- 综合排序
- 最热优先
- 最新优先
- 来自专栏UE4技术专场
UE4提升编译速度
导语：UE是一个巨大的工程，在没有increbuild类似工具的情况下，编译会很耗时，以下设置会提升本地的编译速度 使用超线程 如果你的电脑没有开启超线程模式的话，可以通过修改如下配置（以下是两个文件存放处 空间存放引擎和工程可以通过一些骚操作达到类似效果，你只需要把生成的中间文件和源文件联接到SSD上即可 cd UnrealEngine\Engine mklink /J Intermediate C:\UE4\ Test\Intermediate mklink /J Source C:\UE4\Test\Source mklink 操作介绍mklink简介 避免不必要的损耗 以vs2017为例安装的时候对于incredibuild
9K111发布于 2018-12-05 - 来自专栏计算机视觉战队
让模型训练速度提升2到4倍
在 4 小时 27 分钟内将 GPT-2 在 OpenWebText 上的困惑度提高到 24.11（AWS 上 145 美元），比基线快 1.7 倍，便宜 43%。 如果改变「数学」让你的网络变得同样好（例如同样的准确性）而速度更快，那就是胜利。 如果你愿意打破深度学习背后的「数学」，彩票假设就是一个例子。 2311123606 往期推荐 Yolov7：最新最快的实时检测框架，最详细分析解释（附源代码） 打假Yolov7的精度，不是所有的论文都是真实可信 最新的目标检测的深度架构 | 参数少一半、速度快
66810编辑于 2022-08-31 - 来自专栏AI研习社
用 NVIDIA DALI 加速PyTorch：训练速度提升 4 倍
用特斯拉 V100 加速器显示 PyTorch+DALI 可以达到接近 4000 个图像/秒的处理速度，比原生 PyTorch 快了大约 4 倍。 简介 过去几年见证了深度学习硬件的长足进步。 能够以每秒数千幅图像的速度训练神经网络。这使得在 ImageNet 数据集上的单一 GPU 训练时间减少到几个小时。 另一方面，PyTorch 使用在 PIL 库上用 Python 编写的数据加载器，它具备良好的易于用和灵活性，诞生在速度方面不是那么出色。尽管 PIL-SIMD 库确实改善了这种情况。 DALI 的磁盘传输速度可以达到 400Mb/s！ 集成在一起 为了方便地集成这些修改，我创建了一个数据加载器类，其中包含了这里描述的所有修改，包括 DALI 和 TorchVision 后端。 512 — workers 10 — arch “shufflenet_v2_x0_5 or resnet18” — prof — use-dali 所以，有了DALI，一台 Tesla V100 的处理速度可以达到每秒处理近
3.4K20发布于 2020-02-21 - 来自专栏Angular&服务
关于angular4在nginx 上部署优化访问速度
一般我们编译出来angular4 项目，让到nginx上用户访问，用户加载资源的时候一般加载 ? gzip_min_length 1k; //不压缩临界值，大于1K的才压缩，一般不用改 gzip_buffers 4 16k; //buffer，不知道，反正不用修改
50920发布于 2018-08-20 - 来自专栏京程一灯
重学webpack4之构建速度提升和体积优化
构建速度优化 速度分析：speed-measure-webpack-plugin 可以查看每个loder和插件的执行耗时 红色字体表示时间过长，黄色还可以，绿色是ok的 module.exports = smg.wrap(webpackConfig) wepback4 vs wepback3 webpack使用V8, for of 替代 forEach、Map和set代替Object、includes thread-loader（推荐：wepback4使用） 每次wepback解析一个模块，thread-loader会将它及它的依赖分配给worker线程中 module: { rules: [ collapse_vars: true, reduce_vars: true } } }) ] } 缓存：提升二次构建速度 基础包和业务包打包成一个文件 方法：使用DLLPlugin进行分包，DllReferencePlugin对manifest.json引用 这么做的优势：开发和生产环境就可以直接跳过 react等的解析打包，加快热更新及打包速度
