- Java 人工智能应用：使用 DL4J 实现深度学习算法在当今数字化时代，人工智能技术正以前所未有的速度改变着各个行业的发展格局。而 Java 作为一种广泛应用于企业级开发的编程语言，在人工智能领域也发挥着越来越重要的作用。其中，深度学习作为人工智能的核心技术之一，为解决复杂问题提供了强大的能力。本篇文章将深入探讨如何使用 Java 深度学习库 DL4J（Deeplearning4j）实现... Java 人工智能应用：使用 DL4J 实现深度学习算法在当今数字化时代，人工智能技术正以前所未有的速度改变着各个行业的发展格局。而 Java 作为一种广泛应用于企业级开发的编程语言，在人工智能领域也发挥着越来越重要的作用。其中，深度学习作为人工智能的核心技术之一，为解决复杂问题提供了强大的能力。本篇文章将深入探讨如何使用 Java 深度学习库 DL4J（Deeplearning4j）实现...
- 引言近期，抖音上线了安全与信任中心，不仅对平台的日常治理机制进行了详细披露，更首次公开了其核心竞争力——推荐系统的运作原理。作为帮助抖音在短视频激烈竞争中脱颖而出的"杀手锏"，这套算法一直备受关注却鲜少揭秘。今天，就让我用大白话带您一探这个让数亿用户"刷不停"的技术奥秘，看看它如何在海量内容中精准找到让您心动的那一条视频。 推荐算法是什么？在了解抖音的推荐算法原理之前，我们先来认识下推荐算... 引言近期，抖音上线了安全与信任中心，不仅对平台的日常治理机制进行了详细披露，更首次公开了其核心竞争力——推荐系统的运作原理。作为帮助抖音在短视频激烈竞争中脱颖而出的"杀手锏"，这套算法一直备受关注却鲜少揭秘。今天，就让我用大白话带您一探这个让数亿用户"刷不停"的技术奥秘，看看它如何在海量内容中精准找到让您心动的那一条视频。 推荐算法是什么？在了解抖音的推荐算法原理之前，我们先来认识下推荐算...
- YOLO与Transformer的结合通过引入全局建模能力和多尺度特征交互机制，有效缓解了CNN的局部感受野限制，同时通过架构优化和注意力机制改进降低了对大规模数据预训练的依赖。以下是具体分析：一、YOLO与Transformer结合的核心方法1. 骨干网络（Backbone）替换Swin Transformer替代CNN：如YOLOv... YOLO与Transformer的结合通过引入全局建模能力和多尺度特征交互机制，有效缓解了CNN的局部感受野限制，同时通过架构优化和注意力机制改进降低了对大规模数据预训练的依赖。以下是具体分析：一、YOLO与Transformer结合的核心方法1. 骨干网络（Backbone）替换Swin Transformer替代CNN：如YOLOv...
- 引言在数字化时代，音乐已成为人们生活中不可或缺的一部分。随着音乐流媒体平台的兴起，如何在海量的音乐库中为用户提供个性化的音乐推荐，提升用户体验，已成为一个重要的研究方向。传统的推荐算法在处理大规模数据和复杂用户偏好时，存在一定的局限性。近年来，深度学习的快速发展为构建智能化的音乐推荐系统提供了新的思路。本文将详细介绍如何基于深度学习技术，构建一个个性化的音乐推荐系统。我们将从数据收集、模型... 引言在数字化时代，音乐已成为人们生活中不可或缺的一部分。随着音乐流媒体平台的兴起，如何在海量的音乐库中为用户提供个性化的音乐推荐，提升用户体验，已成为一个重要的研究方向。传统的推荐算法在处理大规模数据和复杂用户偏好时，存在一定的局限性。近年来，深度学习的快速发展为构建智能化的音乐推荐系统提供了新的思路。本文将详细介绍如何基于深度学习技术，构建一个个性化的音乐推荐系统。我们将从数据收集、模型...
