- 综合排序
- 最热优先
- 最新优先
- 来自专栏啄木鸟软件测试
多模态大模型技术原理与实战(4)
CNN 提取图像特征,加人噪声作为输人,使用LSTM 网络生成句子 判别器:用 LSTM 网络对句子(生成器生成的句子和真实的句子 )进行编码,与图像特征一起处理,得到一个概率值用以约束生成器的质量 3 图像多模态技术 图像生成文本 模型 OpenAl的DALL-E2和GPT4 谷歌大脑的 lmaen和Stable Diffusion 百度的文心一言 文本生成图像 基于GAN的文本生成图像方法 图像解码器 把隐信息还原成图像 4语音多模态技术 文本生成语音 以前技术：拼接法和参数法 基于非深度学习的文本生成语音技术 隐马尔可夫模型 (HMM) 文本信息提取模块 声学特征提取模块 受影响的模型：GAN、VAE、文本预训练大型 ( GPT-3 ） 模型 TGANs-C模型：微软基于GAN发布能够根据标题生成相应的视频左边为生成器前部分基于 Bi-LSTM网络的文本编码器；后部分文本特征添加噪声并进行反向卷积的生成器 Long-Range Attention，QLoRA)技术 8 GPT-4多模型核心技术介绍 Transformer：编码器-解码器框架 编码器：衍生出了自编码大模型，如BERT、RoBERT和ALBERT
47710编辑于 2024-09-10 - 来自专栏往期博文
深度学习基础：4.Pytorch搭建基础网络模型
1、定义模型类，注意要继承于nn.Module 2、在初始化函数中继承父类的初始化函数 super(Model,self). 4、构造Linear线性层，注意一个线性层输出和下一个线性层的输入个数需相等，否则无法计算(原理上就是矩阵相乘) 5、构造forward函数，实现前向传播过程，指定每一层的输入输出和激活函数。 更多接口参数解释，看到这篇博客记录比较详细，放置链接如下： Link：https://blog.csdn.net/xq151750111/article/details/123602946 下面还是以之前的网络模型为例 之前输入模型的数据和标签是分开的，但是在后面的数据加载器DataLoader中，需要输入数据和标签的整体。 TensorDataset的使用示例如下： from torch.utils.data import TensorDataset a = torch.randn(500,3,4,5) #四维数据 -
1.2K60编辑于 2022-07-14 - 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： ?
86630发布于 2021-04-15 - 来自专栏机器之心
百度NLP | 神经网络模型压缩技术
我们采用这种方法，在百度搜索的深度神经网络语义模型进行了 1/4 无损压缩，即保证线上模型表达能力不变、应用效果持平的前提下，线上所有模型的内存占用减少了 75%。 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. 4-b 虚线框内）的输入，该网络的输出则是重构之后的参数值。 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 - 来自专栏帅云霓的技术小屋
容器网络硬核技术内幕 (4) 命运共同体
我们准备了这样一个实验环境： 如图，在Host上运行了3个虚拟机，均通过Bridge方式连接到172.16.1.0/24的网络。 在Docker中创建一个Overlay网络，首先要创建swarm的管理节点： #docker swarm init 命令返回的一串貌似乱码的字符串，是swarm的token，其他节点加入swarm组需要这个 表示使用overlay方式创建容器网络，--attachable代表可连接。 我们再去node1上看看： 我们虽然没有在node1上手动创建ov_net网络，但是由于swarm的存在，在Node1上将容器连接到ov_net网络时，swarm会在Node1上自动拉起这个网络，如下图所示 这是因为，两个docker之间跨越主机通信的方式为VXLAN Overlay，如下图所示： Overlay使用通用的VXLAN技术，每个host上的docker0作为VTEP(二层VXLAN网桥)，实现二层通过
35910编辑于 2022-07-27 - 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。 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。 IPv4 使用，如果是 IPv6 的情况下，需要使用 ICMPv6 ping 命令基于 ICMP，是在网络层，而端口号是传输层的内容，在 ICMP 中根本就不关注端口号这样的信息。
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
（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。 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。 pool proj表示嵌入的max-pooling之后的投影层中1×1滤波器的个数；缩减层和投影层都要用ReLU； （4）网络包含22个带参数的层（如果考虑pooling层就是27层），独立成块的层总共有约有 这些分类器以小卷积网络的形式放在Inception(4a)和Inception(4b)的输出上。在训练过程中，损失会根据折扣后的权重（折扣权重为0.3）叠加到总损失中。 ，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 DeepSeek V4模型技术参数与性能分析