1.4K20发布于 2020-12-15 - 来自专栏深度学习和计算机视觉
YOLO v4：物体检测的最佳速度和精度
上的运行速度低于30 FPS。 另一方面，YOLO能以更高的速度（> 60 FPS）和非常好的精度运行。 2.目标检测器一般架构 尽管YOLO是单阶段目标检测器，但也有两阶段目标检测器，如R-CNN、Fast R-CNN和Faster R-CNN，它们准确但速度慢。 来源[5] 最初PAN将N4的尺寸减小到与P5相同的空间尺寸后，将这种缩小的N4与P5 相加，在所有Pi+ 1和Ni上重复此操作。 YOLO v4达到了用于实时目标检测的最新结果（AP为43.5％），并且能够在V100 GPU上以65 FPS的速度运行。
3.8K30发布于 2020-08-04 - 来自专栏一心无二用，本人只专注于基础图像算法的实现与优化。
超越OpenCV速度的MorphologyEx函数实现（特别是对于二值图，速度是CV的4倍左右）。
，这个函数对二值图的速度和灰度是一样的，但是这个函数，如果使用的话，估计大部分还是针对二值图像，因此，我对二值图做了特别优化，速度可以做到是CV这个函数的4倍左右。 但是奇怪的是，如果在CV中把蒙版的尺寸设置为偶数，比如30*30，其执行速度会快很多，比如同样上述图，CV的耗时只有78毫秒了，和我这里速度差不多，目前还不知道这个问题是怎么引起的。 我的机器是4核单位，如果我的速度除以4，嗨嗨。 上面的例子可能不是很好，因为他正好是一行只有一个结构，其实一行是可以是有多个，比如下面的数据: byte 5 5 8 0 1 4 1 0 0 1 3 3 2 2 3 2 4 4 3 0 4 4 0 1 4 4 4 本例相关测试结果可参考： https://files.cnblogs.com/files/Imageshop/MaskFilter.rar?
2K40编辑于 2022-05-11 - 来自专栏太阳影的学习记录
UE4获取陀螺仪、加速度仪等数据
Rotation Rate：角速度 Gravity：重力，XYZ的值，-10~10（地球上），实际上是显示XYZ上的加速度，当手机直立的时候Y是9.8左右。 Acceleration：加速度，设备在XYZ上的加速度 参考 Practical Application and Usage of the W3C Device Orientation API
2.3K20发布于 2021-10-15 - 来自专栏深度学习与计算机视觉
目标检测(object detection)系列（十六）YOLOv4：平衡速度与精度
简介 YOLOv4是YOLO之父Joseph Redmon宣布退出计算机视觉的研究之后推出的YOLO系列算法，其作者Alexey Bochkovskiy也参与了YOLO之前系列算法，《YOLOV4: Optimal Accuracy of Object Detection》，其主要贡献在于对近些年CNN领域中最优秀的优化策略，从数据处理、主干网络、网络训练、激活函数、损失函数等各个方面都有着不同程度的优化，组合出一个精度与速度兼备的结构 YOLOv4结构 YOLOv4的结构和YOLOv3很类似，下图是YOLOv3的，首先YOLOv4换了backbone，由Darknet53换成了CSPDarknet53，Neck的部分修改比较大， 而YOLOv4的PAN在这个基础上又加了一些修改，其实就是把PAN的加操作换成了拼接操作，这个和YOLOv3是一致的。 bag of tricks Mosaic Mosaic 是一种数据增强方法，将 4 张训练图像组合成一张进行训练，这增强样本的丰富程度。
59610编辑于 2021-12-07 - 来自专栏机器之心
YOLO v4它来了：接棒者出现，速度效果双提升
