- 综合排序
- 最热优先
- 最新优先
- 来自专栏硬件工程师
何为加速计算？加速计算为什么很重要？
越来越多的应用提供商和开发商正在考虑将加速计算作为其应用局限性的解决方案。 加速计算，了解它的应用领域，为什么它如此重要，以及哪些解决方案最适合计算密集型数据处理应用。 目录 为什么是加速计算？ 为什么需要加速计算？ 加速计算主要用于哪些领域？ 边加速计算有哪些解决方案？ 为什么自适应计算是硬件加速的最佳解决方案？ 什么是加速计算？ 各行各业的企业为了保持竞争力，他们依赖加速计算的程度将越来越高。 加速计算主要用于哪里领域？ 自适应计算 自适应计算是唯一一种硬件在制造过程中不会永久固定的加速计算类型。相反，自适应计算涉及的硬件可以针对特定应用甚至特定加速功能定制。 这种灵活应变性使自适应计算成了加速计算的理想之选。 为什么自适应计算是硬件加速的最佳解决方案？ 加速计算有助于提高高性能应用的效率；但并不是所有的加速器都适用于所有的应用。
1.1K20编辑于 2022-12-19 - 来自专栏python3
TensorBoard计算加速
TensorBoard计算加速 0. 写在前面 参考书 《TensorFlow：实战Google深度学习框架》（第2版） 工具 python3.5.1，pycharm 1. /usr/bin/env python # -*- coding: UTF-8 -*- # coding=utf-8 """ @author: Li Tian @contact: 694317828 /usr/bin/env python # -*- coding: UTF-8 -*- # coding=utf-8 """ @author: Li Tian @contact: 694317828 /usr/bin/env python # -*- coding: UTF-8 -*- # coding=utf-8 """ @author: Li Tian @contact: 694317828 /usr/bin/env python # -*- coding: UTF-8 -*- # coding=utf-8 """ @author: Li Tian @contact: 694317828
93410发布于 2020-01-15 - 来自专栏全栈程序员必看
【矩阵计算GPU加速】numpy 矩阵计算利用GPU加速，cupy包
CuPy 项目地址:https://cupy.chainer.org/ 这个项目本来是用来支持Chainer这个深度学习框架的，但是开发者把这个“GPU 计算包”单独分出来了，方便了大家！！！ 这里之所以要弄个20次的平均，是因为，最开始的几次计算会比较慢！后面的计算速度才是稳定的，cpu和gpu都有一定这个特性，这个原因cpu和gpu是不同！ np.ones((4,4,4,1))*512.3254 x=cp.ones((4,4,4,4))*1024. y=cp.ones((4,4,4,1))*512.3254 GPU失去了优势，所以也不是所有计算都需要放到 gpu上来加速的！
3K20编辑于 2022-09-13 - 来自专栏腾讯云大数据
大数据计算加速论坛
背景介绍 4月23日09:00-12:45，在DataFunSummit2022：大数据计算架构峰会上，由腾讯云大数据资深高级工程师熊训德出品的大数据计算加速论坛，将邀请来自腾讯、阿里巴巴、矩阵起源、喜马拉雅的 王华 腾讯 高级工程师 个人介绍：华中科技大学计算机学院硕士，毕业后加入腾讯云EMR，现主要负责腾讯云EMR 监控&自动化运维模块的开发工作。 演讲主题：云原生混合算力助力计算加速 演讲提纲： 1. 落地实践 听众收益： 大数据计算效率问题和解决方案 云原生混合算力计算加速如何保证作业稳定性 腾讯云EMR如何助力云原生弹性加速计算能力 2. 董国平 阿里云 高级技术专家 个人介绍：2010年加入阿里巴巴，目前服务于阿里云计算平台事业部，长期从事计算平台多租系统和系统安全建设，熟悉安全容器，虚拟网络和 K8s 等。 演讲主题：喜马拉雅大数据弹性云的方案演进 演讲提纲： 集群现状、问题与优化 存储治理 计算弹性 计算缓存加速 听众收益： 集群稳定性的一些优化 如何通过弹性云方案作为IDC资源的重要补充 上云过程中的一些思考
1.6K20编辑于 2022-04-22 - 来自专栏存储公众号：王知鱼
UALink加速互联计算竞争
• 人工智能模型继续增长，需要更多计算和内存来高效执行这些大型模型的训练和推理。 • 该行业需要一个开放的解决方案，允许在多个加速器之间分配模型。 _凤凰网 高性能计算和数据中心用于加速器互连的几种关键技术和标准，以及它们各自的适用场景如下： 1. UALink (Ultra Accelerator Link) 适用场景： 主要用于数据中心和高性能计算环境中，支持多个AI加速器之间的扩展连接。 这种标准致力于创建一个开放的生态系统，使得不同厂商的加速器能够高效地进行通信和扩展，适用于需要大规模AI计算和数据处理的应用。 2. 引用链接 [1] 约占全球80%-95%的市场份额: https://tech.ifeng.com/c/8a26FMdk2AZ
