- 综合排序
- 最热优先
- 最新优先
- 来自专栏刘琦的专栏
InceptionV3 网络模型
Factorization以及到V4中与ResNet网络思想的结合，一直都在逐步改进，本文主要是阅读V3的论文学习总结。 Introduction 介绍AlexNet后，推更深网络模型的提出。 例如在进行大尺寸的卷积（如3*3）之前，我们可以在空间聚合前先对输入信息进行降维处理，如果这些信号是容易压缩的，那么降维甚至可以加快学习速度。 2.4平衡好网络的深度和宽度。 通过平衡网络每层滤波器的个数和网络的层数可以是网络达到最佳性能。增加网络的宽度和深度都会提升网络的性能，但是两者并行增加获得的性能提升是最大的。所以计算资源应该被合理的分配到网络的宽度和深度。 3. P是一个池化层，然后将两个模型的响应组合到一起来更多的降低计算量。 6. Inception-v2 把7x7卷积替换为3个3x3卷积。包含3个Inception部分。
5.3K00发布于 2017-09-27 - 来自专栏python3
理解VMwawe的3种网络模型
大纲内容 一、文档术语约定 二、虚拟网卡与虚拟交换机 三、VMware的三种网络模型 四、VMware NAT 网络模型 端口映射 文档版本 更新时间 备注 v1 2016-02-10 版本更新信息 ，其实这并不是一件困难的事情，只要能够理解 VMware 提供的网络模型即可，今天结合实际使用经验，针对虚拟机网络设置，来详细介绍一下 VMware的 3种网络结构。 在说到 VMware的网络模型之前，先说一下 VMware的几个虚拟设备。 通过这些模拟的网络设备（虚拟网卡， 虚拟交换机），我们可以构建复杂的网络模型，以完成学习或者实验环境的搭建。 ? 可以看到，如果想要 Guest上网，在 3种网络模型中： 最为简单的方式就是NAT，因为它不需要任何的网卡设置， IP地址也可以从虚拟的 DHCP服务器来获得，要做的仅仅就是把它的网络设置为 NAT方式即可
2K31发布于 2020-01-08 - 来自专栏青灯古酒
H3C 网络参考模型
网络参考模型 OSI参考模型 产生背景 各大IT设备厂只支持自己的私有协议，跨厂商设备兼容性差 用户购买和维护成本高 不利于网络技术发展 概念 定义了网络中设备所遵守的层次结构 优点 开房的标准化接口， 协议不再封闭 多厂商设备兼容 易于理解、学习和更新协议标准 实现模块化工程，降低开发难度 便于故障排除 分层 应用层 为应用程序进程提供网络服务 表示层 定义数据格式、结构；数据加密、压缩 会话层 建立 、维护、拆除应用程序间的会话 区分同一个应用程序的不同访问量 传输层 数据分段、建立端到端连接、维护传输可靠性 端口用于区分同一台计算机上的不同应用程序 TCP：可靠的传输 UDP：不可靠的传输 网络层 IP地址寻址、路由 数据链路层 MAC地址（物理地址）寻址 物理层 定义电压、接口、线缆标准、传输距离、传输介质等物理参数 OSI参考模型的问题 划分层次过多，会话层、表示层存在意义不大 IP协议成为事实的网络层协议唯一协议 TCP/IP参考模型 4层划分方法 应用层 会话层 表示层 应用层 传输层 网络层 网络接口层 物理层 数据链路层 5层划分方法 应用层 会话层 表示层 应用层 传输层 网络层 数据链路层 物理层 数据封装和解封装
40540编辑于 2023-10-16 - 来自专栏微信公众号【Java技术江湖】
Java网络编程和NIO详解3：IO模型与Java网络编程模型
】的《不可轻视的Java网络编程》其中一篇，本文部分内容来源于网络，为了把本文主题讲得清晰透彻，也整合了很多我认为不错的技术博客内容，引用其中了一些比较好的博客文章，如有侵权，请联系作者。 ，进一步来说，你还需要掌握Linux中的网络编程原理，包括IO模型、网络编程框架netty的进阶原理，才能更完整地了解整个Java网络编程的知识体系，形成自己的知识框架。 针对linux操作系统而言，将最高的1G字节（从虚拟地址0xC0000000到0xFFFFFFFF），供内核使用，称为内核空间，而将较低的3G字节（从虚拟地址0x00000000到0xBFFFFFFF） Java网络编程模型 上文讲述了UNIX环境的五种IO模型。 基于这五种模型，在Java中，随着NIO和NIO2.0(AIO)的引入，一般具有以下几种网络编程模型： BIO NIO AIO BIO BIO是一个典型的网络编程模型，是通常我们实现一个服务端程序的过程
1K10发布于 2019-11-21 - 来自专栏京程一灯
讲给前端的网络安全（3）： 网络模型与攻击手段
这次基于 OSI 和 TCP/IP 这两个模型来介绍可能发生的攻击手段 ❝ 讲给前端的网络安全（1）：浏览器与网络的那些事 讲给前端的网络安全（2）：互联网的构成 ❞ OSI 和 TCP/IP 模型 从上图可以看到，OSI 模型将网络划分成为七层，而TCP / IP模型将其简化成四层。本文会使用 OSI 模型的前三层（1〜3），与 TCP/IP 模型的后两层（3〜4）来讲解常见的网络攻击。 这就是不需要什么技术的 L1 级攻击，把通信介质断开就可以达到 DoS (Deined of Service)的效果，当然这没什么技术含量。 不过还有需要更多技术的 L1 攻击。 网络层（OSI Layer 3） 网路层，又称为 IP 层，主要用来识别不同主机的 IP 地址。 L3 可以攻击的手段相对少一些。 传输层（OSI Layer 4, TCP/IP Layer 3） 传输层算是问题比较少的一层，这层主要需要配合前面的网络层进行攻击。
64020发布于 2020-12-15 - 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。 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。 相比其他模型，使用 select() 的事件驱动模型只用单线程（进程）执行，占用资源少，不消耗太多 CPU 资源，同时能够为多客户端提供服务。 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： ?
