- 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
56310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 -
1.3K60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： ?
95630发布于 2021-04-15 - 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。
1.2K10编辑于 2022-09-21 - 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
40010编辑于 2022-07-27 - 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。
1.6K50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。 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。
81610编辑于 2025-03-09 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。
1K10编辑于 2026-04-25- 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.
1.5K50发布于 2018-04-02 - 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。 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。
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
800100发布于 2018-05-14 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。
54210编辑于 2026-02-12- 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
51410编辑于 2022-01-12 - 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.
79630编辑于 2023-03-27 - 来自专栏EffectiveCoding
网络IO模型
recvfrom -> [syscall -> wait -> copy ->] return OK!
61920发布于 2019-10-08 全球首个Level4智能网络商用，爱立信研发技术持续领先
4自治网络。 不过，为未来构建的这个伏笔，已经开始在生产环境真实运行，TM Forum引入的自主网络评估体系ANLAV模型分为0到5级，0级完全人工，5级是完全自治。 Level 4是高级阶段的“预测性自治”，代表网络能依靠AI预测潜在问题，提前自我调整保持最优性能。在服务保障这个场景下，DNB和爱立信的系统实现了满分的L4认证，具体来说是在吞吐量管理这个子领域。 对于5G甚至未来6G网络而言，这是一种“自进化”的基础。 这也是为什么TM Forum的认证意义重大。L4自治网络不再是概念，而是可以在商用网络中稳定运行的现实技术。 爱立信借DNB这个国家级项目完成了L4验证，这不仅是技术突破，更是商业化应用的信号。
24010编辑于 2026-03-17- 来自专栏Kubernetes 与 Devops 干货分享
Kubernetes网络模型
kubernetes 网络模型及cni插件 在Kubernetes中设计了一种网络模型，要求无论容器运行在集群中的哪个节点，所有容器都能通过一个扁平的网络平面进行通信，即在同一IP网络中。 Docker 的网络模型 了解Docker的朋友们都应该清楚，Docker容器的原生网络模型主要有3种：Bridge（桥接）、Host（主机）、none。 常见的CNI网络插件包含以下几种： Flannel：为Kubernetes提供叠加网络的网络插件，基于TUN/TAP隧道技术，使用UDP封装IP报文进行创建叠 加网络，借助etcd维护网络的分配情况，缺点 VXLAN网络模型。 而在多数的虚拟化平台实现中，通常都使用二层隔离技术来实现容器的网络，这些二层的技术有一些弊端，比如需要依赖 VLAN、bridge 和隧道等技术，其中 bridge 带来了复杂性，vlan 隔离和 tunnel
1.8K10编辑于 2022-10-31 - 来自专栏全栈程序员必看
SPPNet网络模型
上篇文章详细阐述了R-CNN网络模型，本篇本章本来准备阐述Fast-RCNN模型的，介于SPP-Net模型有许多技巧性的技术可以在不同模型上使用，所以本篇详细分析下SPP-Net SPPNet 【SPP-Net 不仅能应用到物体检测，在物体分类、语义分割等模型上都能使用，单纯的说SPP-Net并不是一个网络模型，它提供了网络修缮的技巧，SPP(图像金字塔池化)改变了固化图片尺寸与提取特征的之间的顺序 何凯明博客】 二、SPP-Net网络模型 图：1 SPP-Net物体检测系统由四个模块构成： 卷积神经网络提取特征，在此用的ZF-5的5蹭卷积网络；产生类别无关的候选检测区域集合 第一个操作将特征图上框选4*4总计16个区域，分别求取每个区域最大值，这样生成4*4总计16*256维度的特征向量；同理将该特征图分别框选2*2以及1*1（特征图本图）的最大区域，最后将4*4、2*2、 共享卷积缩短了几十倍的时间，任意尺度保留了数据的原始信息，并且这个技巧可以优化所有用到FC的网络模型。性能没能大幅提升是因为网络的主体结构依然和RCNN基本一致，增加的是技巧性的东西。
77020编辑于 2022-06-27
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