- 1 简介本文实例构建一个系统资源监控程序，并使用go提供数据上报的服务实例 Prometheus + Grafana, Zabbix, Nagios可以使用 Go 提供数据上报的服务实例，用于配合以下监控系统进行系统资源监控。但实现方式在不同系统中有区别： 2 exporter 上报数据Prometheus + Grafana非常适合用 Go 编写 exporter 上报数据。推荐方式：... 1 简介本文实例构建一个系统资源监控程序，并使用go提供数据上报的服务实例 Prometheus + Grafana, Zabbix, Nagios可以使用 Go 提供数据上报的服务实例，用于配合以下监控系统进行系统资源监控。但实现方式在不同系统中有区别： 2 exporter 上报数据Prometheus + Grafana非常适合用 Go 编写 exporter 上报数据。推荐方式：...
- ABoVE: Atmospheric Profiles of CO, CO2 and CH4 Concentrations from Arctic-CAP, 2017简介该数据集提供了 2017 年 4 月至 11 月期间北极碳飞机剖面 (Arctic-CAP) 月度采样活动期间阿拉斯加、育空地区和加拿大西北地区的大气一氧化碳 (CO)、二氧化碳 (CO2)、甲烷 (CH4) 和水蒸气浓... ABoVE: Atmospheric Profiles of CO, CO2 and CH4 Concentrations from Arctic-CAP, 2017简介该数据集提供了 2017 年 4 月至 11 月期间北极碳飞机剖面 (Arctic-CAP) 月度采样活动期间阿拉斯加、育空地区和加拿大西北地区的大气一氧化碳 (CO)、二氧化碳 (CO2)、甲烷 (CH4) 和水蒸气浓...
- 1 简介现代数学、物理和工程学中，希腊字母经常用于表示变量、常量、函数、集合、角度等。在数学和科学中随处可见的它们代表方程中的变量并标记关键常量。但为什么要使用它们呢？这归结为历史以及它们如何帮助科学家和数学家清晰地交流。使用希腊字母可以轻松识别不同的概念和变量。例如，字母 π （pi） 表示圆的周长与其直径的比率。在物理学中，α （alpha）通常代表角度。希腊字母的一致使用有助于保持方... 1 简介现代数学、物理和工程学中，希腊字母经常用于表示变量、常量、函数、集合、角度等。在数学和科学中随处可见的它们代表方程中的变量并标记关键常量。但为什么要使用它们呢？这归结为历史以及它们如何帮助科学家和数学家清晰地交流。使用希腊字母可以轻松识别不同的概念和变量。例如，字母 π （pi） 表示圆的周长与其直径的比率。在物理学中，α （alpha）通常代表角度。希腊字母的一致使用有助于保持方...
- 支持COCO/VOC/YOLO格式的目标检测数据集标准化方法与工具链分析随着 YOLOv11 的发布，其在目标检测任务中的性能和易用性进一步提升。然而，想要训练一个高质量的模型，优质的数据集必不可少。Roboflow 作为 YOLOv11 官方推荐的数据平台，不仅提供了丰富的公开数据集，还支持将数据一键导出为多种格式（包括 YOLO、Pascal VOC、COCO、CSV 等），大大简化了... 支持COCO/VOC/YOLO格式的目标检测数据集标准化方法与工具链分析随着 YOLOv11 的发布，其在目标检测任务中的性能和易用性进一步提升。然而，想要训练一个高质量的模型，优质的数据集必不可少。Roboflow 作为 YOLOv11 官方推荐的数据平台，不仅提供了丰富的公开数据集，还支持将数据一键导出为多种格式（包括 YOLO、Pascal VOC、COCO、CSV 等），大大简化了...
- 基于PyTorch的YOLOv11全流程训练与部署研究本文将带你深入了解在Windows 11系统上从零搭建并训练YOLOv11模型的全过程。内容包括：硬件与依赖环境准备、CUDA与cuDNN安装、PyTorch与相关库配置、PyCharm集成、系统环境变量配置，以及YOLOv11源码获取与训练示例。 环境与硬件准备 硬件要求GPU：NVIDIA GTX 1060及以上，支持CUDA 11... 基于PyTorch的YOLOv11全流程训练与部署研究本文将带你深入了解在Windows 11系统上从零搭建并训练YOLOv11模型的全过程。内容包括：硬件与依赖环境准备、CUDA与cuDNN安装、PyTorch与相关库配置、PyCharm集成、系统环境变量配置，以及YOLOv11源码获取与训练示例。 环境与硬件准备 硬件要求GPU：NVIDIA GTX 1060及以上，支持CUDA 11...
