- 综合排序
- 最热优先
- 最新优先
- 来自专栏各类技术文章~
vue3了，试试轻量化的Vuex -- Pinia？
vue3了，试试轻量化的Vuex -- Pinia？ 一， pinia介绍 Pinia 是 Vue.js 的轻量级状态管理库，最近很受欢迎。 它使用 Vue 3 中的新反应系统来构建一个直观且完全类型化的状态管理库。 Pinia的成功可以归功于其管理存储数据的独特功能(可扩展性、存储模块组织、状态变化分组、多存储创建等)。 ，安装使用Pinia 在项目根目录中打开终端，输入以下命令 yarn add pinia@next # or with npm npm install pinia@next // 该版本与Vue 3兼容 webkit-font-smoothing: antialiased; -moz-osx-font-smoothing: grayscale; text-align: center; color: #2c3e50 webkit-font-smoothing: antialiased; -moz-osx-font-smoothing: grayscale; text-align: center; color: #2c3e50
1.7K50发布于 2021-11-04 - 来自专栏联远智维
轻量化设计在3D打印中的应用
3D打印通过逐层叠加原材料的方式，可以实现传统制造业难以解决的个性化、复杂的、高难度的制造难题，是传统制造技术的一次重要革命，广泛应用于汽车、航空、航天、医疗、教育、电子产品等领域，如下图所示。 其中，采用3D 打印方法进行产品设计所包含的关键技术主要有：1、选用何种打印材料，采用何种打印机（打印原理），如何能够降低成本？2、如何进行产品结构设计，得到所需要的三维模型？ 众所周知，产品结构设计依赖具体的实际问题，需要相关经验的积累，因此，本推文主要是针对3D打印（产品初期母版的实现）如何选材问题，结合自己的经验对相关的内容进行总结归纳，希望对其他人有所帮助。 于此同时，3D打印与打印件的重量有直接的关系，因此，设计阶段采用轻量化结构设计，指导产品结构的选型，相关参数的选取，进而降低打印件的质量，提高打印件的性价比，对该技术的推广具有重要的意义。 例如：需要设计一款台灯支架，具体要求为：1、能够作为具有一定的刚度；2、台灯发光过程中具有部分热量辐射到支架上，使之温度升高（具有一定耐温性）；3、尽可能实惠。
1.8K20编辑于 2022-01-20 - 来自专栏DevOps时代的专栏
轻量化 Jenkins 最佳实践
前言 今天分享主题主要分成三个部分： 第一部分，Jenkins跟持续交付； 第二部分，Jenkins轻量化思路； 第三部分，Jenkins高可用实践。 二、Jenkins轻量化思路 2.1、使用jenkins的常见问题 接下来就是我今天所要谈的重点，刚才解释了为什么Jenkins所代表的CI/CD如此之重要，但现实里Jenkins还是会出现这样那样的问题 我们不希望Jenkins承载更多的东西，这也是为什么我提出轻量化Jenkins的概念，初衷在于给Jenkins减负。 ? 接下来我们看一看Jenkins的系统架构。 2.6、轻量化解决之道 那么轻量化的概念到底是什么意思呢？ 那么在实践Jenkins轻量化解决之道的过程中，我总结了一些套路和体系，其中以下八点内容希望可以帮助大家解决一些实际生产工作中Jenkins的性能问题，同时扩展大家的思路，共同探索Jenkins应用的最佳实践
4.9K90发布于 2018-02-02 - 来自专栏集智书童
全新轻量化模型 | 轻量化沙漏网络助力视觉感知涨点
Newell等人在Mask3D中提出的堆叠沙漏架构是第一个基于深度学习的HPE方法之一，因为经典方法在此之前主导了HPE文献。 3、实验 3.1 Alternative bottlenecks 4、参考 [1].To Perceive or Not to Perceive: Lightweight Stacked Hourglass
1.4K30编辑于 2023-02-26 - 来自专栏SIGAI学习与实践平台
轻量化神经网络综述
