设置技巧。通过精准调整输出设备、设备类型和格式类型的匹配关系,有效解决'未定义格式'错误,确保打印内容准确对齐。文章还提供了高级排查方法和预防措施,帮助SAP管理员提升打印管理效率。

weixin_29311017的博客 390

鸿蒙系统欧洲注册,华为鸿蒙系统曝光后华为欧洲注册商标 为鸿蒙系统国外版打基础...

描述日前,国家知识产权局商标局网站显示,华为已经申请注册“华为鸿蒙”商标,并标注该商品可用于操作系统程序。无独有偶,华为鸿蒙系统曝光后华为欧洲注册商标。“鸿蒙”在中国神话传说中指的是盘古在昆仑山开天辟地之前的一团自然混沌的元气,这里有“新纪元、开天辟地”的意思。而“ARK”则是来自《希伯来圣经·创世纪》,是上帝指引诺亚建造的巨船,即人们常说的诺亚方舟,同样具有“开始新的纪元”的意思。不排除“鸿蒙”...

weixin_39700394的博客 207

app逆向分析案例-95分

先把justtrusmeplus打开设置好95分,开始抓包,得到结果为: https://www.95fenapp.com/api_goods/list/v3.0?is_all=1&keywords=%E7%A7%91%E6%AF%94& page=1&page_size=20 &publish_timestamp=0 &scene=2&scene_type=95fen_android_search_personal&sn=SearchList

weixin_41763171的博客 2742

IPD咨询洞察:华为项目管理:分析价值创造的来源

华为项目管理中,价值交付不是笼统的完成任务,而是从两个角度拆解:价值的形态和归属。价值有三个维度——当期商业价值、未来战略目标、整体能力提升。价值归属四类对象:客户、企业、伙伴、团队。先定义价值,再对齐对象,项目才算真正交付了价值。

weixin_58096508的博客 233

告别激活烦恼:Lattice Diamond 3.13 永久免费License申请与配置全攻略(Windows 64位)

本文详细介绍了Lattice Diamond 3.13永久免费License的申请与配置全流程,特别针对Windows 64位系统用户。从官网导航的隐藏路径到Host ID的获取方式,再到License文件的高级处理技巧和环境变量的深度配置,提供了全面的安装教程和疑难问题解决方案,帮助开发者彻底告别激活烦恼。

weixin_28736335的博客 426

图像去雾常见数据集

上述数据集涵盖了室内、室外、真实和合成等多种场景,可以满足不同研究需求。在选择数据集时,建议根据具体任务的应用场景和目标选择合适的数据集,例如真实雾天图像适合模型的实际应用验证,而合成数据则适合模型的快速迭代和训练。希望本文能为从事图像去雾研究的朋友提供一些帮助!

m0_68604571的博客 6336

IPD咨询洞察:华为项目文化:让胜利成为一种信仰

华为“让胜利成为信仰”的本质是使命必达,落地为五项内核:开放创新、勇于担当、团队协同、契约精神、善思善结。使命必达不能停留在墙面标语,须转化为可落地、可考核的行为准则,胜利才能真正成为团队习惯。

weixin_58096508的博客 122

目标检测: 一文读懂 YOLOX

论文:YOLOX: Exceeding YOLO Series in 2021 论文链接:https://arxiv.org/pdf/2107.08430.pdf 代码链接:https://github.com/Megvii-BaseDetection/YOLOX. 文章目录1 为什么提出YOLOX2 YOLOX 网络架构3 YOLOX 实施细节3.1 backbone3.2 neck3.3 Head3.3.1 Decoupled Head3.3.2 Anchor-free3.4 如何计算Loss3.5 如

weixin_46142822的博客 3万+

【2026-11-06】华为研发机试三道编程题解

本文整理了华为11月6日研发岗三道编程题解法:第一题为按列填充句子,通过枚举行数模拟列宽计算,求最小行数;第二题为生鲜库存优化,利用动态分配思想,预处理“采购-销售”成本,贪心选择最便宜来源满足需求;第三题涉及AC自动机与动态规划结合的序列化奖励问题。代码均以Java实现,思路清晰,适合笔试刷题参考。关注公众号【TechGuide】获取更多真题解析。

试问道几许 375

FCC 首个扫地机器人豁免落地,Matic 凭什么抢先?