- 本章系统介绍了数据驱动、知识驱动及双驱动人工智能的理论与应用。数据驱动方法依赖大数据和深度学习，在图像识别、自然语言处理等领域取得突破，但面临标注成本高、可解释性差等问题。知识驱动方法通过知识表示与推理提升系统理解能力，却在泛化性和适应性上受限。为弥补单一范式的不足，数据与知识双驱动融合两者优势，致力于构建更智能、可解释且安全可靠的AI系统，兼顾伦理与隐私保护。 本章系统介绍了数据驱动、知识驱动及双驱动人工智能的理论与应用。数据驱动方法依赖大数据和深度学习，在图像识别、自然语言处理等领域取得突破，但面临标注成本高、可解释性差等问题。知识驱动方法通过知识表示与推理提升系统理解能力，却在泛化性和适应性上受限。为弥补单一范式的不足，数据与知识双驱动融合两者优势，致力于构建更智能、可解释且安全可靠的AI系统，兼顾伦理与隐私保护。
- ABoVE: Hyperspectral Imagery AVIRIS-NG, Alaskan and Canadian Arctic, 2017-2019 V2简介该数据集提供机载可见光/红外成像光谱仪-下一代 (AVIRIS-NG) 仪器在 2017 年 6 月至 8 月以及 2018 年和 2019 年 7 月至 8 月飞越北极-北方脆弱性实验 (ABoVE) 区域期间测量的 1 ... ABoVE: Hyperspectral Imagery AVIRIS-NG, Alaskan and Canadian Arctic, 2017-2019 V2简介该数据集提供机载可见光/红外成像光谱仪-下一代 (AVIRIS-NG) 仪器在 2017 年 6 月至 8 月以及 2018 年和 2019 年 7 月至 8 月飞越北极-北方脆弱性实验 (ABoVE) 区域期间测量的 1 ...
- ABoVE/ASCENDS: Merged Atmospheric CO2, CH4, and Meteorological Data, 2017简介该数据集提供了大气二氧化碳 (CO2)、甲烷 (CH4)、水蒸气浓度、气温、气压、风速和风向的现场机载测量数据，以及在 2017 年 7 月 20 日至 2017 年 8 月 8 日在美国阿拉斯加、加拿大育空地区和西北地区部署的夜间、白天和... ABoVE/ASCENDS: Merged Atmospheric CO2, CH4, and Meteorological Data, 2017简介该数据集提供了大气二氧化碳 (CO2)、甲烷 (CH4)、水蒸气浓度、气温、气压、风速和风向的现场机载测量数据，以及在 2017 年 7 月 20 日至 2017 年 8 月 8 日在美国阿拉斯加、加拿大育空地区和西北地区部署的夜间、白天和...
- 机器学习（常用科学计算库的使用）基础定位、目标 定位 目标 1.1 人工智能概述 学习目标 1 人工智能应用场景 2 人工智能小案例 3 人工智能发展必备三要素： 4 人工智能、机器学习和深度学习 4 小结 机器学习概述 1.4 机器学习工作流程 1 什么是机器学习 Pandas 5.8 高级处理-数据离散化 1 为什么要离散化 2 什么是数据的离散化 3 股票的涨跌幅离散化 机器学习（常用科学计算库的使用）基础定位、目标 定位 目标 1.1 人工智能概述 学习目标 1 人工智能应用场景 2 人工智能小案例 3 人工智能发展必备三要素： 4 人工智能、机器学习和深度学习 4 小结 机器学习概述 1.4 机器学习工作流程 1 什么是机器学习 Pandas 5.8 高级处理-数据离散化 1 为什么要离散化 2 什么是数据的离散化 3 股票的涨跌幅离散化
- 别只会写脚本了！看看机器学习是怎么帮运维“摸鱼”的 别只会写脚本了！看看机器学习是怎么帮运维“摸鱼”的
- 如下图所示，笔者最近学习 Transformer 模型的架构，学习到了输入嵌入这一章节。本文是笔者的学习笔记。 输入嵌入的定义输入嵌入（Input Embedding）是将离散的符号（如单词、字符）转换为连续的向量表示的一种方法。神经网络在处理输入数据时，无法直接处理离散符号，因此需要将这些符号映射到一个高维的实数向量空间中。这样，输入嵌入使得网络能够捕捉到符号之间的语义关系，并使模型的训练... 如下图所示，笔者最近学习 Transformer 模型的架构，学习到了输入嵌入这一章节。本文是笔者的学习笔记。 输入嵌入的定义输入嵌入（Input Embedding）是将离散的符号（如单词、字符）转换为连续的向量表示的一种方法。神经网络在处理输入数据时，无法直接处理离散符号，因此需要将这些符号映射到一个高维的实数向量空间中。这样，输入嵌入使得网络能够捕捉到符号之间的语义关系，并使模型的训练...
