- 综合排序
- 最热优先
- 最新优先
- 来自专栏ops技术分享
Nginx结构原理全解析（11）
3）master进程修改pid文件名，加后缀.oldbin（进程自动改的，不需要手动改）
23220发布于 2021-05-11 - 来自专栏美码师
补习系列(11)-springboot 文件上传原理
一、文件上传原理 一个文件上传的过程如下图所示： ? 对开发者来说，了解一点内部原理总是有好处的。 本文来自"美码师的补习系列-springboot篇" ，如果觉得老司机的文章还不赖，欢迎关注分享^-^
3.4K30发布于 2019-01-23 - 来自专栏数据STUDIO
原理+代码，总结了 11 种回归模型
基本原理 数模型通过递归切割的方法来寻找最佳分类标准，进而最终形成规则。CATA树，对回归树用平方误差最小化准则，进行特征选择，生成二叉树。 2)) Actual Predicted Date 2017-08-09 12.83 12.63 2017-11 提升树模型算法原理 我们利用平方误差来表示损失函数，其中每一棵回归树学习的是之前所有树的结论和残差 ，拟合得到一个当前的残差回归树。提升树即是整个迭代过程生成的回归树的累加。 梯度提升树模型算法原理 采用向前分布算法，先确定初始提升树，然后每一次提升都是靠上次的预测结果与训练数据中标签值作为新的训练数据进行重新训练，利用损失函数的负梯度来拟合本轮损失函数的近似值，进而拟合一个 算法原理 不断地添加树，不断地进行特征分裂来生长一棵树，每次添加一个树，其实是学习一个新函数，去拟合上次预测的残差 当我们训练完成得到k棵树，我们要预测一个样本的分数，其实就是根据这个样本的特征，在每棵树中会落到对应的一个叶子节点
5.2K42发布于 2021-06-24 - 来自专栏白话互联
【Ai Agent】Ai Agent News | 9月11日速递
今天是9月11日星期四，让我们一起来看看今天 Ai Agent 带来的 AI 领域的重要动态吧！ ❤ Indeed Unveils AI Agents for Job Seekers and Recruiters 求职招聘领域迎来AI助手新时代 Indeed推出了两款AI Agents，分别面向求职者和招聘方 ❤ Secure AI Agents at Runtime with Docker Docker推出AI Agent运行时安全解决方案 Docker发布了关于如何在运行时保护AI Agent的新方法， 随着AI工具的强大和普及，它们也变得不可预测且易受攻击。从LLM输出中的幻觉到提示注入，AI工作流面临多重安全威胁。 AI Agent时嵌入运行时安全，为AI原生开发提供更可靠的安全保障。
33210编辑于 2025-09-17 - 来自专栏AI系统
【AI系统】GPU 工作原理
前面的文章对 AI 计算体系和 AI 芯片基础进行讲解，在 AI 芯片基础中关于通用图形处理器 GPU 只是简单地讲解了主要概念，将从 GPU 硬件基础和英伟达 GPU 架构两个方面讲解 GPU 的工作原理 英伟达 GPU 有着很长的发展历史，整体架构从 Fermi 到 Blankwell 架构演变了非常多代，其中和 AI 特别相关的就有 Tensor Core 和 NVLink。 在实际硬件工作的过程当中，更倾向于利用多线程对循环展开来提高整体硬件的利用率，这就是 GPU 的最主要的原理。 GPU 工作原理 基本工作原理 首先通过 AX+Y 这个加法运算的示例了解 GPU 的工作原理，AX+Y 的示例代码如下： void demo(double alpha, double *x, DRAM Latency(ns) 122 89 404 Peak bytes per latency 24,888 11,659
85810编辑于 2024-12-04 - 来自专栏AI系统
【AI系统】知识蒸馏原理
本文将介绍知识蒸馏（Knowledge Distillation, KD）的原理，这是一种通过从大型的教师模型向小型的学生模型转移知识来实现模型压缩和优化的技术。
80810编辑于 2024-12-06 - 来自专栏AI系统
【AI系统】卷积操作原理
