- 综合排序
- 最热优先
- 最新优先
- 来自专栏spring-ai 系列
大语言模型推理框架调研
本文主要对当前主流的大语言模型推理框架进行系统性调研与分析，将深入探讨各个框架的核心架构、设计理念、关键技术特点，并结合性能基准测试数据，分析其在不同模型规模和部署场景下的适用性。 主流大模型推理框架当前，业界涌现了多款主流的大模型推理框架，它们在设计理念、核心技术和适用场景上各有侧重。 硬件支持：NVIDIA GPU：LMDeploy 的主要优化目标，兼容 Volta (V100), Turing (20 系列, T4), Ampere (30 系列, A10, A100等), 以及 部署：可用于服务化部署，已被 xAI、NVIDIA、Google Cloud等多家知名企业和机构采用，全球有超过 10 万块 GPU 运行 SGLang 的生产部署。多实例/多节点能力：支持张量并行。 这可能会驱动未来推理框架在数据和资源管理方面向更统一的设计演进。IX. 总结与建议大语言模型推理框架是释放 LLM 潜能、将其应用于实际生产的关键技术。
4.5K20编辑于 2025-06-03 - 来自专栏PPV课数据科学社区
2013年大数据市场应用与趋势调研报告
四、在大数据时代，企业面临的最大挑战是缺乏专业的大数据人才。 五、针对非结构化数据，企业目前最迫切需要解决的是如何对这些数据进行分析。 九、被调查者最关注的大数据技术，排在前五位的分别是大数据分析、云数据库、Hadoop、内存数据库，以及数据安全。 从上图可以看出，被调查者所在企业每月新增数据规模在10G以下的占到26.79%，11-100G的占到41.89%，101-500G的占到13.21%，500G以上的达到18.11%。 《驾驭大数据》一书曾写到，数据的核心是发现价值，而驾驭数据的核心是分析。 总结 本调查针对2013年大数据应用现状和趋势展开，从调查结果可以看出，企业在未来一两年中有迫切部署大数据的需求，并且已经从一开始的基础设施建设，逐渐发展为对大数据分析和整体大数据解决方案的需求
2.8K61发布于 2018-04-18 - 来自专栏PPV课数据科学社区
【观点】联盟副秘书长陈新河青岛调研分享10大要点
受青岛经信委之邀，陈新河老师在青岛调研三日，走访了青岛经信委，高新开发区、黄岛开发区等2个开发区，软件协会、物联网协会等2个协会，光谷联合、科创慧谷、软件科技城等3个软件园区，海尔、海信、软控、大手海恩 、WINDAKA、百灵信息等10家软件开发企业，并与中集、海信、嘉里等8家企业CIO深入座谈。 形成结束后，陈新河老师发表了10大感触，“大数据栋察”特发出与大家分享： 1、对日服务外包面临极大的压力。 移动、云、大数据、社交、大数据，微营销、O2O已经全面开始，餐馆这种高频服务都在积极开展O2O服务，你能想象到卖毛巾的这种低频次的商品也要用微信进行产品营销吗？ 制造业的用工压力极其大。
91380发布于 2018-04-19 - 来自专栏凹凸玩数据
盘点 10大 数据库！
大家好，我是小五 DB-Engines 最近发布了 2021 年 9 月份的数据库排名。该网站根据数据库管理系统的受欢迎程度对其进行排名，实时统计了 378 种数据库的排名指数。 前 30 名的排行情况详见下图，前10大数据库 用线段做了分割。同时在文末，会免费赠送给大家一些数据库书籍！ 跌幅榜情况 较去年同期，本月三霸主集体暴跌再次霸占了“同期跌幅榜”。 虽然各大开源类数据库百花齐放，然而，在 DB-Engines 全球数据库排行榜上，Oracle 和 MySQL 依然是世界上最受欢迎的商业和开源类数据库，而且领跑优势还在继续扩大。 小众数据库不可小觑 数据库相关从业人员可以将 DB-Engines 数据库排名作为参考，大数据时代发展速度之快超乎我们的想象，新的数据库产品仍然在不断诞生，如果你的需求比较特殊，大众数据库产品无法很好地满足你 每天数据增量十多亿，近百万次查询请求。 快手内部也在使用 ClickHouse，存储总量大约 10PB， 每天新增 200TB， 90% 查询小于 3S。
