- 综合排序
- 最热优先
- 最新优先
- 来自专栏亿源通科技HYC
高速收发模块并行光学MT组件
平行光学又叫并行光学，是英文“Parallel”的翻译。 什么是并行光学技术？并行光学技术是一种特殊的光通信技术，在链路两端发射并接收信号，通常采用并行光学收发光模块来实现两端的高速信号传输。 在并行光学的信号传输中，链路两端的并行光模块中含有多个发射器和接收器，采用多条光纤，信号通过多条路径传输和接收，并行传输利用可支持每秒 40 至 100 Gigabit 数据速率的多个通道。 在当前100G以及以下速率的数据中心，短距离多模光模块使用的更多是多模并行技术。 1.jpg 并行光学模块更加依赖于光学器件的高密度集成化和封装的小型化，来使得所产生的热量大大少于多个分立器件。 2.jpg MT-2×Mini MT 由于一些光模块内部结构紧凑，连接空间较小，常规的MT插芯体积无法满足插入收发器内。
1.2K10编辑于 2022-03-23 - 来自专栏亿源通科技HYC
高速光模块中的并行光学和WDM波分光学技术
光模块提升带宽的方法有两种：1）提高每个通道的比特速率，如直接提升波特率，或者保持波特率不变，使用复杂的调制解调方式（如PAM4）；2）增加通道数，如提升并行光纤数量，或采用波分复用（CWDM、LWDM 按照传输模式，光模块可分为并行和波分两种类型，其中并行方案主要应用在中短距传输场景中成本优势较为明显；而在长距离传输场景中，WDM波分方案的应用可明显地节约光纤成本。 并行光学传输在并行光学 (Parallel optics) 的信号传输中，链路两端的并行光模块中含有多个发射器和接收器，采用多条光纤，信号通过多条路径传输和接收，典型的光模块类型包括SR4，SR8，PSM4 MT（MPO）插芯和光纤阵列FA多通道微型连接组件是支持并行光互连的关键部件，用于模块外部光接口连接与模块内部光学耦合，能够集成到光模块板上。 不同类型的光模块或者每家生产厂商的光模块内部结构都不同，因此MT-FA、MT-MT等微连接组件都是高度定制化产品，也会有各种不同的产品形态，如MT-FA、MT-2×Mini MT、MT- FA+隔离器、
1K10编辑于 2025-01-25 - 来自专栏亿源通科技HYC
应用于高速收发模块的并行光学&WDM波分光学技术
光模块提升带宽的方法有两种：1）提高每个通道的比特速率，如直接提升波特率，或者保持波特率不变，使用复杂的调制解调方式（如PAM4）；2）增加通道数，如提升并行光纤数量，或采用波分复用（CWDM、DWDM 在数据中心光模块就产生了两种传输方案—并行和波分。在当前100G以及以下速率的数据中心，短距离光模块使用的更多是并行技术。图片什么是并行光学技术? 并行光学技术是一种特殊的光通信技术，在链路两端发射并接收信号，通常采用并行光学收发光模块来实现两端的高速信号传输。 传统的光纤收发模块无法满足日益增长的高速传输需求，而并行光学技术可以成为 4×50G，8×50Gbps传输的经济高效的解决方案。 在并行光学的信号传输中，链路两端的并行光模块中含有多个发射器和接收器，采用多条光纤，信号通过多条路径传输和接收，并行传输利用可支持每秒 10 至 100 Gigabit 数据速率的多个通道。
2.5K30编辑于 2022-12-19 - 来自专栏机器学习/数据可视化
sql必知必会2
将之前学习的数据库知识在整理下，主要是看的**《SQL必知必会》**。这本书不愧是经典，入门数据库真的完全足够啦！ ? having过滤分组 select cust_id, count(*) as orders from orders group by cust_id -- 先分组 having count(*) >= 2; count(*) as num_prods from products where prod_price >= 4 -- 过滤价格 group by vend_id having count(*) >= 2; Jones'); 自连接实现 select C1.cust_id, C1.cust_name, C1.cust_contact from customers as C1, customers as C2 where C1.cust_name = C2.cust_name and C2.cust_contact = 'Jim Jones'; 外连接 外连接中包含了那些在相关表中没有关联行的行，包含两种情况
1.3K10发布于 2021-03-02 - 来自专栏简书专栏
mysql必知必会2