中国AI实验室DeepSeek推出了其最新大语言模型DeepSeek V4的两个预览版本，这是对去年V3.2模型及伴随的R1推理模型的备受期待的更新，后者曾席卷AI领域。 该公司表示，DeepSeek V4 Flash和V4 Pro均为混合专家（Mixture-of-Experts）模型，每个模型拥有100万token的上下文窗口——足以让大型代码库或文档用于提示词中。 较小的V4 Flash模型有2840亿参数（130亿激活）。 在编程竞赛基准中，DeepSeek表示两款V4模型的性能“与GPT-5.4相当”。 V4 Flash和V4 Pro都仅支持文本，不像许多闭源同行那样支持理解并生成音频、视频和图像。值得注意的是，DeepSeek V4比当今任何前沿模型都便宜得多。
32210编辑于 2026-04-25- 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。 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。 即使这些预测的时间步超过了 600+4 （n_train + tau），其结果看起来仍然是可信的。 基于 k = 1, 4, 16, 64 ，通过对整个序列预测的计算，让我们更仔细地看一下 k 步预测的困难。
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SDNLAB
【连载-4】数据中心网络虚拟化 配置管理技术
控制器通过OVSDB管理协议与OVS交互示例[1] 网络配置与管理协议目的是要实现网络设备的远程配置，因而其核心即为远程过程调用，例如XML-RPC、JSON-RPC和JAVA-RPC。 OpenFlow网络中利用OF-CONIFG进行配置和管理示意图[4] OF-CONFIG的操作包括： ✔ 1)为OpenFlow交换机分配对应控制器。 ✔ 2)分配队列和端口。 ✔ 4)为OpenFlow交换机与控制器的安全通信配置证书。 ✔ 5)发现OpenFlow交换机的能力。 4RESTCONF RESTCONF[6]是基于REST模式、用于网络配置与管理的协议，目的在于为WEB应用提供一个获取配置数据、状态数据、通知事件的标准机制。 图 4.
1.4K50发布于 2018-04-02 C-RADIOv4：统一三大模型的视觉骨干技术
技术概述某机构推出的 C-RADIOv4 是一种新型聚合式视觉骨干网络，通过将三个强教师模型——SigLIP2-g-384、DINOv3-7B 和 SAM3——蒸馏至单个学生编码器中，实现了模型统一。 核心思路简洁：不再需要在视觉语言模型、自监督密集模型和分割模型之间做选择，而是用一个骨干网络同时逼近三者。RADIO 中的聚合蒸馏技术RADIO 系列采用聚合蒸馏技术。 单个 ViT 风格的学生网络接受训练，同时匹配多个异构教师网络的密集特征图和总结令牌。早期的 RADIO 模型整合了 DFN CLIP、DINOv2 和 SAM。 由于学生模型从未见过与教师相同的绝对位置，它无法直接记忆位置固定的噪声，被迫学习输入依赖的结构。移位等变 MESA：C-RADIOv4 还在在线网络与其 EMA 副本间应用 MESA 风格正则化。 此外，训练过程采用 DAMP 技术，向权重注入乘性噪声，进一步提升了模型对数据损坏及小分布偏移的鲁棒性。角分散感知的总结损失实现教师平衡先前 RADIO 模型的总结损失使用学生与教师嵌入间的余弦距离。
36410编辑于 2026-02-12- 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Android开发指南
4.网络编程
HTTP网络编程 网络接口文档 用来描述客户端和服务端的数据交互 Http的格式规范 请求部分 请求消息行：定义请求类型，请求的地址，http的版本号 请求消息头:定义请求的消息头 请求消息内容实体：消息的内容实体 : zh-CN,zh;q=0.8 Cookie: BAIDUID=BECE0B98C5D5A8EA4C5A93221901CC58:FG=1; BAIDUPSID=BECE0B98C5D5A8EA4C5A93221901CC58 ; BDUSS=l1MmM3MEVEclRYR1RZc1ZJTnBDb2RBUTY1YktTUFc0a2pBYVlHNkxOZDk4N0JVQVFBQUFBJCQAAAAAAAAAAAEAAABoRLMjd2FuZ2Rha2U4ODgAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAH1miVR9ZolUVm 因此在主线程中调用异步任务时需要设置回调 开发过程中UI控制层访问网络最关心的是什么 UI控制层访问网络的目的是为了获得网络返回数据，UI层最关心返回的数据结果；在java开发中，一切皆有面向对象的思想 如何为UI控制层封装好网络请求 异步 + 回调 + 接口文档规范 http 后台任务 后台任务是处理 及时性不高的任务，不需要耗用太多资源去做网络请求，UI也不是很关心数据返回 通常应用程序只会给到一个线程去处理所有的后台任务
753100发布于 2018-05-14 - 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 ---- 七层网络模型 ---- 1. 会话层 ( Session ) : 建立并管理不同网络设备之间的会话 ; 4. TCP/IP 网络模型 : 应用层 , 传输层 , IP 层 , 网络接口层 ; 2. TCP/IP 传输层 对应 OSI 传输层 ; 涉及到 TCP UDP 协议 ; 4. TCP/IP IP 层 对应 OSI 网络层 ; 5.
