- 综合排序
- 最热优先
- 最新优先
- 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
YOffleNet | YOLO V4 基于嵌入式设备的轻量化改进设计
2YOLO V4简述 在YOLOv4的主干网络CSPDarknet-53中，CSP将特征卷积一定次数后复制使用与前一层特征cat起来，然后利用DenseNet模块。 YOLOv4引入PANet以促进信息流和它弥补了权重带来的精度损失问题。 YOLO v4的Head依旧采用YOLOv3的物体检测方法。 3YOLO V4轻量化设计 YOffleNet YOLOv4中使用的主要模块是下图中的CSP DenseNet；此外为了防止初始特征图中的信息丢失的问题，作者还设计了PANet结构，其是通过自下而上的路径增强特征表达的 ShuffleNet模块 改进点 2 YOLOv4网络中使用的SPP+PANet结构简化和减轻模型的大小。现有YOLOv4模型的PANet从主干网络分为3层作为输入的。 4实验 没啥好评价的，确实变快了，但是这个改进确实有点。。。。你懂的！！！
1.1K40发布于 2021-08-26 - 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
原始架构由多个堆叠的沙漏单元组成，每个沙漏单元由4个下采样和上采样级别组成。在每一级，通过残差块和最大池化操作实现下采样，而通过残差块以及朴素最近邻插值实现上采样。 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。 并且基于减少计算量提出四个原则：（1）使用输入和输出通道宽度不同增加卷积的计算量；（2）组卷积增加MAC；（3）多分支降低运算效率；（4）元素级运算增加计算量。 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。 量化加速： 通过TensorRT的FP16/INT8量化，将模型从32位浮点转为低精度计算，推理速度提升2-4倍。 示例：ResNet-18在Jetson Xavier上INT8量化后，推理延迟从15ms降至4ms。2. 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。 空间维度的因式分解不会节省大量的计算复杂度，因为相比于其他直接做因式分解的模型[3][4]深度可分离卷积计算复杂度很小。
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。 图 4分组卷积：空间维度和通道维度示意图 Grouped Convlution最早源于AlexNet。 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
gitlab-logrotat───sleep │ └─svlogd ├─runsv─┬─redis-server───4* ├─runsv─┬─bundle─┬─2*[bundle───14*[{bundle}]] │ │ ├─4* [bundle───13*[{bundle}]] │ │ └─4*[{bundle}] │ nginx───9*[nginx] │ └─svlogd ├─runsv─┬─gitlab-exporter───4* gitlab-logrotat───sleep │ └─svlogd ├─runsv─┬─redis-server───4*
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
为了解决这些问题，本文将轻量化CNNs的4个重要组成部分从粗到细分解并重新设计： 设计了一个称为LightNet的轻量化整体架构，该架构通过简单地实现其他轻量化CNN的BasicBlock来获得更好的性能 基于以上4个重要组成部分，作者提出了一个新的轻量化CNN模型FalconNet。实验结果表明，与现有的轻量化神经网络相比，FalconNet可以以更低的参数和浮点数实现更高的精度。 鉴于上述问题，作者分解了构建轻量化神经网络的4个重要组成部分，即整体架构、Meta Basic Block、空间算子和通道算子。 最后，基于上述4个重要组成部分，作者提出了一个新的轻量化CNN模型，称为FalconNet。实验结果表明，与现有的轻量化CNN相比，FalconNet可以用更少的参数和Flops实现更高的精度。 作者首先计算并可视化了4个流行的轻量化神经网络的平均kernel-size矩阵，如图5所示。
1.6K20编辑于 2023-09-04 - 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
gitlab-logrotat───sleep │ └─svlogd ├─runsv─┬─redis-server───4* ├─runsv─┬─bundle─┬─2*[bundle───14*[{bundle}]] │ │ ├─4* [bundle───13*[{bundle}]] │ │ └─4*[{bundle}] │ nginx───9*[nginx] │ └─svlogd ├─runsv─┬─gitlab-exporter───4* gitlab-logrotat───sleep │ └─svlogd ├─runsv─┬─redis-server───4*
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
M⋅N⋅DF⋅DF 计算量减少了: DK⋅DK⋅M⋅DF⋅DF+M⋅N⋅DF⋅DFDK⋅DK⋅M⋅N⋅DF⋅DF=1N+1D2K 深度分类卷积示例 输入图片的大小为(6,6,3) ，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) 深度卷积部分：大小为(4,4,1,3) Conclusion 论文提出了一种基于深度可分离卷积的新模型MobileNet，同时提出了两个超参数用于快速调节模型适配到特定环境。