在相关论文中，研究者对比了 YOLOv4 和当前最优目标检测器，发现 YOLOv4 在取得与 EfficientDet 同等性能的情况下，速度是 EfficientDet 的二倍！ YoloV4 如何实现这么好的效果？ YoloV4 的基本目标是提高生产系统中神经网络的运行速度，同时为并行计算做出优化，而不是针对低计算量理论指标（BFLOP）进行优化。 研究者在 CSPDarknet53 上添加了 SPP 块，因为它能够极大地增加感受野，分离出最显著的上下文特征，并且几乎没有降低网络运行速度。 实验结果 YOLO v4 与其他 SOTA 目标检测器的对比结果如下图 8 所示。从图上可以看出，YOLOv4 位于帕累托最优曲线上，并在速度和准确性上都优于最快和最精准的检测器。 ? 图 8：不同目标检测器的速度和准确性对比结果。
1.3K50发布于 2020-04-26 - 来自专栏ATYUN订阅号
IBM的AI训练技术速度提高4倍，并保持原有精度
同时保持训练速度、准确性和能耗并不容易，但是最近硬件的进步使得这个目标比以前更容易实现。IBM将在本周展示AI训练方法，这些方法能带来比以往技术水平高出数量级的性能提升。 正如Welser所解释的那样，具有16位精度引擎的“计算构建块”平均比具有32位精度的类似块小4倍。 他们声称他们的技术可以使深层神经网络的训练时间比16位系统快2到4倍。
80730发布于 2018-12-24 - 来自专栏全栈程序员必看
下载速度
} freeifaddrs(ifa_list); NSLog(@”\n[getInterfaceBytes-Total]%d,%d”,iBytes,oBytes); return iBytes + oBytes; }
1.8K30编辑于 2022-06-30 - 来自专栏3D视觉从入门到精通
YOLO V4 Tiny改进版来啦！速度294FPS精度不减YOLO V4 Tiny
具有比YOLOv4-tiny（270 FPS）和YOLOv3-tiny更快的目标检测速度（277 FPS），并且其平均精度的平均值与YOLOv4-tiny几乎相同； 作者单位：东北电力大学, 北华大学 实验结果表明，该方法具有比YOLOv4-tiny和YOLOv3-tiny更快的目标检测速度，并且其平均精度的平均值与YOLOv4-tiny几乎相同。它更适合于实时目标检测。 2、YOLO V4 Tiny概要 2.1、模型结构 Yolov4-tiny使用特征金字塔网络提取不同尺度的特征图，进而提高目标检测速度，而不使用Yolov4方法中使用的空间金字塔池和路径聚合网络。 3、边界框回归损失函数 4、总损失函数 3、改进YOLO Tiny算法 文章作者为了进一步提升速度，使用ResBlock-D模块代替了部分CSPBlock模块，降低了计算的复杂度，同时设计了Auxiliary 4、实验结果 4.1、精度与速度 4.2、GPU占用率 4.3、实际检测结果 参考 [1] Real-time object detection method based on improved YOLOv4
7.9K20发布于 2020-11-19 - 来自专栏机器学习AI算法工程
基于PyTorch，体积比YOLOv4小巧90%，速度却超2倍
YOLO v5 模型的头部与之前的 YOLO V3 和 V4 版本相同。 它比 YOLOv4 小 88%（27 MB vs 244 MB） 它比 YOLOv4 快 180%（140 FPS vs 50 FPS） 它在同一任务上大致与 YOLOv4 一样准确（0.895 mAP vs 0.892 mAP） 其性能与YOLO V4不相伯仲，是现今最先进的对象检测技术之一，并在推理速度上是目前最强。
42430编辑于 2022-07-18 - 来自专栏全栈修炼
仅使用CSS就可以提高页面渲染速度的4个技巧
根据Maximillian Laumeister所做的性能基准，可以看到他通过这个单行的改变获得了超过120FPS的渲染速度，而最初的渲染速度大概在50FPS。 4.避免@import包含多个样式表 通过 @import，我们可以在另一个样式表中包含一个样式表。当我们在处理一个大型项目时，使用 @import 可以使代码更加简洁。 总结 除了我们在本文中讨论的4个方面，我们还有一些其他的方法可以使用CSS来提高网页的性能。
1.2K10编辑于 2023-03-15 - 来自专栏全栈程序员必看
如何测试网站打开速度(网站访问速度)
