首页
学习
活动
专区
圈层
工具
发布
    • 综合排序
    • 最热优先
    • 最新优先
    时间不限
  • 来自专栏Lauren的FPGA

    用FPGA实现排序(4)

    前面三篇文章我们介绍了排序的原理和具体实现方式,但都是要求序列本身是“”的。而实际情况是,给定序列本身是杂乱无章的,并非呈现“”的特征。这就要求我们先把无序序列转化为序列。 16点序列转化为序列需要3个Stage,其实Stage的个数等于log2(16)-1。每个Stage需要完成一些列的比较,其实就是实现升序和降序排列。 我们将序列的排序过程再次呈现出来如下图所示,与本文第一张图片进行对比,可以发现:从“无序”到“”是一个序列合并的过程,从“”到“单调”是一个序列分割的过程,体现了“分而治之(Divide and

    79510编辑于 2024-04-11
  • 来自专栏Lauren的FPGA

    用FPGA实现排序(1)

    典型的排序算法包括冒泡排序、选择排序、插入排序、归并排序、快速排序、希尔排序、计数排序、排序等。这其中,排序以其高度的并行性著称,非常适合于在FPGA上实现。 排序(Bitonic Sort)是数据独立(Data-independent)的排序算法,即比较顺序与数据无关,特别适合并行执行。在了解排序算法之前,我们先来看看什么是序列。 序列(Bitonic Sequence)的定义:序列是一个先单调递增后单调递减的序列,即存在两种单独特性,故为“”。 需要注意的是完全单调递增或者完全单调递减的序列也是序列,例如(0,1,4,5)和(7,5,3)均为序列。 序列的性质: (1)序列的子序列仍为序列。 ,…,a[i],b[i+1],…,b[n-1])是一个序列 Batcher定理: 若序列S为序列,即 令 那么S1和S2仍为序列,且S2中的任意一个元素不小于S1中的任意一个元素。

    1.3K10编辑于 2024-03-14
  • 来自专栏Lauren的FPGA

    用FPGA实现排序(3)

    基于排序算法的蝶形图,我们可以得到地址的变化规律。这里以长度为16的序列为例,其地址变化规律入下图所示。由于长度为16,故总共需要4个Stage。 仍以长度为16的序列为例,Stage 为0时,延迟级数为8,Stage 为1时,延迟级数为4,Stage为2时,延迟级数为2,Stage为3时延迟级数为1。 在此基础上,将4个SDF相连即可实现串行输入/串行输出的排序。下图给出了Stage 0对应的SDF结构。 下图显示了相应的仿真结果。

    51110编辑于 2024-04-11
  • 来自专栏机器学习算法与Python学习

    排序算法 | 排序(Bitonic sort)详解与Python实现

    本篇为排序算法系列第二篇,详细讲述排序算法。 01 什么是排序(Bitonic sort)? 从定义上了解下什么是序列(由非严格增序列X和非严格降序列Y所构成的任意组合多属于序列),定义如下: 一个序列 a1,a2, …,an 是序列,必须满足以下条件: (1)存在一个 ak(1 则得到的MAX和MIN序列仍然是序列,并且MAX序列中的任意一个元素不小于MIN序列中的任意一个元素。 其实,到现在还有两个问题: 怎么把普通序列变成双序列? 怎么对序列进行排序? 针对序列Z,根据Batcher定理,Z可以划分为2个序列X和Y,然后继续对X和Y进行递归划分,得到更短的序列,直到得到的子序列长度为1为止。这时的输出序列按单调递增顺序排列。 将两个相邻&单调性相反的单调序列看作一个序列, 每次将这两个单调序列merge生成一个新的序列, 然后进行排序,不断上述过程。

    3.4K30发布于 2021-04-30
  • 来自专栏AutoML(自动机器学习)

    排序Bitonic Sort,适合并行计算的排序算法

    1、序列 在了解排序算法之前,我们先来看看什么是序列。 序列是一个先单调递增后单调递减(或者先单调递减后单调递增)的序列。 3、排序 假设我们有一个序列,则我们根据Batcher定理,将该序列划分成2个序列,然后继续对每个序列递归划分,得到更短的序列,直到得到的子序列长度为1为止。 排序示意图1: [1wgenlx21s.png] 4、任意序列生成双序列 前面讲了一个序列如何排序,那么任意序列如何变成一个序列呢? 和前面sort的思路正相反, 是一个bottom up的过程——将两个相邻的,单调性相反的单调序列看作一个序列, 每次将这两个相邻的,单调性相反的单调序列merge生成一个新的序列, 然后排序( 同3、排序)。