目前工业级和学术界设计轻量化神经网络模型主要有4个方向：(1)人工设计轻量化神经网络模型、(2)基于神经网络架构搜索（Neural Architecture Search,NAS）的自动化设计神经网络； (3)CNN模型压缩；(4)基于AutoML的自动模型压缩。 1基本卷积运算 手工设计轻量化模型主要思想在于设计更高效的“网络计算方式”（主要针对卷积方式），从而使网络参数减少，并且不损失网络性能。 NAS在搜索时使用的基本运算如下，包括常用的depthwise-separable,pool,3x3卷积等，使得block运行时对输入尺寸没有要求(例如卷积，pooling等操作)。 很多轻量化模型重复 block 架构，只改变滤波器尺寸和空间维度。论文提出的层级搜索空间允许模型的各个 block 包括不同的卷积层。
4.7K51发布于 2018-09-27 工厂端部署轻量化模型
在工厂端部署轻量化模型通过TensorRT加速的ResNet，是制造业实现实时物料追溯与质量检测的关键技术路径。以下从技术原理、实施步骤、应用场景及优化策略四个维度展开说明：一、为何选择轻量化模型？ 模型轻量化改造架构优化： 将ResNet-50替换为ResNet-18或MobileNetV3，参数量减少80%以上。 opset_version=11)# 步骤2：TensorRT优化（终端命令）trtexec --onnx=resnet18.onnx --saveEngine=resnet18.engine --fp16# 步骤3： | 28W | 中小型PLC集成 || Raspberry Pi + Coral| 4 (TPU) | 5W | 简单条码识别 |3. AI方案模型选型： 基础模型：ResNet-34（ImageNet预训练） 轻量化后：剪枝至ResNet-12，INT8量化，体积从85MB→12MB。
99710编辑于 2025-04-10- 来自专栏1996
轻量化网络 | MobileNet论文解析
但其使用深度可分离卷积层替换之前的全卷积层，以达到压缩参数数量并轻量化网络这一目标。 MobileNet除了第一层为全卷积层，其余层均为深度可分离卷积。 不同于Deep Compression，因为网络在定义时结构简单，因此我们可以简单地搜索网络的拓扑结构，从头直接训练出一个效果很好的轻量化网络。 MobileNets使用3x3的深度可分离卷积比标准的卷积减少了8-9倍的计算复杂度，而与此同时准确率只减少了一点点。 224×224图像，VGG16网络的第三个卷积层conv2_1输入的是尺寸为112的特征图，通道数为64，卷积核尺寸为3，卷积核个数为128，传统卷积运算量就是： 3 \times 3 \times 128 \times 64 \times 112 \times 112=924844032 如果将传统的全卷积替换为逐深度卷积加上1*1的逐点卷积，计算量为： 3 \times 3 \times 64 \times
1.1K10编辑于 2022-09-23 - 来自专栏SIGAI学习与实践平台
轻量化神经网络综述
目前工业级和学术界设计轻量化神经网络模型主要有4个方向： (1)人工设计轻量化神经网络模型； (2)基于神经网络架构搜索（Neural Architecture Search,NAS）的自动化设计神经网络 ； (3)CNN模型压缩； (4)基于AutoML的自动模型压缩。 1、基本卷积运算 手工设计轻量化模型主要思想在于设计更高效的“网络计算方式”（主要针对卷积方式），从而使网络参数减少，并且不损失网络性能。 NAS在搜索时使用的基本运算如下，包括常用的depthwise-separable,pool,3x3卷积等，使得block运行时对输入尺寸没有要求(例如卷积，pooling等操作)。 很多轻量化模型重复 block 架构，只改变滤波器尺寸和空间维度。论文提出的层级搜索空间允许模型的各个 block 包括不同的卷积层。
1.3K20发布于 2018-10-18 - 来自专栏为了不折腾而去折腾的那些事
GitLab 14 轻量化运行方案
观察默认配置启动的应用 在安装完毕 Docker 环境后，可以使用下面的配置，在不进行任何应用设置的情况下，启动应用： version: "3" services: gitlab: image 3.197GiB / 7.774GiB 41.13% 10.3kB / 33.5kB 135MB / 224MB 416 可以看到 GitLab 一上来，还未使用的情况下，便吃掉了 3个 1.21% 1.967GiB / 7.774GiB 25.30% 19MB / 345kB 254kB / 178MB 200 如果持续观察，可以看到应用 CPU 资源在 1～3% gitaly['ruby_num_workers'] = 3 即使我们只配置 worker 数量，不进行并发数，不设置 cgroups 限制，也会得到类似下面的错误信息，整个应用会一直重启，但是无法提供正常的服务 svlogd ├─runsv─┬─bundle─┬─bundle───7*[{bundle}] │ │ └─3*