检测网站打开速度的5个方法 网页载入速度对于一个网站来讲很关键，Google已经将一个网站的载入速度列入了网站关键字排名的考虑因素当中，也就是说如果你的网站有足够的内容，而且载入速度比别人的网站更快一步的话 YSlow的网页速度测试功能，并且提供可行的建议帮你改善网站速度。 做为GTmetrix注册会员，你可以设置每天、每周或每月自动测试一次你的网站，可设置测试记录自动保存，还能够同时对4个网址进行对比测试。 如果你不知道自己的载入速度到底是快还是慢，你可以输入一个名站来对比结果，比如Google.com 网址：http://gtmetrix.com 4：比较哪个网站载入速度较快 — WhichLoadsFaster 此类网站速度测试工具基本都是国外的，国内的测速服务还比较少。卡卡网主要有网站速度测试、ping检测、路由追踪等功能。
8.4K60编辑于 2022-08-02 - 来自专栏Debian中国
SK Hynix量产首个4D NAND闪存：96层堆栈 速度提升30%
在今年的FMS国际闪存会议上正式宣告了业界首个基于CTF技术的4D NAND闪存，日前他们又宣布4D NAND闪存正式量产，目前主要是TLC类型，96层堆栈，512Gb核心容量，使用该技术可以减少30% 的核心面积，读取、写入速度分别提升30%、25%。 SK Hynix的4D NAND闪存首先会量产TLC类型的，核心容量分别是512Gbt、1Tb，都是96层堆栈，IO接口速度1.2Gbps，不过两者的BGA封装面积是不一样的，1Tb版显然更大一些。 韩联社报道称，SK Hynix公司4日宣布正式宣布96层堆栈的4D NAND闪存，TLC类型，核心容量512Gb，与现有的72层堆栈3D NAND闪存相比，4D NAND闪存的核心面积减少了30%，单片晶圆的生产输出增加了 50%，而且性能也更强——读取速度提升30%，写入速度提升25%。
50420发布于 2018-12-21 - 来自专栏量子位
支持移动GPU、推断速度提升4-6倍
乾明 发自 凹非寺 量子位 出品 | 公众号 QbitAI TensorFlow用于移动设备的框架TensorFlow Lite发布重大更新，支持开发者使用手机等移动设备的GPU来提高模型推断速度。 在进行人脸轮廓检测的推断速度上，与之前使用CPU相比，使用新的GPU后端有不小的提升。在Pixel 3和三星S9上，提升程度大概为4倍，在iPhone 7上有大约有6倍。 ? 为什么要支持GPU？ 结果证明，的确可以加快复杂网络的推断速度。 在Pixel 3的人像模式（Portrait mode）中，与使用CPU相比，使用GPU的Tensorflow Lite，用于抠图/背景虚化的前景-背景分隔模型加速了4倍以上。 对4个公开模型和2个谷歌内部模型进行基准测试的效果如下： ? 使用GPU加速，对于更复杂的神经网络模型最为重要，比如密集的预测/分割或分类任务。
1.1K30发布于 2019-04-24 - 来自专栏AiCharm
全新剪枝框架 | YOLOv5模型缩减4倍，推理速度提升2倍
飞行器必须实时处理大量数据，以向车辆控制器提供精确的修正，以保持其航向、速度和方向。为了协助车辆路径规划和控制，AVs依靠目标检测器来提供有关其周围障碍物的信息。 4、R-TOSS剪枝框架 在本节中，我们描述了我们的新型R-TOSS修剪框架，并详细介绍了我们如何在YOLOv5和RetinaNet对象检测器上实现了前面提到的对内核修剪技术的改进。 先前关于kernel模式修剪的工作使用了由kernel中的4个非零权重组成的4项模式。但这导致模型具有相对较低的稀疏性，为了克服这一问题，这些工作的作者利用了连通性修剪。 ，与BM相比，在RetinaNet上实现1.87倍和2.1倍的速度加速。 由于AVs依靠快速准确的推断来做出时间关键的驾驶决策，R-TOSS可以帮助实现速度和精度，同时保持比所比较的其他最先进修剪技术更低的能耗。
2.8K11编辑于 2023-05-15 - 来自专栏FPGA探索者
数字IC笔试题（4）——资源和速度【关键路径】【timing时序】【位宽扩展】
】 图二由于对乘法寄存分割了流水，关键路径较短，最长的组合逻辑是一个乘法器和一个加法器； 图一中最长的组合逻辑路径是一个乘法器和两个加法器； FPGA设计中的优化问题——【面积优化】【速度优化
92710发布于 2021-10-13
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