- 综合排序
- 最热优先
- 最新优先
- 来自专栏全球技术精选
轻量级 Kubernetes K3s - Github热点
轻量级 Kubernetes k3s star: 15.5k K3s是完全符合生产要求的Kubernetes发行版, 安装简单，可用于生产，整个二进制文件小于100M，作为单一文件打包部署，优势在于，你只需几秒钟就可以得到一个完全成熟的 https://github.com/k3s-io/k3s 英语学习 BlueSea star: 543 BlueSea，是一个有趣的英语学习扩展程序,以插件扩展的形式安装到浏览器，她支持划词翻译、单词高亮
65300发布于 2021-01-09 - 来自专栏机器学习爱好者社区
轻量级骨架首选：MobileNetV3完全解析
前言 相对重量级网络而言，轻量级网络的特点是参数少、计算量小、推理时间短。更适用于存储空间和功耗受限的场景，例如移动端嵌入式设备等边缘计算设备。 因此轻量级网络受到了广泛的关注，其中MobileNet可谓是其中的佼佼者。 MobileNetV3经过了V1和V2前两代的积累，性能和速度都表现优异，受到学术界和工业界的追捧，无疑是轻量级网络的“抗把子“。 通道可分离卷积 通道分离卷积是MobileNet系列的主要特点，也是其发挥轻量级作用的主要因素。 「代码实现」： out = F.avg_pool2d(out, 7) out = out.view(out.size(0), -1) out = self.hs3(self.bn3(self.linear3
9.5K31发布于 2021-01-12 - 来自专栏晓飞的算法工程笔记
FBNetFBNetV2FBNetV3：Facebook在NAS领域的轻量级网络探索 | 轻量级网络
FBNet系列是完全基于NAS方法的轻量级网络系列，分析当前搜索方法的缺点，逐步增加创新性改进，FBNet结合了DNAS和资源约束，FBNetV2加入了channel和输入分辨率的搜索，FBNetV3则是使用准确率预测来进行快速的网络结构搜索 [0971196fd402bd9b256c4e135b4fcca8.png] 为了解决以上问题，论文提出FBNet，使用可微神经网络搜索(DNAS)来发现硬件相关的轻量级卷积网络，流程如图1所示。 Experiments [641bf8329a33961db52171d6f61c8bdd.png] [4b845cd09bda18c08b593ed3f53b324b.png] 与各轻量级网络对比在 Step B可转换成如Step C，3个卷积输出一样大小的特征，再用3个不同的mask对输出进行mask(蓝色为0，白色为1)。 Conclustion *** FBNet系列是完全基于NAS方法的轻量级网络系列，分析当前搜索方法的缺点，逐步增加创新性改进，FBNet结合了DNAS和资源约束，FBNetV2加入了channel
1.8K20发布于 2021-06-02 - 来自专栏3d图表
Vue 3 + Three.js 打造轻量级 3D 图表库 —— chart3
最近在数据可视化领域进行了一些探索，基于 Vue 3 和 Three.js 开发了一款轻量级的 3D 图表库 —— chart3。 真 3D 体验：全场景 3D 渲染，支持 360 度自由旋转、缩放、平移，提供真实的光影、材质和空间感。 已支持的功能特性：基础图表组件： 3D 柱状图 (Bar3D)：支持多系列、不同颜色的柱体渲染。 3D 饼图 (Pie3D)：支持扇区挤出高度、标签展示。 * 3D 折线图 (Line3D)：支持管状线条渲染。* 3D 散点图 (Scatter3D)：支持三维空间的数据点分布。可视化配置系统：数据源 (Data)：支持静态数据配置。 待实现的任务 (Roadmap)为了让 chart3 真正成为生产可用的图表库，后续还有很多有趣的工作要做：高级图表开发： 3D 曲面图 (Surface 3D)：用于展示复杂的三维函数或地形数据（目前
1.5K20编辑于 2026-01-12 - 来自专栏机器学习与python集中营
轻量级神经网络系列——MobileNet V3
本文授权转载自：SIGAI SIGAI特约作者 RJD 研究方向：物体识别，目标检测，研究轻量级网络中 前面的轻量级网络架构中，介绍了mobilenet v1和mobilenet v2，前不久，google MobileNet V3 V1，V2都看完了，现在就来到了MobileNetV3（以下简称V3）。 ? 3.引入基于squeeze and excitation结构的轻量级注意力模型(SE) 4.使用了一种新的激活函数h-swish(x) 5.网络结构搜索中，结合两种技术：资源受限的NAS（platform-aware for Fast Learning a-basic-introduction-to-separable-convolution CNN模型之MobileNet 网络解析（二）：MoblieNets详解 轻量级网络 轻量级神经网络系列——MobileNet V1 3.深度学习中常用的损失函数loss有哪些？ 4.当python遇上杨辉三角——生成器与迭代器 5.