5.7K21发布于 2021-07-14 - 来自专栏集智书童
最新轻量化Backbone | FalconNet汇聚所有轻量化模块的优点，成就最强最轻Backbone
然而，在当前的轻量化神经网络中仍然存在3个重要问题： 缺乏架构一致性，导致冗余和容量比较受阻，以及架构选择和性能增强之间的因果关系不明确； 单分支深度卷积的使用损害了模型的表示能力； depth-wise 在Stride为2的第一个3×3规则Conv层之后，作者使用3×3 DW-Conv层来捕获低电平模式，然后使用1×1 PW-Conv和另一个3×3 DW-Conv层进行二次采样。 可以观察到，与中心的3×3位置相比，5×5中最外圆的位置的重要性可以忽略不计，因此作者使用了3×3卷积 kernel，其也具有较少的参数和浮点运算。 为了补偿减少的特征通道，作者构造了N个（默认情况下N=3）并行的3×3 DW-Conv分支。 此外，图5显示，与这些角位置相比，3×3 kernel的骨架模式中的位置占据了很大的重要性，因此作者额外构建了水平的1×3和垂直的3×1 DW-Conv分支。
1.6K20编辑于 2023-09-04 - 来自专栏C博文
基于K3s+Portworx的轻量化云原生边缘基础设施构建
架构精要 K3s通过以下创新实现轻量化： 单进程架构：将kubelet、containerd、kube-proxy等组件融合 SQLite替代etcd：默认使用轻量级数据库（可选etcd） 精简组件：移除非核心插件 集群部署 单线部署命令（支持离线安装）： # 主节点 curl -sfL https://get.k3s.io | INSTALL_K3S_VERSION=v1.26.4+k3s1 \ INSTALL_K3S_EXEC # Worker节点加入 curl -sfL https://get.k3s.io | K3S_URL=https://<MASTER_IP>:6443 \ K3S_TOKEN=<NODE_TOKEN 192.168.1.10 edge-02 Ready worker 3m v1.26.4+k3s1 192.168.1.11 Portworx集成指南 裸设备准备： # 当轻量化的K3s遇见云原生存储Portworx，不仅解决了当下边缘计算的存储困境，更为构建下一代智能边缘平台奠定了坚实基础。
35500编辑于 2025-07-15 - 来自专栏为了不折腾而去折腾的那些事
GitLab 14 轻量化运行方案
观察默认配置启动的应用 在安装完毕 Docker 环境后，可以使用下面的配置，在不进行任何应用设置的情况下，启动应用： version: "3" services: gitlab: image 3.197GiB / 7.774GiB 41.13% 10.3kB / 33.5kB 135MB / 224MB 416 可以看到 GitLab 一上来，还未使用的情况下，便吃掉了 3个 1.21% 1.967GiB / 7.774GiB 25.30% 19MB / 345kB 254kB / 178MB 200 如果持续观察，可以看到应用 CPU 资源在 1～3% gitaly['ruby_num_workers'] = 3 即使我们只配置 worker 数量，不进行并发数，不设置 cgroups 限制，也会得到类似下面的错误信息，整个应用会一直重启，但是无法提供正常的服务 svlogd ├─runsv─┬─bundle─┬─bundle───7*[{bundle}] │ │ └─3*
3.8K40发布于 2021-07-16 - 来自专栏大侠之运维
轻量化的远控工具
在今天的数字化时代，远程控制工具变得越来越重要，无论是用于远程技术支持、服务器管理还是其他远程操作。natpass是一款轻量级的远程控制工具，它提供了强大的功能和安全性，使您能够轻松地远程管理您的计算机和服务器。本文将介绍natpass的功能、部署过程以及如何使用它，帮助您充分了解这个有用的工具。
