- 综合排序
- 最热优先
- 最新优先
- 来自专栏后端技术
kafka 网络模型2 Selector
本文会分析Selector和它的poll()是如何进行网络IO的，NetworkReceive是如何被完整读取的，Send是如何被完整写出的，还会涉及到KafkaChannel和它的mute机制。
1.1K30发布于 2020-06-09 - 来自专栏小小程序员——DATA
神经网络 模型表示2
神经网络 模型表示2 使用向量化的方法会使得计算更为简便。 以上面的神经网络为例，试着计算第二层的值： 我们令 {{z}^{\left( 2 \right)}}={{\theta }^{\left( 1 \right)}}x ，则 {{a}^{\left( Logistic Regression的方式输出 h_\theta(x) 其实神经网络就像是logistic regression，只不过我们把logistic regression中的输入向量 \left {2}^{\left( 2 \right)}a_{2}^{\left( 2 \right)}+\Theta_{3}^{\left( 2 \right)}a_{3}^{\left( 2 \right)} 这就是神经网络相比于逻辑回归和线性回归的优势。
29810编辑于 2023-12-03 - 来自专栏最高权限比特流
网络世界漫步——绪论之网络分层模型（2）
上一节我们说过，现在在网络占用采用的大多都是分组交换技术，因为这种技术有很多其他交换技术没有的特性，其中最为突出的就是速度快（至于为啥快，我会水一篇文章告诉大家）。 分组交换技术依赖于路由器和交换机，路由器和交换机根据数据包的内容将不同的分组路由到不同的节点。 计算机网络的体系结构 计算机网络的体系结构无外乎有两种，一种是五层协议栈，另外一种是七层ISO OSI参考模型。 《计算机网络 自顶向下》就是按照第一种五层协议栈编排的，这五层分别是应用层、运输层、网络层、链路层、物理层（自顶向下）。至于七层的模型，大家感兴趣的就自己看看，我就不在这里误导你了。 我们暂时还是关注技术上的内容。 应用层 应用层是网络应用程序以及他们的应用层协议存留的地方。就比如我们网络编程中常用的Socket协议，这就是网络层的。
60420发布于 2019-02-21 - 来自专栏帅云霓的技术小屋
容器网络硬核技术内幕 (2) 容器
上回说到，虽然虚拟化技术大大提升了计算机硬件资源的利用率，也让业务部署变得更加灵活，但由于虚拟化技术的部分限制，在虚拟机上运行RDMA等ICT关键业务加速特性几乎成了不可能的，或者要付出极大的代价。 新一代计算资源调度的革命性创新就是我们这个专题的主角——容器技术。 容器技术是利用Linux的namespace机制实现的。 我们知道，容器技术的一个重要特点就是，几乎所有的容器存在的意义，最终都要落实到为向外部网络上的主机或其他终端提供服务。 可以说，容器网络技术，是容器技术的精华所在，是最难理解的部分，学懂容器网络，就是摘取了ICT前沿技术皇冠上的明珠！ 同样地，如果想理解容器网络的组成和性质，我们就需要从实例开始学习。 因此，让我们从实例分析开始，来洞察容器技术中的精华。
46810编辑于 2022-07-27 DeepSeek-OCR-2 开源 OCR 模型的技术