18.4K63发布于 2019-07-19 - 来自专栏计算机视觉战队
超越MobileNetV3的轻量级网络(文末论文下载)
qqr328f8i1.gif] CVPR2020将在6月份举行，现在已经公布了收录文章，虽然有很多低质量的文章，但是，“计算机视觉战队”从其中找一些好的算法框架与大家分享，今天分享的就是超越Mobilenet_V3的轻量级网络 假设原输出的特征为某些内在特征进行简单的变换得到Ghost，通常这些内在特征数量都很少，并且能通过原始卷积操作如下公式获得，Y′∈ℝh′×w′×m为原始卷积输出，f′∈ℝc×k×k×m为使用的卷积核，m≤n，bias直接简化了： [y2hlibv3vi.png 代码如下： class GhostModule(nn.Module): def __init__(self, inp, oup, kernel_size=1, ratio=2, dw_size=3, 经过测试发现在s=2,d=3的情况下模型表现较好。 [3phuj0xnfd.png] [4w73jfb0h4.png] 下表为在resnet50实验的不同网络的压缩比例以及精度对比： [8i6dpaee0n.jpeg] 可以看到使用Ghost模块不仅比其它压缩方法更能降低模型的体量
99910发布于 2020-05-17 - 来自专栏TestOps云层
轻量级自动化-Jmeter+Maven+Ant集成-3
前言 这是轻量级自动化-Jmeter+Maven+Ant集成的第三篇 第一篇见：轻量级自动化-Jmeter+Maven+Ant集成-1 第二篇见：轻量级自动化-Jmeter+Maven+Ant集成-2 jmeter-results-detail-report_21.xsl jmeter-results-report_21.xsl jmeter-results-report_zw.xsl jmeter.results.shanhe.me.xsl 3.
73220编辑于 2022-04-07 - 来自专栏全栈程序员必看
轻量级MVVM框架Stylet介绍：（3）关于Bootstrapper「建议收藏」
Bootstrapper负责引导应用程序，用于配置 IoC 容器，创建根 ViewModel 的新实例，并使用显示WindowManager出来。它还提供了各种其他功能，如下所述。
1.2K10编辑于 2022-09-06 - 来自专栏晓飞的算法工程笔记
MobileNetV1V2V3简述 | 轻量级网络
MobileNet系列很重要的轻量级网络家族，出自谷歌，MobileNetV1使用深度可分离卷积来构建轻量级网络，MobileNetV2提出创新的inverted residual with linear bottleneck单元，虽然层数变多了，但是整体网络准确率和速度都有提升，MobileNetV3则结合AutoML技术以及人工微调进行更轻量级的网络构建undefined 来源：晓飞的算法工程笔记 MobileNetV3 Definitions [1240] MobileNetV3分为MobileNetV3-Large和MobileNetV3-Small两个版本。 Conclusion *** MobileNet系列是很重要的轻量级网络家族，MobileNetV1使用深度可分离卷积来构建轻量级网络，MobileNetV2提出创新的inverted residual with linear bottleneck单元，虽然层数变多了，但是整体网络准确率和速度都有提升，MobileNetV3则结合AutoML技术以及人工微调进行更轻量级的网络构建 如果本文对你有帮助，
2.1K30发布于 2020-07-08 - 来自专栏应用计算
查询 RestfulJSON 数据--SPL 轻量级多源混算实践 3
@1(product.category==categ) && order_details.sum(price*quantity)>200)4=A3.new(order_id,order_date,customer ,order_details.sum(price*quantity):amount)A3 进行条件过滤，这里直接用点（.）操作符引用下一层级的数据，多层就直接点下去就可以，表达很清晰。 nameOrEmail=tom&userPassword="+md5("mypass")+"&rememberLogin=true")2=A1.read()3=A1.property(" Set-Cookie")4=httpfile("https://192.168.2.52:8503/dataid/1628656263716";"Cookie":A3)5=A4.read()服务器返回 "{\"userId\":\"abc\",\"password\":\"sdfikje87kd908\"}";"Content-Type":"application/json")2=A1.read()3=