85910编辑于 2025-02-11 密码学计算加速云计算应用
密码学计算加速云计算应用概述根据网络安全内幕人士2019年发布的报告，安全风险（包括信息丢失或泄露）是阻碍企业和政府组织采用云计算技术的主要因素。 随着组织为利用其巨大计算能力而加速将敏感消费者信息流向云端，密码学计算这一研究领域正变得越来越重要citation:1。密码学计算的核心密码学计算本质上专注于设计和实现使用信息而不泄露信息的协议。 用户可以使用公钥加密任何输入数据集，将加密输入交给另一方（如云计算服务）进行计算，然后用她的密钥解密这些计算的结果。通过确保所有数据仅在加密状态下操作，FHE确保上传到云端的数据保持机密性。 秘密共享的信息理论特性保证没有其他方（甚至有限大小的其他方联盟）能够从份额中计算xi。然后，各方执行多轮协议来计算y的份额，其中每轮计算的中间结果的份额也不会泄露xi。 请注意，云计算公司处于提供安全计算服务器的理想位置！
25200编辑于 2025-08-27- 来自专栏计算机视觉理论及其实现
tensorflow的GPU加速计算
虽然GPU可以加速tensorflow的计算，但一般来说不会把所有的操作全部放在GPU上，一个比较好的实践是将计算密集型的运算放在GPU上，而把其他操作放到CPU上。 # coding=utf-8from datetime import datetime import osimport timeimport tensorflow as tfimport mnist_inference , }) # 解析图片和标签信息 decoded_image = tf.decoded_raw(features['image_raw'], tf.unit8) # coding=utf-8import timeimport tensorflow as tffrom tensorflow.example.tutorials.mnist import input_dataimport # coding = utf-8import timeimport tensorflow as tffrom tensorflow.example.tutorials.mnist import input_dataimport
8.2K10编辑于 2022-09-04 - 来自专栏Dechin的专栏
使用numba加速python科学计算
在这个计算结果中，使用了即时编译技术之后，求解的时间几乎被压缩到了微秒级别，而循环求和的方法却已经达到了秒级，加速倍数在 10^5 级别。 用numba.jit加速求双曲正切函数和 在上一个案例中，也许涉及到的计算过于的简单，导致了加速倍数超出了想象的情况。因此这里我们只替换所求解的函数，看看加速的倍数是否会发生变化。 因此，这个图给我们的提示信息是，使用即时编译技术之后，加速的倍率大约为 10^2 。这个加速倍率相对来说更加可以接受，因为C++等语言比python直接计算的速度在特定场景下大概就是要快上几百倍。 而基于SIMD的向量化计算技术，也能够在向量的计算中，如向量间的乘加运算等场景中，实现巨大的加速效果。 这都是非常底层的优化技术，但是要分场景使用，numba这个强力的工具并不能保证在所有的计算场景下都能够产生如此的加速效果。
2.3K20发布于 2021-05-21 - 来自专栏博文视点Broadview
用GPU进行TensorFlow计算加速
小编说：将深度学习应用到实际问题中，一个非常大的问题在于训练深度学习模型需要的计算量太大。 为了加速训练过程，本文将介绍如何如何在TensorFlow中使用单个GPU进行计算加速，也将介绍生成TensorFlow会话（tf.Session）时的一些常用参数。 于是除了可以看到最后的计算结果，还可以看到类似“add: /job:localhost/replica:0/task:0/cpu:0”这样的输出。这些输出显示了执行每一个运算的设备。 ''' 虽然GPU可以加速TensorFlow的计算，但一般来说不会把所有的操作全部放在GPU上。一个比较好的实践是将计算密集型的运算放在GPU上，而把其他操作放到CPU上。 GPU是机器中相对独立的资源，将计算放入或者转出GPU都需要额外的时间。而且GPU需要将计算时用到的数据从内存复制到GPU设备上，这也需要额外的时间。
2.5K00发布于 2020-06-11 - 来自专栏DeepHub IMBA
使用FP8加速PyTorch训练
下面我们将在p5.48xlarge上训练一个相对较大的计算机视觉模型，并将其性能与p4d进行比较。p4d.24xlarge包含8个Nvidia A100 gpu。 FP8与Transformer Engine的集成 PyTorch(版本2.1)不包括FP8数据类型。 为了将我们的脚本编程为使用FP8，我们将使用Transformer Engine (TE)，这是一个用于在NVIDIA gpu上加速Transformer模型的专用库。 Fp8_autocast上下文管理器。 所以可能需要调整底层FP8机制(例如，使用TEapi)，调整一些超参数，和/或将FP8的应用限制在模型的子模型（一部分）。最坏的可能是尽管进行了所有尝试，模型还是无法与FP8兼容。
