- 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。 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 2.6.1、最佳实践一、分布式架构。 ?
4.9K90发布于 2018-02-02 - 来自专栏FunTester
量化模拟线上流量实践
在之前的文章分段随机实践—模拟线上流量中，分享了分段模拟的实现，在实际工作中应用这种方法可以对线上流量进行更加精细化的模拟。 今天分享一下实际工作中某个服务模块中的应用。 实践 这里先分享接口流量，再分享服务流量，因为两者有依赖关系。 response) response } 通过random方法即可将配置MApi#BS_ARGS中的参数按照value比例传到方法M#bs(java.lang.String)中，达到量化模拟线上流量的目的 实现如下： /** * 量化模拟全量接口 */ public void all() { def url = random(MApi.urls) if (url
41230发布于 2021-10-20 - 来自专栏mysql
hhdb数据库介绍(10-9)
配置是管理平台为计算节点可视化配置所开发的功能，包括配置数据节点、存储节点、存储节点组、逻辑库、分片规则、表信息、数据库用户、计算节点等参数。同时配套设置了配置参数的校验与备份恢复的辅助功能。
57110编辑于 2024-12-05 - 来自专栏深度学习那些事儿
一起实践量化番外篇——TensorRT-8的量化细节
本文接着《必看部署系列-神经网络量化教程：第一讲！》这一篇接着来说。上一篇主要说了量化的一些基本知识、为啥要量化以及基本的对称量化这些概念知识点。 一起实践量化番外篇——TensorRT-8的量化细节 好久不见各位~ 这篇文章很久之前写完一直没有整理，最近终于是整理差不多了，赶紧发出来。 本文接着《必看部署系列-神经网络量化教程：第一讲！》 上一篇主要说了量化的一些基本知识、为啥要量化以及基本的对称量化这些概念知识点。 这是偏实践的一篇，主要过一下TensorRT对于explict quantization的流程和通用的量化思路。 0x01 TensorRT量化 都2022年了，量化技术已经很成熟了，各种量化框架和量化算法层出不穷。
4.5K51编辑于 2023-10-19 - 来自专栏DevOps时代的专栏
华为专家 | 轻量化微服务测试实践
接下来我会从以下四个方面和大家分享微服务自动化测试方面的实践： 微服务测试面临的挑战。 微服务测试策略。 轻量化微服务测试实践。 轻量化微服务测试总结。 工程实践方面，需要考虑持续集成流水线，测试策略方面使用的成熟度，以及测试工具是不是足够轻量化。 三、轻量化微服务测试实践 1、工程实践：单元测试 单元测试方面 第一，单元测试并不要去追求100%的代码覆盖率，刚才也是讲了，其实应该综合去衡量。 5、组织实践：角色划分与如何协作 上面是讲了一些工程实践，但是我们刚才提到了，微服务的测试不光是从工程实践和架构技术方面去进行优化，还需要考虑到组织实践的优化，就是在测试活动中，相关角色是如何去划分和进行协作的 最后讲了工程实践和组织实践，包括每种测试类型下我们应该做的事情和不应该做的事情，还推荐了一些轻量化的测试工具。
3.2K101发布于 2018-02-02 - 来自专栏诡途的python路
——python量化实践
阅前提醒：本文仅作技术交流，不做投资建议，投资有风险，入市须谨慎 1.什么是量化交易？ 我们利用计算机技术，通过建模分析、优化参数等手段，从历史金融数据中挖掘出影响投资的指标，使用程序进行自动交易来获得“超额”的收益，这种投资方法就叫做量化交易。 现在，很多量化机构将人工智能和机器学习与量化策略相结合。国内的一些顶尖私募，比如：九坤、幻方、朱雀等都在使用AI量化策略，从各大公司的招聘公告上也可以看出这点。 2.分析展示 ?