- 笔者最近在学习 Transformer 模型的实现细节。在下面这本书的输入嵌入章节，提到了词元化方法的概念。 词元化方法简介词元化（Tokenization）是自然语言处理中的一个核心步骤，涉及将文本数据转换为模型可以理解的基本单元。这个步骤的重要性毋庸置疑，因为文本数据本质上是字符串，无法直接输入到机器学习模型中，尤其是神经网络模型中。通过词元化，文本数据可以被分解为更小的单位（如词、子词... 笔者最近在学习 Transformer 模型的实现细节。在下面这本书的输入嵌入章节，提到了词元化方法的概念。 词元化方法简介词元化（Tokenization）是自然语言处理中的一个核心步骤，涉及将文本数据转换为模型可以理解的基本单元。这个步骤的重要性毋庸置疑，因为文本数据本质上是字符串，无法直接输入到机器学习模型中，尤其是神经网络模型中。通过词元化，文本数据可以被分解为更小的单位（如词、子词...
- ABoVE/ASCENDS: Atmospheric Backscattering Coefficient Profiles from CO2 Sounder, 2017简介该数据集提供了 2017 年 7 月 20 日至 2017 年 8 月 8 日在美国阿拉斯加、加拿大育空地区和西北地区开展的“夜间、白天和季节二氧化碳排放主动感知” (ASCENDS) 部署期间收集的大气后向散射系数剖... ABoVE/ASCENDS: Atmospheric Backscattering Coefficient Profiles from CO2 Sounder, 2017简介该数据集提供了 2017 年 7 月 20 日至 2017 年 8 月 8 日在美国阿拉斯加、加拿大育空地区和西北地区开展的“夜间、白天和季节二氧化碳排放主动感知” (ASCENDS) 部署期间收集的大气后向散射系数剖...
- 大模型参数量选型指南：从业务需求到技术落地的全流程决策框架 大模型参数量选型指南：从业务需求到技术落地的全流程决策框架
- 在大模型领域，我们常常会看到诸如 7B、32B、671B 这样的表述，这里的 “B” 是 “billion” 的缩写，意为 “十亿” ，用于量化大模型所包含的参数数量。参数是模型在训练过程中学习和调整的数值，参数规模在一定程度上影响着模型的性能、理解能力与生成能力。通常，参数越多，模型能够学习到的知识和模式就越丰富，理论上在处理复杂任务时表现也会更出色。接下来，为你详细梳理当前主流大模型的参数规模 在大模型领域，我们常常会看到诸如 7B、32B、671B 这样的表述，这里的 “B” 是 “billion” 的缩写，意为 “十亿” ，用于量化大模型所包含的参数数量。参数是模型在训练过程中学习和调整的数值，参数规模在一定程度上影响着模型的性能、理解能力与生成能力。通常，参数越多，模型能够学习到的知识和模式就越丰富，理论上在处理复杂任务时表现也会更出色。接下来，为你详细梳理当前主流大模型的参数规模
上滑加载中
推荐直播
-
华为云码道Skill实战与极速交付，智能开发全链路实战2026/07/22 周三 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；姜浩-华为云HCDG核心组成员
直播深度解读华为云码道6月产品新特性，从Skill市场安装专家技能，带你零距离体验从需求，开发，审查，重构全链路闭环的开发过程。从零构建并交付一个完整项目，让您体验从代码提交到服务上线的“极速”之旅。
回顾中 -
聚开发者之力，创具身新未来2026/07/23 周四 15:00-17:00
张豪杰/程文/王军/刘新春/黄钦开 /张晓天
本次华为云具身智能开发平台CloudRobo培训面向具身智能开发者，带您全流程体验机器人本体R2C小时级接入、环境重建与轨迹生成仿真数据生产、PB级数据管理、数据评测、模型训推、强化学习和Benchmark一键评测等功能，并体验业界主流具身模型应用。
回顾中 -
用码道，让你的AI作品三步上朋友圈2026/08/04 周二 19:00-20:00
林华鼎-华为云AI开发者运营负责人
从入门 · 到做AI应用 · 到企业级开发。不教编程，只教用AI · 零代码、有产出、能带走、可炫耀 · 每课人人动手实操
回顾中
热门标签