- 综合排序
- 最热优先
- 最新优先
- 来自专栏绿盟科技研究通讯
倍福PLC安全评估实战
0x01 前言 CX9020是倍福公司生产的PLC，运行Microsoft Windows Embedded Compact 7操作系统，广泛运用在运动控制领域。 下图就是安全评估的目标PLC。 0xFF2C2EC0) Checking record #339 for potential TOC (ROMOFFSET = 0x00000000) Found pTOC = 0x83ba40c4 cvrtbin.exe -r -a 0x80200000 -w 32 -l 0x039A8B30 NK.bin ... ... ... start 83af9d0c length 000211f4 start 83b1af00 length 00051000 start 83b6bf00 length 000381c4 start 83ba40c4 length 00000054 start 由于这个倍福自带的CeRDisp不仅实现了远程桌面服务，还实现了授权功能，在用户设置密码后，使用远程桌面进行访问的时候要输入安全密码，如下图： ? ?
1.7K30发布于 2019-12-11 - 来自专栏EtherCAT
EtherCAT芯片需要倍福授权是怎么回事？
ETherCAT的全称是Ethernet for Control Automation Technology，它是最早由德国倍福公司（Beckhoff）在2003年提出，现在由 EtherCAT技术协会监管 ETG的规则是：EtherCAT是一种架构开放、但不开源的高速工业以太网通信协议，任何相关设备的开发，都需要向其获取相关授权，这个授权一般都需要从EtherCAT的专利方倍福（Beckhoff）获得。 目前市场上获得倍福正牌官方授权的厂商主要有：Microhip（美国）--LAN9252、LAN9253、LAN9254、LAN9255Ti（美国）--SitaraAM3357/9、SitaraAM4377 如果使用未获得倍福授权的ETherCAT芯片：一是性能上一般会有很大差异二是为后期获得技术支持和软件更新带来隐患三是也令国产工控设备在进军海外市场时面临合规挑战
88510编辑于 2024-07-02 - 来自专栏机器人网
倍福TwinCAT 3.1无缝集成 PLC 和机器人控制
有了 mxAutomation 功能库，指令可以直接由 PLC 发送给带 KR C4 控制器的 KUKA 机器人。 通讯通过 EtherCAT 实现，有了 TwinCAT，EtherCAT 主站端子模块和 KUKA 的 KR C4 控制器可以通过 EL6692 或 EL6695 EtherCAT 桥接端子模块交换数据
2.3K40发布于 2018-04-12 EtherCAT联倍福，DeviceNet控气阀：一“关”解百忧
EtherCAT联倍福，DeviceNet控气阀：一“关”解百忧在高速精密加工中心轰鸣的车间里，我们的设备层存在一个棘手的“沟通”难题：倍福PLC凭借高性能EtherCAT总线掌控全局，而关键的现场执行单元 经过严格选型评估，最终确定了一款网关设备，其核心优势在于： 高效透明： 在倍福TwinCAT工程环境中可被直接识别为本地DeviceNet主站模块，配置逻辑与倍福原生I/O高度一致，大幅降低工程复杂度 倍福PLC中的控制逻辑（如M代码触发换刀、传感器联锁门控）通过网关实时、无损地转换为DeviceNet报文，驱动对应阀门动作。 它成功破解了高端PLC（倍福）与存量设备层（DeviceNet气动阀）间的协议壁垒，实现了： 数据无缝贯通： PLC指令直达末端执行器，控制更精准。
29010编辑于 2025-08-13- 来自专栏EtherCAT
ETherCAT芯片为何需要倍福授权？国产EtherCAT有哪些推荐？
EtherCAT技术是德国的倍福自动化（Beckhoff）开发，处于EtherCAT技术协会（ETG）框架之下，是一项开放但不开源的技术，任何相关设备的开发，都需要向其获取相关授权。 图片如果使用未获得倍福授权的ETherCAT芯片：一是性能上一般会有很大差异二是为后期获得技术支持和软件更新带来隐患三是也令国产工控设备在进军海外市场时面临合规挑战授权则需要从EtherCAT的专利方Beckhoff XMC4800Hilscher（德国）: netX50、 netX50、 netX90、 netX500和netX4000亚信（台）--AX58100不过近几年，随着国内EtherCAT市场的增长，很多国内的企业也开始获得了倍福的正式授权 比如苏州创耀，获得倍福正式授权，目前已推出一系列EtherCAT从控芯片，集成了从倍福自动化授权的ESC核心模块。
