- 综合排序
- 最热优先
- 最新优先
- 来自专栏SnailTyan
Caffe模型对比
Caffe模型训练完成后，在实际生产环境中部署时需要对Caffe模型使用的显存（使用CPU时是内存）及模型分类的时间进行评估，下面是对比结果。测试使用的GPU为NVIDIA TESLA M40。
1.3K70发布于 2017-12-29 - 来自专栏大模型应用
大模型应用：大模型参数调优：结合本地模型对比多种组合探索差异.7
引言 在大模型的应用中，参数调优是连接模型潜力与实际效能的关键桥梁。与传统的软件参数不同，大模型的生成参数更像是一组精密的调控旋钮，它们不改变模型的基础知识，而是影响模型如何思考和表达。 ：温度对比示例 prompt = "未来的城市交通将会"T=0.2 输出结果 = "未来的城市交通将会更加智能化和自动化" #T=0.7 输出结果 = "未来的城市交通将会出现飞行汽车和智能道路系统" 重新归一化概率并采样实践影响：Top-p对比示例 prompt = "人工智能的发展"p=0.3 输出结果 = "人工智能的发展非常迅速，已经在很多领域取得突破" #p=0.9 输出结果 = "人工智能的发展如同一场科技革命 ：小k值 (10-30)：输出保守，质量稳定但缺乏新意大k值 (50-100)：输出多样，可能包含意外之喜但也可能偏离主题极端情况：k=1时退化为贪心搜索，k=词汇表大小时退化为原始分布与Top-p的对比 实践影响：重复惩罚对比示例 prompt = "描述春天的景象"penalty=1.0 输出参考 = "春天来了，春天来了，春天来了，花儿开了..."
70532编辑于 2026-02-04 - 来自专栏深度应用
·主流声学模型对比
主流声学模型对比 目录 概述 基础概念 语音帧 语音识别系统 主流声学建模技术 HMM DNN-HMM FFDNN CNN RNN及LSTM CTC 其他建模技术 语言建模技术 语音唤醒技术 关于未来 也正是因为如此，语音识别的模型也层出不穷，其中语言模型包括了N-gram、RNNLM等，在声学模型里面又涵盖了HMM、DNN、RNN等模型... 识别的公式如图4所示，可见声学模型主要描述发音模型下特征的似然概率；语言模型主要描述词间的连接概率；发音词典主要是完成词和音之间的转换，其中声学模型建模单元一般选择三音素模型，以“搜狗语音为例”， sil-s 中使用GMM计算的输出概率，引领了DNN-HMM混合系统的风潮，很多研究者使用了FFDNN、CNN、RNN、LSTM等多种网络结构对输出概率进行建模，并取得了很好的效果，如图7所示。 图7 DNN-HMM混合建模框架 DNN-HMM建模框架中，输入特征使用了在当前帧左右拼帧的方式来实现模型对时序信号长时相关性的建模，模型输出则保持了GMM-HMM经常使用的trihone共享状态（senone
3.8K22发布于 2019-06-27 模型速度对比分析
模型速度对比分析 Qwen3-30B-A3B-AWQ采用30B参数量+AWQ量化（4bit），而Qwen3-14B-FP8为14B参数+FP8（8bit）精度。 理论速度差异主要取决于以下因素： 参数量级：30B模型计算复杂度更高，但AWQ量化可大幅降低显存占用 量化影响：FP8保持较高计算精度，适合硬件加速；AWQ牺牲部分精度换取更高压缩率 硬件适配：NVIDIA H100等新硬件对FP8有原生优化 实际性能测试案例 以下通过PyTorch基准测试对比两者在文本生成任务中的表现： from transformers import AutoModelForCausalLM 执行测试 fp8_time, _ = benchmark(fp8_model, prompt) awq_time, _ = benchmark(awq_model, prompt) print(f"FP8模型耗时 : {fp8_time:.2f}s | AWQ模型耗时: {awq_time:.2f}s") 典型测试结果（RTX 4090） 指标 Qwen3-14B-FP8 Qwen3-30B-A3B-AWQ 首token