25610编辑于 2025-08-05 - 来自专栏用户4667108的专栏
轻量级的服务器组件(支持http3)-Caddy
前言 caddy是一个轻量的服务器，而且部署起来也不是非常复杂，一向尝鲜的我们安装caddy就是为了尝试下http3和quic，当然caddy作为一些小内存的服务器或者反代其实也是不错的，因为是go编写
3.6K20发布于 2020-04-16 - 来自专栏3D视觉从入门到精通
一种实时轻量级3D人脸对齐方法
（2）提出了一种转置卷积层，利用L1范数选择和过滤原始输入特征，利用线性变换生成丰富的特征，使得网络是轻量级的同时具有不错的非线性表达能力。 建立了基于3DMM[10]的UV坐标系，利用300W-LP[3]提供的3DMM参数的图像，从二维图像到三维信息进行端到端的训练。 图 4 5、结论 该文提出了一种可在CPU上实时运行的三维人脸对齐方法，该方法采用了一种轻量级编解码网络EDNet。 作者：宁欣1,2,3，段鹏飞2,3，李卫军1,2,3，张少林2,3 单位信息： 1.中国科学院半导体研究所 高速电路与神经网络实验室； 2.威富集团认知计算技术联合实验室； 3.深圳市威富视界有限公司 备注：作者也是我们「3D视觉从入门到精通」特邀嘉宾：一个超干货的3D视觉学习社区
1.3K10发布于 2021-03-19 - 来自专栏计算机视觉工坊
一种实时轻量级3D人脸对齐方法
（2）提出了一种转置卷积层，利用L1范数选择和过滤原始输入特征，利用线性变换生成丰富的特征，使得网络是轻量级的同时具有不错的非线性表达能力。 （3）3D 人脸表示 UV空间是从3D空间参数化的2D图像平面，如参考文献[9,5]所提出的. 它可以用来表达三维人脸信息。UV空间用于存储三维面模型中点的三维坐标。 建立了基于3DMM[10]的UV坐标系，利用300W-LP[3]提供的3DMM参数的图像，从二维图像到三维信息进行端到端的训练。 图 4 5、结论 该文提出了一种可在CPU上实时运行的三维人脸对齐方法，该方法采用了一种轻量级编解码网络EDNet。 作者：宁欣1,2,3，段鹏飞2,3，李卫军1,2,3，张少林2,3 单位信息： 1.中国科学院半导体研究所 高速电路与神经网络实验室； 2.威富集团认知计算技术联合实验室； 3.深圳市威富视界有限公司
66420发布于 2021-03-17 - 来自专栏计算机视觉战队
CVPR | 超越MobileNetV3的轻量级网络(文末论文下载)
CVPR都会出先需要优质文章，今天我看到一篇之前的paper了，今天给大家分享，它就是超越Mobilenet_V3的轻量级网络——GhostNet。 代码如下： class GhostModule(nn.Module): def __init__(self, inp, oup, kernel_size=1, ratio=2, dw_size=3, 经过测试发现在s=2,d=3的情况下模型表现较好。
1.3K10编辑于 2022-01-25 - 来自专栏java架构师
【学习底层原理系列】Java底层-synchronized锁-3轻量级锁篇
一.上一篇回顾 1.偏向锁中的批量撤销和批量重偏向 2.偏向锁发生了竞争，锁就要升级 二.轻量级锁拆解 1.加锁流程 构建LockRecord，将LockRecord的obj指向当前锁对象，然后将无锁态的 遍历线程栈中的LR，如果LR.MW副本为null，代表是一次重入的计数，那么将LR.obj置为null【重入锁，加锁多少次就要对应的释放多少次】 处理轻量级锁。
33910编辑于 2022-09-27 - 来自专栏DevOps持续集成
本地计算机上使用轻量级Kubernetes - k3s