3.4K11编辑于 2024-07-04 - 来自专栏新智元
斯坦福新深度学习系统 NoScope：视频对象检测快1000倍
斯坦福大学的新研究构建一个名为 NoScope 的深度学习视频对象检测系统，利用视频的局部性对 CNN 模型进行优化，相比当前性能最好的 YOLOv2 或 Faster R-CNN 速度加快了1000倍， 为了解决视频增长速度与分析成本之间的巨大差距，我们构建了一个名为 NoScope 的系统，与目前的方法相比，它处理视频内容的速度要快数千倍。 本文将介绍NoScope优化的一个示例，并描述NoScope如何在模型级联中端到端地堆叠它们，以获得倍增的加速——在现实部署的网络摄像机上可提速1000倍。 这些模型端到端地堆叠，比原来的CNN要快1000倍。 利用场景特定局部性 NoScope 使用专用模型来利用场景特定局部性，或训练来从特定视频内容的角度检测特定对象的快速模型。 在NoScope中，我们利用时间局部性，将视频专用管道中差异检测和专用CNN相结合，视频检索速度比普通CNN检索提高了1000倍。也就是说，每秒处理的视频帧数超过8000帧。
1.3K50发布于 2018-03-27 - 来自专栏EtherCAT
使用未获得倍福授权的EtherCAT芯片可能面临的风险
例如，2018 年倍福曾对中国企业提起诉讼，要求停止侵权并赔偿损失。若企业在专利有效期内使用未授权芯片，可能面临追溯性法律追责。 例如，早期国产替代芯片因未获得倍福授权，实测中出现通信延迟不稳定、多节点同步失效等问题。 例如，某国内厂商因未获得倍福 IP 授权，在开发从站控制器时需自行实现 PDO 映射逻辑，最终导致产品上市时间延迟 6 个月。 3.安全漏洞与可靠性隐患未授权芯片可能缺乏倍福的安全机制（如数据帧校验和防篡改设计），易受中间人攻击或 DoS 攻击。 四、应对策略建议1.优先选择授权芯片目前获得倍福授权的厂商包括 Microchip、瑞萨、创耀科技等。
27410编辑于 2025-10-12 - 来自专栏剑指工控
倍福PLC与ET200S的PROFIBUS DP通讯（附案例下载）
硬件配置清单 硬件名称 型号 数量 1 PLC CX5020-0111 M310 1 2 PROFIBUS DP适配器 6ES7 151-1BA02-0AB0 1 3 数字量输出模块 6ES7 132-4BD01 -0AA0 2 4 电源模块 6ES7 138-4CA01-0AA0 1 02 设备架构图 图1-1 设备架构图 03 安装GSE文件 打开TwinCAT3的安装路径（案例中使用的电脑默认安装在 在新建项目窗口中，选择“TwinCAT Projects”，如图1-3所示 图1-3 创建工程 搜索与PC连接的PLC， 在工程选择“SYSTEM”>“General”>“Choose Target”，如图1-4、 图1-4 选择目标 图1-5 选择EtherNET 图1-6 搜索在线PLC并添加 将PLC已经连接的设备扫描添加到工程中，“I/O”>“Devices”，右击选择“Scan”,如图1-7所示。 图1-13 创建变量 图1-14 生成变量实例 将生成的变量实例与ET200S的输出通道关联，双击“MAIN.Output1”>“Linked to”，选择需要关联的变量（ET200S中DO模块为4通道的
1.7K30发布于 2021-11-09 - 来自专栏李智的专栏
斯坦福CS231n - CNN for Visual Recognition（4）-lecture4反向传播
，那么整个表达式会以3倍这个量减小。 同理，因为∂f∂y=4\frac{\partial f}{\partial y}=4，如果将yy的值增加一个很小的量hh，则整个表达式变化4h4h。 例如，若x=4,y=2x=4,y=2，那么结果44，所以函数对于yy就不敏感，所以yy梯度是00，因为对于函数输出是没有效果的。 在反向传播时将递归地使用链式法则，算到加法门（是乘法门的输入）的时候，知道加法门的输出的梯度是−4-4。如果网络想要输出值更高，那么加法门的输出要更小（因为梯度−4-4）。 继续递归并对梯度使用链式法则，加法门拿到回传梯度，然后把这个梯度分别乘到每个输入值的局部梯度（就是让−4-4乘以xx和yy的局部梯度，xx和yy的局部梯度都是11，所以最终都是−4-4）。
80010发布于 2018-08-03 - 来自专栏初代庄主
4 年时间让 Python 性能提升 5 倍
Guido 在微软开启了一个叫 “Faster-Cpython” 的项目，其目标是在 4 年的时间里让 Cpython 解释器的性能提升 5 倍。 按计划应该是每年把性能提升到之前的 150%，这样经过 4 年刚好提升 5 倍。就 3.11.0 这个版本来说，相比预期还是要差上一些。