36210编辑于 2025-12-17- 来自专栏凯哥Java
Java内存管理-JVM内存模型以及JDK7和JDK8内存模型对比总结（三）
Java栈是Java方法执行的内存模型。 在Java 7及之前版本，我们也习惯称方法区它为“永久代”（Permanent Generation），更确切来说，应该是“HotSpot使用永久代实现了方法区”！ 7、直接内存 直接内存（Direct Memory）并不是虚拟机运行时数据区的一部分，也不是JVM规范中定义的内存区域。 三、JDK7和JDK8的JVM内存模型的总结 1、方法区变化 这里介绍的是JDK1.8 JVM内存模型。 五、参考内容 《深入理解Java虚拟机》 JDK1.8 JVM内存模型 Java内存区域与内存溢出异常（jdk 6,7,8） 对于JVM内存模型的理解（对比jdk1.7与1.8） https://www.cnblogs.com
2.2K21编辑于 2022-12-15 - 来自专栏自然语言处理
【LLM系列之底座模型对比】LLaMA、Palm、GLM、BLOOM、GPT模型结构对比
用于 MLP 中间激活，因为与标准 ReLU、GELU 或 Swish 激活相比，《GLU Variants Improve Transformer》论文里提到：SwiGLU 已被证明可以显著提高模型效果 消融实验显示在 8B 参数量下模型效果下降很小，但在 62B 参数量下没有模型效果下降的现象。 Multi-Query Attention：每个头共享键/值的映射，即“key”和“value”被投影到 [1, h]，但“query”仍被投影到形状 [k, h]，这种操作对模型质量和训练速度没有影响
1.6K41编辑于 2023-08-25 - 来自专栏码客
Stable Diffusion模型对比及使用
Checkpoint：通过 Dreambooth 训练方式得到的大模型， 特点是出图效果好，但由于训练的是一个完整的新模型，所以训练速度普遍较慢，生成模型文件较大，一般几个 G，文件格式为 safetensors LoRA：一种轻量化的模型微调训练方法，是在原有大模型的基础上，对该模型进行微调，用于输出固定特征的人或事物。 特点是对于特定风格特征的出图效果好，训练速度快，模型文件小，一般几十到一百多 MB，需要搭配大模型使用。 特点是对于特定风格特征的出图效果好，模型文件非常小，一般几十 K，但是训练速度较慢，需要搭配大模型使用。 Hypernetwork：类似 LoRA，但模型效果不如 LoRA，需要搭配大模型使用。 模型对比 模型名称 安装目录 训练方法 常见大小 使用方法 特点 Checkpoint \models\Stable Diffusion Dreambooth 几GB WebUI顶部设置栏直接切换 最重要的主模型
1K10编辑于 2024-05-22 - 来自专栏机器学习入门
【AI大模型】BERT GPT ELMo模型的对比
单/双向语言模型: 三者之中, 只有GPT采用单向语言模型, 而ELMo和BERT都采用双向语言模型. ELMo虽然被认为采用了双向语言模型, 但实际上是左右两个单向语言模型分别提取特征, 然后进行特征拼接, 这种融合特征的能力比BERT一体化的融合特征方式弱. BERT: * 优点: * BERT使用了双向Transformer提取特征, 使得模型能力大幅提升. * 添加了两个预训练任务, MLM + NSP的多任务方式进行模型预训练. * 缺点: * 模型过于庞大 三者所采用的语言模型单/双向不同. BERT采用的是最彻底的双向语言模型, 可以同时关注context before和context after. ELMo表面上被认为是双向语言模型, 但实际上是左右两个单向LSTM模型分别提取特征, 在进行简单的拼接融合.
