- 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（9）
Nginx 架构基础 1 Nginx请求处理流程 image.png 2 Nginx进程结构 image.png 3 Nginx进程管理：信号 3.1 Master进程 监控worker进程 CHLD 管理worker进程 接收信号 TERM，INT QUIT HUP USR1 USR2 WINCH 3.2 Worker进程 接收信号 TERM，INT QUIT USR1 WINCH 3.3 nginx命令行 reload：HUP reopen：USR1 stop：TERM quit：QUIT
27520发布于 2021-05-11 - 来自专栏csico
反调试——9——调试器原理
利用调试器原理实现附加反调试 利用调试器的原理，我们可以通过创建一个调试模式下的进程，那么这个以调试模式创建的进程就不能被其它进程拿去调试了，因为它已经在被一个我们自己的进程以调试模式创建了。
1.3K20发布于 2021-10-20 - 来自专栏ADAS性能优化
AI Weekly | Nov. 9, 2019
Researchers tout AI that can predict 25 video frames into the future In a preprint paper, researchers propose an AI model that can predict up to 25 video frames into the future given only two to five starting Applause targets AI bias by sourcing training data at scale Software-testing company Applause wants to reinvent AI testing with a service that detects AI bias by crowdsourcing larger training data sets. Remember that scary AI text-generator that was too dangerous to release?
27210编辑于 2022-05-13 【网络】9.VRRP协议原理与配置
二、VRRP工作原理虚拟路由器多台物理路由器组成一个虚拟路由器，使用一个虚拟IP和虚拟MAC地址对外提供服务。主备角色Master（主路由器）：负责转发数据包，拥有虚拟IP地址。 IP地址priority设置优先级，优先级高的为Masterpreempt允许主路由器恢复时抢占主控权timers advertise设置通告包发送间隔七、VRRP状态查看命令show vrrpphp9
75110编辑于 2025-08-13- 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。
33110编辑于 2025-09-17 - 来自专栏月色的自留地
从锅炉工到AI专家(9)
从实现原理上或者组合了两种算法，或者实际上更倾向于监督学习，这里就不单独拿出来说了。 前面看过了不少监督学习的例子，但还没有展示过无监督学习。今天就来剖析一个。 基本原理 几乎所有实现单词向量化的算法都依赖于分布式假设，其核心思想为假定出现于相同上下文情景中的词汇都有相类似的语义。 Epoch 8 Step 1207755: lr = 0.015 words/sec = 401 Eval 4965/17827 accuracy = 27.9% Epoch 9
78960发布于 2018-06-20 - 来自专栏圣杰的专栏
.NET+AI | Agent | 人机协作（9）
通过 ApprovalRequiredAIFunction 为敏感工具加上人工审批环节，快速构建符合企业合规要求的 MAF 人机协作智能体。
19910编辑于 2025-12-28 - 来自专栏算法channel
机器学习储备（9）：matplotlib绘图原理及实例
5 总结 以上我们讨论了用matplotlib绘图的基本原理，包括核心的API，对象等，然后借助两个例子：多个子图，和散点图加折线图绘制在一张图上阐述了上面所说的这些核心绘图元素对象。
1.4K80发布于 2018-04-02 - 来自专栏finleyMa
docker学习系列9 Docker的技术原理介绍
Docker的技术原理介绍 Docker就是虚拟化的一种轻量级替代技术。 Docker原理之App打包 LXC的基础上, Docker额外提供的Feature包括：标准统一的 打包部署运行方案。
77320发布于 2018-09-10 - 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, GPU 线程原理 GPU 整体架构和单个 SM（Streaming Multiprocessor）的架构，SM 可以看作是一个基本的运算单元，GPU 在一个时钟周期内可以执行多个 Warp，在一个 SM
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。 例如 MNIST 数据集中存在一个数字 2 的样本被预测为 3 的概率为 10^{-6} ，被预测为 7 的概率为 10^{-9} ，这部分负标签的信息就意味着这个数字 2 有可能与 3 和 7 有些相像
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。 x_mat = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]图中对标量、向量、矩阵进行形象化表示：张量张量（tensor）理论是数学的一个分支学科，在力学中有重要应用。
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。
39710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 AI日报 - 2025年3月9日
AI日报 - 2025年3月9日 今日概览（60秒速览） ▎ AGI突破 | 新基准IFIR发布，挑战AI在未知模拟世界中的问题解决能力 算法突破：潜在令牌压缩推理步骤方法提升语言模型效率 ▎ 4.0创作女性节虚拟花束，AI+创意场景落地 AI代理24/7自动运行50个社交媒体账号 一、今日热点 (Hot Topic)1.1 AnthropicAI宣布2025年将公开讨论AGI伦理与趋势 ⚡ 首场议题：AI对齐策略如何避免Goodhart效应 行业影响： ▸ 推动行业对AGI伦理框架的标准化探讨 ▸ 可能影响全球政策制定者对AI监管的立场 "AGI的透明度不应仅停留在技术层面， AI功能集成 ▸ 保险公司开发动态保费定价模型 趋势：2025年医疗AI合规性认证标准将出台 行业热力图（按领域划分）： 领域 融资热度政策支持技术突破市场接受度开源模型 ：当前AI评估体系亟待突破人类中心主义框架
54110编辑于 2025-03-09AI日报 - 2025年4月9日
"GRMs不仅依赖现有原则，还能自我创建和批判原则" - DeepSeek研究团队undefined 该方法已在arXiv发布论文，或将重塑模型优化范式1.2 特斯拉FSD实现零干预驾驶#自动驾驶 #AI Drive到Santa Monica全程零干预驾驶 ⚡ 穿越两条高速公路和城市街道，尚未发布v13版本 行业影响：▸ 证明纯视觉方案在复杂场景中的可靠性▸ 加速L4级自动驾驶商业化进程"@Tesla_AI GDPR法规#数据政策 #欧盟 #监管 | 影响指数：★★★☆☆ 核心进展：欧盟委员会计划未来几周提出GDPR削减提案，减少企业合规负担 ⚡ 2018年实施以来首次重大调整 行业影响：▸ 可能释放欧洲AI 应用成本下降"开放生态是AI民主化的关键" - NVIDIA发言人undefined 模型已在Hugging Face发布，商用前景广阔️ 二、技术前沿 (Tech Radar)2.1 自我原则批判调优 医疗 ▲▲▲ ▲▲▲▲ ▲▲▲▲ ▲▲ 工业AI ▲▲▲▲ ▲▲ ▲▲▲ ▲▲▲ 零售AI ▲▲▲ ▲ ▲
33400编辑于 2025-04-08- 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。
91410编辑于 2024-11-27 - 来自专栏计算机工具
深度学习9:简单理解生成对抗网络原理
我们将探索生成对抗网络的一些基础知识！GAN具有令人难以置信的潜力，因为他们可以学习模仿任何数据分布。也就是说，GAN可以学习在任何领域创造类似于我们自己的世界：图像，音乐，语音。
28210编辑于 2024-12-14
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