- 推荐系统为啥都长一个样？聊聊「离线训练 + 在线召回 + 排序」这套大数据架构 推荐系统为啥都长一个样？聊聊「离线训练 + 在线召回 + 排序」这套大数据架构
- NSCAT Level 3 Daily Gridded Ocean Surface Wind Vector Browse Images (JPL)简介本数据集提供美国宇航局散射计（NSCAT）3 级每日网格化海洋风矢量的浏览图像，升轨和降轨的风矢量空间分辨率均为 0.5 度；相邻轨道重叠处的风矢量取平均值。这是最新版本，代表了校准、验证和科学数据处理的最终阶段，该阶段于 1998 年 11... NSCAT Level 3 Daily Gridded Ocean Surface Wind Vector Browse Images (JPL)简介本数据集提供美国宇航局散射计（NSCAT）3 级每日网格化海洋风矢量的浏览图像，升轨和降轨的风矢量空间分辨率均为 0.5 度；相邻轨道重叠处的风矢量取平均值。这是最新版本，代表了校准、验证和科学数据处理的最终阶段，该阶段于 1998 年 11...
- NSCAT Level 2 Ocean Wind Vector Geophysical Data Record简介美国国家航空航天局散射计（NSCAT）二级海洋风矢量数据以 50 公里风矢量网格（WVC）幅宽呈现，包含每日上升和下降轨道的数据。风矢量的精度在 2 米/秒（矢量速度）和 20 度（矢量方向）以内。受降雨污染区域的风矢量数据无效；数据中不包含降雨标记和降水信息。数据中会标记缺失、... NSCAT Level 2 Ocean Wind Vector Geophysical Data Record简介美国国家航空航天局散射计（NSCAT）二级海洋风矢量数据以 50 公里风矢量网格（WVC）幅宽呈现，包含每日上升和下降轨道的数据。风矢量的精度在 2 米/秒（矢量速度）和 20 度（矢量方向）以内。受降雨污染区域的风矢量数据无效；数据中不包含降雨标记和降水信息。数据中会标记缺失、...
- 模型量化实战 什么是量化量化，听起来是一个复杂的数学概念，但实际非常简单，就是用较少的信息来表示数据，在尽量不损失模型性能的前提下，降低资源开销。深度学习模型（无论是 CV 还是 NLP 领域）普遍表现出显著的参数冗余性。早在 1989 年，Yann LeCun 等人就在论文《Optimal Brain Damage》 中指出神经网络中存在大量参数可以被删除而不影响准确率；而后续著名的“彩... 模型量化实战 什么是量化量化，听起来是一个复杂的数学概念，但实际非常简单，就是用较少的信息来表示数据，在尽量不损失模型性能的前提下，降低资源开销。深度学习模型（无论是 CV 还是 NLP 领域）普遍表现出显著的参数冗余性。早在 1989 年，Yann LeCun 等人就在论文《Optimal Brain Damage》 中指出神经网络中存在大量参数可以被删除而不影响准确率；而后续著名的“彩...
- 本文聚焦程序化内容生成中可控性与随机性的量化平衡核心问题，跳出表层参数调优思维，从技术实操与底层逻辑出发，系统阐释了可控性维度拆解、指标赋值、阈值锚定的量化方法，以及随机性有效域划定、熵值梯度分级、非核心维度释能的界定逻辑。通过双体系耦合映射、平衡系数动态校准、场景化调优的三维路径实现二者动态适配，再经双指标闭环验证、增量式迭代、数据驱动优化完成体系落地与进化。 本文聚焦程序化内容生成中可控性与随机性的量化平衡核心问题，跳出表层参数调优思维，从技术实操与底层逻辑出发，系统阐释了可控性维度拆解、指标赋值、阈值锚定的量化方法，以及随机性有效域划定、熵值梯度分级、非核心维度释能的界定逻辑。通过双体系耦合映射、平衡系数动态校准、场景化调优的三维路径实现二者动态适配，再经双指标闭环验证、增量式迭代、数据驱动优化完成体系落地与进化。
- 量子机器学习：AI 的下一个维度，真不是玄学 量子机器学习：AI 的下一个维度，真不是玄学
- MLflow / Feast 实战手记：MLOps 不是装工具，是治内伤 MLflow / Feast 实战手记：MLOps 不是装工具，是治内伤
- 在我刚踏入深度学习这个领域时，我曾和许多人一样，对这些复杂的模型怀有一种近乎迷信的敬畏。它们在海量数据中学习，能以超越人类的精度识别图片、翻译语言，仿佛一个个无所不知的“数字先知”。我至今还记得，当我第一次训练出一个能精准识别多种犬种的卷积神经网络时，那种创造“智能”的激动与自豪。然而，这份笃信很快就被一个颠覆性的发现击得粉碎。那是一篇著名的论文，研究者们只是在一张“熊猫”的图片上，添加了人... 在我刚踏入深度学习这个领域时，我曾和许多人一样，对这些复杂的模型怀有一种近乎迷信的敬畏。它们在海量数据中学习，能以超越人类的精度识别图片、翻译语言，仿佛一个个无所不知的“数字先知”。我至今还记得，当我第一次训练出一个能精准识别多种犬种的卷积神经网络时，那种创造“智能”的激动与自豪。然而，这份笃信很快就被一个颠覆性的发现击得粉碎。那是一篇著名的论文，研究者们只是在一张“熊猫”的图片上，添加了人...