98440编辑于 2023-11-20 - 来自专栏方亮
并行计算——OpenMP加速矩阵相乘
本文我们将尝试使用OpenMP将CPU资源榨干，以加速计算。 主频3.6G，4核8线程，8MB三级缓存，集成HD4600核显。 库开启8个线程 基础环境 ? 非并行计算 ? 由于是4核8线程，所以CPU最高处在12%（100% 除以8），而且有抖动。 并行计算 ? CPU资源被占满，长期处在100%状态。 由于第6行和第7行的设置，本例中其值将为8。 第13~15行，分拆任务。这样可以保证每个线程可以不交叉的运算各自的区域。 仅仅7行代码，将程序的计算能力提升了4倍！
3.4K30发布于 2019-01-16 - 来自专栏量子发烧友
量子+AI：量子计算加速机器学习
概述 量子计算和机器学习都是当前最炙手可热的研究领域。在量子计算方面，理论和硬件的一个个突破性进展让人们看到大规模通用量子计算机的脚步越来越近。 机器学习技术的快速发展有赖于计算能力的提高，而量子计算因其独特性质，使得它无论在数据处理能力还是数据储存能力，都远超经典计算，从而可以解决目前机器学习算法处理海量大数据时计算效率低的问题，也有利于开发更加智能的机器学习算法 ，将大力加速机器学习的发展。 ，QA)算法、Gibbs采样等； （2) 量子理论的并行性等加速特点直接与某些机器学习算法深度结合, 催生出一批全新的量子机器学习模型，如张量网络、概率图模(probabilistic graphical documentation/machine-learning/ 【7】https://qiskit.org/documentation/machine-learning/tutorials/index.html 【8】
1.9K40编辑于 2023-02-24 - 来自专栏Dechin的专栏
使用jax加速Hamming Distance的计算
的计算中。 Numpy的计算过程。 总结概要 本文通过对比Jax和Numpy计算Normalized Hamming Distance的过程来对比了Jax所实现的Numpy的GPU版本所带来的加速效果。 实际上在维度比较小的时候，Numpy还是有非常轻量级的优势，此时GPU的加速效果并没有很好的体现出来。 但是在规模较大的输入场景下，GPU的并行加速效果简直无敌，而且几乎没有改动原本Numpy的函数接口。
1.4K20发布于 2021-11-10 - 来自专栏大数据
加速python科学计算的方法（二）
当我们把整个计划框架搭建好了，比如我们有以下处理流程： （1）先导入； （2）添加一列Z字段，计算规则是raw的X列和Y列的和：raw[‘Z’]=raw[‘X’]+raw[‘Y’] （3）把Z字段中等于
1.8K100发布于 2018-01-08 - 来自专栏人人都是架构师
Cupy：利用 NVIDIA GPU 来加速计算
CuPy是NumPy的GPU加速版本 CuPy 概览 今天我们来聊聊一个在 Python 数据科学领域中日益受到关注的库——CuPy。 什么是 CuPy？ CuPy 是一个开源的 Python 库，它的设计初衷是为了使得在 GPU 上的计算变得简单快捷。 CuPy 的亮点在于它能够利用 NVIDIA GPU 来加速计算，这在处理大规模数据时尤其有用。 https://github.com/cupy/cupy 为什么选择 CuPy？ 首先使用 Python 列表创建一个 NumPy 和 CuPy 数组，之后我们将计算向量的范数。 print("CuPy 矩阵乘法时间：", time.time() - start_time) 这个示例展示了 CuPy 在执行大规模矩阵乘法时的高效性，这对于科学计算和数据分析尤其重要。
1.4K10编辑于 2024-05-10 - 来自专栏Python绿色通道
8个 可以让 Python 加速的 tips
本文对一些 Python 代码加速运行的技巧进行整理。 0. 代码优化原则 本文会介绍不少的 Python 代码加速运行的技巧。在深入代码优化细节之前，需要了解一些代码优化基本原则。 result = computeSqrt(size) main() 在第 1 节中我们讲到，局部变量的查找会比全局变量更快，因此对于频繁访问的变量sqrt，通过将其改为局部变量可以加速运行 而使用join()拼接字符串时，会首先计算出需要申请的总的内存空间，然后一次性地申请所需内存，并将每个字符串元素复制到该内存中去。 or b这样的语句，当a为True时将直接返回，不再计算b。 sum def main(): size = 10000 for _ in range(size): sum = computeSum(size) main() 8.