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
轻量化改造的意义 轻量级Flutter渲染引擎的核心是将Flutter作为一个「渲染器」，它的唯一功能就是将Native端传来的数据绘制成相应的界面，其它所有交互操作，都通过Channel桥接到Native 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。 轻量化改造实践 首先，我们通过Pigeon生成接口协议和调用代码，原生侧分别基于当前协议来进行开发。 不过，我们需要解决Pigeon CLI脚本只能有一个协议文件的问题。 所以，我们需要对轻量化Flutter框架做进一步改造。
93610编辑于 2022-03-31 - 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。 ，由他们与网页的原始版本进行交互，同时在治疗组中随机选择4名学生与精简版网页进行交互。 图4：学生对 Lite-Web 网站外观和功能影响的评价 （A）左面板：对以下问题回答“是”的参与者百分比：“就这四个网站的外观而言，您是否注意到任何遗漏或异常之处？” 研究结果如图4所显示， 图4A 左面板总结了用户对网页外观的评价，这表明对照组和治疗组之间没有显著差异，也即是说，没有任何证据表明 Lite-Web 带来的性能提升是以牺牲外观为代价的。 图4C 描述了响应结果，有超过70%的用户对“偶尔会避免访问某些网站，因为网速太慢无法加载”的说法表示同意。
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。 2024 年 4 月 30 日发布的《关于进一步推动公路桥梁隧道结构监测系统工作实施方案》明确提出，2025 年需完成 150 米以上桥梁监测系统建设，并组织开展部分桥梁轻量化结构监测试点;《交通强国建设纲要 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 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。 在分析层，集成北斗卫星导航、4G/5G 通信与 AI 算法技术，通过边缘计算对实时采集的数据进行快速处理，自动识别异常行为模式，构建 “黄色 - 橙色 - 红色” 三级预警体系，一旦发现潜在风险，可通过云平台即时发出预警
32510编辑于 2025-11-06- 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 encapsulation: IPIP natOutgoing: Enabled nodeSelector: all() nodeAddressAutodetectionV4: ://xx.xxx.195.138/tkestack,出现登陆界面，输入之前设置的用户名adminusername和密码adminpassword,如无设置，默认用户名为admin，密码为YWRtaW4=
78320编辑于 2022-08-12 - 来自专栏我爱计算机视觉
使用高斯过程回归指导网络轻量化
并通过实验证明了使用该方法做网络轻量化的有效性。 4.方法简单，具有通用性，不会引入AI加速器不支持的算子。 关键内容 为了探索在构建轻量化网络时，减小输入图片分辨率、减小宽度、减少深度对网络性能的影响，作者做了一个实验。 以EfficientNet-B0为baseline去做网络轻量化，使得目标网络的计算量为原来一半，即200M FLOPs左右。 给定计算量为的baseline模型，要得到计算量为 的轻量化模型，就是要求取目标模型的、和，因此、和都是的函数，即： ? 若要得到高性能的轻量化目标模型，需要探索一个问题：不同计算量下，什么样的模型有高性能？
80420发布于 2020-11-06 - 来自专栏清羽飞扬
Shynet：极为轻量化的访客监控系统
为了服务器的稳定，我只能忍痛将其关闭，并使用揽星在评论区提到的统计系统：51La和统计鸟，但是这两个卧龙凤雏每天都加载不出来，严重影响访客统计数据，实在没办法，只能自行部署，于是我又开始在网上寻找更加轻量化的访客统计系统 总体来说，我不是很喜欢，但是奈何他轻量化，我又能要什么自行车呢？ 优点 作为一个轻量化的系统，他的优点自然就是极为轻量化了，它的统计代码如下： <noscript> <img src="https://visitor.qyliu.top/ingress/aaaaaa-bbbbbb-cccccc-dddddd Umami到后来的51La和统计鸟，再到本次选择的Shynet，每一步都是为了找到一个符合服务器要求、易于部署、功能齐全的解决方案，Shynet作为一个自托管的网络分析工具，不仅保护了访客的隐私，而且在<em>轻量化</em>和功能性方面表现出色 如果你也在寻求一个及其<em>轻量化</em>的访客统计系统，不妨可以试试，相信不会让你失望！ 本次教程到此结束，如果有什么问题欢迎在评论区留言！
1.1K10编辑于 2024-05-30 - 来自专栏小鑫同学编程历险记
lerna-lite 轻量化 monorepo 管理利器
lerna-lite 介绍 lerna-lite 是用来管理和发布同一仓库多 JavaScript/TypeScript 包的一款工具，与 lerna 相比 lerna-lite 具有更轻量化和模块化的特点
1K10编辑于 2024-04-24 - 来自专栏让技术飞起来
轻量化方式实现灰度发布落地
由于本次调研的范围和时间有限，所以我认为较好用的轻量化灰度发布方案就暂时罗列这两类，当然方案有千千万，选择自己合适的就好。
1.1K40编辑于 2022-09-15
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