54120编辑于 2022-12-19 - 来自专栏新智元
斯坦福谷歌大脑：两次蒸馏，引导扩散模型采样提速256倍！
新智元报道 编辑：Aeneas David 【新智元导读】斯坦福、谷歌大脑新作：无需分类器，两步蒸馏，将扩散模型采样速度提升256倍。 只需4个采样步骤，就能获得与原始模型相当的FID/IS分数，而采样速度却高达256倍。 可以看到，通过改变指导权重w，研究者蒸馏的模型能够在样本多样性和质量之间进行权衡。 实验中探索了指导权重w的不同范围，并观察到所有的范围都有可比性，因此使用[wmin, wmax] = [0, 4]进行实验。使用信噪比损失训练第一步和第二步模型。 在实验中，以指导区间w∈[0, 4]为条件的模型训练，与w为固定值的模型训练表现相当。在步骤较少时，我们的方法明显优于DDIM基线性能，在8到16个步骤下基本达到教师模型的性能水平。
72220编辑于 2023-01-06 - 来自专栏AiCharm
全新剪枝框架 | YOLOv5模型缩减4倍，推理速度提升2倍
JetsonTX2上的实验结果表明，R-TOSS在YOLOv5目标检测器上的压缩率为4.4倍，推理时间加快了2.15倍，能耗降低了57.01%。 4、R-TOSS剪枝框架 在本节中，我们描述了我们的新型R-TOSS修剪框架，并详细介绍了我们如何在YOLOv5和RetinaNet对象检测器上实现了前面提到的对内核修剪技术的改进。 先前关于kernel模式修剪的工作使用了由kernel中的4个非零权重组成的4项模式。但这导致模型具有相对较低的稀疏性，为了克服这一问题，这些工作的作者利用了连通性修剪。 ，与BM相比，在RetinaNet上实现1.87倍和2.1倍的速度加速。 2.15倍的推理时间加速，在RetinaNet上实现1.56倍和1.87倍的加速。
2.8K11编辑于 2023-05-15 - 来自专栏工业自动化
CANopen转EtherCAT：倍福CX5140 PLC与CANopen从站的实时通信
生产线的核心控制系统采用了基于EtherCAT协议的倍福（Beckhoff）PLC作为主站，负责对整个生产线的流程进行调度和控制，确保各个工序的精准协同。 EtherCAT协议主站PLC：选用倍福（Beckhoff）的CX5140系列工业PC作为EtherCAT主站。 在配置软件中，需要设置EtherCAT从站的相关参数，包括从站地址、通信速率等，确保网关能够与倍福PLC的EtherCAT网络正确通信。 例如，将倍福PLC发出的拧紧机控制指令数据映射到CANopen网络，以便发送给博世电动拧紧机；将图尔克传感器采集到的温度、位置等数据映射到EtherCAT网络，供倍福PLC进行分析和处理。 硬件组态：在倍福TwinCAT3编程软件中，进行硬件组态操作。
56510编辑于 2025-06-11 - 来自专栏计算机视觉战队
让模型训练速度提升2到4倍
据项目信息介绍，使用 Composer 训练，你可以做到： ResNet-101 在 ImageNet 上的准确率在 1 小时 30 分钟内达到 78.1%（AWS 上 49 美元），比基线快 3.5 倍， ResNet-50 在 ImageNet 上的准确率在 1 小时 14 分钟内达到 76.51%（AWS 上 40 美元），比基线快 2.9 倍，便宜 65%。 在 4 小时 27 分钟内将 GPT-2 在 OpenWebText 上的困惑度提高到 24.11（AWS 上 145 美元），比基线快 1.7 倍，便宜 43%。 2311123606 往期推荐 Yolov7：最新最快的实时检测框架，最详细分析解释（附源代码） 打假Yolov7的精度，不是所有的论文都是真实可信 最新的目标检测的深度架构 | 参数少一半、速度快3倍+
66910编辑于 2022-08-31 - 来自专栏Datawhale专栏
一行代码将Pandas加速4倍
当你使用 4 核(现代 Intel i5)或 6 核(现代 Intel i7)时，情况会变得更糟。pandas 的设计初衷并不是为了有效利用这种计算能力。 这是 2.6 倍的加速。对于只修改 import 语句来说，这不算太寒酸！ 让我们在 DataFrame 上做一些更复杂的处理。 pandas 在 3.56 秒内完成了连接操作，而 Modin 在 0.041 秒内完成，速度提高了 86.83 倍！ print("Modin Concat Time = {}".format(e-s)) 这次，Pandas 运行*.fillna()*用了 1.8 秒，而 Modin 用了 0.21 秒，8.57 倍的加速 import ray ray.init(num_cpus=4) import modin.pandas as pd 在处理大数据时，数据集的大小超过系统上的内存(RAM)的情况并不少见。