    3.6K11发布于 2019-01-03
  • 来自专栏AutoML(自动机器学习)

    【转载】排序Bitonic Sort,适合并行计算的排序算法

    1、序列 在了解排序算法之前,我们先来看看什么是序列。 序列是一个先单调递增后单调递减(或者先单调递减后单调递增)的序列。 3、排序 假设我们有一个序列,则我们根据Batcher定理,将该序列划分成2个序列,然后继续对每个序列递归划分,得到更短的序列,直到得到的子序列长度为1为止。 排序示意图[1]: ? 4、任意序列生成双序列 前面讲了一个序列如何排序,那么任意序列如何变成一个序列呢? 同3、排序)。 所以一般来说,并行计算中常使用排序来对一些较小的数组进行排序[3]。 如果要考虑不用padding,用更复杂的处理方法,参考[4] n!=2^k的排序网络,本文略。

    3.1K30发布于 2019-01-07
  • 猎豹浏览器核渲染架构与系统级兼容优实践

    在Windows10/11彻底移除了独立IE浏览器,且Chrome、Edge无法调取任何ActiveX、BHO组件的现状下,具备Chromium+Trident核架构的猎豹浏览器,成为了企业保障此类混合渲染业务连续性的核心系统级宿主容器 本文将从核进程通信与COM沙箱加载机制、企业级策略路由自动化分发、以及VDI(虚拟桌面)环境下的渲染自愈优出发,分享一系列系统级优化实践。 二、架构解密:双内核渲染引擎的进程隔离与COM容器加载机制猎豹浏览器核引擎的核心,是在同一个统一的Shell框架进程(主进程)下,隔离、调度两个完全不同的页面渲染进程。 四、虚拟桌面(VDI)与低配主机优:内存挂起与硬件加速排爆在日常繁杂的办公和测试场景中,多进程沙箱架构会随着打开标签页的增多造成内存(RAM)暴涨。 通过在系统层面对猎豹浏览器的软件源进行安全完整性审计、通过注册表GPO实现内核策略的智能分发、并针对低配与虚拟机VDI环境对内核V8内存和GPU硬件加速进行优,研发与运维团队能全方位建立起一套健壮、合规且高容错的兼容性宿主环境

    28310编辑于 2026-06-17
  • 移动端代码优化实战:AndroidiOS端性能优,解决卡顿、闪退、耗电问题

    今天我们就来分享Android和iOS端的代码优化实战攻略,针对性解决卡顿、闪退、耗电三大核心问题,让你的APP体验翻倍。 三、端通用优化技巧:提升APP整体体验除了两端各自的优化技巧,还有一些通用的优化方案,适用于Android和iOS端,能够进一步提升APP的性能和用户体验:1.图片优化:统一图片格式(如Android 四、实战案例总结我们以一个电商APP为例,对比端优化前后的核心指标:优化维度Android端(优化前)Android端(优化后)iOS端(优化前)iOS端(优化后)帧率30-40fps(卡顿)稳定60fps -45fps(卡顿)稳定60fps(无卡顿)闪退率1.2%0.1%1.5%0.05%1小时耗电20%5%18%4%启动时间3.5秒1.2秒3.0秒1.0秒包体积80MB45MB75MB40MB优化后,端 掌握Android和iOS端的性能优化技巧,针对性解决卡顿、闪退、耗电三大核心问题,才能打造出体验优秀的APP,提升用户留存率和满意度。