K3s 是一种轻量级、经过认证的 Kubernetes 发行版，专为资源受限的环境（例如边缘设备、物联网设备和小规模部署）而设计。 K3s 的一些主要功能和特性 轻量级且资源高效：与标准 Kubernetes 发行版相比，K3s 的设计占地面积小，消耗的资源更少。 K3 的用例 边缘计算：K3s非常适合资源有限、需要轻量级Kubernetes发行版的边缘计算场景。它支持在边缘设备上部署和管理容器化应用程序，使组织能够在更接近数据源的地方处理数据并减少延迟。 开发和测试环境：K3s可用于搭建轻量级的Kubernetes集群，用于开发和测试目的。 总体而言，K3s 提供了一个轻量级、易于使用且资源高效的 Kubernetes 发行版，在边缘计算、物联网、开发/测试和小规模部署场景中特别有用。
1.1K10编辑于 2023-12-04 - 来自专栏代码手工艺人
轻量级KVO
在这篇文章中，我会实现一个自己用的简单KVO类，我认为KVO非常棒，然而对于我大部分的使用场景来说，有这两个问题：
76630发布于 2021-09-07 - 来自专栏docker
openEuler 云原生进阶：K3s 轻量级 Kubernetes 集群实战
它是 Rancher 搞的轻量级 K8s：二进制文件只有 70MB（标准 K8s 几个 GB）单节点就能跑完整集群完全兼容标准 K8s API安装简单，一条命令搞定最关键的是，我想验证一下 openEuler 可以看到：下载了 K3s v1.33.5+k3s1 版本创建了 kubectl、crictl 等命令的软链接创建了 systemd 服务文件自动启动了 k3s 服务这个过程比装标准 K8s 简单太多了。 看看 K3s 吃了多少内存：ps aux | grep k3s | head -5kubectl top pods -A从截图可以看到：K3s 主进程：CPU：97.9%（这个是启动时的瞬时值，实际运行时很低 K3s 的资源占用确实低很多。我这台 16GB 内存的服务器，跑 K3s + 几个应用完全没压力。 跨到 K3s，学到了不少东西。
93710编辑于 2025-12-03 - 来自专栏Blog记录
R3con1z3r是一个轻量级的Web信息收集工具
R3con1z3r是一个轻量级的Web信息收集工具，具有用python编写的直观功能。它提供了一个强大的环境，可以快速，彻底地进行开源智能（OSINT）基于Web的足迹。 截图 安装 r3con1z3r支持Python2和Python3，安装命令如下： $ git clone https://github.com/abdulgaphy/r3con1z3r.git $ cd r3con1z3r $ pip install -r requirements.txt Linux用户可选: $sudo chmod +x r3con1z3r.py 模块 r3con1z3r仅需要系统库和一些基础的 Python3： pip3 install -r requirements.txt Windows下： pip install win_unicode_console colorama 用法 python3 环境 python r3con1z3r.py google.com 要在python3环境中运行： python3 r3con1z3r.py facebook.com 仅作为可执行的Unix运行 .
45310编辑于 2021-12-14 - 来自专栏SIGAI学习与实践平台
轻量级神经网络MobileNet，从V1到V3
SIGAI特约作者 RJD 研究方向：物体识别，目标检测，研究轻量级网络中 作者知乎专栏 zhuanlan.zhihu.com/c_1113861154916601856 ? 自从2017年由谷歌公司提出，MobileNet可谓是轻量级网络中的Inception，经历了一代又一代的更新。成为了学习轻量级网络的必经之路。 MobileNet V1 ? Applications 论文地址：https://arxiv.org/abs/1704.04861 收录：CVPR2017 2017年4月，谷歌提出MobileNetV1，这一专注于在移动设备上的轻量级神经网络 可以发现，作为轻量级网络的V1在计算量小于GoogleNet，参数量差不多是在一个数量级的基础上，在分类效果上比GoogleNet还要好，这就是要得益于深度可分离卷积了。 3.引入基于squeeze and excitation结构的轻量级注意力模型(SE) 4.使用了一种新的激活函数h-swish(x) 5.网络结构搜索中，结合两种技术：资源受限的NAS（platform-aware
2.7K52发布于 2019-07-10
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