Matic获FCC首个扫地机器人豁免,实为提前布局的合规姿态。其产品在美国组装,并采用已认证射频模组,虽未达65%美国成分门槛,但已具备“本土制造”优势。豁免本质是对既有合规状态的确认,而非解救。此举在商业上放大品牌价值,抢占“安全、合规、本土”叙事高地,凸显供应链安全正取代技术标准成为监管核心。未来合规成本将攀升,规则主导权仍在FCC手中。

致力于lidar应用开发 100

LPDDR6 技术标准详解(JESD209-6)

是继 LPDDR5/5X 之后的新一代低功耗 DRAM 标准,专为满足移动终端、AI、边缘计算等高带宽、低功耗场景而设计。该标准通过全新架构、动态功耗控制机制和增强型数据完整性机制,实现性能、能效与可靠性的全面升级。LPDDR6 并非仅是速度升级,更是内存架构设计思路的演进,围绕“低功耗 + 高带宽 + 强安全”的三维目标,构建下一代 SoC 平台关键基础。✅ 高带宽:支持 32B/64B 动态突发✅ 低功耗:动态电压、通道切换✅ 高可靠性:ECC + 自测试 + 安全区。

weixin_43199439的博客 2582

华为运维面试题

华为面试注重真实经历与价值观契合,主管面采用STAR+价值观锚点+反思闭环框架,强调“我”的决策与量化结果。运维手撕题重思路表达与边界处理,需清晰复述、分步讲解、主动验证。云场景设计题须先澄清需求,再分层设计,兼顾可靠性与成本,突出取舍意识。通用心法:聚焦“我”、结构先行、主动说明边界与改进,以数字和反思收尾,展现复盘能力与华为文化匹配度。

dp340823的博客 183

Android功耗系列专题理论之一:功耗优化分析思路简介

本文系统介绍了电子系统功耗分析方法,涵盖静态与动态功耗原理、电流波形分析技术和模块化拆解策略。重点阐述了PMIC与CPU协同管理机制、DVFS动态调节技术,以及通过示波器捕获波形特征定位异常的方法。针对亮屏等典型场景,提出三阶段对比分析法,并详细说明硬件/软件拆解方案及混合验证策略。文章还总结了常见问题模块(CPU、多媒体、外设)的排查流程,强调需结合日志分析、温度控制及重复测试确保数据可靠性,为功耗优化提供系统化解决方案。

1459

鸿蒙手机远程控制Windows电脑:华为手机控电脑实操完全指南

对于鸿蒙(HarmonyOS)用户来说,用华为手机/平板远程控制Windows电脑,ToDesk是目前最佳选择

球球!? 254

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

华为HCIP网络工程师认证—网络管理与运维

随着网络的规模越来越庞大,网络中的设备种类繁多,如何对越来越复杂的网络进行有效的管理,从而提供高质量的网络服务,已成为网络管理所面临的巨大挑战。网络的管理与运维手段多样,本博客将对几种网络管理与运维手段展开介绍。网络管理与运维,就是让你从“一台一台跑去敲命令的消防员”,变成“坐在总控室看大屏的指挥官”的一套技术体系。 它的核心目标就四个字:可视、可控——你得先“看见”网络在发生什么,然后才能“控制”它不出事。网络管理与运维,在 HCIP 里不像 OSPF、VLAN 那样需要算得很深,但它是一个“框架性”……

极客园地 277

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

华为鲲鹏920s芯片serdestool工具使用说明

目前鲲鹏920s上面可以使用华为提供的serdestool进行眼图查看,查看100G网卡的眼图等2、操作步骤首先需要安装欧拉系统安装后可以使用everything源进行图形化配置将华为提供的serdestool工具拷贝到模块上面主要有三个文件下载地址见步骤1将serdestool工具放置到/usr/bin目录下。步骤2进入该目录执行赋予权限。步骤3将文件放到对应填好的目录下,默认是在root目录下,可自行执行装载环境。步骤4将文件放。

