- 综合排序
- 最热优先
- 最新优先
- 来自专栏大模型应用
大模型应用：算力分层治理：基于大模型算力四层匹配体系的优化方案.72
今天我们一如既往对算力刨根问底，拆解算力三层核心构成与四层匹配体系，用通俗易懂的示例，和大家一起跳出加卡误区，掌握大模型算力分层治理的核心逻辑，让每一份硬件投入都转化为实实在在的落地效率。 算力的四层匹配体系三层算力是核心骨架，而四层匹配是落地执行方案，是让三层算力发挥最大价值的全链路保障，也是解决加卡无效的核心路径。 第三步：逐层匹配（四层匹配落地）按照 “计算层 → 存储层 → 通信层 → 业务层” 的顺序，逐一进行匹配优化：计算层：确定最优数据精度、模型并行拆分方案，避免计算算力浪费；存储层：优化显存、内存、硬盘的容量与带宽 第四步：监控优化（闭环迭代）部署算力监控工具（如 Prometheus + Grafana），实时监控三层算力的利用率、四层匹配的效率；针对出现的瓶颈（如通信开销过大、显存利用率过低）进行迭代优化，形成 四、总结 结合大模型产业化落地的实操经验，算力焦虑的核心从不是硬件不够，而是认知和方法跑偏，加卡不是唯一的解决问题的途径，往往是忽视了算力的协同本质，与其盲目加卡，不如先梳理清楚计算、访存
21643编辑于 2026-04-10 - 来自专栏Triciaの小世界
力扣——四数之和
请你找出并返回满足下述全部条件且不重复的四元组 [nums[a], nums[b], nums[c], nums[d]] （若两个四元组元素一一对应，则认为两个四元组重复）： 0 <= a, b, c, 四数之和的双指针解法是两层for循环nums[j] + nums[i]为确定值，依然是循环内有left和right下表作为双指针，找出nums[j] + nums[i] + nums[left] + nums
25720编辑于 2023-04-12 - 来自专栏睡前机器学习
模型，奥力给！
也许机器学习的教材们也都这么认为，介绍任何模型，总是噼里啪啦，把算法原理和怎么训练风风火火过了一遍，然后就结尾了。 “那么......训练好的模型，要怎么用呢？” 偏差达到最小化，模型就训练好了。 那回到最开始的问题，怎样使用训练好的模型呢？ 也很简单，上面看出来了，模型无非就是一个喂点什么进去，然后就会吐点什么出来的玩意。 datasets.load_boston(return_X_y=True) X_train, X_test, y_train, y_test = train_test_split(X, y) 现在我们有了四套数据 记住，Y在机器学习里，都是代表有监督学习的参考答案，是要和模型的预测值比较的。 选一套模型吧。波士顿房价数据集是明码实价的回归问题，就选择用最最最基础的线性回归模型烹调好了。 首先是声明。 现在，可以使用这个模型了。
32720编辑于 2022-04-11 - 来自专栏机器之心
蚂蚁集团开 “卷” 金融大模型，“四力和一” 解决产业真命题
一、金融大模型：屹立在万亿 Token 上的「知识力」 通用大模型缺少金融领域的专业力、知识力、语言力以及安全力，金融大模型实现落地行业是一个复杂化的系统工程，需要将「四力」形成合力。 蚂蚁金融大模型具有「四力」，知识力、语言力、专业力和安全力 所谓知识力，主要是指金融大模型的底座能力，模型规模只有足够大（通常百亿以上），才会有「涌现」现象的出现。预训练大模型则需要海量数据。 四、回避不了的「安全力」 「安全力」几乎时所有围绕大模型的讨论无法回避的主题，特别是在金融这样的强监管领域，如何让通用大模型这样一个率性不羁的创作者懂得西装白领世界的中规中矩？ 四、「四力合一」的上与下：底层支持与产业应用 强大底层算力设施为蚂蚁金融大模型提供了一个好的基础和起点。 蚂蚁探索出了一条路： 以行业大模型为认知和交互的中枢，调用领域知识和专业服务，这是一个「大模型 + 知识 + 服务」驱动的架构，为消费者和产业应用，提供「四力」的支撑。
1.1K50编辑于 2023-09-19 - 来自专栏瓜大三哥
UVM模型（四）
UVM模型（四） 1.常用到的uvm_component uvm_driver:所有的driver都要派生自uvm_driver。
1.5K90发布于 2018-02-26 - 来自专栏石云升
波特五力模型
波特五力模型是分析企业竞争环境的一个分析模型。 根据波特的观点，每家企业都受到“直接竞争对手、顾客、供应商、潜在新进公司和替代性产品”这五个“竞争作用力”的影响。 我们用波特五力模型试着分析下实体书店竞争是否激励。 直接竞争对手：如果直接对标卖书，那么其他书店是你的直接竞争对手，如果你定位是给一个线下的安静空间，享受书店的文化氛围。 你看，在思考这个模型的时候，可以帮助我们制定相应的竞争战略，同时也帮助我们想清楚了很多细节问题。这就是工具的价值。
61510编辑于 2022-08-25 - 来自专栏ClearSeve