82521发布于 2020-10-16 - 来自专栏Ldpe2G的个人博客
卷积神经网络训练模拟量化实践
对训练好的网络做量化，在实践中尝试过TensorRT[5][8]的后训练量化算法，效果还不错。 但是如果能在训练过程中去模拟量化的过程，让网络学习去修正量化带来的误差， 那么得到的量化参数应该是更准确的，而且在实际量化推断中模型的性能损失应该能更小。 而训练量化说白了就是在forward阶段去模拟量化这个过程，本质就是把权值和激活值量化到8bit 再反量化回有误差的32bit，所以训练还是浮点，backward阶段是对模拟量化之后权值的求梯度， 然后用这个梯度去更新量化前的权值 在实践中发现有些任务权值不分通道量化效果也不错，这个还是看具体任务吧，不过本文 给的实验代码是没分的。 结束语 以上内容是根据最近的一些工作实践总结得到的一篇博客，对于论文的实现很多地方都是我自己 个人的理解，如果有读者发现哪里有误或者有疑问，也请指出，大家互相交流学习:)。
1.9K30发布于 2019-01-13 - 来自专栏Rust
Rust 量化统计实战系列 第 1 篇：Python 原型 + Rust 生产：量化开发最佳实践
在量化开发领域，速度与可靠性往往是一对矛盾体。如何既能快速验证策略想法，又能将核心逻辑稳定、高效地推向生产环境？ 本系列将以这一混合开发理念为核心，系统讲解如何使用 Python 进行统计原型验证，再通过 Rust + Polars 构建生产级量化统计流水线，最终实现从想法到落地的无缝衔接。 量化开发者通常面临两大核心困扰： 困扰 1：原型验证要快，生产运行要稳 在策略研究阶段，你需要快速迭代想法、调整参数、探索数据、绘制可视化结果。 两者优势互补，形成高效的量化开发闭环。 流式处理 核心计算密集任务 Rust 无 GIL，真并行，高吞吐 长期服务稳定性 Rust 内存安全，适合 7×24 运行 API 服务与编排 Python FastAPI 生态成熟 混合开发最佳实践原则
14911编辑于 2026-04-23 - 来自专栏GiantPandaCV
低比特量化之DoreFa-Net理论与实践
在本文的工作中广泛使用的STE是量化器---将一个真实的浮点数输入 量化未 位输出 ，定义的STE如下： ? 2.4 梯度的低比特量化 本文已经证明了确定性量化可以产生低位宽的权重和激活值。然后，为了将梯度也量化到低位宽，保持梯度的无界是非常重要的，同时梯度应该比激活值的范围更广。 然后，为了进一步补偿梯度量化引入的潜在偏差，我们引入了额外的函数 ，这里 ? 因此，噪声可能具有和量化误差相同的幅值。 将DoreFa-Net应用到YOLOV3上 上次介绍的YOLOV3剪枝方法汇总 文章中还剩下一个量化方法当时没有提到，实际上它的量化方法就是DoreFa-Net量化方法，然后我们来看一下量化效果： ? YOLOV3使用DoreFa-Net的量化实验结果 但是需要注意的是，在框架下量化训练过程都还是在float32精度下的表达，只是尺度scale到量化的尺度上了，能够验证量化的有效性。
1.5K10发布于 2020-07-28 - 来自专栏CDA数据分析师
译文 | 量化投资教程：投资组合优化与R实践
本文由CDA作者库成员HarryZhu翻译，并授权发布。 CDA作者库凝聚原创力量，只做更有价值的分享。 Harry Zhu，擅长用Python和R进行数据建模、定量研究，目前就职于量子金服（Quan
2.3K81发布于 2018-02-24 - 来自专栏深度学习那些事儿
一起实践神经网络量化系列教程（一）！
本篇系列文的主要内容计划从头开始梳理一遍量化的基础知识以及代码实践。因为老潘对TensorRT比较熟悉，会主要以TensorRT的量化方式进行描述以及讲解。 所以也打算参考Pytorch、NCNN、TVM、TFLITE的量化op的现象方式学习和实践一下。 当然这只是学习计划，之后可能也会变动。 因为FP16的量化很简单，所以实际中我们谈论的量化更多的是INT8的量化，当然也有3-bit、4-bit的量化，不过目前来说比较常见比较实用的，也就是INT8量化了，之后老潘的重点也是INT8量化。 量化基本知识 进入主题前需要提两个概念，也就是量化的两个重要过程，一个是量化（Quantize），另一个是反量化（Dequantize）： 量化就是将浮点型实数量化为整型数（FP32->INT8） 反量化就是将整型数转换为浮点型实数 卷积操作量化 铺垫了这么多，那么接下来说下量化最核心的操作吧，量化过程中最核心的操作当然是卷积量化。