DeepSeek-OCR-2开源OCR模型的技术OCR应用的场景和类型很广，本次使用Qwen2的架构，解决看的全（扫码方式优化）、看的的准（内容识别、视觉标记、降低重复率），多裁剪策略提取核心信息。 这两款模型代表了当前开源OCR技术的两大发展方向：DeepSeek-OCR-2主打视觉因果流（VisualCausalFlow）的创新架构，而HunyuanOCR则以极致轻量化+端到端统一见长。 /视频字幕模型大小2GB20GBGPU显存可部署支持语言130+含14种高频小语种三、技术对比：DeepSeek-OCR-2vsHunyuanOCR对比维度DeepSeek-OCR-2HunyuanOCR →选HunyuanOCR专注复杂文档解析和LLM协同→选DeepSeek-OCR-2传统场景、资源极度受限→选PaddleOCR通用多模态理解需求→选Qwen2-VL这两款中国团队开源的OCR模型，不仅在技术指标上达到 VL:https://github.com/QwenLM/Qwen2-VL（本文由AI辅助整理技术资料，核心数据来源于各模型官方技术报告和GitHub仓库。）
57710编辑于 2026-02-07- 来自专栏啄木鸟软件测试
多模态大模型技术原理与实战(2)
第3章 读懂ChatGPT的核心技术 基于Transformer的预训练语言模型 原始 Transformer 模型以编码器 ( Encoder )-解码器( Decoder )架构 编码器 ( Encoder 集成学习 GPT-4采用了集成技术来提高建模效率和优化模型的效果 算法 优点 缺点 线性算法 简单、运行高效和可解释性强 无法有效地模拟复杂的非线性关系，在很多场景中性能一般 非线性算法 效果比较好，能被广泛地应用于复杂的业务场景中 2022年12月 1750亿个 在 GPT-1 发布之前，传统自然语言处理领域的模型 (如LSTM 网络 )的训练方式一般是先随机初始化一组词向量参数，或者通过无监督的浅层神经网络(如 Word2vec GPT-1 的批处理大小设置为32个数据块；GPT-2的批处理大小设置为512个数据块。 (5) 网络层数扩充。 ·GPT-1：12层 Transformer网络结构。 技术手段： ·双向多层的 Transformer ·大规模的无监督语料 ·掩码语言建模进行预训练 ·… 2、GPT 原创了 Zero-shot、 One-shot、 Few-shot 的推理方式。
55710编辑于 2024-09-10 - 来自专栏CV学习史
后台开发-核心技术与应用实践--网络模型与网络调试
网络 IO 模型 IO 有两种操作，同步 IO 和 异步 IO。同步 IO 指的是，必须等待 IO 操作完成后，控制权才返回给用户进程。 当一个网络 IO （假设是 read ）发生时，它会涉及两个系统对象，一个是调用这个 IO的进程，另一个是系统。当一个 read 操作发生时，它会经历两个阶段：1. 等待数据准备；2. 4种网络 IO 模型 为了解决网络 IO 中的问题，学者们提出了4种网络 IO 模型： 阻塞 IO 模型 非阻塞 IO 模型 多路 IO 复用模型 异步 IO 模型 在Linux下，默认情况下所有的 socket 但是，“线程池”和“连接池”技术也只是在一定程度上缓解了频繁调用 IO 接口带来的资源占用。这时可以用非阻 塞模型来尝试解决这个问题。 如果试图建立一个简单的事件驱动的服务器程序，这个模型有一定的参考价值。 异步 IO 模型 异步 IO 模型的流程如图所示： ? 各个 IO 模型的比较如图所示： ?