    61210编辑于 2026-04-16
  • 路径开发:Kernel 直与自定义算子工程的场景适配与效能对比》

    一、核心概念与技术特性辨析 1.1 Kernel 直工程 定义:跳过框架高阶 API 封装,直接通过硬件原生接口(如 NPU 的 Kernel Launch、CPU 的 ICPU_RUN_KF 宏)调用计算核心的开发模式 案例参考:DRAFTS 项目先通过 Kernel 直验证去色散算子性能,再封装为自定义算子集成到完整模型管线。 五、总结 Kernel 直与自定义算子工程并非对立关系,而是互补的路径开发模式:前者聚焦 “快速验证”,以开发效率换时间,适合原型阶段;后者聚焦 “生产落地”,以工程化换稳定性与性能上限,适合部署阶段 实际开发中,建议采用 “Kernel 直验证原型 + 自定义算子工程化落地” 的组合策略,既保证迭代速度,又能满足规模化应用需求。 随着 AI 硬件架构的迭代(如 NPU 专用计算单元、异构存储),自定义算子工程的自动化优化能力(如自动 Tiling、混合精度)将成为效能提升的核心驱动力,而 Kernel 直仍将作为底层性能优的关键手段

    35210编辑于 2025-12-24
  • 云原生OLAP数仓主流方案深度对比

    阿里云 AnalyticDB 产品介绍 云原生PB级数仓,MySQL与PostgreSQL引擎可选,存储-计算分离,秒级弹性扩缩,Serverless形态零运维。 功能亮点 行列混存+智能索引,冷热分层;MySQL协议兼容,BI工具即连即用;内置AI自动优,复杂SQL亚秒响应;Flink实时写入链路完整。 百度 DorisDB 产品介绍 百度开源并商业化的MPP分析型数据库,兼容Apache Doris,提供公有云与私有化形态,MySQL协议零改造接入。 功能亮点 CBO+Pipeline执行引擎,多表Join性能提升3-5倍;Kafka/Flink秒级增量;Z-Order/Bitmap索引降低扫描IO;跨DC活,故障30秒切换。 总结 若追求“开箱即用”与腾讯生态深度整合,TCHouse-D在交付速度与托管运维上优势明显;业务波峰明显且需极致弹性,AnalyticDB的Serverless模式与AI优更具吸引力;倾向开源可控、

    89110编辑于 2025-08-06
  • 主流云OLAP数仓深度评测:实时分析场景对比

    阿里云 AnalyticDB 产品介绍 阿里云自研 PB 级云原生数仓,分为 MySQL 与 PostgreSQL 引擎,存储-计算分离架构,按量弹性秒级扩缩。 功能亮点 行列混存 + 智能索引,冷热数据分层;支持秒级弹性 Serverless;内置 AI 增强自动优,复杂 SQL 亚秒响应;实时写入 Flink 直通链路,UPSERT 语义完整。 百度 DorisDB 产品介绍 百度开源并商业化的 MPP 分析型数据库,全面兼容 Apache Doris,主打“极速易用”,提供私有化与公有云形态。 功能亮点 CBO + Pipeline 执行引擎,多表 Join 性能提升 3-5 倍;支持 Kafka/Flink 秒级增量;Z-Order/Bitmap 索引降低扫描 IO;跨 DC 灾备活,故障 总结 三款产品均以实时 OLAP 为发力点:TCHouse-D 依托腾讯生态,在分钟级交付、高并发点查及运维托管上表现突出;AnalyticDB 凭借云原生 Serverless 与 AI 优,适合波峰明显的互联网业务

    78910编辑于 2025-08-06
  • 淘宝&拼多多订单同步4大致命BUG!90%自研ERP都翻车过

    改造之后,不管平台回是否丢失,订单都能100%落库,彻底解决大促漏单难题。真心建议淘宝同步铁律:回管实时,轮询管兜底,少一个都不稳!只靠回的同步系统,根本扛不住大促流量。 BUG2:拼多多重复回|一单变5单,库存疯狂超卖翻车现场日常平稳运营期,买家正常付款1单,系统却自动生成3-5条一模一样的订单。库存被重复扣减,凭空多出一堆超卖订单,售后赔付直接拉满,亏损严重。 最终修复方案重构平台适配层,单独兼容拼多多退款明细逻辑,对账统计优先读取子退款明细,不再依赖主订单字段。同时新增每日自动对账校验,提前规避数据偏差问题。真心建议平台同步最隐蔽的坑就是逻辑错位! 最终修复方案彻底拆分平台独立签名工具类,拼多多单独适配专属拼接规则,杜绝两套逻辑混用。同时新增签名预校验,提前拦截错误参数,避免全线崩盘。真心建议千万别偷懒! 想要快速落地稳定、零BUG的平台订单同步,核心就是做好差异化适配、兜底容错、幂等校验,把所有隐性坑提前规避,系统才能长期稳定运行。