2K40编辑于 2023-10-19 Qclaw 图片解析：轻量化高效工具的核心能力实践
Qclaw 作为一款轻量化、高性能的工具，凭借内置的丰富拓展技能，将图片解析打造成核心特色功能，以极简操作、高准确率与多元场景适配，为电子科技大学成都学院开放原子开源社团成员及广大用户，带来高效便捷的多模态信息处理体验 Qclaw 的图片解析功能上手门槛极低，操作流程简洁易懂，充分贴合轻量化工具的设计理念。 依托开源技术的优势，Qclaw 持续优化多模态信息处理体验，以轻量化设计为基础，不断拓展多元化技能。
16210编辑于 2026-04-20- 来自专栏韩曙亮的移动开发专栏
【Cubase】Cubase 量化设置 ( 量化预置 | 长度量化 | 快捷键设置 | 量化开头 | 量化 MIDI 事件结尾 | 量化 MIDI 事件长度 )
文章目录 一、要解决的问题 二、量化预置 三、长度量化 四、快捷键及设置 1、快捷键及设置 2、量化开头 3、量化 MIDI 事件结尾 4、量化 MIDI 事件长度 五、对 MIDI 进行量化操作 本博客中的所有设置都是在 ; 三、长度量化 ---- 长度量化 参数设置 : 在下图 处设置长度量化 , 如果设置成 " 1/16 " , 那么使用鼠标拖动时 , 音符的长度只能是 16 分音符的整数倍 ; 上述的 量化预置 ; 2、量化开头 量化开头 : 默认按键 " Q " 是量化开头 ; 将所有音符的开始位置对齐到 " 量化预制 " 对应的格子中 ; 该设置是系统自带的 , 不建议修改 ; 3、量化 MIDI 事件结尾 量化 MIDI 事件结尾 : 首先选中左侧的 " 量化类别 / 量化 MIDI 事件结尾 " , 点击右侧的 " 输入快捷键 " 下方的输入框 ; 输入快捷键后 , 点击 " 指定 " " 快捷键 , 量化音符长度 , 此时音符都排列整齐了 , 音符开头和音符长度进行了量化 , 音符结尾自然也进行了量化 ;
4.6K00编辑于 2023-03-28 - 来自专栏Docker项目实战
轻量化知识库方案：Docker部署Dokuwiki 的最佳实践
二、本次实践规划2.1本地环境规划本次实践为个人测试环境，操作系统版本为Ubuntu24.04.2LTS。 hostnameIP地址操作系统版本Docker版本部署项目jeven01192.168.3.88Ubuntu24.04.2LTS28.3.3Dokuwiki2.2本次实践介绍1.本次实践部署环境为个人测试环境 八、总结通过本次Docker部署Dokuwiki的实践，成功构建了一个轻量级、可移植的个人知识库系统，显著提升了部署效率与环境一致性。 此实践不仅为知识管理提供了可靠的技术支撑，还为后续自动化运维和多场景应用奠定了坚实基础。未来可进一步整合CI/CD流程与云原生架构，持续优化知识库的可用性与协作体验。
78700编辑于 2026-01-07 文档切块、向量化与检索实践
实现一套 RAG 服务，核心就三步：文档切块、向量化、检索。 RAG 为什么有用？ 大模型有两个局限：上下文长度有限（不能塞太多文档）、知识有时效性（训练数据可能过时）。 向量化：把文本转成向量 向量化就是调用 Embedding API（如 OpenAI 的 text-embedding-3-small），把文本转成一个固定长度的浮点数数组（如 1536 维）。 串起来：完整的 RAG 流程 下面把切块、向量化、检索串成一个完整的 RAG 服务： type RAGService struct { embeddingClient *EmbeddingClient 注意事项与优化建议 切块策略： 按字符数切最简单，但可能切断句子 按段落切（遇到空行）更自然，但块大小不均匀 按句子切最精细，但需要分词库 重叠很重要：相邻块重叠 10-20%，避免边界信息丢失 向量化优化 ：调用 Embedding API，把每个块转成向量，存到向量库 检索：用户提问时，把问题也向量化，用余弦相似度找最相似的几个块，作为上下文发给模型