86630发布于 2021-04-15 - 来自专栏腾讯云TI平台
【技术分享】Detectron模型性能优化与部署（2）
在Detectron模型性能优化与部署(1)中，我们介绍了如何使用Caffe2/TRT加速Cascade R-CNN + FPN模型。 对于使用Caffe2/TRT的模型推理来说，因为使用了TensorRT算子代替了大部分Caffe2原始算子，因此使用FP16推理非常简单, 只需要在创建TensorRT引擎前设置如下参数： auto build_config TRT进行模型推理，只需要在创建TensorRT引擎时使用kFP16配置，即可以对网络进行FP16加速。 下图显示了对Cascade R-CNN + FPN网络中其中一个TensorRT算子第一维动态调节的设置： 2.png 在Caffe2/TRT的优化实现中，用户可以根据模型参数，模型的配置和不同输入大小对 优化后的Caffe2/TRT模块支持动态大小输入，支持FP16推理，支持复杂模型的推理等。
2.1K20编辑于 2021-12-22 - 来自专栏程序编程之旅
JavaScript---网络编程(9-2)--DHTML技术演示(2-2)-表格加强
演示代码： <html> <head> <title>DHTML技术演示---表格中页面中的显示操纵--行间隔高亮显示</title> <meta http-equiv="content-type arrTrs<em>2</em>[x - 1] = arrTrs[x]; } //arrTrs<em>2</em>数组可以看成arrTrs数组的引用 //对容器arrTrs<em>2</em> x < arrTrs<em>2</em>.length; x++) { //arrTrs<em>2</em>[x].parentNode.nodeName//TBODY arrTrs<em>2</em> 代码演示： <html> <head> <title>DHTML<em>技术</em>演示---表格中页面中的显示操纵--行间隔高亮显示</title> <meta http-equiv="content-type arrTrs2[x].parentNode.appendChild(arrTrs2[x]); //arrTrs2数组可以看成
74810发布于 2021-01-21 - 来自专栏机器之心
百度NLP | 神经网络模型压缩技术
同时，由于语言复杂、表达多样、应用广泛，为了更好的解决语言学习的问题，我们将更多的 NLP 特征引入 DNN 模型，比如基于 t 统计量的二元结构特征，基于依存分析技术的词语搭配结构特征等。 乘积量化压缩示意图 基于百度搜索的深度神经网络模型的实验，我们分析并取得了一些结论： 1. 量化向量维度为 1 时可实现 1/4 无损压缩； 2. 量化向量维度为 2 时可实现 1/5 无损压缩； 3. 固定量化的维度，量化位数越大，压缩率越低，模型效果越好； 4. 固定压缩率，随着量化维度的增加，压缩效果先升后降，且在 2 维时取得最好效果。 百度NLP专栏扩展阅读： 百度NLP | 神经网络语义匹配技术 百度NLP | 智能写作机器人：不抢人类饭碗，我们只想人机协作 百度NLP | 自动写诗 PK 古代诗人：百度「为你写诗」技术深度揭秘 独家对话百度副总裁王海峰：NLP 的路还很长 「百度NLP」专栏主要关注百度自然语言处理技术发展进程，报道前沿资讯和动态，分享技术专家的行业解读与深度思考。
1.5K50发布于 2018-05-08 - 来自专栏C++
【Linux网络】NAT技术、DNS系统、五种IO模型
1、NAT NAT （网络地址转换）技术主要解决 IPv4 地址不够用的问题，是路由器的一个重要功能。 3、内网穿透 | 原理： 内网穿透的工作原理主要基于 NAT 技术的逆过程。NAT技术将内部网络的私有IP地址转换为外部网络的公网IP地址，实现内部网络与外部网络的通信。 | 应用： 远程办公：员工可以在家中或其他远程地点通过内网穿透技术访问公司内部网络中的资源和服务，实现远程办公。 家庭网络访问：用户可以通过内网穿透技术访问家庭网络中的NAS设备、智能家居设备等，实现远程管理和控制。 API服务访问：开发者可以将内部网络中的API服务通过内网穿透技术暴露到公网上，供外部用户访问和使用。