2.6K10发布于 2021-10-18 - 来自专栏Spark学习技巧
图数据库调研
概述 本文转自：http://tang.love/2018/08/31/graph_database_research/ 这里记录一下图数据相关的调研结论。 图数据库的主要优点： 更好，更快速的查询和分析； 更简单和更自然的数据建模； 同时支持实时更新和查询； 数据结构的灵活性。 图数据库是所有数据管理系统中成长最快的分类，下面分别从图检索语言和图数据库两个方面来介绍图数据市场的发展。 图数据库 下面是一些流行的图数据库及其发展趋势，数据来源于：https://db-engines.com/en/ 。DB-Engines创办于2012年10月，是目前世界上最具权威数据库排行榜。 ? AWS提供了多种不同类型的云数据库产品供用户选择，比如：关系型数据库(Aurora / RDS),数据仓库(Redshift)，内存数据库(ElastiCache)，图形数据库(Neptune)和NoSQL
9.2K30发布于 2020-09-27 - 来自专栏人称T客
调研：2015年SaaS运营大起底
(Azure失常可能是数据稀疏的原因)。 成本结构 成本结构和未来预期营销杠杆(不含规模<$ 2.5MM收入的公司) ? 60%的合同超过10万美元，持续时间超过一年。实现现金价值多于25万美元的合同占据了3年或3年以上合同的35%(相比2014年只有5%)。 你的主要定价指标是什么? ? 平均年度单位流失率(由客户计算)为10%。这个结果是略高于2014年和2013年8%的结果的。 年度总资产流失率作为合同时长的参考变量(不含< 2.5mm美元收入的公司) ?
95350发布于 2018-03-21 - 来自专栏前端笔记薄
校验数据结构调研
校验数据结构 如何校验数据结构，一般情况下，我们应该考虑现成的轮子。 它的 API 设计非常直观，可以轻松地定义和校验复杂的数据结构。 z-schema：是一个快速的库，支持 JSON Schema Draft 4。 用法 ajv主要用于验证JSON数据的结构，但也支持异步验证、关联和关键字验证等高级功能。 相比之下，joi更适合于验证JavaScript对象、字符串和数字等数据类型，但它的API设计非常直观，可以轻松地定义和验证复杂的数据结构。 如果主要需要验证JSON数据的结构且考虑性能，那么ajv可能是更好的选择。如果需要验证JavaScript对象、字符串和数字等更多的数据类型，那么joi可能是更好的选择。
1.6K20编辑于 2023-04-22 - 来自专栏个人分享
数据挖掘10大算法详细介绍
想初步了解下怎样数据挖掘，看到一篇不错的文章转载过来啦~ 转自:http://blog.jobbole.com/89037/ 在一份调查问卷中，三个独立专家小组投票选出的十大最有影响力的数据挖掘算法 只有这样之后 SVM 才有能力对新数据进行分类。 为什么我们要用 SVM 呢？ SVM 和 C4.5大体上都是优先尝试的二类分类器。 举个 AdaBoost 算法的例子：我们开始有3个弱学习器，我们将在一个包含病人数据的数据训练集上对他们做10轮训练。数据集里包含了病人的医疗记录各个细节。 在10轮结束的时候，我们剩下了一个带着不同权重的已经训练过的联合学习分类器，之后重复训练之前回合中被误分类的数据。 这是个监督还是非监督算法？ 第四步：计算其他类时也做类似的计算： 因为0.252大于0.01875，Naive Bayes 会把长形，甜的还是黄色水果分到香蕉的一类中。 这是个监督算法还是非监督算法呢？
2.4K40发布于 2018-09-06 - 来自专栏数据订阅
图数据库调研