22810编辑于 2026-03-02- 来自专栏澜舟科技 NLP
大模型轻量化实践路径 之 澜舟孟子预训练模型
本文继续为大家深入介绍“大模型轻量化”趋势以及澜舟的 5 个实践路径。以下内容根据澜舟科技算法研究员华菁云在「澜舟NLP分享会」演讲整理。全文约 4800 字，预计阅读时长 6 分钟。 语义相似度、金融关系抽取、广告文案生成、医学领域意图分析、评论情感分类、评论对象抽取、新闻分类等任务上的效果，孟子Mengzi模型的 zero-shot 总体效果是不错，后续我们也将在多任务方向深入探索和实践 其实用一套模型解决图片、文字的任务，本质上也是工业实践层面的“轻量化”，可以节省模型生产和部署成本。 图片总结本次演讲总结了澜舟轻量化技术实践的 5 种路径，包括语言学知识增强、训练优化技术、模型压缩（蒸馏、剪枝和量化）、检索增强、多任务，并分享了澜舟孟子轻量化预训练模型在垂直领域机器翻译、智能辅助写作 第一期分享会于2022 年 7 月 16 日举办，主题为《认知智能时代，大模型轻量化技术与应用》，邀请了来自微软研究院、清华大学、同花顺的专家一起探讨前沿技术和实践，累计近 1400 位观众收看了本期直播
1.9K10编辑于 2022-07-29 无代码开发轻量化实践：企业高效落地的核心路径
传统代码开发模式周期长、成本高、技术门槛高，难以适配企业高频变动的轻量化业务需求。 1.3 轻量化适配，保障灵活扩展适配企业轻量化需求，支持快速部署与灵活调整。开发完成的应用可一键发布至多终端，自动兼容电脑、手机等设备，无需单独进行多端适配开发。 二、无代码开发的高效落地实践路径2.1 需求聚焦：锁定核心场景，规避功能冗余落地前需精准梳理业务痛点，聚焦核心需求场景，避免盲目追求“大而全”。 优先选择流程相对简单、需求高频的场景切入，如行政审批、数据填报、简单客户跟进等，通过无代码工具快速搭建轻量化应用验证价值。 三、AI+无代码：轻量化开发的智能化进阶AI技术与无代码的轻量化融合，进一步放大了工具的“简单好用”优势。
14410编辑于 2026-01-14腾讯云数字安全免疫力体系与量化落地实践
当前行业面临的量化威胁与管理瓶颈主要集中在以下维度（数据来源：《2023上半年云安全态势报告手册》、国家信息安全漏洞库、Chainalysis）： 高频实战攻击加剧： 2024年上半年，新增漏洞数超过 量化业务效能：千行百业的云上安全落地指标 依托4+N体系，腾讯安全在零售、物流、工业、金融等核心行业实现了具备高确定性的业务价值落地，显著降低运维成本并提升系统稳定性： 无感升级与成本削减（百果园）：
8810编辑于 2026-04-26- 来自专栏大数据生态
「最佳实践」腾讯云 ES 8 向量化语义混合检索测试指南
1个目录，3个文件： ● bge-base-zh：预训练 Embedding 中文推理模型 ● goods.txt：商品数据 ● insert_vector.py：通过预训练模型进行推理，生成向量化数据写入
1.3K4038编辑于 2024-04-11 AI赋能基础架构：作业帮效率与安全量化提升实践
呈现量化业务收益与客户价值 应用效果以数据验证价值，关键指标如下（来源：作业帮基础架构实践）： 基础架构机器人工单拦截率79%（多Agent、网络抓包、根因分析）。 方案有效性：AI Coding+Inf MCP、DevSecOps体系、容器调度目标（SLA 99.99%）均通过实践验证效率提升。 专家协同：董晓聪（作业帮基础架构负责人） 主导实践，依托腾讯云技术栈实现架构升级。 （数据来源：作业帮基础架构探索与实践，董晓聪，作业帮基础架构负责人）
10110编辑于 2026-04-19
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