- 引言：人工智能的自主决策革命在人工智能的发展历程中，强化学习代表着一种根本性的范式转变——从被动学习到主动决策的跨越。与监督学习依赖标注数据不同，强化学习通过与环境的交互进行学习，这种"试错学习"机制更接近人类和动物的学习方式。从AlphaGo战胜人类围棋冠军到自动驾驶汽车的决策系统，强化学习正在重塑我们对智能系统的认知。然而，强化学习的实践应用远非理论那般优雅。智能体必须在探索未知与利... 引言：人工智能的自主决策革命在人工智能的发展历程中，强化学习代表着一种根本性的范式转变——从被动学习到主动决策的跨越。与监督学习依赖标注数据不同，强化学习通过与环境的交互进行学习，这种"试错学习"机制更接近人类和动物的学习方式。从AlphaGo战胜人类围棋冠军到自动驾驶汽车的决策系统，强化学习正在重塑我们对智能系统的认知。然而，强化学习的实践应用远非理论那般优雅。智能体必须在探索未知与利...
- 一、写在前面第一次真正被“对抗样本（Adversarial Example）”这个概念震撼，是在深夜的实验室。那天我把一张 99% 识别率的手写数字图片加了一点几乎看不见的噪声，模型立刻把 8 认成了 3。屏幕里的结果让我忽然意识到：我们日常津津乐道的高准确率，其实隐藏着巨大的脆弱性。后来半开玩笑地和同门说：“如果说黑客是刀尖舞者，那搞对抗的人就是显微镜下跳霹雳”——动作极小，却能让系统原地... 一、写在前面第一次真正被“对抗样本（Adversarial Example）”这个概念震撼，是在深夜的实验室。那天我把一张 99% 识别率的手写数字图片加了一点几乎看不见的噪声，模型立刻把 8 认成了 3。屏幕里的结果让我忽然意识到：我们日常津津乐道的高准确率，其实隐藏着巨大的脆弱性。后来半开玩笑地和同门说：“如果说黑客是刀尖舞者，那搞对抗的人就是显微镜下跳霹雳”——动作极小，却能让系统原地...
- 一、引言随着物联网（IoT）设备的普及，边缘计算逐渐成为人工智能（AI）应用的重要场景。边缘设备（如无人机、智能家居设备、自动驾驶传感器）由于计算资源有限，无法直接运行复杂的深度学习模型。因此，如何在边缘设备上高效运行AI模型成为一个重要的研究方向。本文将探讨边缘计算中的模型优化技术，包括模型剪枝、量化感知训练、知识蒸馏和动态推理。通过这些技术，可以在保证模型性能的同时，显著降低模型的计算... 一、引言随着物联网（IoT）设备的普及，边缘计算逐渐成为人工智能（AI）应用的重要场景。边缘设备（如无人机、智能家居设备、自动驾驶传感器）由于计算资源有限，无法直接运行复杂的深度学习模型。因此，如何在边缘设备上高效运行AI模型成为一个重要的研究方向。本文将探讨边缘计算中的模型优化技术，包括模型剪枝、量化感知训练、知识蒸馏和动态推理。通过这些技术，可以在保证模型性能的同时，显著降低模型的计算...