71330编辑于 2023-03-27 - 来自专栏Android开发指南
4.网络编程
HTTP网络编程 网络接口文档 用来描述客户端和服务端的数据交互 Http的格式规范 请求部分 请求消息行：定义请求类型，请求的地址，http的版本号 请求消息头:定义请求的消息头 请求消息内容实体：消息的内容实体 : zh-CN,zh;q=0.8 Cookie: BAIDUID=BECE0B98C5D5A8EA4C5A93221901CC58:FG=1; BAIDUPSID=BECE0B98C5D5A8EA4C5A93221901CC58 ; BDUSS=l1MmM3MEVEclRYR1RZc1ZJTnBDb2RBUTY1YktTUFc0a2pBYVlHNkxOZDk4N0JVQVFBQUFBJCQAAAAAAAAAAAEAAABoRLMjd2FuZ2Rha2U4ODgAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAH1miVR9ZolUVm 因此在主线程中调用异步任务时需要设置回调 开发过程中UI控制层访问网络最关心的是什么 UI控制层访问网络的目的是为了获得网络返回数据，UI层最关心返回的数据结果；在java开发中，一切皆有面向对象的思想 如何为UI控制层封装好网络请求 异步 + 回调 + 接口文档规范 http 后台任务 后台任务是处理 及时性不高的任务，不需要耗用太多资源去做网络请求，UI也不是很关心数据返回 通常应用程序只会给到一个线程去处理所有的后台任务
47710编辑于 2022-01-12 - 来自专栏Jed的技术阶梯
Docker网络模型
：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 ，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 =100.0.0.254 -o parent=eth0 macvlan_1 02eb9a47bd4bd9b7e42f744b921a43987be9556cb08ea89dc2beb316673daf84 network create -d overlay --subnet 172.16.0.0/24 --gateway 172.16.0.254 overlay b6ed34ef1071d48f1990dc4fe68b57c3323ebae5be45d3750d86ad4f4a9ab620 # 4.启动容器测试 [root@bdc01 ~]# docker run -it --network overlay busybox /bin/sh Unable to find image 'busybox
72020发布于 2021-04-14 - 来自专栏后端进阶
Docker 网络模型
单机网络模型 在介绍跨主机网络模型前，先来看看单机网络模型，在安装 docker 之后，docker 就会有 4 种网络模型，分别是： host 模式，使用 --net=host 指定。 但这四种网络模式都仅限于单机，其中 bridge 网络模型是 docker 的默认单机网络模型，它会将一个主机上的 docker 容器连接到一个虚拟网桥上，这个虚拟桥名称为 docker0，如下图： ? 跨主机网络模型 docker 1.9 版本之后，加入了一个默认的 overlay 的网络模型，它是 docker swarm 内置的跨主机通信方案，这是一个基于 vxlan 协议的网络实现，其作用是虚拟出一个子网 查看 ingress 网络信息： $ docker network inspect ingress [ { "Name": "ingress", "Id": "x58u3pdo4z4qooriloi82l58k ，集群网络模型如下： ?
1.1K30发布于 2020-05-07 - 来自专栏EffectiveCoding
网络IO模型
recvfrom -> [syscall -> wait -> copy ->] return OK!
58520发布于 2019-10-08 - 来自专栏Thierry的云原生分享
Kubernetes 网络模型
Kubernetes网络模型 集群中每一个 Pod 都会获得一个独一无二的 IP 地址， 这就意味着你不需要显式地在 Pod 之间创建链接，不需要处理容器端口到主机端口之间的映射。 kubernetes的网络模型里，Pod 可以被视作虚拟机或者物理主机。 这里的模型是基本相同的。这与 kubernetes 的网络模型基本相同，它可以帮助你实现从虚拟机向容器平滑迁移。 集群网络解释了如何为集群设置网络， 还概述了所涉及的技术。 下面讲讲Kubernetes Pod网络设计模型： 基本原则：每个Pod都拥有一个独立的IP地址（IP per Pod），而且假定所有的pod都在一个可以直接连通的、扁平的网络空间中。
61671编辑于 2022-12-02
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