- 适配代码仓介绍Paddle 针对除 CPU 和 Nvidia GPU 之外的其他硬件的适配代码，均存于[PaddleCustomDevice代码仓](https://github.com/PaddlePaddle/PaddleCustomDevice)以 NPU 适配代码为例，其路径为PaddleCustomDevice/backends/npu。在此路径下，有两个目录值得重点关注，分别是... 适配代码仓介绍Paddle 针对除 CPU 和 Nvidia GPU 之外的其他硬件的适配代码，均存于[PaddleCustomDevice代码仓](https://github.com/PaddlePaddle/PaddleCustomDevice)以 NPU 适配代码为例，其路径为PaddleCustomDevice/backends/npu。在此路径下，有两个目录值得重点关注，分别是...
- 训练系统的可用性，决定着智能化的速度。无法解决资源利用率低、系统稳定性差、通信带宽瓶颈的传统AI集群，已经不符合大模型的创新趋势。 训练系统的可用性，决定着智能化的速度。无法解决资源利用率低、系统稳定性差、通信带宽瓶颈的传统AI集群，已经不符合大模型的创新趋势。
- 别等服务器炸了才慌！深度学习让运维更“未卜先知” 别等服务器炸了才慌！深度学习让运维更“未卜先知”
- 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...
上滑加载中
推荐直播
-
华为云码道 × 仓颉编程：工程化AI编码探索2026/05/27 周三 19:00-21:00
刘俊杰-华为云仓颉语言专家/李炎-华为云码道技术专家/王智鹏-OpenCangjie开源社区发起人
本场直播围绕华为云仓颉语言与华为云码道的深度结合，展示华为云智能编程从零基础到高效落地的完整生态能力。以华为云码道为引擎，仓颉语言为载体，带给大家日常提效、趣味创新到极速量产的开发体验。
回顾中
热门标签