- 精度对齐说明精度对齐旨在确保模型在训练一定轮次后，其损失（LOSS）或评分能够与原硬件训练的结果基本相符。 精度对齐标准下图所示为在原硬件GPU上的训练精度：迁移到NPU上后要求与GPU训练精度相差在千分之五左右，若精度误差过大则需要通过前向、反向对齐操作定位问题算子。 精度对齐思路一旦精度出现偏差，首先确认环境变量配置（例如，NPU私有格式环境变量是否关闭export FLAGS_npu... 精度对齐说明精度对齐旨在确保模型在训练一定轮次后，其损失（LOSS）或评分能够与原硬件训练的结果基本相符。 精度对齐标准下图所示为在原硬件GPU上的训练精度：迁移到NPU上后要求与GPU训练精度相差在千分之五左右，若精度误差过大则需要通过前向、反向对齐操作定位问题算子。 精度对齐思路一旦精度出现偏差，首先确认环境变量配置（例如，NPU私有格式环境变量是否关闭export FLAGS_npu...
- 传统与基于深度学习OCR在原理、实现、性能和应用等方面的差异 传统与基于深度学习OCR在原理、实现、性能和应用等方面的差异
- 深度解析谷歌 TPU 架构：从硬件原理到 AI 模型优化实战引言 (Foreword/Motivation)在过去十多年里，深度学习的快速发展极大地推动了人工智能的进步。然而，随之而来的是对计算能力指数级的需求。传统的 CPU 在执行大规模并行矩阵乘法等神经网络核心运算时效率有限，而 GPU 虽然在并行计算方面表现出色，但其通用性架构并非完全针对 AI 负载进行优化。为了应对这一挑战，谷歌自... 深度解析谷歌 TPU 架构：从硬件原理到 AI 模型优化实战引言 (Foreword/Motivation)在过去十多年里，深度学习的快速发展极大地推动了人工智能的进步。然而，随之而来的是对计算能力指数级的需求。传统的 CPU 在执行大规模并行矩阵乘法等神经网络核心运算时效率有限，而 GPU 虽然在并行计算方面表现出色，但其通用性架构并非完全针对 AI 负载进行优化。为了应对这一挑战，谷歌自...
- 智能运维新纪元：深度学习如何精准定位网络故障 智能运维新纪元：深度学习如何精准定位网络故障
- Afshine 和 Shervine Amidi 为斯坦福大学 CME 295 创建的Transformers & Large Language Models VIP 速查表，概述了他们的著作《超级学习指南：Transformers & Large Language Models》的内容，该书长达近 250 页，包含约 600 幅插图。 Afshine 和 Shervine Amidi 为斯坦福大学 CME 295 创建的Transformers & Large Language Models VIP 速查表，概述了他们的著作《超级学习指南：Transformers & Large Language Models》的内容，该书长达近 250 页，包含约 600 幅插图。
- MICCAI STSR 2025挑战赛，围绕两个具有挑战性的任务展开：CBCT与IOS图像的半监督配准，以及牙齿与根管结构的半监督分割。我们希望通过本次挑战，建立起更加全面且具代表性的牙科图像分析基准，加速人工智能在口腔疾病诊疗中的落地应用，推动临床实践中的辅助诊断工具向更高效、更精准的方向迈进。 MICCAI STSR 2025挑战赛，围绕两个具有挑战性的任务展开：CBCT与IOS图像的半监督配准，以及牙齿与根管结构的半监督分割。我们希望通过本次挑战，建立起更加全面且具代表性的牙科图像分析基准，加速人工智能在口腔疾病诊疗中的落地应用，推动临床实践中的辅助诊断工具向更高效、更精准的方向迈进。
- 别再全靠人眼盯日志了，深度学习帮你自动测出“炸锅点” 别再全靠人眼盯日志了，深度学习帮你自动测出“炸锅点”
- 随着深度学习在各个领域的广泛应用，模型训练的效率成为限制其进一步发展的关键因素。本文深入探讨了 MCP（Massive Cluster Processing，大规模集群处理）技术与深度学习相结合的创新方法，旨在加速模型训练过程。从 MCP 的基本概念、架构原理到其在深度学习不同场景下的应用策略，以及其带来的性能提升和优势分析，都进行了详细的阐述。同时，探讨了 MCP 与深度学习结合所面临的挑... 随着深度学习在各个领域的广泛应用，模型训练的效率成为限制其进一步发展的关键因素。本文深入探讨了 MCP（Massive Cluster Processing，大规模集群处理）技术与深度学习相结合的创新方法，旨在加速模型训练过程。从 MCP 的基本概念、架构原理到其在深度学习不同场景下的应用策略，以及其带来的性能提升和优势分析，都进行了详细的阐述。同时，探讨了 MCP 与深度学习结合所面临的挑...
