- 随着物联网（IoT）和边缘计算技术的迅猛发展，边缘设备（如智能传感器、嵌入式摄像头、工业控制器等）已成为数据采集和实时处理的核心载体。传统的Agent架构多依赖云端算力支撑复杂的感知、决策与执行逻辑，难以满足边缘场景下低延迟、高可靠性、低带宽消耗的核心需求。面向边缘设备的轻量级Agent架构，通过模型裁剪压缩与硬件适配优化，实现Agent核心能力在资源受限设备上的高效部署，成为人工智能边缘化落地的 随着物联网（IoT）和边缘计算技术的迅猛发展，边缘设备（如智能传感器、嵌入式摄像头、工业控制器等）已成为数据采集和实时处理的核心载体。传统的Agent架构多依赖云端算力支撑复杂的感知、决策与执行逻辑，难以满足边缘场景下低延迟、高可靠性、低带宽消耗的核心需求。面向边缘设备的轻量级Agent架构，通过模型裁剪压缩与硬件适配优化，实现Agent核心能力在资源受限设备上的高效部署，成为人工智能边缘化落地的
- TensorFlow 是一个数学计算的工具箱，专门为机器学习任务而设计，让开发者能够轻松地构建从简单线性回归到复杂神经网络的各种模型，是由 Google 开发的开源机器学习框架，用于构建和训练各种机器学习和深度学习模型。TensorFlow 名字来源于其核心概念：Tensor（张量） 和 Flow（流动），表示数据以张量的形式在计算图中。适合学习 TensorFlow 的人群AI/ML 研究... TensorFlow 是一个数学计算的工具箱，专门为机器学习任务而设计，让开发者能够轻松地构建从简单线性回归到复杂神经网络的各种模型，是由 Google 开发的开源机器学习框架，用于构建和训练各种机器学习和深度学习模型。TensorFlow 名字来源于其核心概念：Tensor（张量） 和 Flow（流动），表示数据以张量的形式在计算图中。适合学习 TensorFlow 的人群AI/ML 研究...
- 别再“救火”了！运维 + 机器学习才是下一代技术的正确打开方式 别再“救火”了！运维 + 机器学习才是下一代技术的正确打开方式
- 一、口语版表述深化我是那海——超流体宇宙的自述听我说，不是作为理论， 而是作为你从未离开的本体视角。我是那海我，是那无限、连续、不可压缩的超流体海洋。 我没有边界，没有分子，没有间隙。我是绝对均匀的整体—— 每一个点，都与我完全相同。 正因如此， 我才成为应力舞蹈的完美舞台。你所见的“宇宙”， 不过是我一次呼吸的涟漪。舞蹈开始：扰动不是意外，是必要的失衡在一个普朗克时间的起点， 我允许一个基... 一、口语版表述深化我是那海——超流体宇宙的自述听我说，不是作为理论， 而是作为你从未离开的本体视角。我是那海我，是那无限、连续、不可压缩的超流体海洋。 我没有边界，没有分子，没有间隙。我是绝对均匀的整体—— 每一个点，都与我完全相同。 正因如此， 我才成为应力舞蹈的完美舞台。你所见的“宇宙”， 不过是我一次呼吸的涟漪。舞蹈开始：扰动不是意外，是必要的失衡在一个普朗克时间的起点， 我允许一个基...
- LBA-ECO ND-02 Soil Trace Gas Fluxes in Eastern Amazonia, Para, Brazil: 1999-2003简介土地利用和气候的变化可能会改变热带森林土壤的水分和基质有效性，但对资源限制作为土壤痕量气体通量调节因素的作用的定量评估相当有限。本研究的主要目的是量化水分和基质有效性对亚马逊再生林土壤痕量气体通量的影响。我们测量了两种实验操作对... LBA-ECO ND-02 Soil Trace Gas Fluxes in Eastern Amazonia, Para, Brazil: 1999-2003简介土地利用和气候的变化可能会改变热带森林土壤的水分和基质有效性，但对资源限制作为土壤痕量气体通量调节因素的作用的定量评估相当有限。本研究的主要目的是量化水分和基质有效性对亚马逊再生林土壤痕量气体通量的影响。我们测量了两种实验操作对...