70810编辑于 2024-10-09 - 来自专栏全栈程序员必看
mobilenet改进_常用的轻量化网络
，原卷积操作是用(4,4,3,5)的卷积(4×4是卷积核大小，3是卷积核通道数，5个卷积核数量)，stride=1,无padding。 输出的特征尺寸为6−41+1=3，即输出的特征映射为(3,3,5) 将标准卷积中选取序号为n 的卷积核，大小为(4,4,3) ，标准卷积过程示意图如下(注意省略了偏置单元)： 黑色的输入为(6,6,3 (这是常见的卷积操作，注意这里卷积核要和输入的通道数相同，即图中表示的3个通道~) 对于深度分离卷积，把标准卷积(4,4,3,5) 分解为： ，作用在输入的每个通道上，输出特征映射为(3,3,3) 如上图(b)所示，Input 分成 3 组并分别做了对应的变换(3×3 GConv1)，然后在下一次变换(3×3 GConv2)之前做了一次分组间的 Channel Shuffle。 下面我给出 Table1 Stage3(g=2)的流程笔记。
1.2K10编辑于 2022-10-03 - 来自专栏Android群英传
Flutter混编工程之轻量化改造
所以，Flutter轻量化改造重要原因，就是需要「尽可能多的复用原生已有的逻辑」，例如图片框架、网络、埋点，而不是在Flutter中去全部再实现一遍。 同时，Flutter轻量化改造也是对EngineGroup架构的最佳实践，在EngineGroup架构下，我们需要将数据源放到原生侧，从而保证多Engine的数据共享。 所以，我们需要对轻量化Flutter框架做进一步改造。 所以，我们现在只保留一套通用协议，该协议中只包含3个方法，Get请求、Post请求和ActionURL调用。 频繁请求场景 使用普通接口数据，连续请求10次，目前常规开发中的接口请求场景，大部分为1到3次，可以满足几乎目前所有的使用场景。
93610编辑于 2022-03-31 《3D开放世界地形开发：动态LOD与智能融合的轻量化实战路径》
这让我意识到，地形开发不能依赖单一的高模方案，必须构建“动态LOD分层+地形智能融合”的轻量化体系，才能兼顾地形的细节质感、加载效率与迭代灵活性，满足宋代山水场景对“写实感”与“流畅度”的双重需求。 将过渡纹理的透明度设为0.7，让植被根部与地形自然衔接；针对大面积植被区域（如近景富春江滩涂的草地），则使用“地形植被笔刷”工具，按地形坡度、高度自动调整植被密度，坡度平缓区域（小于10°）植被密度设为每平方米3株 地形数据的轻量化处理是保障跨平台性能的重要环节，我从“模型数据压缩”“纹理格式优化”“加载逻辑调整”三个维度降低资源消耗，确保不同硬件设备都能流畅运行。 加载逻辑调整方面，引入“流式加载”机制，将整个地图按200200米的尺寸分割为多个独立的地形块，引擎根据角色的位置与移动方向（通过角色控制器的velocity参数判断），实时计算并加载视野内的3-5个地形块 实践过程中的问题与总结，让我形成了3D开放世界地形开发的核心方法论：“分层以视距为锚，融合以真实为标，优化以设备为向”，每一条原则都对应着具体的踩坑经历与针对性解决方案。
36010编辑于 2025-10-19- 来自专栏AI科技评论
砖家：轻量化网络利好红米
为此，研究人员提出了一个叫做 Lite-Web（轻量化网页）的解决方案，可使网页在低端手机上加载速度更快，处理起来更容易。 实验结果如图3A 显示，吉尔吉特-巴尔蒂斯坦用户的额外等待时间从 48 秒（黄色条和粉红色条之间的平均差异）减少到仅10秒（蓝色条和粉红色条之间的平均差异），总计减少了约80%。 图3B 对应第二个性能指标，即速度指数，其测量页面内容被填充并向用户用户所花费的时间。通过使用 Lite-Web 后，有四个地点都发生了显着改善，将发达地区和发展中地区之间的差距缩小了约 70%。 如图3C 所示， Lite-Web 对处理 JavaScript 所花费时间的影响，在时间跨地点方面平均下降了 54%，吉尔吉特-巴尔蒂斯坦和迪拜之间的差距下降了约 80%。 图3D 还展示了 Lite-Web 如何缩小不同网页的大小。具体来说，跨网页和位置的平均页面大小减少了大约 50%，从 0.54 MB 到 0.28 MB。
55320编辑于 2023-02-23 桥梁轻量化监测有几种类型?