commodityType插入数据 insert into commodityType (id,name) values (1,'玩具'); insert into commodityType values (2, ); insert into commodity values(5,'铅笔','中国',2,1,2,1000000); insert into commodity values(6,'HADOOP权威指南 数据表的删除数据 语法：delete from {1} where {2} 第一对大括号替换为表名，第二对大括号替换为查询条件。 '高等数学-2',110,2); insert into subject values(3,'高等数学-3',100,3); insert into subject values(4,'高等数学-4', 2.当需要一张表的数据作为条件去查询另一张表，我们需要用到子查询。 9.2子查询的使用 1.子查询必须被圆括号括起来。 2.子查询只能在有一列的select子句中。
91920发布于 2018-09-10 - 来自专栏计算摄影学
手机中的计算摄影2-光学变焦
今天这一篇我来谈谈“光学变焦”，其实这是一个容易误导人的功能名字。因为在传统上，变焦是通过操作相机镜头上的变焦环来完成的，而在绝大多数手机上显然无法承载这么复杂的机械机构。 因此手机上的光学变焦，通常是通过在不同焦距的相机之间切换来达成的。 而今天所谈的手机上的“光学变焦”，则是在一系列计算摄影算法支撑下的极力模仿传统相机的平滑变焦，如下面的动图所示。 就像下面视频所示： 这里面将会用到略微复杂的颜色空间的映射和查找表的构建，从而准确的对输入图像的质量进行变换： 以上只是粗略的介绍了SAT功能核心的要点，然而在工程中还有很多细节的问题要处理，例如： 如何处理光学防抖系统工作情况下相机位置的额外变换 图中手机机身图像来自小米、华为、苹果、荣耀、VIVO官网 2. 最开始的平滑变焦展示视频是小米发布会上展示的视频 3. 手机中的计算摄影1——人像模式(双摄虚化) 4. 文章28.
3.3K30发布于 2021-10-13 - 来自专栏Android&Java技术
RxJava2.x 的并行编程
题图：来自飞哥的图片工厂 音乐推荐：你的姑娘 文丨IT大飞说 预计阅读时间：1.2 分钟 哈喽，朋友们，之前我们学习了一些 RxJava2.x 的常用操作符，今天我们来继续学习一下RxJava 的并行编程。 2.使用 RxJava 的 flatMap 实现并行编程 我们前面学习过 flatMap 操作符，我们知道 flatMap 可以将一些数据转换成一些 Observables，然后我们可以指定它的调度器来实现并行编程的目的 -> executorService.shutdown()) .subscribe(s -> LogUtil.i(TAG, "s===" + s)); } 这 2 3.使用 ParallelFlowable 实现并行编程 Flowable 是 RxJava2.x 新增的被观察者，支持背压，因此它对应的并行被观察者为 ParallelFlowable，因为并行编程肯定涉及到异步
1.2K20发布于 2020-02-27 - 来自专栏计算摄影学
光学词汇9-透镜2-实像虚像实物虚物
实像（Real Image）和虚像（Virtual Image）是光学术语，它们描述了由透镜、镜子或其他光学系统形成的像（即视觉效果或图像）的性质。这些概念在理解和设计光学系统时非常关键。 实像通常是倒置的，但可以通过额外的光学元件调整为正立。 虚像则是由发散光线形成的像，这些光线在经过透镜或镜子反射、折射后，看起来像是从一个点汇聚出来的，但实际上并无实际交汇点。 实物（Real Object）和虚物（Virtual Object）也是光学术语，描述了物体相对于光学系统的位置。 实物是指位于透镜、镜子或其他光学系统前的物体，它发出或反射的光线直接进入光学系统。 透镜、镜子或其他光学元件接收到的光线，然后形成像。 虚物则是由光线的延长线形成的物体，这些光线在通过透镜、镜子或其他光学系统之前并未实际交汇。 虚物通常出现在复杂的光学系统中，如使用多个透镜的望远镜或显微镜中。
1.7K20编辑于 2023-09-01 - 来自专栏学习成长指南
数学建模Python必知必会（2）
我们一般选择自己熟悉的这个方法就可以了，不然如果一个方法在不同的模块里面的这个名字是一样的，这个时候你有同时导入多个模块，这个时候就会冲突；关于第三方库的说明：内置模块直接导入，第三方库，需要使用这个pip包管理器进行这个库的安装；2.