C++11内存模型
最近看了极客时间——《现代C++实战三十讲》中的内存模型与Atomic一节，感觉对C++的内存模型理解还不是很清楚，看了后面的参考文献以及看了一些好的博客，算是基本了解了，根据参考文献整合一下。 Thread-1: Thread-2: x = 100; // A std::cout << x; // B C++11 C++11的内存模型共有6种，分四类。其中一致性的减弱会伴随着性能的增强。 参考链接 【1】C++11中的内存模型上篇 – 内存模型基础 【2】C++11中的内存模型下篇 – C++11支持的几种内存模型 【3】理解 C++ 的 Memory Order 【4】如何理解 C++ 11 的六种 memory order 【5】《现代C++实战三十讲》中的内存模型与Atomic
1K30编辑于 2022-02-11 - 来自专栏null的专栏
注意力FM模型AFM
概述在CTR预估任务中，对模型特征的探索是一个重要的分支方向，尤其是特征的交叉，从早起的线性模型Logistic Regression开始，研究者在其中加入了人工的交叉特征，对最终的预估效果起到了正向的效果 AFM（Attentional Factorization Machines）[2]模型在FM模型的基础上，引入了Attention机制，通过Attention的网络对FM模型中的交叉特征赋予不同的权重 如果将FM模型放入到神经网络的框架下，FM模型的结构可以由下图表示：图片对于每一个特征都赋予一个$k$维的向量，如上图中的第二个特征x_2 的k 维向量为\mathbf{v}_2 ，同理，第四个特征x_ AFM的网络结构在注意力FM模型AFM（Attentional Factorization Machines）中，是在FM的基础上引入了Attention机制，通过Attention网络学习到每个交叉特征的权重 总结AFM模型在FM模型的基础上，引入了Attention机制，通过Attention的网络对FM模型中的交叉特征赋予不同的权重。参考文献[1] Rendle S.
88330编辑于 2023-01-16 - 来自专栏人工智能与演化计算成长与进阶
序列模型3.7-3.8注意力模型
3.7 注意力模型直观理解 Attention model intuition 长序列问题 The problem of long sequences 对于给定的长序列的法语句子，在下图中的网络中，绿色的编码器读取整个句子 而对于长句子，注意力模型 会和人类翻译一样，每次翻译句子中的一部分，从而提高句子翻译长句子的能力。 ? 注意力模型 Attention model intuition “Bahdanau D, Cho K, Bengio Y. 与普通的 RNN 不同的是，注意力模型不会看每一个输入的单词，而是对输入的每个单词选择一定的 注意力权重 用于 表示这个单词对于正在翻译的单词具有多大的影响 下图中的 分别表示前三个单词对第一个词语的翻译具有的影响力 ---- 3.8 注意力模型细节 Attention model 特征提取模型 使用的双向循环神经网络，这样其对于 前向传播 和 后向传播 分别有激活值 $\overrightarrow{a^{ 对于一个时间步
66610发布于 2020-08-14 - 来自专栏吃猫的鱼个人博客编程笔记
力扣11-盛最多水的容器
题目描述 原题链接（力扣）：https://leetcode.cn/problems/container-with-most-water 给定一个长度为 n 的整数数组 height 。
34830编辑于 2023-04-06 - 来自专栏null的专栏
注意力FM模型AFM
概述 在CTR预估任务中，对模型特征的探索是一个重要的分支方向，尤其是特征的交叉，从早起的线性模型Logistic Regression开始，研究者在其中加入了人工的交叉特征，对最终的预估效果起到了正向的效果 AFM（Attentional Factorization Machines）[2]模型在FM模型的基础上，引入了Attention机制，通过Attention的网络对FM模型中的交叉特征赋予不同的权重 如果将FM模型放入到神经网络的框架下，FM模型的结构可以由下图表示： 对于每一个特征都赋予一个 k 维的向量，如上图中的第二个特征 x_2 的 k 维向量为 \mathbf{v}_2 ，同理，第四个特征 AFM的网络结构 在注意力FM模型AFM（Attentional Factorization Machines）中，是在FM的基础上引入了Attention机制，通过Attention网络学习到每个交叉特征的权重 总结 AFM模型在FM模型的基础上，引入了Attention机制，通过Attention的网络对FM模型中的交叉特征赋予不同的权重。 参考文献 [1] Rendle S.