- 运维老司机的福音——深度学习如何革新运维知识管理？ 运维老司机的福音——深度学习如何革新运维知识管理？
- 本文主要介绍了如何在昇腾上，使用pytorch对经典的图神经网络GCN在论文引用Cora数据集上进行分类训练的实战讲解。内容包括GCN背景介绍、模型特点介绍、GCN网络架构剖析与GCN网络模型代码实战分析等等。本文的目录结构安排如下所示：GCN网络背景介绍模型特点介绍GCN网络架构剖析GCN网络用于Cora数据集分类实战 GCN网络背景介绍多层感知机、卷积神经网络、循环神经网络和自编码器等深... 本文主要介绍了如何在昇腾上，使用pytorch对经典的图神经网络GCN在论文引用Cora数据集上进行分类训练的实战讲解。内容包括GCN背景介绍、模型特点介绍、GCN网络架构剖析与GCN网络模型代码实战分析等等。本文的目录结构安排如下所示：GCN网络背景介绍模型特点介绍GCN网络架构剖析GCN网络用于Cora数据集分类实战 GCN网络背景介绍多层感知机、卷积神经网络、循环神经网络和自编码器等深...
- 模型并行之Embedding表Embedding在推荐模型中承担着将用户、物品及上下文信息映射为低维稠密向量的核心任务，通过捕捉潜在语义关联和协同过滤信号，为推荐系统提供可计算的特征表达基础。其向量化表征能力不仅解决了高维稀疏数据难以直接建模的问题，更能通过隐式关系挖掘支撑用户兴趣建模和相似度计算，这种稠密向量空间的连续性特征为后续针对不同行为序列、场景维度或兴趣簇的Embedding切片... 模型并行之Embedding表Embedding在推荐模型中承担着将用户、物品及上下文信息映射为低维稠密向量的核心任务，通过捕捉潜在语义关联和协同过滤信号，为推荐系统提供可计算的特征表达基础。其向量化表征能力不仅解决了高维稀疏数据难以直接建模的问题，更能通过隐式关系挖掘支撑用户兴趣建模和相似度计算，这种稠密向量空间的连续性特征为后续针对不同行为序列、场景维度或兴趣簇的Embedding切片...
- PyTorch 实现 Vggnet图像分类本实验主要介绍了如何在昇腾上，使用pytorch对经典的Vggnet模型在公开的CIFAR10数据集进行分类训练的实战讲解。内容包括Vggnet模型创新点介绍 、Vggnet网络架构剖析 与Vgg网络模型代码实战分析等等。本实验的目录结构安排如下所示：Vggnet网络模型创新点介绍Vggnet的网络架构剖析Vggnet网络模型代码实现分析Vggne... PyTorch 实现 Vggnet图像分类本实验主要介绍了如何在昇腾上，使用pytorch对经典的Vggnet模型在公开的CIFAR10数据集进行分类训练的实战讲解。内容包括Vggnet模型创新点介绍 、Vggnet网络架构剖析 与Vgg网络模型代码实战分析等等。本实验的目录结构安排如下所示：Vggnet网络模型创新点介绍Vggnet的网络架构剖析Vggnet网络模型代码实现分析Vggne...
- 以下是撰写这份关于人工智能和大模型发展洞察及实践指南的思路，整体分为五个主要部分，分别涵盖人工智能发展、大模型发展、两者关联性、构建多模型运行平台以及成熟落地场景与技术人才配置。一、人工智能发展概述起源与发展历程人工智能的概念最早可追溯到20世纪50年代，当时科学家们开始探索让机器模拟人类智能的可能性，如简单的数学定理证明和逻辑推理程序。随后，经历了专家系统、机器学习、深度学习等多个发展阶段... 以下是撰写这份关于人工智能和大模型发展洞察及实践指南的思路，整体分为五个主要部分，分别涵盖人工智能发展、大模型发展、两者关联性、构建多模型运行平台以及成熟落地场景与技术人才配置。一、人工智能发展概述起源与发展历程人工智能的概念最早可追溯到20世纪50年代，当时科学家们开始探索让机器模拟人类智能的可能性，如简单的数学定理证明和逻辑推理程序。随后，经历了专家系统、机器学习、深度学习等多个发展阶段...