13610编辑于 2025-03-22 - 来自专栏算法研习社
Python面试必刷题系列(2)
2. python是如何进行内存管理的？ python引用了一个内存池(memory pool)机制，即Pymalloc机制(malloc:n.分配内存)，用于管理对小块内存的申请和释放。
60910发布于 2020-07-21 - 来自专栏热爱编程的证据
萌新小白必做题（2）找素数
比如2、3、5、7等都是素数，而4、6、8、9等则不是素数。素数的研究是数论领域的重要课题之一，也是现代密码学和计算机科学中的重要基础。 找素数，最常见的有2种方法： 暴力法 从2开始遍历，到n结束，如果其中的数存在能够整除n的，就不是素数。 int main() { int n = 0; scanf("%d", &n); for (int i = 2; i < n; i++) { if (n % i == 0) { printf x=a * b 比如： 36=2 * 18 36=3 * 12 36=4 * 9 36=6 * 6 如果整数x为质数，那么就不可能写成 x = a * b的形式。 int main() { int n = 0; scanf("%d", &n); for (int i = 2; i < sqrt(n); i++) { if (n % i == 0)
25310编辑于 2024-01-23 - 来自专栏luozhiyun的技术学习
深入理解Kafka必知必会（2）
深入理解Kafka必知必会（1） Kafka目前有哪些内部topic，它们都有什么特征？各自的作用又是什么？ 如上图所示，假设 logStartOffset 等于25，日志分段1的起始偏移量为0，日志分段2的起始偏移量为11，日志分段3的起始偏移量为23，通过如下动作收集可删除的日志分段的文件集合 deletableSegments 日志分段2的下一个日志偏移量的起始偏移量为23，也小于 logStartOffset 的大小，将日志分段2加入 deletableSegments。
1.4K30发布于 2019-11-22 - 来自专栏InvQ的专栏
《sql必知必会》——读书笔记（2）
子查询虽然是一种嵌套查询的形式，不过我们依然可以依据子查询是否执行多次，从而将子查询划分为关联子查询和非关联子查询。
73910发布于 2020-09-27 - 来自专栏C++的逆袭之路
C语言之——入门必刷题（2）
本文章为C语言入门必刷题，每道题都包含了C语言的基础知识点，值得我们去经常复习，并牢记在心的一些题目！！ ---- 此次为入门必刷题2 ---- 前言 大佬就可以撤退了！！ { for(int j=1;j<=2*n-2*i;j++) //控制空格数，第一行输出四个，第二行两个，第三行0. （j<=2*n-2*i）。 第二部分，第一个循环控制行，第二个循环控制输出！ for(int i=1;i<=n;i++) //只需输出两行（n行） { for(int j=1;j<=2*i;j++) //第一行空格数为2，第二个空格数为 tpId=107&tqId=33344&rp=1&ru=/exam/oj/ta&qru=/exam/oj/ta&sourceUrl=%2Fexam%2Foj%2Fta%3Fpage%3D2%26tpId
71110编辑于 2023-04-12 - 来自专栏小菜与老鸟
Xcode编译疾如风系列-2.并行编译
Xcode编译疾如风-2.并行编译 ? Xcode 编译是一个需要 CPU 运算以及大量 IO 操作的过程。我们将编译任务分配给多个 CPU 来提高单位时间内的编译速度。 对于 IO 密集型任务，线程池设置为 2N，IO 密集型任务 CPU 使用率并不高，因此可以让 CPU 在等待 IO 的时候去处理别的任务，这样能够充分利用 CPU 时间。 阿姆达尔定律 思考下，并行编译是银弹吗？非也。 阿姆达尔定律是一个估算通过多核并行能够获得多少性能提升的经验法则。内容是： 通过并行计算所获得的系统性能提升效果，会随着无法并行的部分而产生饱和。 ? 更多阅读 WWDC2018 Session415[1] https://gist.github.com/nlutsenko/ee245fbd239087d22137[2] 参考资料 [1] WWDC2018 Session415: https://developer.apple.com/videos/play/wwdc2018/415/ [2] https://gist.github.com/nlutsenko
3.6K41发布于 2021-04-23 - 来自专栏罗西的思考
并行分布式框架 Celery 之架构 (2)