62210编辑于 2025-03-09 - 来自专栏全栈程序员必看
googlenet网络模型简介_网络参考模型
深度学习以及神经网络快速发展，人们容易通过更高性能的硬件，更庞大的带标签数据和更深更宽的网络模型等手段来获得更好的预测识别效果，但是这一策略带来了两个重要的缺陷。 （1）更深更宽的网络模型会产生巨量参数，从而容易出现过拟合现象。 （2）网络规模加大会极大增加计算量，消耗更多的计算资源。 针对上面的模型进行一下注释： （1）采用不同大小的卷积核意味着不同大小的感受野，最后拼接意味着不同尺度特征的融合； （2）之所以卷积核大小采用1、3和5，主要是为了方便对齐。 实验表明，采用了Inception模块的网络要比没有采用Inception模块的同样架构的网络快2~3倍。 ，但是网络中依然使用了Dropout ; （4）为了避免梯度消失，网络额外增加了2个辅助的softmax用于向前传导梯度。
1.1K10编辑于 2022-09-21 - 来自专栏腾讯云区块链
长安链P2P网络技术介绍（1）：什么是P2P网络？
本篇内容主要是给大家介绍下P2P网络技术在长安链的应用演化进程以及在演化中我们遇到的问题和解决问题的方法。 P2P相信很多人都听过，对金融稍有了解的人肯定第一反应是“P2P互联网金融点对点借贷平台”，简单概括：网贷。但是我们要讲的P2P和金融并不相关，而是互联网网络技术的P2P。 我们大家很熟悉的下载工具软件，比如迅雷等都有使用P2P网络技术，那么什么是P2P网络技术？ P2P全称Peer-to-Peer，即点对点网络通讯技术，又称对等互联网络技术。 对等互联网络技术依赖于网络中参与者的计算能力和网络带宽，而不是把依赖束缚在较少的若干台服务器上。P2P网络是去中心化的，简单理解就是两个设备之间通过网络直连对方，无需中间其他设备转发或代理。 如图： 现在我们对P2P网络技术已经有了初步的认识，那么为什么要使用P2P来作为区块链的网络呢？其实P2P网络与区块链有一个共同的非常契合的特点——去中心化。
1.9K10编辑于 2022-04-26 - 来自专栏腾讯云区块链
长安链P2P网络技术介绍（2）：初识LibP2P
从本篇开始我们将陆续为大家分享长安链·ChainMaker 1.x版本的P2P网络核心组件——libp2p相关的内容。 libp2p简介 libp2p是由大名鼎鼎的IPFS的网络模块衍生而来，但它不需要依赖IPFS，当前已经有许多项目使用libp2p作为其网络传输层。 libp2p是包含协议、规范和库文件的可用于开发P2P网络应用程序的模块化网络系统技术栈。 Tips 更多长安链开源项目QA，可登陆开源社区、技术文档库查看。 长安链面向大规模节点组网、高交易处理性能、强数据安全隐私等下一代区块链技术需求，融合区块链专用加速芯片硬件和可装配底层软件平台，为构建高性能、高可信、高安全的数字基础设施提供新的解决方案，为长安链生态联盟提供强有力的区块链技术支撑
2.7K10编辑于 2022-04-26 - 来自专栏机器学习、深度学习
网络模型 Inception V2V3-Rethinking the Inception Architecture for
这些应用的成功引发了大家研究更好的网络模型，于是更深更宽的网络模型被提出。 在 2014 ILSVRC VGGNet 和GoogLeNet 取得相似效果。 但是由于 Inception 架构的复杂性，使其网络模型难以改变。原来论文也没有清晰的描述其设计准则。本文主要提出了一些设计原理和优化思路。 2）高纬信息更适合在网络的局部处理。在卷积网络中逐步增加非线性激活响应可以解耦合更多的特征，那么网络就会训练的更快。 3）空间聚合可以通过低纬嵌入，这么做不会导致网络表示能力的降低。 我们使用两个并行的步长为2的模块, P 和 C。P是一个池化层，然后将两个模型的响应组合到一起。如下图所示： ? 6 Inception-v2 这里我们结合前面的理论提出了一个针对 ILSVRC 2012 分类问题的网络结构，Inception-v2。结构图如下所示： ?