53610编辑于 2025-01-17 - 来自专栏Jackie技术随笔
IO复用——几种IO模型对比
I/O复用——几种I/O模型对比 之前在服务器进程终止中讨论的情形，TCP客户端同时要处理两个输入，一是标准输入，二是TCP套接口。 阻塞I/O模型 缺省时，所有套接口都是阻塞的。《Unix网络编程》一书中，前五章的所有例子都使用阻塞I/O模型。 [非阻塞I/O模型] I/O复用模型 在I/O复用模型下，我们不再阻塞于真正的I/O系统调用recvfrom，而是在select和poll这两个系统调用之一阻塞。 [异步I/O模型] 五种I/O模型的比较 除了真正的异步I/O模型以外，其他几种模型，最后一阶段的处理都是相同的——阻塞于recvfrom调用，将数据从内核拷贝到应用缓冲区。 [五个I/O模型的比较]
1.7K71发布于 2018-12-02 - 来自专栏大数据成神之路
Pulsar与Kafka消费模型对比
为了同时兼容这两种消费模型，pulsar 做了一层消费层的抽象，统一了 Queue 和 Stream 这两种消费模型，具体如下图所示： ? 其中，Exclusive 和 Failover 属于 Stream 的消费模型，Share 属于 Queue 的消费模型。 在写此文章时，pulsar 最新版本为 2.3.1，Key_Shared 属于pulsar 新增加的一种订阅模型，在之后的文章中，我们会单独对 Key_shared 订阅模型做单独的分享，这里不在赘述。 对 Stream 支持的对比 由于 kafka 不支持 Queue 类型的消费模型，所以 Share 这种形式在这里不做对比。 下面，和大家一起讨论以下在 Stream 下 pulsar 与 kafka 的消费模型。
3.1K30发布于 2019-06-20 - 来自专栏Web技术布道师
PHP 7 vs HHVM 直接性能对比
二者直接的比较正在升温，那么让我们来看一下他们直接的性能对比吧。 什么是 HHVM ？ 什么是PHP 7 ？ PHP 7 是 PHP 社区对 HHVM 的回应。PHP 7 发布的预览版本号称比之前的 PHP 5 的性能要提升100%。 所以PHP社区决定给这个语言的新版本直接命名为 PHP7。 真正的问题不是 PHP5 和 PHP7 之间的比较，因为已经很明显了 PHP7 提供了更快速的运行速度。 Etsy: 拥有五千四百万用户的 Tesy 同样迫切需要提高服务器性能，Etsy 的工程师对比了HHVM 和 PHP5.4 的性能，发现 HHVM 每秒可以处理280个服务器请求，而对于 PHP5.4， 选择 PHP 7 的理由 PHP 7 在某些情况下比 HHVM 更快，包括运行 Drupal 8。 使用 PHP 7 不需要安装设置 HHVM。
1.9K40发布于 2019-08-20 - 来自专栏学习笔记持续记录中...