轻量化监测系统是近年来交通基础设施智慧化领域的热点概念，已密集出现在国家级政策文件中。 实践中，桥梁轻量化监测并未形成统一范式，而是随着政策导向与技术发展呈现出明显的类型分化，不同类型的设计理念、技术路径与应用场景各有侧重：一、早期针对性轻量化监测(江苏先行模式)这一类型是轻量化监测概念的雏形 、陕西柞水两起桥梁安全事故后，行业对风险监测与灾后报警的关注度显著提升;2025 年 3 月交通运输部办公厅发布的《公路自然灾害监测预警系统技术指南(试行)》，进一步明确了风险监测与灾后报警的技术要求， 推动轻量化监测向应急导向转型。 三、养护数字化导向型轻量化监测(全覆盖赋能模式)随着政策要求从 “重点监测” 向 “全面覆盖” 演进，多地开始推动轻量化监测系统的全域部署 —— 不仅包括高风险桥梁，也逐步延伸至普通服役桥梁。
32510编辑于 2025-11-06《3D端游世界角色技能连招的动画状态机轻量化实践》
此前参与某武侠题材开放世界端游“剑影江湖”开发时，团队曾在主角“多武器技能体系”中遭遇典型困境：该角色需兼容剑、拳、暗器三种武器，每种武器对应5个基础技能与3个派生连招，传统动画状态机为每个技能单独创建状态节点 进一步通过Unreal Engine的Stat Unit命令排查发现，传统方案的核心缺陷在于“状态冗余”“判断链过长”“资源复用率低”，如何在保留多武器技能多样性的前提下，实现动画状态机的轻量化，同时保证连招响应速度与逻辑灵活性 优化后，技能误触发率降至3%以下，同屏10角色的缓冲队列内存占用降至5MB，CPU的输入处理耗时减少50%，玩家操作手感显著提升。 我们意识到，不同角色的动画状态机核心逻辑完全一致，差异仅在于“当前武器”“能量值”“输入缓冲队列”等个性化数据，因此提出“共享状态机实例+角色数据注入”的轻量化方案。 经过多轮优化与测试，“剑影江湖”主角技能连招的动画状态机性能实现全方位提升：状态机判断耗时从20ms降至5ms，多角色同屏（10人）参与“世界BOSS”战斗时帧率稳定在58-60帧，技能误触发率从15%降至3%
41410编辑于 2025-10-21- 来自专栏xwc1125
Sealos+tkeauth 轻量化安装TKEStack
Sealos+tkeauth 轻量化安装TKEStackSealos安装k8s参考文档：https://www.sealos.io/zh-Hans/docs/Intro安装sealoswget http etcd/ca.keytke-auth: api: # 必填 replicas: 1 # 必填 image: tkestack/tke-auth-api-amd64:74592a3bceb5bebca602bea21aaebf78007a3bb2 adminUsername: controller: # 必填 replicas: 1 # 必填 image: tkestack/tke-auth-controller-amd64:74592a3bceb5bebca602bea21aaebf78007a3bb2 adminUsername: controller: # 必填 replicas: 1 # 必填 image: tkestack/tke-auth-controller-amd64:74592a3bceb5bebca602bea21aaebf78007a3bb2
78320编辑于 2022-08-12
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