1K50发布于 2019-05-28 - 来自专栏智能大数据分析
【现代深度学习技术】循环神经网络01：序列模型
深度学习 (DL, Deep Learning) 特指基于深层神经网络模型和方法的机器学习。它是在统计机器学习、人工神经网络等算法模型基础上，结合当代大数据和大算力的发展而发展出来的。 深度学习最重要的技术特征是具有自动提取特征的能力。神经网络算法、算力和数据是开展深度学习的三要素。深度学习在计算机视觉、自然语言处理、多模态数据分析、科学探索等领域都取得了很多成果。 图2 隐变量自回归模型 这两种情况都有一个显而易见的问题：如何生成训练数据？一个经典方法是使用历史观测来预测下一个未来观测。显然，我们并不指望时间会停滞不前。 隐马尔可夫模型中的动态规划超出了本节的范围（我们将在双向循环神经网络再次遇到），而动态规划这些计算工具已经在控制算法和强化学习算法广泛使用。 注意：MSELoss计算平方误差时不带系数1/2 loss = nn.MSELoss(reduction='none') 现在，准备训练模型了。
29610编辑于 2025-04-08 - 来自专栏PaddlePaddle
【AI核心技术】课程四：多层感知机网络模型
UAI与PaddlePaddle联合推出的【AI核心技术掌握】系列课程持续更新中！ 今天的视频是多层感知机网络模型，本次视频虽然较为基础，但是仍然值得仔细观看~ （友情提示：手机横屏看更舒服！） ? 视频关键点提示 00:15 连接主义学派发展 1:00 多层感知机 3:31 激活函数 7:12 多层感知机 9:24 学习的可能性 11:44 深度学习的三种学习分类（模型+算法）
30210发布于 2018-07-26 - 来自专栏PaddlePaddle
【AI核心技术】课程十四：循环网络模型-课程导引
UAI与PaddlePaddle联合推出的【AI核心技术掌握】系列课程持续更新中！ 今天的视频是循环网络模型-课程导引，21min带你迅速入门循环网络模型~ （友情提示：手机横屏看更舒服！） ? 视频关键点提示（数字为时间节点） 0:22 循环神经网络概念 3:01 循环神经网络简史 5:15 循环神经网络热度 6:10 代表性循环神经网络 7:59 常用循环网络模式 11:02 RNN简介
41020发布于 2018-07-26 - 来自专栏韩曙亮的移动开发专栏
【Java 网络编程】网络环境简介 ( 网络 | 网络编程 | OSI 七层网络模型 | TCPIP 网络模型 )
文章目录 I 网络简介 II 网络编程 III OSI 七层网络模型 IV OSI 七层网络模型 - 网络编程 V OSI 七层网络模型 - TCP/IP 模型 对应关系 I 网络简介 ---- 计算机网络构成 : 信息发送 , 传输 , 接收 , 共享的平台 ; 通过该平台实现人与人 , 局域网与局域网 , 不同网络之间的信息进行共享 ; 2. 七层网络模型 ---- 1. 基础层 : 网络传输的基础 , 包括物理层 ( Physical ) , 数据链路层 ( Data Link ) , 网络层 ( Network ) ; 2. TCP/IP 网络模型 : 应用层 , 传输层 , IP 层 , 网络接口层 ; 2.
71330编辑于 2023-03-27 - 来自专栏Jed的技术阶梯
Docker网络模型
Docker支持的网络类型 # 查看docker支持的网络类型 [root@bdc01 ~]# docker network ls NETWORK ID NAME ：相当于搭建虚拟机时候使用的NAT网络模型： # 宿主机安装docker之后，生成了一块网卡,IP为172.17.0.1 # 后续启动的容器，其网段就是172.17.0.0，IP地址从2开始递增，启动的第一个容器的 ：容器与宿主机共用网络模式，即容器的IP与宿主机的一样，容器内开通的端口就是占用宿主机同样的端口，包括主机名都是相同的 container网络类型：容器与容器之间共用网络模式，即各个容器的IP一样，端口也是使用的一套端口 ，不能重复 none网络类型：无网络 # 启动容器的时候可以设置网络类型，默认就是bridge docker container run -it --name centos6.9 --network bridge centos:6.9 /bin/bash 2.
72020发布于 2021-04-14
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