处理模型数据（7）
Spring MVC提供了以下几种途径输出模型数据： ModelAndView 控制器处理方法的返回值是ModelAndView，则其既包含视图信息，也包含模型数据信息 // success.jsp 返回的目标页面 ; return modelAndView; } } Map&Model Spring MVC 在内部使用了一个org.springframework.ui.Model接口存储模型数据 ，具体步骤： 1）SpringMVC在调用方法前会创建一个隐含的数据模型，作为模型数据的存储容器， 成为”隐含模型” 2）如果方法的入参类型为Map或Model，会将隐含模型的引用传递给这些入参。 3）在方法体内，可以通过这个入参对象访问到模型中的所有数据，也可以向模型中添加新的属性数据 Spring Web MVC 提供Model、Map或ModelMap让我们能去暴露渲染视图需要的模型数据。 @SessionAttributes 除了可以通过属性名指定需要放到会话中的属性处，还可以通过模型属性的对象类型指定哪些模型属性需要放到会话中 @SessionAttributes(types=User.class
50500发布于 2020-03-18 - 来自专栏Deep learning进阶路
2-7 顺序表 和 链表 对比
2-7 顺序表 和 链表 对比 1、存储结构的不同 虽然它们同属于线性表，但数据的存储结构有本质的不同： 顺序表存储数据，需预先申请一整块足够大的存储空间，然后将数据按照次序逐一存储，逻辑关系就是靠元素间物理空间上的邻接关系来维持
43020发布于 2019-07-02 - 来自专栏.NET企业级解决方案应用与咨询
C#开发BIMFACE系列30 服务端API之模型对比1：发起模型对比
为了便于用户了解模型在修改前后发生的变化，BIMFACE提供了模型在线对比功能，可以利用在线的模型对比接口，通过简单的四个步骤实现模型在线对比。 模型对比可以对两个文件/模型进行差异性分析，确定两个文件/模型之间构件的几何和属性差异，包括增加的构件、删除的构件和修改的构件。 模型对应可以用于进行文件/模型的版本对比。 基本步骤 通过服务端API发起模型对比（对比前后模型文件的fileId）； 等待云端对比任务执行； 对比完成后，在网页端通过调用JavaScript API实现差异模型的显示； 除了显示差异模型，还需要调用服务端 name="previousId">修改前图纸(历史版本，上一轮次)模型文件ID</param> 7 /// <returns></returns> 8 public virtual ModelCompareResponse 当模型对比完成后，BIMFACE能通知对比结果。 在下一篇《C#开发BIMFACE系列31 服务端API之模型对比2：获取模型对比状态》中详细介绍如何获取模型对比状态。
59510发布于 2020-03-18 - 来自专栏.NET企业级解决方案应用与咨询
C#开发BIMFACE系列31 服务端API之模型对比2：获取模型对比状态
系列目录 【已更新最新开发文章，点击查看详细】 在上一篇《C#开发BIMFACE系列30 服务端API之模型对比1：发起模型对比》中发起了2个模型对比，由于模型对比是在BIMFACE云端进行的 当模型对比完成后，BIMFACE通过回调机制通知对比结果。 特别说明：BIMFACE可以通过回调机制将模型/文件转换、对比等耗时操作结果通知开发者。 本文介绍通过调用接口的方式来查询模型对比状态的结果。模型/文件对比状态有四种：prepare（待对比）、processing（对比中）、success（对比成功）、failed（对比失败）。 发起模型对比成功后状态为 processing。经过一段时间转对比后，可能对比成功，也有可能对比失败。 compareId">【必填】模型对比ID</param> 6 /// <returns></returns> 7 public virtual ModelCompareResponse GetCompareStatus
68810发布于 2020-03-18 大语言模型集成策略对比研究
这是集成方法的关键问题有效利用多样性已被证明能够提升包括大语言模型（LLM）在内的各种机器学习模型的性能。然而，如何最有效地使用多样性仍然是一个挑战。 本研究比较了两种用于回答二元问题的LLM多样性方法：模型多样性：依赖多个模型回答同一问题问题解释多样性：依赖同一模型以不同方式表述的同一问题在这两种情况下，都采用多数投票作为集成共识启发式方法来确定最终答案 在boolq、strategyqa和pubmedqa数据集上的实验表明，与模型多样性相比，问题解释多样性始终能够带来更好的集成准确率。 此外，对GPT和LLaMa的分析显示，模型多样性通常产生的结果介于最佳和最差集成成员之间，而没有明显的改进。