    28510编辑于 2026-06-29
  • 来自专栏音视频咖

    腾讯云直播能力升级:健康报告+监播报告AI解读,开启直播智能运维新时代

    01、创新突破,健康报告重新定义直播流质量管控 直播流分析打分系统,让问题诊断一目了然 作为同类 PaaS 产品中针对直播流的 “智能体检中心”,健康报告从推流、播放、录制、截图、转码、回、拉流转推 赋能监播报告,复杂数据秒级解读,决策效率快速提升 Agent 模型驱动,让监播报告“会说话” 针对传统监播报告数据量大、解读门槛高的痛点,腾讯云直播全新上线监播报告 AI 解读功能,依托云直播团队深度优的 03、不止运维,功能配合解锁多场景应用价值 教育直播:守护教学体验的“质量管家” 在线课堂对直播稳定性要求严苛 —— 延迟超 3 秒会影响师生互动,低帧率则导致板书模糊。 实时监播功能还可以通过智能识别精准拦截线上教学、互动课程中的违规内容,保障学生尤其是未成年人的身心健康。 腾讯云直播始终致力于以技术创新驱动行业升级,本次能力上线,标志着直播运维从 “经验驱动” 正式迈入 “数据 + AI 双轮驱动” 时代。

    75400编辑于 2025-07-12
  • 腾讯云直播能力升级:健康报告+监播报告AI解读,开启直播智能运维新时代

    01创新突破,健康报告重新定义直播流质量管控直播流分析打分系统,让问题诊断一目了然作为同类 PaaS 产品中针对直播流的 “智能体检中心”,健康报告从推流、播放、录制、截图、转码、回、拉流转推 7 大核心功能构建评估体系 02AI赋能监播报告,复杂数据秒级解读,决策效率快速提升Agent 模型驱动,让监播报告“会说话”针对传统监播报告数据量大、解读门槛高的痛点,腾讯云直播全新上线监播报告 AI 解读功能,依托云直播团队深度优的 03不止运维,功能配合解锁多场景应用价值教育直播:守护教学体验的“质量管家”在线课堂对直播稳定性要求严苛 —— 延迟超 3 秒会影响师生互动,低帧率则导致板书模糊。 实时监播功能还可以通过智能识别精准拦截线上教学、互动课程中的违规内容,保障学生尤其是未成年人的身心健康。 腾讯云直播始终致力于以技术创新驱动行业升级,本次能力上线,标志着直播运维从 “经验驱动” 正式迈入 “数据 + AI 双轮驱动” 时代。

    46510编辑于 2025-07-16
  • AI日报 - 2025年3月26日

    今日概览(60秒速览) ▎ AGI突破 | Sam Altman预测超级智能可能在"数千天内"实现,Demis Hassabis将AGI预测缩短至3-5年 ▎ 商业动向 | NVIDIA推出NIM 模型以99.26%准确率实现子宫内膜癌早期检测,Otter AI助手改变会议协作模式 一、今日热点 (Hot Topic)1.1 AGI时间表加速竞赛#AGI #预测 | 影响指数:★★★★★ 巨头预测 : ▸ Sam Altman(OpenAI):超级智能可能在"数千天"内实现 ▸ Demis Hassabis(DeepMind):将AGI预测从5-10年缩短至3-5年 ⚡ 共同依据:AI研究速度已达人类 行业震荡: ▸ 全球AI安全研究经费预计将激增300% ▸ 企业技术路线图全面进入"倒计时"调整期 "过去100年的进步可能在未来10年内发生" - AI研究速度分析报告 1.2 效率革命突破 :实时图像编辑、影视预可视化、广告创作2.2 前沿训练范式 创新架构: ▸ DAPO算法(字节跳动):动态采样策略+token级策略梯度损失 ▸ OmniScience科学LLM:文献预训练+指令