- 一、引言随着物联网（IoT）、智能安防、智慧医疗、自动驾驶等产业的兴起，边缘计算成为AI部署的主战场。相比云端服务器，边缘设备（如摄像头、无人机、传感器、移动终端等）计算和存储资源有限，模型部署面临严苛的功耗、延迟和存储约束。如何让深度学习模型在边缘侧高效运行，成���学术和工业界关注的焦点。近年来，模型剪枝、量化感知训练、知识蒸馏与动态推理等技术，为边缘AI模型的“瘦身”与“加速”提供了... 一、引言随着物联网（IoT）、智能安防、智慧医疗、自动驾驶等产业的兴起，边缘计算成为AI部署的主战场。相比云端服务器，边缘设备（如摄像头、无人机、传感器、移动终端等）计算和存储资源有限，模型部署面临严苛的功耗、延迟和存储约束。如何让深度学习模型在边缘侧高效运行，成���学术和工业界关注的焦点。近年来，模型剪枝、量化感知训练、知识蒸馏与动态推理等技术，为边缘AI模型的“瘦身”与“加速”提供了...
- 在深度学习的发展史上，Transformer 的出现无疑是一座分水岭。它抛弃了循环神经网络（RNN）逐步处理的范式，利用自注意力机制实现了真正的并行化计算。然而，当我们试图将 Transformer 从 NLP 领域迁移到长序列任务（如高分辨率图像生成、长文档建模、基因组分析）时，一个被称为“二次方魔咒”的问题横亘在面前——自注意力的计算复杂度是序列长度的平方 O(N2)O(N^2)O(N... 在深度学习的发展史上，Transformer 的出现无疑是一座分水岭。它抛弃了循环神经网络（RNN）逐步处理的范式，利用自注意力机制实现了真正的并行化计算。然而，当我们试图将 Transformer 从 NLP 领域迁移到长序列任务（如高分辨率图像生成、长文档建模、基因组分析）时，一个被称为“二次方魔咒”的问题横亘在面前——自注意力的计算复杂度是序列长度的平方 O(N2)O(N^2)O(N...
- 当 GPT-3、PaLM 这种万亿参数的模型横空出世时，单张 80GB 显存的 A100 显得如同沧海一粟。面对这种级别的“怪兽”，我们不仅需要更强大的硬件，更需要更精妙的分布式策略。如何在几千张 GPU 之间高效切分模型、数据与通信，是每一个系统架构师必须面对的终极挑战。在最近的超大规模模型训练实践中，我们将模型并行、张量并行、流水线并行、混合精度训练以及通信压缩这五种技术融合，构建了一... 当 GPT-3、PaLM 这种万亿参数的模型横空出世时，单张 80GB 显存的 A100 显得如同沧海一粟。面对这种级别的“怪兽”，我们不仅需要更强大的硬件，更需要更精妙的分布式策略。如何在几千张 GPU 之间高效切分模型、数据与通信，是每一个系统架构师必须面对的终极挑战。在最近的超大规模模型训练实践中，我们将模型并行、张量并行、流水线并行、混合精度训练以及通信压缩这五种技术融合，构建了一...
- 元旦后，我接到了一个看似不可能的任务：为公司的质检系统开发一个能够快速适应新产品缺陷检测的AI模型。难点在于，新产品线的缺陷样本极其稀少，有时只有十几张图片。传统的深度学习方法在这种场景下几乎无法工作。这个挑战让我第一次深入接触了元学习（Meta-Learning）的世界。 一、从一个真实的困境说起在传统的机器学习项目中，我们习惯了"大数据"思维。但现实往往更加骨感。我们面临的典型场景是：新... 元旦后，我接到了一个看似不可能的任务：为公司的质检系统开发一个能够快速适应新产品缺陷检测的AI模型。难点在于，新产品线的缺陷样本极其稀少，有时只有十几张图片。传统的深度学习方法在这种场景下几乎无法工作。这个挑战让我第一次深入接触了元学习（Meta-Learning）的世界。 一、从一个真实的困境说起在传统的机器学习项目中，我们习惯了"大数据"思维。但现实往往更加骨感。我们面临的典型场景是：新...
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战，从0到1打通消息通道；码道鸿蒙端云一体化实战，快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第五期2026/09/04 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；蒋春阳-华为云AI开发者案例开发专家
本期直播内容： AI工具体验营 · 第5-8课连讲。Agent-Team 多智能体协作完成毕业设计实践
回顾中 -
华为云开发者AI素养ClassRoom·第六期2026/09/08 周二 19:00-20:00
樊渊-2026华为软件挑战赛冠军
高手来了：看软挑高手解析二维排样问题—从工业难题到算法突破
回顾中
热门标签