82220发布于 2021-11-10 - 来自专栏人工智能头条
实战Google深度学习框架：TensorFlow计算加速
为了加速训练过程，本章将介绍如何通过TensorFlow利用GPU或/和分布式计算进行模型训练。本文节选自《TensorFlow：实战Google深度学习框架》第十章。 本文将介绍如何在TensorFlow中使用单个GPU进行计算加速，也将介绍生成TensorFlow会话（tf.Session）时的一些常用参数。通过这些参数可以使调试更加方便而且程序的可扩展性更好。 然而，在很多情况下，单个GPU的加速效率无法满足训练大型深度学习模型的计算量需求，这时将需要利用更多的计算资源。为了同时利用多个GPU或者多台机器，10.2节中将介绍训练深度学习模型的并行方式。 虽然GPU可以加速TensorFlow的计算，但一般来说不会把所有的操作全部放在GPU上。一个比较好的实践是将计算密集型的运算放在GPU上，而把其他操作放到CPU上。 深度学习训练并行模式 TensorFlow可以很容易地利用单个GPU加速深度学习模型的训练过程，但要利用更多的GPU或者机器，需要了解如何并行化地训练深度学习模型。
1.1K50发布于 2018-06-06 - 来自专栏CSDN技术头条
实战Google深度学习框架：TensorFlow计算加速
为了加速训练过程，本章将介绍如何通过TensorFlow利用GPU或/和分布式计算进行模型训练。本文节选自《TensorFlow：实战Google深度学习框架》第十章。 本文将介绍如何在TensorFlow中使用单个GPU进行计算加速，也将介绍生成TensorFlow会话（tf.Session）时的一些常用参数。通过这些参数可以使调试更加方便而且程序的可扩展性更好。 然而，在很多情况下，单个GPU的加速效率无法满足训练大型深度学习模型的计算量需求，这时将需要利用更多的计算资源。为了同时利用多个GPU或者多台机器，10.2节中将介绍训练深度学习模型的并行方式。 虽然GPU可以加速TensorFlow的计算，但一般来说不会把所有的操作全部放在GPU上。一个比较好的实践是将计算密集型的运算放在GPU上，而把其他操作放到CPU上。 深度学习训练并行模式 TensorFlow可以很容易地利用单个GPU加速深度学习模型的训练过程，但要利用更多的GPU或者机器，需要了解如何并行化地训练深度学习模型。
1.5K80发布于 2018-02-12 - 来自专栏随手写个文章
数据预热与预计算加速查询
数据预热与预计算加速查询：从缓存到StarTree的完整实践核心思想：预热/预计算的本质是用空间换时间——将高代价的计算提前完成，查询时直接命中结果，从而将查询延迟从秒级压缩到毫秒级甚至微秒级。 ASorder_count,AVG(amount)ASavg_order_valueFROMordersGROUPBYDATE(order_time),region,product_category;--创建索引加速查询 rangeIndexColumns":["order_date","revenue"]}}查询时无需特殊语法，优化器自动命中：展开代码语言：SQLAI代码解释--普通SQL，Pinot自动利用StarTree加速 <1s小时~天大中离线数据分析相似度匹配改写<10ms同缓存中中探索式查询加速推荐组合方案：展开代码语言：TXTAI代码解释实时OLAP大盘：StarTree(Pinot)+Redis热点缓存离线数据报表 ：Spark预计算宽表+物化视图+Redis探索式分析加速：SQL相似度匹配+物化视图二次聚合通用业务查询：精确缓存→相似度匹配→物化视图→原始表（逐级降级）总结数据预热与预计算加速是大规模数据分析系统的核心优化手段
9010编辑于 2026-04-11 - 来自专栏光芯前沿
微软：基于μLED＋CIS的模拟光学计算实现加速计算
微软剑桥研究院在今年8月底的一个视频及讲了他们新一代的模拟光学计算机，感觉还挺巧妙的，采用了MicroLED阵列＋投影芯片＋标准的CMOS图像传感器，实现了机器学习推理和复杂优化问题的加速计算 在机器学习推理方面，已经能够展示利用这台计算机加速扩散模型的潜力，扩散模型可用于生成图像及其他内容。 目前团队已经完成了第二代计算机的研制。它的物理尺寸要小得多，而且在世界上首次展示了同一台计算机能够同时解决复杂优化问题并加速机器学习推理。 展望未来，研究者预计在大规模应用的情况下，这台计算机能够实现450 TOPS/Watt(Int8精度)的算力/能效，相较于最先进的GPU，这是100倍的性能提升。 由于这个问题在计算上很困难，所以一直没能得到应用，但微软团队已经能够将这个优化问题映射到他们计算机的运算模式中，他们认为能够将MRI扫描的速度提高4到8倍，同时实现高保真重建，有可能将扫描时间减少到仅仅
54010编辑于 2025-04-08
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