    65020编辑于 2025-03-26
  • 揭秘TCHouse-X:如何实现毫秒级在线数据分析?腾讯云的云原生魔法

    undefined这种设计使TCHouse-X在面对11大促、实时风控等高并发场景时,可快速分配计算资源,保障低延时查询性能,同时节省30%以上的硬件成本。 undefined用户无需手动参,系统通过机器学习算法实现“零感知”的资源优化,将平均查询延迟稳定控制在50ms以内,较传统方案提升5倍以上。 实时数据处理引擎:从分钟级到毫秒级的跨越 为实现真正的低延时,TCHouse-X融合了多项创新技术: 内存计算加速:高频热数据全量加载至内存,减少磁盘IO开销; 流批一体架构:支持Flink+Spark引擎 ,实时流数据与历史批数据无缝融合; 向量化执行引擎:批量处理数据列而非单行,计算效率提升3-5倍。

    25110编辑于 2026-04-07
  • 来自专栏携程技术

    1024,携程程序猿的一天

    携程,一直是依靠服务+技术驱动公司,或者说,技术与服务,成为了携程勇往直前的引擎,而你们,正是组成这个强大引擎的动力所在! 音乐会上,还第一次见到了集团CTO熊老板,熊老板说: 要让对技术感兴趣的同学,对技术沉迷的大咖们,在这里能够无所顾虑地,全身心投入地奋斗。 (话说,这是要涨工资的节奏么?) ? 13:30咖啡 听完音乐,吃完饭,拿着上午秒杀到的“The Geek Coffee”套装券,去楼下咖啡店兑换了一杯咖啡,据说是技术特款。 ?

    86710发布于 2019-04-22
  • Every Day of a DBA,第152期: 从MySQL分叉MariaDB,到 MySQL 26.7.0

    根源:收购埋下开源隐患 1995年,MySQL之父Monty Widenius创立MySQL,采用开源+商业授权模式,迅速成为全球最流行开源关系型数据库。 2010年Oracle完成收购Sun后,核心团队彻底脱离Oracle,全身心投入MariaDB迭代,两条产品线正式分道扬镳。 3. 新增异步复制数据一致性校验工具; 安全能力增强:内置自动化权限审计、原生TLS证书自动轮换; 升级工具优化:支持跨大版本兼容性检测,可从9.7 LTS原地平滑升级; 高并发优化:连接层内存占用降低,连接池自适应动态

    30210编辑于 2026-07-09
  • 懂算法不等于搞定数据流:通信物理层的“黑盒”困境

    遇到中频信号削峰导致邻道泄漏超标,或者波束成型指向精度不够时,很多人第一反应是去软件的参数,而不是从数据流的底层去重构算法。 从“参侠”到“架构师”的鸿沟我发现,很多工作了3-5年的工程师,技术上遇到了一个明显的天花板:他们能看懂MATLAB的仿真图,也能用Verilog写出接口逻辑,但让他们设计一个完整的LTE 20M载波上变频链路 完整闭环:最后落到LTE20M DFE载波的IP设计上,这相当于把前面的滤波、NCO、插值全部串起来,做一个完整的FPGA工程。通信物理层的开发,是一场关于“精度”与“效率”的博弈。

    12500编辑于 2026-03-10
  • 来自专栏多模态睡眠与康复

    音乐治疗:神经科学视角下的身心疗愈

    今天就给大家介绍一下这个新兴跨学科专业~音乐治疗的历史自古以来,音乐就被认为具有治疗身心的力量。在古希腊和古埃及,人们相信音乐能够治愈疾病和安抚心灵。 音乐治疗是一门集音乐、医学、心理学为一体的新兴的交叉学科,主要针对在身心方面有需要进行治疗的个案以及需要治疗的部分,进行有计划、有目的的疗程,是一种运用一切音乐活动的各种形式(包括演唱、演奏、节奏、律动等 这解释了为什么长期疼痛、抑郁或身心俱疲的人会在音乐中感受到重生的力量。如今,音乐治疗已成为一种系统化的治疗方法,广泛应用于阿尔茨海默病、抑郁、焦虑、失眠等多种疾病的管理中。 这种半球激活促进了神经可塑性,有助于脑卒中患者的康复。研究表明,音乐可以作为一种靶向疗法,促进大脑的神经再生和修复,从而减轻脑卒中后遗症。 总之,神经科学的研究揭示了音乐治疗在身心疗愈中的重要作用。通过激活大脑奖赏系统、调节自主神经系统、干预疼痛感受以及促进神经康复,音乐不仅能够改善患者的情绪,还能带来实实在在的生理变化。

    34510编辑于 2026-05-25
领券