无知的我 253

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")

华为VXLAN OVER EVPN(EBGP)

本文基于 eNSP Pro 模拟器,完整复现 Spine-Leaf 架构下 VXLAN over EVPN 的二层互通实验。实验目标是:通过 EBGP 在 Spine 与 Leaf 之间建立 Underlay 路由,再借助 BGP EVPN 承载 VXLAN 隧道,最终实现跨 Leaf 的同一子网二层互通,并验证头端复制(Head-End Replication)方式的 BUM 流量转发。

271

华为昇腾计算卡全解析:从 910 架构到 CANN 软件栈与超节点实践

昇腾的价值不能只用"单卡跑分"衡量。它是一套从达芬奇架构、910/950/960 系列芯片、超节点互联,到 AscendC 编程范式、CANN 软件栈、PyTorch/Triton/TileLang 适配的完整体系。这套体系目前的短板在软件生态成熟度和算子覆盖深度,优势在于自主可控、系统级协同和推理场景的能效比。

Maxwell_Newton的博客 714

YOLOv11m 部署华为 Atlas 300I Pro

部署到的全过程拆成可照抄的步骤:装驱动固件 → 装 CANN toolkit 与算子包 → 装 Ultralytics / ais_bench → 导出 ONNX → ATC 编译成.om→ 命令行/Python 推理 → CPU 端解码 NMS。给出两条路线(一键导出 / 手工 ATC)、完整可运行的预处理与后处理代码、报错排查表和验收清单。先认清硬件:300I Pro 到底是颗什么芯片部署总览:软件栈与两条技术路线环境与软件清单(开工前先对齐)

巽视达的专栏 606

变相解决华为Mate 8锁屏后无法建立入站网络连接

当你的华为Mate 8手机锁屏时,拒绝一切入站网络连接……

xyzzklk的博客 383

HUAWEI HiPlay 认证费用构成拆解:测试费、平台服务费明细

入口在华为开发者联盟伙伴平台,签生态框架协议、提交资质,这一步本身不收会员费或接入费,但会卡进度 —— 资质审核、协议来回,时间成本要算进去。协议一致性(设备发现、连接建立、音频流协商、编解码匹配、断连重连)、音频客观指标(频响、失真、信噪比、声道分离)、无线射频性能,三块跑完才算完整。所以问 HiPlay 费用,别只问总价,让对方把准入、开发、测试、复测、变更、维护分开列。音频主控、无线模组、天线设计对接华为技术团队预审,这一轮通常不额外收费,但硬件不达标被要求换方案,后面的采购和改板就是实打实的支出。

BlueAsia_TechSvc的博客 290

存储 HCIE 是什么:华为存储认证三级体系与 V4.0 考纲变化

华为存储HCIE-V4.0于2026年9月30日起正式适用,聚焦AI驱动的存储应用与运维,新增AIFabric智能预测性维护等AI内容,实验考试增设15分故障排查模块(含预置与动态场景故障)。三大能力模块为CCSS、CCSN、CDPS,知识框架升级。备考需按官方考纲清单化训练,实验在云端限时演练。V3.0预计2027年3月30日下线,期间可选考。

341

IPD咨询洞察:华为项目管理:如何以价值交付为中心

华为项目管理的关注重心经历了三个阶段:以质量为中心,满足基本业务需求;以客户满意为中心,提升客户黏性与响应速度;以价值交付为中心,围绕客户战略与商业目标展开交付。先讲清楚价值,再呈现价值、证明价值,项目才算真正完成。

weixin_58096508的博客 168
上一篇: 科大讯飞ChatGPT新版本,彻底炸裂 !
下一篇: Nginx一网打尽:动静分离、压缩、缓存、黑白名单、跨域、高可用、性能优化...
编程IT圈
博客等级 码龄6年 1130粉丝 544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