[源码解析] 并行分布式框架 Celery 之架构 (2) 0x00 摘要 Celery是一个简单、灵活且可靠的，处理大量消息的分布式系统，专注于实时处理的异步任务队列，同时也支持任务调度。 上文 [源码解析] 并行分布式框架 Celery 之架构 (1) 中，我们大致介绍了 Celery 的概念，用途和架构，现在回忆 Celery 的架构图如下： +-----------+ 对于 Consumer 来说， 1 是基本功能，这些功能组成了一个简单的非强壮的消息队列框架； 2 一般重要，可以实现一个高级一点的功能； 3 属于附加功能，同时也属于一点分布式的功能。 这就涉及到两个最重要的问题： 如何拆分计算逻辑； 如何分发计算逻辑； 于是 Spark 把所有的计算逻辑划分为这两种类型： 能够分发到各个节点上并行执行的； 需要经过一定量的结果合并之后才能继续执行的； 有些人可能会担心，分块处理会导致并行性能下降，实际上，由于避免了消息传递的开销，因此反而会大大的提高性能。
1.2K10发布于 2021-04-01 - 来自专栏IT当时语_青山师_JAVA技术栈
并行的2个重要定律Amdahl、Gustafson定律
死锁： 比如在双车道高速公路上并行的两辆车A、B，A想拐到B车道，B想转到A车道。现在则会发现互相等待对方开走，但是对方一直往这边转过来，一直僵持。。。这在程序中的多个线程互相等待就是死锁。 有关并行地两大定律 阿姆达尔定律 阿姆达尔定律是计算机并行重要的定律。定义了串行系统并行化后的加速比的计算公式和理论上限。 如果串行比例占2/3，则无论处理器再多，最大加速比也只能达到1.5。 理想效果是，全部并行，最大加速比为 n。可以根据增加处理器无上限增强程序效率。 古斯塔夫森定律 古斯塔夫森定律也是在表明处理器个数、并行比例和加速比之间的关系。 两个定律最低点、最高点都是一致的结论： 无可并行的程序，加速比就是1. 全部是并行程序，加速比就是n。
91610编辑于 2023-05-04 - 来自专栏罗西的思考
深度学习流水线并行 PipeDream(2)--- 计算分区
[源码解析] 深度学习流水线并行 PipeDream(2)--- 计算分区 目录 [源码解析] 深度学习流水线并行 PipeDream(2)--- 计算分区 0x00 摘要 0x01 前言 1.1 Profile 计算结果具体如下图所示： 流水线并行其他文章链接如下: [源码解析] 深度学习流水线并行Gpipe(1)---流水线基本实现 [源码解析] 深度学习流水线并行GPipe (2) ----- 梯度累积 流水线可以是straight（数目为1）或者并行（数目为num_machines），依据目前的信息，以及机器数量，网络带宽等，使用动态规划算法计算分区。 在下图中，m2=2，m1=4。此外，我们定义m0为1。即 4 个 m0 构成一个 m1, 2个 m1 构成一个 m2。 第三项是最后单个阶段的时间（由 m' 个数据并行的机器组成）。
84230发布于 2021-09-08 - 来自专栏R语言数据分析指南
生信小课堂(2) 并行运算那些事
parallel是一个命令行工具，用于并行执行作业。它可以在单台机器上的多个核心或多台机器上并行执行命令。 ❞ 基本特性 1.并行执行：parallel可以并行执行命令，从而充分利用多核心CPU。 2.输出控制：parallel可以确保输出不会混合，即使在并行执行时也是如此。 3.灵活性：parallel可以与许多其他Unix命令结合使用，如find、grep和awk。 B 2 文本检索 假设有三个文本文件：file1.txt, file2.txt, 和 file3.txt，你想并行地对每个文件执行 grep 命令来搜索某个词汇，可以这样做： parallel grep -j 6 -P 5 'gzip -d {}' ::: *.fastq.gz 并行质控 parallel -j 10 --max-args=2 fastp \ --thread 8 \ --in1 "{1}" \ --in2 "{2}" \ --out1 ".
53430编辑于 2023-10-08 - 来自专栏罗西的思考
PyTorch 流水线并行实现 (2)--如何划分模型
0x00 摘要 上一篇文章我们介绍了 PyTorch 流水线并行的基本知识，本文我们介绍其自动平衡机制和模型分割。 流水线并行其他文章链接如下: [源码解析] 深度学习流水线并行Gpipe(1)---流水线基本实现 [源码解析] 深度学习流水线并行GPipe (2) ----- 梯度累积 [源码解析] 深度学习流水线并行 GPipe(3) ----重计算 [源码解析] 深度学习流水线并行之PipeDream(1)--- Profile阶段 [源码解析] 深度学习流水线并行 PipeDream(2)--- 计算分区 [源码解析 ] 深度学习流水线并行 PipeDream(3)--- 转换模型 [源码解析] 深度学习流水线并行 PipeDream(4)--- 运行时引擎 [源码解析] 深度学习流水线并行 PipeDream(5) --- 通信模块 [源码解析] 深度学习流水线并行 PipeDream(6)--- 1F1B策略 [源码解析] PyTorch 流水线并行实现 (1)--基础知识 本文图来自论文和github源码。
1.9K40发布于 2021-09-27
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