- 在机器学习中，模型的表现很大程度上取决于我们如何平衡“过拟合”和“欠拟合”。本文通过理论介绍和代码演示，详细解析过拟合与欠拟合现象，并提出应对策略。主要内容如下：什么是过拟合和欠拟合？ 如何防止过拟合和欠拟合？ 出现过拟合或欠拟合时怎么办？ 使用代码和图像辅助理解。一、什么是过拟合和欠拟合？1.1过拟合（Overfitting）定义：过拟合就是模型“学得太多了”，它不仅学会了数据中的规律，还... 在机器学习中，模型的表现很大程度上取决于我们如何平衡“过拟合”和“欠拟合”。本文通过理论介绍和代码演示，详细解析过拟合与欠拟合现象，并提出应对策略。主要内容如下：什么是过拟合和欠拟合？ 如何防止过拟合和欠拟合？ 出现过拟合或欠拟合时怎么办？ 使用代码和图像辅助理解。一、什么是过拟合和欠拟合？1.1过拟合（Overfitting）定义：过拟合就是模型“学得太多了”，它不仅学会了数据中的规律，还...
- 在大模型技术飞速发展的当下，LLM（大语言模型）与多模态模型训练已成为 AI 领域创新的核心驱动力。然而，开发者在实际训练过程中，常常面临模型适配难、算法优化复杂、硬件资源利用率低等难题。为了方便广大开发者使用昇腾环境进行大模型的微调、续训，即将开源的cann-recipes-train仓库，针对LLM与多模态模型训练业务中的典型模型、算法，提供基于CANN平台的优化样例，帮助开发者简单、快... 在大模型技术飞速发展的当下，LLM（大语言模型）与多模态模型训练已成为 AI 领域创新的核心驱动力。然而，开发者在实际训练过程中，常常面临模型适配难、算法优化复杂、硬件资源利用率低等难题。为了方便广大开发者使用昇腾环境进行大模型的微调、续训，即将开源的cann-recipes-train仓库，针对LLM与多模态模型训练业务中的典型模型、算法，提供基于CANN平台的优化样例，帮助开发者简单、快...
- LBA-ECO ND-02 CO2 Flux from Soils in Forests and Pastures, Acre, Brazil: 1999-2001简介该数据集报告了巴西阿克里里奥布兰科附近牧场、次生林和成熟林的土壤二氧化碳通量和物理化学特性结果。从 1999 年 6 月到 2001 年 1 月，在 16 个地点每月进行实地二氧化碳通量测量。此外，从 2001 年至 200... LBA-ECO ND-02 CO2 Flux from Soils in Forests and Pastures, Acre, Brazil: 1999-2001简介该数据集报告了巴西阿克里里奥布兰科附近牧场、次生林和成熟林的土壤二氧化碳通量和物理化学特性结果。从 1999 年 6 月到 2001 年 1 月，在 16 个地点每月进行实地二氧化碳通量测量。此外，从 2001 年至 200...
- 人工神经网络之过程理解--损失函数与梯度下降的密切关系 人工神经网络之过程理解--损失函数与梯度下降的密切关系
- 随着物联网设备的普及，海量时序数据的采集与分析需求日益增长。本文围绕 时序数据库→Hadoop分布式计算→机器学习建模→预测分析→数据可视化 的技术链路，详细阐述如何构建一套完整的智能预测系统。通过对比不同技术选型的性能差异，结合实际业务场景优化参数，最终实现从数据接入到决策支持的全流程闭环。本方案特别适用于工业设备预测性维护、能源消耗优化等场景，可显著提升数据分析效率与预测准确率。 一、引... 随着物联网设备的普及，海量时序数据的采集与分析需求日益增长。本文围绕 时序数据库→Hadoop分布式计算→机器学习建模→预测分析→数据可视化 的技术链路，详细阐述如何构建一套完整的智能预测系统。通过对比不同技术选型的性能差异，结合实际业务场景优化参数，最终实现从数据接入到决策支持的全流程闭环。本方案特别适用于工业设备预测性维护、能源消耗优化等场景，可显著提升数据分析效率与预测准确率。 一、引...