68140编辑于 2023-02-02 四力PLUS商家增长平台产品介绍
三、应用框架和功能介绍 功能框架 四力经营看板： 商品诊断力：新增商品分类（明星/话题/高潜/低潜商品，基于吸引力<浏览PV/UV、加车人数>和业务贡献）与爆款识别（追踪头部爆款转化详情，如曝光量- 深度洞察看板-人群画像：结合方略标签产品化，支持省份/性别/年龄/学历/城市分布等画像洞察，开通需联系四力助理@罗芸冰（数据接入达标后开通）。 数据建模共创：人货匹配推荐、市场空间测算、异业合作匹配度等共创模型。 会员产品与服务：3大合作服务（战略规划、运营服务、数字化升级），3大权益（流量支持、数据能力、市场声望），含四力360°经营看板、知识库、战略咨询。 案例库分享（四力知识库） 某茶饮私域案例+联名营销干货； 某知名彩妆案例+干货推荐； 某商场相关案例与干货（原文信息不足，按最大信息量呈现）。
9610编辑于 2026-03-31- 来自专栏新智元
【谷歌大脑力作】RNN最新技术：注意力增强 RNN，四大模型
【新智元导读】谷歌大脑团队的Chris Olah & Shan Carter 整理了 2016 年递归神经网络（RNN）的发展，总结了神经图灵机、注意力界面、自适应计算时间和神经编程器这四个使用注意力对常规 他们认为，这四大模型会对接下来 RNN 发展产生重大影响。新智元提供本文中文翻译，可访问原始页面查看更多。图片均来自原文。 在 RNN 之间使用注意力的一大应用是翻译（Bahdanau, et al., 2014）。传统的序列到序列模型必须将整个输入全部转换为单一的一个向量后，再反向扩展。 还有 Vinyals 和 Le 2015 年写的论文，让模型在生成回应时，关注之前的一部分对话，通过这种方式建立对话模型。 ? 注意力还能用于卷积神经网络和 RNN 之间的界面。 训练自适应计算时间模型时，需要为代价函数加上一个“思考代价”（ponder cost）。思考代价会根据模型花费的计算量对模型进行惩罚会。思考代价的值越大，模型用于提升性能的时间牺牲就会越小。
1.3K50发布于 2018-03-23 - 来自专栏LINUX阅码场
深入理解C11C++11内存模型
个人认为，内存模型表达为“内存顺序模型”可能更加贴切一点。 2011年发布的C11/C++11 ISO Standard为我们带来了memory order的支持， 引用C++11里的一段描述： The memory model means that C++ code C11/C++11使用memory order来描述memory model， 而用来联系memory order的是atomic变量， atomic操作可以用load()和release()语义来描述 C11/C++11内存模型 C/C++11标准中提供了6种memory order，来描述内存模型[6]: enum memory_order { memory_order_relaxed, - Frank Birbacher [ACCU 2017] C++11中的内存模型下篇 - C++11支持的几种内存模型 memory ordering, Gavin's blog c++11 内存模型解读
2.9K30发布于 2020-06-04 - 来自专栏AIoT技术交流、分享
力扣(LeetCode)刷题，简单题(第11期)
消失的数字 第3题：最小绝对差 第4题：按奇偶排序数组II 第5题：主要元素 第6题：逐步求和得到正数的最小值 第7题：找不同 第8题：魔术索引 第9题：托普利茨矩阵 第10题：下一个更大元素1 ---- 力扣
41020发布于 2021-01-20 - 来自专栏NewBeeNLP
什么 是模型的记忆力！