95630发布于 2021-04-15 - 来自专栏啄木鸟软件测试
多模态大模型技术原理与实战(3)
·行为时代（1970-1979年）：从心理角度进行感知和刨析 ·计算时代（1980-1999年）：浅层神经网络[如反向传播(Back propagation BP)神经网络]对多态问题进行定量研究。 ·深度学习时代（2010-2019年）：多模态技术快速发展，这主要得益于以下3点: o算力快速发展。 o新的多模态数据集层出不穷。 o语言特征提取能力和视觉特征提取能力快速提高。 跨模态 典型应用领域是跨模态检索，例如通过文本检案图像、通文本检索视频等公共空间特征学习拉术跨模态相似性检索技术 多模态大模型发展的重大里程碑 大规模预训练模型的最大优势就是在预训练的过程中经过了大批量数据的训练 o解决图像多模态问题有3种传统的思路，分别是使用单编码器模型、双编码器模型、编码器-解码器模型。 ·单编码器模型指的是整个架构中只存在一个图像编码器的模型。 ·CoDi模型 o输人为文本、图像、语音、视频的任意组合；输出也可以是文本、图像、语音、视频的任意组合 o扩散模型的概念 o生成对抗网络(Generative Adversarial Network GAN
1.3K20编辑于 2024-09-10 Genie 3：实时交互世界模型的技术突破
Genie 3：世界模型的新前沿2025年8月5日作者：Jack Parker-Holder 和 Shlomi Fruchter今日宣布推出 Genie 3，这是一个通用世界模型，能够生成前所未有多样性的可交互环境 同时，通过 Veo 2 和 Veo 3 模型，在视频生成领域也持续推动了技术前沿，这些模型展现了对直观物理学的深刻理解。上述每个模型都在世界模拟的不同能力上取得了进展。 推动实时能力的前沿在 Genie 3 中实现高程度的可控性和实时交互性需要重大的技术突破。在每一帧的自回归生成过程中，模型必须考虑随时间增长而生成的先前轨迹。 由于 Genie 3 能够保持一致性，现在可以执行更长的行为序列，实现更复杂的目标。随着向AGI迈进以及智能体在世界中扮演更重要的角色，这项技术预计将发挥关键作用。 责任团队认为基础技术需要从一开始就深度承诺负责任的开发。Genie 3 的技术创新，尤其是其开放式的实时能力，为安全与责任带来了新的挑战。
21010编辑于 2026-05-28- 来自专栏数字孪生
WebGL开发3D模型的技术难点
WebGL 开发 3D 模型虽然强大，但也存在一些技术难点，主要集中在性能、兼容性、复杂性等方面。以下我将详细阐述这些难点。1. 使用 LOD (Level of Detail) 技术： 根据物体与相机的距离，使用不同精度的模型，远处使用低精度模型，近处使用高精度模型。 3. 复杂的数学和图形学知识：矩阵和向量： WebGL 涉及到大量的矩阵和向量运算，例如模型变换、视图变换、投影变换等。 总结：WebGL 开发 3D 模型虽然面临一些技术难点，但随着 WebGL 技术的不断发展和各种 WebGL 库 (例如 Three.js、Babylon.js) 的出现，开发难度已经大大降低。 通过学习相关的图形学知识、掌握 WebGL API 和相关库，并进行充分的实践，就可以克服这些难点，开发出优秀的 WebGL 3D 应用程序。
82710编辑于 2024-12-24 - 来自专栏全栈程序员必看
googlenet网络模型简介_网络参考模型
（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。 模型嵌入了poolong层； （4）网络越到后面，特征越抽象，空间集中性会降低，所以每个特征所涉及的感受野需要更大，因此随着层数的增加，3×3和5×5卷积的比例也要增加。 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。 三、GoogLeNet模型 ＧoogLeNet共有22层，原始输入数据的大小为224*224*3。 （2）网络的感受野大小是224×224，采用RGB彩色通道，且减去均值； （3）#3×3 reduce和#5×5 reduce分别表示3×3和5×5的卷积前缩减层中1×1滤波器的个数；
1.2K10编辑于 2022-09-21 - 来自专栏机器之心
百度NLP | 神经网络模型压缩技术
图 3. 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。 总结 至此，我们介绍了 3 种 DNN 模型压缩算法，它们有各自的优点，适用于不同的应用场景： Log 域量化压缩算法能够实现 1/4 无损压缩，具有普适性，且原始模型无需重训，使用方便。 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。
1.6K50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。
81610编辑于 2025-03-09 - 来自专栏SDNLAB
【连载-3】数据中心网络虚拟化 隧道技术