图数据库调研.pptx 图数据库： 更好，更快速的查询和分析：图数据库为查询相关数据（无论大小）提供了卓越的性能。 图模型提供了固有的索引数据结构，因此它不需要为给定条件的查询加载或接触不相关的数据。 这使得它成为更好、更快的实时大数据分析查询的绝佳解决方案。 。 更简单和更自然的数据建模：使用关系型数据库建模的人都需要了解数据库的规范化和参照完整性的严格规则。 一些NoSQL数据库则走向了另一个极端，将所有类型的数据放在一个大型表中。 另一方面，在图数据库中，可以定义任意类型的顶点类型来表示对象，并定义边类型来表示特定的关系。 同时支持实时更新和查询：图数据库支持对大图形数据的实时更新，同时支持查询。 数据结构的灵活性：图数据库具有灵活的schema修改。 用户可以不断添加或删除新的顶点、边和属性，扩展或缩小数据模型。 这对管理不断变化的对象类型特别方便。
2.7K200发布于 2018-06-28 - 来自专栏大数据文摘
2016年大数据行业从业者调研报告（精华版）
前言 大数据行业目前处于怎样的生态？在未来又会有怎样的发展？月薪2万，在大数据行业从业者同行中处于怎样的位置？我所在公司的数据团队规模在同行中算大吗？来年应该如何优化？ 为了让大家对我国大数据行业发展有更全面的了解，2016年12月中旬，大数据文摘发起了《大数据行业从业者调研报告众筹》，针对全国数据领域工作者和关注数据行业的人进行了在线调研，半个月的时间有效回收样本数超过 今天，我们发布《2016年大数据行业从业者调研报告（精华版）》。除了精华版，我们还制作了“完整高清版”报告，相对于“精华版”，完整版的内容更多（30页pdf），也有更加丰富的交叉分析。 大众对“大数据公司”缺乏了解，即使是从业者也是这样。参与调研者知道的大数据公司非常分散，普遍集中在谷歌、亚马逊、BAT、IBM、微软等巨头上，新兴的有实力的公司在业界知名度不高。 结论 1、数据、数据分析（包括大数据分析）受到我国企业重视，多数企业拥有数据决策团队，并将增加数据项目的投入，表明大数据行业发展态势良好，具有可观市场前景。
73550发布于 2018-05-25 - 来自专栏机器学习AI算法工程
怎样分析样本调研数据（译）
根据数据收集的算法、调研问题的类型和调研的目标，分析样本调研数据的方法各不相同。这篇文章会简洁明了的分析调研数据过程中的各种问题，同时会说明在一个完整的调研数据分析报告中应该包含什么。 调研数据分析的过程应该包括以下步骤： 1、数据验证和探索性分析 2、确认性分析 3、数据解释 4、数据分析报告存档（用于将来的分析） 1数据验证和探索性分析 数据验证主要负责确认调查问卷被正确的完成，并且调研数据具有一致性和逻辑性 3数据解释 当你完成数据分析，是时候考虑一下调研的结果对于手头上的问题有什么意义。以下是你在数据解释的过程中应该注意的方面： 1、清楚的阐述调研结果有什么实质性的发现。 3、运用调研中的定量数据对于目标群体进行定量预测。 4、解释你现在的数据分析结果对于调研目标的意义，而且如果需要的话，对下一步调研的步骤给予建议。 (Via:36大数据)
1.7K40发布于 2018-03-09 - 来自专栏人称T客
调研：2016年SaaS收入调查大起底
年度单位流失率（Annual Unit Churn） （不包括收益小于$2.5MM的公司） 10%的数值与2015年的调查结果基本一致。
89560发布于 2018-03-26 - 来自专栏PPV课数据科学社区
【学习】怎样分析样本调研数据
根据数据收集的算法、调研问题的类型和调研的目标，分析样本调研数据的方法各不相同。这篇文章会简洁明了的分析调研数据过程中的各种问题，同时会说明在一个完整的调研数据分析报告中应该包含什么。 调研数据分析的过程应该包括以下步骤： 1、数据验证和探索性分析 2、确认性分析 3、数据解释 4、数据分析报告存档（用于将来的分析） 数据验证和探索性分析 数据验证主要负责确认调查问卷被正确的完成，并且调研数据具有一致性和逻辑性 3、维度转换：根据可比性或兼容性的目标，调研数据会使用不同的长度和种类。 确认性分析 探索性分析可以描述发生了什么，但是这只是试探性的。 数据解释 当你完成数据分析，是时候考虑一下调研的结果对于手头上的问题有什么意义。以下是你在数据解释的过程中应该注意的方面： 1、清楚的阐述调研结果有什么实质性的发现。 3、运用调研中的定量数据对于目标群体进行定量预测。 4、解释你现在的数据分析结果对于调研目标的意义，而且如果需要的话，对下一步调研的步骤给予建议。