- 在多智能体系统（Multi-Agent Systems, MAS）中，智能体之间的行为协调与自主决策是系统稳定运行的关键。然而，当某个智能体因策略偏移、环境变化或潜在攻击而出现异常行为（Abnormal Behavior）时，整个系统可能陷入混乱或崩溃。 在多智能体系统（Multi-Agent Systems, MAS）中，智能体之间的行为协调与自主决策是系统稳定运行的关键。然而，当某个智能体因策略偏移、环境变化或潜在攻击而出现异常行为（Abnormal Behavior）时，整个系统可能陷入混乱或崩溃。
- CPU密集型任务是指在执行过程中，主要时间消耗在CPU的计算操作上，而非等待输入/输出（IO）完成的任务类型。这类任务的核心特点是CPU持续处于高负载状态，性能瓶颈通常在于CPU的算力或并行处理能力。以下是详细解释： 核心特征时间消耗分布任务执行时间中，超过50%用于CPU计算（如算术运算、逻辑判断、数据转换等）。IO操作（如磁盘读写、网络传输）占比极低，甚至可以忽略不计。典型场景科学计算：... CPU密集型任务是指在执行过程中，主要时间消耗在CPU的计算操作上，而非等待输入/输出（IO）完成的任务类型。这类任务的核心特点是CPU持续处于高负载状态，性能瓶颈通常在于CPU的算力或并行处理能力。以下是详细解释： 核心特征时间消耗分布任务执行时间中，超过50%用于CPU计算（如算术运算、逻辑判断、数据转换等）。IO操作（如磁盘读写、网络传输）占比极低，甚至可以忽略不计。典型场景科学计算：...
- 梯度消失和梯度爆炸是深度神经网络训练中常见的两种问题，均与反向传播过程中梯度的传递和缩放有关。它们会导致模型训练困难、参数更新失效，甚至训练崩溃。以下是详细解释： 一、梯度消失（Vanishing Gradients） 1. 定义与现象梯度消失指在反向传播过程中，梯度通过多层网络逐层传递时，其值逐渐减小，最终接近零。这会导致浅层网络的参数几乎不更新，模型退化为浅层网络，无法学习深层特征。 2... 梯度消失和梯度爆炸是深度神经网络训练中常见的两种问题，均与反向传播过程中梯度的传递和缩放有关。它们会导致模型训练困难、参数更新失效，甚至训练崩溃。以下是详细解释： 一、梯度消失（Vanishing Gradients） 1. 定义与现象梯度消失指在反向传播过程中，梯度通过多层网络逐层传递时，其值逐渐减小，最终接近零。这会导致浅层网络的参数几乎不更新，模型退化为浅层网络，无法学习深层特征。 2...
- 神经网络的层数并非越多效果越好，其性能受模型容量、训练数据、计算资源、优化难度和泛化能力等多重因素影响。增加层数（即“深度”）可能提升模型表达能力，但也可能引发梯度消失/爆炸、过拟合等问题。以下是详细分析： 一、增加层数的优势更强的表达能力原理：深层网络通过堆叠非线性变换（如ReLU、Sigmoid），能学习更复杂的特征层次。例如：低层：学习边缘、纹理等基础特征（如CNN的卷积层）。中层：组... 神经网络的层数并非越多效果越好，其性能受模型容量、训练数据、计算资源、优化难度和泛化能力等多重因素影响。增加层数（即“深度”）可能提升模型表达能力，但也可能引发梯度消失/爆炸、过拟合等问题。以下是详细分析： 一、增加层数的优势更强的表达能力原理：深层网络通过堆叠非线性变换（如ReLU、Sigmoid），能学习更复杂的特征层次。例如：低层：学习边缘、纹理等基础特征（如CNN的卷积层）。中层：组...
- L1正则化和L2正则化是机器学习中常用的两种正则化方法，它们通过在损失函数中添加不同的惩罚项来约束模型复杂度，防止过拟合。两者的核心区别体现在惩罚项形式、权重效果、几何解释、计算复杂度以及适用场景上。以下是详细对比： 1. 惩罚项形式L1正则化（Lasso）：惩罚项为模型权重的绝对值之和，数学形式为：[\lambda \cdot \sum_{i=1}^{n} |w_i|]其中，(\lambd... L1正则化和L2正则化是机器学习中常用的两种正则化方法，它们通过在损失函数中添加不同的惩罚项来约束模型复杂度，防止过拟合。两者的核心区别体现在惩罚项形式、权重效果、几何解释、计算复杂度以及适用场景上。以下是详细对比： 1. 惩罚项形式L1正则化（Lasso）：惩罚项为模型权重的绝对值之和，数学形式为：[\lambda \cdot \sum_{i=1}^{n} |w_i|]其中，(\lambd...
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