为了实现上述目的，我们可以在物理网络上面为租户构建各自的覆盖（overlay）网络，而隧道封装技术则是实现覆盖网络的关键。 本节我们将针对目前较为流行的构建覆盖网络的隧道封装技术展开讨论，具体包括VXLAN，VXLAN-GPE，NVGRE和STT技术。 具体来说，VXLAN采用MAC-in-UDP的封装方式对二层网络进行扩展。目前在数据中心内应用VXLAN技术最广泛的场景即是实现虚拟机在三层网络范围内的自由迁移。 如图 3所示，为了实现虚拟网络内部虚拟机之间的相互通信，首先所有相关的VTEP需要通过IGMP协议加入多播组（239.0.0.1）。 ? 图 3. 采用NVGRE封装的数据包头格式 4.STT STT(Stateless Transport Tunneling)，无状态传输隧道技术，是在数据中心2层/3层物理网络上创建2层虚拟网络的又一种Overlay
2.5K71发布于 2018-04-02 - 来自专栏netservice
网络厂商技术支持(huawei，h3c)
OSPF报文被CPCAR丢弃，网络环境有大量OSPF攻击报文，导致正常的OSPF报文无法建链。 链路故障。 接口没有Up。 两端IP地址不在同一网段。 RouterID配置冲突。 图1 OSPF邻居Down故障诊断流程图 、 1.JPG 2.JPG 3.JPG 4.JPG 2.H3C厂商技术支持 5.JPG 6.JPG
55440编辑于 2022-04-19 Gemma 3n移动端AI模型技术解析
的新特性Gemma 3n 代表了端侧AI的重大进步，将强大的多模态能力带到了边缘设备上，其性能在过去仅见于基于云的顶级模型。 原生多模态设计：Gemma 3n 原生支持图像、音频、视频和文本输入以及文本输出。端侧优化：Gemma 3n 模型提供两种基于有效参数的大小：E2B 和 E4B。 该技术通过主要调整每层的前馈网络隐藏维度（从8192到16384）并有选择地跳过某些层，来精确切分 E4B 模型的参数。MatFormer 架构还为弹性执行铺平了道路。 逐层嵌入 (PLE)：解锁更高内存效率Gemma 3n 模型采用了逐层嵌入技术。这项创新专为端侧部署量身定制，因为它能显著提高模型质量，同时不增加设备加速器所需的高速内存占用。 来自局部和全局注意力的中间层的键和值直接与所有顶层共享，与 Gemma 3 40亿模型相比，预填充性能提升了2倍。这意味着模型能够比以前更快地摄取和理解长提示序列。
18310编辑于 2026-05-15- 来自专栏机器学习、深度学习
网络模型 Inception V2V3-Rethinking the Inception Architecture for
torch 本文是对 GoogleNet 网络模型 Inception 架构的重思考和改进，Inception V3, 其中 Going deeper with convolutions 是 Inception 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。 对于5*5卷积我们可以看做一个小的全链接网络在5*5区域滑动，我们可以先用一个3*3的卷积滤波器卷积，然后再用一个全链接层连接这个3*3卷积输出，如上图所示。 7 Model Regularization via Label Smoothing 通过标记平滑来实现模型的镇定化。 Inception-v3 的结构如下所示： ?
1.1K50发布于 2019-05-28 - 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）
34510发布于 2018-07-26 - 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。 当下获得的最直接的好处就是参数的数量总是不变的，至少在 t > \tau 时如此，这就使我们能够训练一个上面提及的深度网络。 =1}^T P(x_t \mid x_{t-1}) \text{ 当 } P(x_1 \mid x_0) = P(x_1) \tag{3} 当假设 x_t 仅是离散值时，这样的模型特别棒，因为在这种情况下 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。
37010编辑于 2025-04-08 - 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
47920发布于 2018-07-26 - 来自专栏程序编程之旅
JavaScript---网络编程(10)--DHTML技术演示(3)-多选框
<head> <meta http-equiv="Content-Type" content="text/html; charset=utf-8" /> <title>DHTML技术演示 <head> <meta http-equiv="Content-Type" content="text/html; charset=utf-8" /> <title>DHTML技术演示 --colspan=3-表示这一列占3列 --> <input type="button" value="全选" onclick="checkAllByBtn1(true <head> <meta http-equiv="Content-Type" content="text/html; charset=utf-8" /> <title>DHTML技术演示 --colspan=3-表示这一列占3列 --> <input type="button" value="全选" onClick="checkAllByBtn(1)">
1.4K10发布于 2021-01-21
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