卷积的数学原理 在通常形式中，卷积是对两个实变函数的一种数学运算。 填充背后的数学原理是这样的，如果我们有一个 n×n 的图像，用 k×k 的卷积核做卷积，那么输出的大小就是 (n-k+1)×(n-k+1) 。
92011编辑于 2024-12-13 - 来自专栏AI系统
【AI系统】计算图原理
在前面的文章曾经提到过，目前主流的 AI 框架都选择使用计算图来抽象神经网络计算表达，通过通用的数据结构（张量）来理解、表达和执行神经网络模型，通过计算图可以把 AI 系统化的问题形象地表示出来。 AI 系统化问题遇到的挑战在真正的 AI 工程化过程中，我们会遇到诸多问题。而为了高效地训练一个复杂神经网络，AI 框架需要解决许多问题，例如：如何对复杂的神经网络模型实现自动微分？ 因此派生出了目前主流的 AI 框架都选择使用计算图来抽象神经网络计算。计算图的定义我们会经常遇到有些 AI 框架把统一的图描述称为数据流图，有些称为计算图，这里可以统称为计算图。 在 AI 框架中数据流图表示对数据进行处理的单元，接收一定的数据输入，然后对其进行处理，再进行系统输出。 在 AI 框架的数据中主要有稠密张量和稀疏张量，这里先考虑最为常用的稠密张量。张量作为高维数组，是对标量，向量，矩阵的推广。
67110编辑于 2024-12-06 - 来自专栏AI系统
【AI系统】常量折叠原理
AI 编译器的常量折叠常量折叠作为传统编译器的一种优化技术，其迁移到 AI 编译器依然适用。传统编译器通常是对抽象语法树进行常量折叠优化，而 AI 编译器是对计算图进行常量折叠优化。 以下是 AI 编译器常量折叠的几个类型：当计算图中某个节点的数据输入节点均为编译期常量(不同 AI 编译器的定义可能完全不相同)的节点，则可以提前计算出该节点的值来完全替换该节点。 图片 如上图，依旧以 AddN 为例，可以看出 AddN2 并不满足第一类的折叠规则，但是 AI 编译器发现 AddN1 是个可常量折叠的节点，AI 编译器生成一个常量数据节点替换掉 AddN1 后， 发现 AddN2 也满足第一类的折叠规则，所以 AI 编译器会再生成一个常量数据节点替换掉 AddN2。 AI 编译器实现案例不同的 AI 编译器对于常量折叠的细节不尽相同，这里以 tensorflow 为例，描述其常量折叠的实现细节：获得逆后续节点集。
39810编辑于 2024-11-29 - 来自专栏python
详解AI作画算法原理
本文将深入浅出地探讨AI作画的核心算法原理，分析常见问题与易错点，并通过一个简单的代码示例，带领大家一窥AI艺术创作的奥秘。一、核心概念与原理1. MidjourneyMidjourney是由Abyss Creations LLC开发的AI艺术平台，专注于利用AI技术生成独特的艺术作品。 与艺术家、设计师合作，探索AI在特定艺术风格、主题上的应用，可以产生意想不到的创新成果。4. 伦理讨论与倡议参与AI伦理的讨论，关注技术对社会、文化的影响，倡导负责任的AI艺术实践，确保技术发展的同时，维护艺术创作的多样性和人文价值。八、结语AI作画不仅是技术的展示，更是艺术与科学的完美结合。 随着算法的不断进步，AI创作的图像越来越接近甚至超越人类艺术家的作品。然而，掌握其背后的原理与技巧，避免常见陷阱，才能真正释放AI在艺术领域的无限潜能。
1.7K10编辑于 2024-04-29 - 来自专栏瓜农老梁
Nacos11# 图解|注册发现核心原理提练
引言 通过对Nacos注册与发现源码阅读，将其核心原理归纳提炼。包含：注册、发现、节点之间通信、健康检查类型。 一、服务注册原理 当客户端发起注册时，注册原理逻辑见下图，进一步简化主要有： 将新注册的实例信息推送给订阅该服务的订阅者 将新注册的实例信息增量同步给集群中的其他节点 ? 二、服务发现原理 服务发现的逻辑进一步简化为： 定时从注册中心查询最新服务实例列表信息 定时频率通常为6秒，发生异常为60秒 ? 三、集群节点通信原理 集群中节点通信原理可以进一步简化为： 每个节点用于全量的注册快照信息 新节点加入集群时会从集群中某节点发起全量同步 节点之间每隔5秒校验缓存的注册快照信息 节点之间每隔2秒进行一轮健康检查用于关闭
73830发布于 2021-08-06 - 来自专栏终有链响