13500编辑于 2025-09-03- 来自专栏kinnylee钻研技术
五种IO模型介绍和对比
前言 unix提供的IO模型有几种，分别有哪些？ 各种IO模型的特点是什么？他们有什么区别？ 阻塞，非阻塞，同步，异步的区别？ epoll为什么高效？ 概述 普通输入操作包含的步骤 等待数据准备好 从内核向进程复制数据 网络数据输入包含的步骤 等待数据从网络送达，到达后被复制到内核缓冲区 把数据从内核缓冲区复制到应用程序缓冲区 IO模型介绍 阻塞式IO IO 阻塞式IO式最流行的IO模型 ? 异步IO 异步IO依赖信号处理程序来进行通知 不过异步IO与前面IO模型不同的是：前面的都是数据准备阶段的阻塞与非阻塞，异步IO模型通知的是IO操作已经完成，而不是数据准备完成 异步IO才是真正的非阻塞 各种IO模型对比 前面四种IO模型的主要区别在第一阶段，他们第二阶段是一样的：数据从内核缓冲区复制到调用者缓冲区期间都被阻塞住！
3.4K50发布于 2020-10-15 - 来自专栏全栈程序员必看
landsat8与landsat7波段对比
landsat7 landsat8卫星对比 Landsat 7 Landsat 8 Band Name Bandwidth (μm) Resolution (m) Band Name Bandwidth – 0.90 30 Band 5 NIR 0.85 – 0.88 30 Band 5 SWIR 1 1.55 – 1.75 30 Band 6 SWIR 1 1.57 – 1.65 30 Band 7 SWIR 2 2.09 – 2.35 30 Band 7 SWIR 2 2.11 – 2.29 30 Band 8 Pan 0.52 – 0.90 15 Band 8 Pan 0.50 – 0.68 15 陆地/水 7、 5 、3 SWIR2、NIR、Green 移除大气影响的自然表面 7 、5 、4 SWIR2、NIR、Red 短波红外 6、 5 、4 SWIR1、NIR、Red 植被分析 表3：Landsat 7、4、3 模拟真彩色图像 用于居民地、水体识别 7、5、4 非标准假彩色图像 画面偏蓝色，用于特殊的地质构造调查。 5、4、1 非标准假彩色图像 植物类型较丰富，用于研究植物分类。
1K20编辑于 2022-09-15 - 来自专栏猿天地
代码对比工具，就用这7个，足够了！
在程序开发的过程中，程序员会经常对源代码以及库文件进行代码对比，在这篇文章里我们向大家介绍7款程序员常用的代码比较工具。 一、WinMerge ? WinMerge会将两个文件内容做对比，并在相异之处以高亮度的方式显示，让使用者可以很快的查知；可以直接让左方的文件内容直接覆盖至右方，或者反过来也可以覆盖。 二、Diffuse ? 图片 Beyond Compare可以很方便地对比出两份源代码文件之间的不同之处，相差的每一个字节用颜色加以表示，查看方便，支持多种规则对比。 图片 是一款用于文件、目录、数据库模式与表格对比与合并的使用工具。 这个强大易用的对比/合并工具可以让你通过其直观的可视化界面快速比较和合并文本或源代码文件，同步目录以及比较数据库模式与表格。 图片 Code Compare是一款用于程序代码文件的比较工具，目前Code Compare支持的对比语言有：C#、C++、CSS、HTML、Java、JavaScrip等代码语言。
5K41发布于 2021-07-12 - 来自专栏用户7621540的专栏
这7个代码对比工具，真的是好用！
在程序开发的过程中，程序员会经常对源代码以及库文件进行代码对比，在这篇文章里我们向大家介绍7款程序员常用的代码比较工具。 WinMerge会将两个文件内容做对比，并在相异之处以高亮度的方式显示，让使用者可以很快的查知；可以直接让左方的文件内容直接覆盖至右方，或者反过来也可以覆盖。 三、Beyond Compare Beyond Compare可以很方便地对比出两份源代码文件之间的不同之处，相差的每一个字节用颜色加以表示，查看方便，支持多种规则对比。 四、Altova DiffDog 是一款用于文件、目录、数据库模式与表格对比与合并的使用工具。 这个强大易用的对比/合并工具可以让你通过其直观的可视化界面快速比较和合并文本或源代码文件，同步目录以及比较数据库模式与表格。DiffDog还提供了先进XML的差分和编辑功能。
13.1K30发布于 2021-09-16
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