1.5K70发布于 2018-04-23 - 来自专栏大数据
10大数据挖掘算法及其简介
Naive Bayes 10. CART 1.C4.5 C4.5以决策树的形式构造了一个分类器。为了做到这一点，C4.5给出了一组已经分类的数据。 分类器是数据挖掘中的一个工具，它取一堆数据来表示我们想要分类的东西，并试图预测新数据属于哪个类。 例如，假设在患者数据集中。 4.Apriori Apriori算法学习关联规则，并应用于包含大量事务的数据库。 关联规则学习是一种数据挖掘技术，用于学习数据库中变量之间的相互关系和关系。 例如，假设我们有一个超市交易数据库。 在统计数据中，EM算法迭代并优化了查看观测数据的可能性，同时评估未观测变量的统计模型参数。 10.CART CART代表分类和回归树。它是一种决策树学习技术，它输出分类或回归树。和C4.5一样，CART是一个分类器。 分类树是否像决策树?分类树是决策树的一种类型。分类树的输出是一个类。
1.3K70发布于 2018-01-19 - 来自专栏ATYUN订阅号
10大数据挖掘算法及其简介
Naive Bayes 10. CART 1.C4.5 C4.5以决策树的形式构造了一个分类器。为了做到这一点，C4.5给出了一组已经分类的数据。 分类器是数据挖掘中的一个工具，它取一堆数据来表示我们想要分类的东西，并试图预测新数据属于哪个类。 例如，假设在患者数据集中。 4.Apriori Apriori算法学习关联规则，并应用于包含大量事务的数据库。 关联规则学习是一种数据挖掘技术，用于学习数据库中变量之间的相互关系和关系。 例如，假设我们有一个超市交易数据库。 在统计数据中，EM算法迭代并优化了查看观测数据的可能性，同时评估未观测变量的统计模型参数。 10.CART CART代表分类和回归树。它是一种决策树学习技术，它输出分类或回归树。和C4.5一样，CART是一个分类器。 分类树是否像决策树?分类树是决策树的一种类型。分类树的输出是一个类。
1.3K130发布于 2018-03-06 - 来自专栏计算机视觉life
SLAM相关领域数据集调研
and Methodolgy、Evaluation： Introduction：列一下相关的开源数据集；说明自己做这个数据集的原因（现有数据集都过分简单，严格限制路况从而没有包含现实路上的实际情况等） ；介绍自己数据集的采集方式、包含的内容等； Challenges and Methodolgy：主要写了数据采集会遇到的问题以及要做的所有事情。 对牛津的一部分连续的道路进行了上百次数据采集，收集到了多种天气行人和交通情况下的数据，也有建筑和道路施工时的数据，总的数据长度达1000小时以上。 W. Maddern, G. 5.Stanford 2D-3D-Semantics: http://buildingparser.stanford.edu/dataset.html 提供大尺度场景的三维以及语义信息，是由采集的全景图生成 以此来模拟训练移动机器人的感知能力(AI系统) 5.Stanford 2D-3D-Semantics: http://buildingparser.stanford.edu/dataset.html 提供大尺度场景的三维以及语义信息
2.3K00发布于 2019-07-11 - 来自专栏架构师之路
后端工程师必须掌握的10大技能，看你还有哪项没掌握？（2024最新全球调研）
2024年最新全球调研，后端工程师10大核心技能，以及该技能相关的当下流行技术点，看大家有没有赶上时代潮流？ 当然，国内外的一些差异，文末的问题值得我们一起思考。 核心技能一：站点/服务开发 2024流行技术： REST GraphQL gRPC 核心技能二：数据库 2024流行技术： SQL：PostgreSQL，MySQL，SQL-server，SQLite 代码管理/版本控制，一个研发工具，在国内聊相关技术时，甚至“很难上得了台面”，为什么全球统计里，是后端工程师的10大技能呢？ 2. CI/CD，偏流程工具，国内一般由SCM工程师负责，为什么全球统计里，是后端工程师的10大技能呢？ 3. 云，容器化，国内一般由OP或者Devops负责，为什么全球统计里，是后端工程师的10大技能呢？ 4. bug调试与问题追查，大家都使用ELK，Grafana，Loki，Prometheus吗？