详解AI作画算法原理
AI作画算法原理：深度学习驱动的艺术革新 引言 在数字化时代，人工智能正以前所未有的方式重塑着艺术的边界。 本文将深入探讨AI作画背后的算法原理，解析其如何借助深度学习的力量，实现从数据到艺术的华丽转变。 1. 生成对抗网络（GANs）的魔术 原理介绍：GANs通过一个生成网络与一个判别网络的动态博弈，推动生成网络逐步逼近真实数据分布。 变分自编码器（VAEs）与创意探索 原理：VAEs通过学习数据的低维表示，可以在潜在空间中进行采样，生成新的、但符合训练数据分布的图像。这种随机采样机制为AI艺术创作提供了无限的创意可能。 用户交互与定制化创作 交互界面：现代AI作画平台通常提供用户友好的界面，用户可以通过文字描述、上传参考图片或选择预设风格来引导AI创作过程。
1.1K10编辑于 2024-07-29 - 来自专栏AI系统
【AI系统】NVLink 原理剖析
随着 AI 技术的飞速发展，大模型的参数量已经从亿级跃升至万亿级，这一变化不仅标志着 AI 的显著提升，也对支持这些庞大模型训练的底层硬件和网络架构提出了前所未有的挑战。 虽然这在当时被视为高效的数据传输方式，但随着 AI 和机器学习领域的快速发展，数据集和模型的规模呈指数级增长，这种传统的 GPU-CPU 互联方式很快成为了系统性能提升的瓶颈。
91510编辑于 2024-11-27 - 来自专栏又见苍岚
Windows 11 体验 Stable Diffusion AI 图像生成
Stable Diffusion 已经发展到可以生成以假乱真图像的程度，无论是 AI 作画还是照片生成都已经可以生成得很精细，本文记录使用过程。 本文记录在 Windows 11 下安装、配置、运行 Stable-diffusion 的流程 过程中经常需要访问境外的网站，需要访问国外网站。 webui-user.bat 文件，我在过程中遇到很多问题，没有问题的同志可以跳过这一节 安装 CUDA 11.7 下载链接：https://developer.nvidia.com/cuda-11 CLIP 安装 CLIP 仓库链接 stable-diffusion-stability-ai 仓库地址： https://github.com/Stability-AI/stablediffusion LoRA（Low-Rank Adaptation of Large Language Models）粗略地讲就是利用少量的图像来对 AI 进行额外学习训练，并在一定程度上控制结果。
2.7K00编辑于 2023-03-28 今日 AI 热点速读（2026-03-11）
来源：HackerNews,Engadget,FastCompany|编译日期：2026-03-11今日概览今天我们共扫描了3个外媒来源，经过自动去重与筛选，为你保留了3个最值得关注的独立AI事件。 随着大模型能力的提升，开发者的关注点正在从“如何让AI回答问题”转向“如何让AI替我干活”。这篇热帖探讨了构建能够在后台持续运行、甚至在用户睡觉时自动执行复杂任务的AIAgent。 这类行业动态的价值不仅在于技术本身的实现，更在于它向我们揭示了市场下一步的真正需求——从被动的“对话式AI”向主动的“自动化行动AI”演进。 原文：HackerNews2.谷歌加速AI落地：Chrome版Gemini扩展至加、印、新三国来源：Engadget继在美国市场率先亮相后，谷歌正稳步扩大其浏览器端AI的覆盖范围。 后续我们可以优先盯住两类变化：一是大平台AI功能的渗透率与用户留存情况，二是当AI代理开始自动执行任务时，随之而来的数据隐私、合规约束以及全新的交互模式。
26510编辑于 2026-03-11AI日报 - 2025年3月11日