一句话概述：更大的模型更可能学到重复数据的特性，去重是缓解模型记忆危害的不错策略。 之前的很多研究主要聚焦在模型或数据集固定的情况，或比较狭窄的变化上。也有衡量现有模型记忆的，但更多关注如何避免问题并确保模型输出的新颖性，而不是研究最大限度地记忆来研究模型风险。 模型有四种尺寸：125M，1.3B，2.7B 和 6B。 另外，增加模型大小会导致大量非重叠的记忆序列，尽管每个模型都有一些彼此不同享的记忆量。 特别当训练数据分布偏斜（比如有很多重复样本）时，更大的模型更可能会学习到意外的数据集特性。因此，仔细分析用于训练更大模型的数据集变得更加重要，因为更大模型可能比小模型记住更多细节。
88130编辑于 2022-11-11 2021智慧零售私域增长指南：四力模型驱动私域增长新范式
2021智慧零售私域增长指南 •发布机构：腾讯智慧零售 •发布时间：2021年 •行业标签：零售,电商,餐饮,技术服务,生活服务,通用工具,通用SaaS •产品标签： #腾讯智慧零售四力增长模型 报告旨在以四力增长模型为核心，为零售企业提供私域建设方法论与实战案例，推动全渠道数字化增长。 •核心分析模型：腾讯智慧零售四力增长模型（组织力、运营力、商品力、产品力），架构图关键要素包括四力协同、公私域联动、数据驱动。 第五章：核心观点 •核心发现：私域是企业增长关键，四力增长模型是私域建设方法论。 结论：腾讯云以“四力模型”为核心，通过技术赋能与生态协同，为企业提供可落地的私域增长路径，助力实现“有效私域”与GMV可持续增长。
10510编辑于 2026-05-07- 来自专栏智能生信
【Bioinformatics】四篇好文简读-专题11
作者提出了 TransformerGO，一个能够使用注意力机制动态捕获基因本体集之间语义相似性的模型。 最后，将合成数据与标记数据相结合，并为主要任务训练一个模型。 作者开发了一套全面的机器学习方法和工具，涵盖不同的计算模型、分子表示和损失函数，用于分子特性预测和药物发现。具体来说，作者将分子表示为图和序列。 基于这些表示，作者开发了新的深度模型，该模型从分子图和序列中学习。为了有效地从高度不平衡的数据集中学习，作者开发了先进的损失函数来优化精确召回曲线。 论文链接： https://doi.org/10.1093/bioinformatics/btac112 Github链接： https://github.com/divelab/MoleculeX 四
56810编辑于 2022-04-06 - 来自专栏南桥谈编程
C++11第四弹：包装器
(int, int)> fc4 = [](int x, int y) {return x + y; }; cout << fc4(3, 4) << endl; return 0; } 应用场景 力扣
52410编辑于 2024-09-16 2021腾讯智慧零售私域增长指南：四力模型驱动全域增长新范式
•报告标题：2021智慧零售私域增长指南 •发布机构：腾讯智慧零售 •发布时间：2021年 •行业标签：零售,电商,技术服务,生活服务,通用SaaS •产品标签： #腾讯智慧零售四力增长模型 本报告旨在分享“四力增长模型”方法论及服饰、美妆、3C等7大行业实战案例，助力企业从私域基建到规模化增长。 •核心分析模型：“四力增长模型”（组织力、运营力、商品力、产品力），架构图关键要素包括“公域引流-私域沉淀-运营转化-数据复盘”全链路。 •唯一性：首个提出“四力增长模型”并落地多行业的云服务商，通过“千域计划”共建私域生态，获BCG联合认证为私域增长方法论标杆。 权威背书：腾讯公司高级副总裁林璟骅、腾讯智慧零售副总裁陈菲领衔，联合BCG发布《抢滩私域新战场——2021中国私域营销白皮书》，验证四力模型有效性。
6410编辑于 2026-05-07
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