68210编辑于 2024-12-24 调研产品哪家强？2025年最值得推荐的五大在线调研工具盘点
正文 从学术研究到市场洞察，从员工满意度调查到消费者行为分析，优质的调研工具是获取精准数据的关键。面对琳琅满目的产品，腾讯问卷凭借腾讯生态的技术支撑与海量真实样本库，成为众多企业和个人的首选。 一、市场现状：调研工具的三大核心竞争维度 当前主流调研工具主要围绕以下三点展开竞争： 功能全面性：题型丰富度、逻辑设置、多终端适配能力； 数据质量：样本真实性、AI清洗能力、防作弊机制； 成本效率 100 份问卷（每人/天）、1位管理员、考试问卷、自定义抽奖、自定义逻辑 2499元/年起 商业版 企业级协作需求 500 份问卷（每人/天）、10 位管理员、360度评估、协同编辑、数据推送 5499元/年起 尊享版 企业级协作需求 1000 份问卷（每人/天）、30位管理员、分级查看统计、问卷审批 ：自动生成交叉分析图表，支持SPSS/SAS等专业工具数据导出。
91810编辑于 2025-12-31数据安全-分类分级 调研分析报告
IT部门/数据管理部门视角– 关注的不是业务分工，而是数据自身在IT系统里如何承载、管理、呈现，所以有IT/数据管理部门将数据分类为结构化、非结构化数据，主数据、交易数据、元数据等。 行业领域维度：将数据分为工业数据、电信数据、金融数据、交通数据、自然资源数据、卫生健康数据、教育数据、科技数据等。 组织经营维度：将数据分为用户数据、业务数据、经营管理数据、系统运行和安全数据。 ③深度学习 深度学习是机器学习的一大分支，在自然语言处理中需应用深度学习模型，如卷积神经网络、循环神经网络等，通过对生成的词向量进行学习，以完成自然语言分类、理解的过程。 月 《政府数据数据分类分级指南》DB 52/T1123—2016 贵州省 2016年9月 《国民经济行业分类》GB/T 4754—2017 国家市场监督管理总局 2017年10月 《数字化改革 公共数据分类分级指南 年10月 金融 《证券期货业数据分类分级指引》JR/T0158—2018 证监会 2018年9月 《金融数据安全 数据安全分级指南》JR/T 0197-2020 全国金融标准化技术委员会 2020年9
1.1K00编辑于 2025-04-07嵌入式数据库调研
最近需要使用嵌入式数据库进行存储应用本地信息，本文章主要进行记录当前比较流行的嵌入式数据库相关的链接，嵌入式数据库往往是以lib的形式存在，常用于持久化存储软件的信息，嵌入式数据库往往和应用软件紧密集成 常用的嵌入式数据库：（主要索引几个我比较感兴趣的数据库） SQLite 嵌入式关系数据库：https://www.sqlite.org/index.html (关系数据库) Apache Derby: ） 数据目录表：https://dbdb.io/ （包含很多数据库的介绍，很好的网站，可以理清众多数据库之间的关系） LevelDB：https://github.com/google/leveldb（ 嵌入式K-V数据库） RocksDB ：https://github.com/facebook/rocksdb/ (嵌入式K-V数据库，基于leveldb) https://rocksdb.org/ ） Tokyo Cabinet：https://dbdb.io/db/tokyo-cabinet （嵌入式K-V数据库） https://db-engines.com/en/ranking (数据库引擎排行榜
2K20发布于 2020-12-30
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