AI日报 - 2025年3月11日 今日概览（60秒速览） ▎ AGI突破 | OpenAI发布神秘预告引发AGI猜测 中国AI代理「Manus」实现50项任务自动化引伦理争议 ▎ 商业动向 | Turing Institute举办AI伦理保障平台在线研讨会 美国拟对低质量生成AI工具启动多重调查 ▎ 技术趋势 | 小模型突破：Qwen2.5-Math-7B实现高精度数学推理 Diffusion 客服公司Moveworks ⚡ 近五年AI领域最大并购案，估值较去年增长400% 行业影响： ▸ 加速企业级AI解决方案市场整合 ▸ 预示RPA+LLM技术融合进入商业化深水区 "这将重新定义企业智能自动化边界 行业影响： ▸ 学术出版规范面临重大挑战 ▸ 催生AI内容检测技术新需求 "必须建立AI时代的学术诚信新范式" - NeurIPS程序主席undefined Scale AI发布MASK基准测试评估 ▸ 呼吁建立AI安全全球治理框架 5.2 Percy Liang（斯坦福NLP主任） 影响力指数：★★★★☆ "2025年AI工程化的核心挑战在于评估体系创新"undefined● 行业影响
67500编辑于 2025-03-10- 来自专栏代码日志
2026年03月11日 AI早报
> 来源：我是AI Karpathy推出AgentHub：构建AI智能体专属协作平台 正文明：前特斯拉AI负责人Andrej Karpathy开源新项目AgentHub，打造专为AI智能体设计的极简协作平台 该平台基于Git架构，支持多Agent在同一代码库中提交与通信，目标是建立自治型AI研发社区，推动Agentic AI工程化落地。 > 来源：量子位 首个千万美金ARR的AI4S公司MetaNovas实现AI分子商业落地 正文明：MetaNovas成为全球首个达成千万美元年经常性收入（ARR）的AI for Science公司，其 Agentic AI平台MetAmigo完成从AI设计到合规备案的新分子全流程闭环。 双方将聚焦大模型基础设施与高效推理优化，加速AI在东南亚地区的产业化部署，进一步拓展英伟达在全球AI生态中的技术影响力。
53610编辑于 2026-03-16 - 来自专栏C++11
C++11 shared_ptr 原理与详细教程
一、shared_ptrstd::shared_ptr 是 C++11 引入的另一种智能指针，与 unique_ptr 的独占所有权不同，它实现了共享所有权语义。 支持多指针共同管理同一资源自动释放：最后一个所有者销毁时自动释放资源灵活性：可与标准容器和算法无缝配合线程安全：引用计数的修改是原子操作，支持多线程环境自定义删除器：支持自定义资源释放逻辑二、shared_ptr 原理 2.4 简化版 shared_ptr 实现下面通过实现简化版 shared_ptr 理解其工作原理：#include <atomic>#include <utility>// 前向声明template
84610编辑于 2025-07-03 - 来自专栏月色的自留地
从锅炉工到AI专家(11)(END)
不过实际就是一个使用说明，没有对代码和原理做过多解释。 这个程序相对前面的例子复杂了很多，整体结构、代码、算法都可以当做范本，我觉得我已经没有资格象前面的讲解一样随意在代码中注释和指手画脚。 SVDF没有搜到合适的翻译名，我们暂用它的实现原理叫做“二维奇异值分解”吧。从网上搜到的资料看，这种算法对于过滤信号矩阵中噪音数据比较有效。 官网的文档对NMT的主线算法Seq2Seq(序列到序列)原理讲解比较细致，在机器学习的实现上较多的采用了LSTM神经网络，这在上一篇我们刚刚用过，你肯定不陌生。
80470发布于 2018-06-20 - 来自专栏小巫技术博客
第11期·AI 工程化实践
每日AI知识点 · 第11期 ⚙️ AI 工程化实践 从 Demo 到生产系统的关键一跳 可靠性 ️ 可观测性 ️ 安全性 可扩展性 可维护性 ⚙️ 为什么需要 AI 工程化？ AI 工程化就是把 AI 应用从"能用"变成"好用、稳用、安全用"的系统工程，核心是解决五大挑战： Demo 阶段 ✗ 偶尔失败没关系 ✗ 不需要考虑安全 ✗ 可靠性：让 AI 系统永不宕机 AI API 不是 100% 可靠的——网络抖动、模型过载、配额耗尽都会导致调用失败。可靠性工程的核心是优雅地处理失败，而不是假装失败不会发生。 关键：建立"黄金数据集"，每次迭代都跑回归评估 ️ 安全性：防住 AI 系统的新型攻击 AI 系统引入了传统系统没有的新型安全风险。
17410编辑于 2026-04-13
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