3.4K10发布于 2019-12-09 - 来自专栏小小挖掘机
一行代码将Pandas加速4倍
当你使用 4 核(现代 Intel i5)或 6 核(现代 Intel i7)时，情况会变得更糟。pandas 的设计初衷并不是为了有效利用这种计算能力。 这是 2.6 倍的加速。对于只修改 import 语句来说，这不算太寒酸！ 让我们在 DataFrame 上做一些更复杂的处理。 pandas 在 3.56 秒内完成了连接操作，而 Modin 在 0.041 秒内完成，速度提高了 86.83 倍！ print("Modin Concat Time = {}".format(e-s)) 这次，Pandas 运行*.fillna()*用了 1.8 秒，而 Modin 用了 0.21 秒，8.57 倍的加速 import ray ray.init(num_cpus=4) import modin.pandas as pd 在处理大数据时，数据集的大小超过系统上的内存(RAM)的情况并不少见。
3.7K10发布于 2019-12-11 - 来自专栏集智书童
MobileSAM来啦 | 比SAM小60倍，比FastSAM快4倍，速度和效果双赢
凭借卓越的性能和更高的通用性，作者的MobileSAM比并发的FastSAM小7倍，快4倍，更适合移动端应用程序。 由此产生的MobileSAM将编码器参数减少了100倍，将总参数减少了60倍。 值得强调的是，作者的MobileSAM比同期的FastSAM赵等人小7倍，快4倍，同时实现了卓越的性能。 就推理速度而言，在单个GPU上，处理图像需要40ms，而MobileSAM的仅需要10ms，这比FastSAM快4倍。 作者的MobileSAM也比并发的FastSAM快4倍，小7倍，使其更适合移动端应用程序。
2.4K30编辑于 2023-09-04 分钟级长视频生成迎来“记忆革命”，7倍成本降低，2.2倍端到端生成速度提升!｜斯坦福&字节
MoC 能够裁剪超过 85% 的 token 对，将注意力 FLOPs 成本最多减少7倍，并在分钟级场景中实现 2.2 倍的端到端生成速度提升。 达到的效果 实现近似线性的计算扩展，大幅降低注意力计算成本（FLOPs 最多减少7倍），生成长度达到约18万token的分钟级视频。 自回归视频生成方法，如[3, 4, 48] 通常按帧将上下文划分为块，其中查询 仅关注最近的几个块，从而丢失了更远距离的上下文信息。 例如，考虑一个常见的 VAE 压缩率（空间下采样 16×，时间下采样 4×），一个分辨率为 480P、帧率为 12fps、时长为 1 分钟的视频将变成一个大约包含 180k 个 token 的序列。 下图 3 和下图 4 分别展示了单镜头和多镜头视频生成任务的定性对比。本文认为，这种均值池化操作非常适用于视频，因为在空间上接近的像素和在时间上相邻的帧往往描绘的是同一个物体或背景区域。
30810编辑于 2025-11-17- 来自专栏YOLO大作战
斯坦福最新Sophia优化器，比Adam快2倍 | 2023.5月斯坦福最新成果
1.Sophia优化器介绍 斯坦福2023.5月发表的最新研究成果，他们提出了「一种叫Sophia的优化器，相比Adam，它在LLM上能够快2倍，可以大幅降低训练成本」。 True)[0] return B * g_hat * g_hatclass SophiaG(Optimizer): def __init__(self, params, lr=1e-4,
2.6K40编辑于 2023-11-03 - 来自专栏机器之心
斯坦福2018 AI指数报告出炉：DL职位需求两年增长35倍
报告特别介绍了清华大学学习 AI 课程的学生数量：2017 年人工智能+机器学习课程的入学人数比 2010 年时多 16 倍。 AI4ALL 和 Women in Machine Learning（WiML）等组织正在加大力度鼓励和支持代表性不足的群体参与进来。 下面的指标也能体现本报告所传达的关键信息：AI 是全球性的。 从图中可以看出，AI 领域的论文增幅最大，比 1996 年增加了 7 倍多。 ? ICLR 2018 的出席人数是 2012 年的 20 倍，这一趋势反映了当前的人工智能更加注重深度学习和强化学习。 ? 问答系统：ARC 2018 年 4 月-11 月问答系统在 ARC 基准上的性能变化 ? 4. 问答系统：GLUE 2018 年 5 月-10 月问答系统在 GLUE 基准上的性能变化 ?
59540发布于 2018-12-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号