- 算法服务器是专为运行复杂计算任务（如人工智能、深度学习、大数据分析）设计的高性能计算设备。其核心价值在于通过硬件架构创新和软件优化，将算法模型的理论价值转化为实际生产力。以华为云算法服务器为例，其通过昇腾 AI 处理器、鲲鹏通用计算芯片与擎天架构的深度协同，构建了从边缘推理到云端训练的全场景算力体系。二、核心技术架构解析异构计算平台华为云算法服务器采用 CPU + 昇腾 NPU 的异构架构，... 算法服务器是专为运行复杂计算任务（如人工智能、深度学习、大数据分析）设计的高性能计算设备。其核心价值在于通过硬件架构创新和软件优化，将算法模型的理论价值转化为实际生产力。以华为云算法服务器为例，其通过昇腾 AI 处理器、鲲鹏通用计算芯片与擎天架构的深度协同，构建了从边缘推理到云端训练的全场景算力体系。二、核心技术架构解析异构计算平台华为云算法服务器采用 CPU + 昇腾 NPU 的异构架构，...
- 别再靠拍脑袋做运维了！深度学习来给你“出主意” 别再靠拍脑袋做运维了！深度学习来给你“出主意”
- 基于Magenta/TensorFlow的交互式音乐生成系统 介绍Magenta 是一个基于 TensorFlow 的开源项目，致力于研究机器学习在艺术和音乐创作中的应用。通过 Magenta，我们可以创建一个交互式音乐生成系统，让用户体验到 AI 创作音乐的魅力。 引言随着人工智能技术的进步，计算机不仅能理解和处理音乐，还能够创作新的音乐作品。Magenta 利用深度学习模型，使得计算机... 基于Magenta/TensorFlow的交互式音乐生成系统 介绍Magenta 是一个基于 TensorFlow 的开源项目，致力于研究机器学习在艺术和音乐创作中的应用。通过 Magenta，我们可以创建一个交互式音乐生成系统，让用户体验到 AI 创作音乐的魅力。 引言随着人工智能技术的进步，计算机不仅能理解和处理音乐，还能够创作新的音乐作品。Magenta 利用深度学习模型，使得计算机...
- 新药研发是典型的“高风险、高投入、长周期”领域，传统流程平均耗时10-15年、成本超26亿美元。AI通过数据驱动、模型预测、自动化优化三大核心能力，正在重塑药物研发的每个关键环节，显著提升效率并降低失败率。以下是AI在各阶段的核心应用场景与价值分析： 一、靶点发现与验证：从“大海捞针”到精准定位传统痛点：生物靶点数量超10万种，但仅有约500个被成功开发为药物靶点传统实验筛选成本高昂（单个靶... 新药研发是典型的“高风险、高投入、长周期”领域，传统流程平均耗时10-15年、成本超26亿美元。AI通过数据驱动、模型预测、自动化优化三大核心能力，正在重塑药物研发的每个关键环节，显著提升效率并降低失败率。以下是AI在各阶段的核心应用场景与价值分析： 一、靶点发现与验证：从“大海捞针”到精准定位传统痛点：生物靶点数量超10万种，但仅有约500个被成功开发为药物靶点传统实验筛选成本高昂（单个靶...
- Caffe是由伯克利人工智能研究所以及社区贡献者们共同开发的一款深度学习框架。它在深度学习领域发挥了巨大的推动作用，并以其优秀的结构、性能和代码质量成为了该领域的标志性工具。Caffe不仅降低了学习和开发的难度，还将深度学习的所有细节透明化。主要应用于视频和图像处理，核心语言为C++，并兼容命令行、Python和MATLAB接口，同时支持CPU和GPU运行，具备出色的通用性和性能。其快速上手和高速 Caffe是由伯克利人工智能研究所以及社区贡献者们共同开发的一款深度学习框架。它在深度学习领域发挥了巨大的推动作用，并以其优秀的结构、性能和代码质量成为了该领域的标志性工具。Caffe不仅降低了学习和开发的难度，还将深度学习的所有细节透明化。主要应用于视频和图像处理，核心语言为C++，并兼容命令行、Python和MATLAB接口，同时支持CPU和GPU运行，具备出色的通用性和性能。其快速上手和高速
- Kafka 是个分布式的、持分区的（partition）、多副本的 （replica），基于 zookeeper 协调的分布式消息系统，它最大的特性就是可以实时处理大量数据以满足各类需求场景：日志收集：使用 Kafka 收集各种服务的日志，并通过 kafka 以统一接口服务的方式开放给各种 consumer，例如 hadoop、Hbase、Solr 等消息系统：解耦和生产者和消费者、缓存消息... Kafka 是个分布式的、持分区的（partition）、多副本的 （replica），基于 zookeeper 协调的分布式消息系统，它最大的特性就是可以实时处理大量数据以满足各类需求场景：日志收集：使用 Kafka 收集各种服务的日志，并通过 kafka 以统一接口服务的方式开放给各种 consumer，例如 hadoop、Hbase、Solr 等消息系统：解耦和生产者和消费者、缓存消息...
- 通过Pandas读取并转换时间序列数据，将年、月字段合并为日期索引，利用pd.date_range生成完整时间范围，确保数据连续性。函数convert_data_to_timeseries提取指定地点的销售数据，按年月构建日期索引，并填充缺失值为0，最终返回以时间为索引的Series结构，便于后续关联性分析。 通过Pandas读取并转换时间序列数据，将年、月字段合并为日期索引，利用pd.date_range生成完整时间范围，确保数据连续性。函数convert_data_to_timeseries提取指定地点的销售数据，按年月构建日期索引，并填充缺失值为0，最终返回以时间为索引的Series结构，便于后续关联性分析。
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