- 第九届微波与THz国际学术研讨会(ICMTT 2026)将于2026年1月9-11日在中国三亚举行。本届大会将继续遵循学术性、国际性的原则，特邀国内外微波与THz领域内的学者专家前来参会，并做出精彩的报告。ICMTT 2026旨在打造一场交流分享最新科研成果和研究方法的学术盛宴！诚邀各位专家和代表的参加。 第九届微波与THz国际学术研讨会(ICMTT 2026)将于2026年1月9-11日在中国三亚举行。本届大会将继续遵循学术性、国际性的原则，特邀国内外微波与THz领域内的学者专家前来参会，并做出精彩的报告。ICMTT 2026旨在打造一场交流分享最新科研成果和研究方法的学术盛宴！诚邀各位专家和代表的参加。
- 深度学习进军网络安全监控：AI能否守护你的数据？ 深度学习进军网络安全监控：AI能否守护你的数据？
- 接上一章节内容，将ONNX模型拆分成loop算子部分和非loop算子部分后，分别转换成OM模型，并用for循环替换loop算子计算逻辑，比较OM模型和ONNX模型的推理结果是否一致，验证结果如果一致则证明该方案有效。 onnx模型转om loop算子前面的图-Aatc --model=./mode_loop_input2_i_cond.onnx --framework=5 \ --o... 接上一章节内容，将ONNX模型拆分成loop算子部分和非loop算子部分后，分别转换成OM模型，并用for循环替换loop算子计算逻辑，比较OM模型和ONNX模型的推理结果是否一致，验证结果如果一致则证明该方案有效。 onnx模型转om loop算子前面的图-Aatc --model=./mode_loop_input2_i_cond.onnx --framework=5 \ --o...
- 方案背景当在线推理的速度无法满足客户要求，使用atc工具将onnx转为om模型走离线推理路径时，遇到NPU不支持LOOP算子的问题，本文提供一种解决方案。本方案的设计思路是，onnx文件分成loop算子和不含loop算子的两部分，把loop算子的子图提取出来，单独推理。实际操作中可能需要分成3份乃至更多，因此，本方案使用于关键路径上的loop算子，否则工作量会很大。 构造包含loop算子的... 方案背景当在线推理的速度无法满足客户要求，使用atc工具将onnx转为om模型走离线推理路径时，遇到NPU不支持LOOP算子的问题，本文提供一种解决方案。本方案的设计思路是，onnx文件分成loop算子和不含loop算子的两部分，把loop算子的子图提取出来，单独推理。实际操作中可能需要分成3份乃至更多，因此，本方案使用于关键路径上的loop算子，否则工作量会很大。 构造包含loop算子的...
- ais_bench提供的python API可供使能基于昇腾硬件的离线模型(.om模型)推理。具体介绍可参考[API_GUIDE](https://gitee.com/ascend/tools/blob/master/ais-bench_workload/tool/ais_bench/API_GUIDE.md#api%E7%AE%80%E4%BB%8B)下面列举几个常用的API推理场景使用方... ais_bench提供的python API可供使能基于昇腾硬件的离线模型(.om模型)推理。具体介绍可参考[API_GUIDE](https://gitee.com/ascend/tools/blob/master/ais-bench_workload/tool/ais_bench/API_GUIDE.md#api%E7%AE%80%E4%BB%8B)下面列举几个常用的API推理场景使用方...
- 动态BatchSize OM推理以档位1 2 4 8档为例，设置档位为2，本程序将获取实际模型输入组Batch，每2个输入为一组，进行组Batch。示例命令：python3 -m ais_bench --model ./inference/om/dynamic_batch_size_det.om --input ./inference/input/ --output ./inference... 动态BatchSize OM推理以档位1 2 4 8档为例，设置档位为2，本程序将获取实际模型输入组Batch，每2个输入为一组，进行组Batch。示例命令：python3 -m ais_bench --model ./inference/om/dynamic_batch_size_det.om --input ./inference/input/ --output ./inference...
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签