- 综合排序
- 最热优先
- 最新优先
SD NAND存储功能描述（9）切换功能
SD NAND存储功能描述（9）切换功能开关功能状态开关功能状态是返回的数据块，其中包含功能和当前消耗信息。块长度预定义为512位，不需要使用SET_BLK_LEN命令。状态数据结构如下表所示。
33710编辑于 2024-07-03- 来自专栏blog1
数据结构（9）串的顺序存储结构
串的顺序存储结构 鸽了很久的数据结构篇，最近确实事情好多，为了申请外宿一直和导员斗智斗勇，今天来看一个串这一节，其实就串的基本代码部分不是特别重要，本着复习线性表的目的，我们再来看一遍。
1.1K20编辑于 2022-12-26 - 来自专栏云计算D1net
云存储管理的9个免费工具
本次总结，笔者分享了可用于云的9个免费工具。这些工具旨在使生活变得更容易。 1. arXshare arXshare是一个安全的、端到端加密的文件存储软件，可以轻松地实现本地托管和安全协作。 Cloud Save 在网页右击，直接将其保存到云中，并且支持许多云存储服务。好棒的Chrome笔记本! ? 8. Jolicloud 管理数字化生活的开放式平台。 ? 9. Storage Made Easy Storage Made Easy提供混合云文件服务器的企业文件共享和同步方案(EFSS)，具有超过45个公有和私人存储成员。
5.1K60发布于 2018-03-23 100天跟着CP学PostgreSQL+AI,第9天 : 向量数据库：pgvector 如何存储和检索 AI Embedding
作者介绍：崔鹏，计算机学博士，专注 AI 与大数据管理领域研究，拥有十五年数据库、操作系统及存储领域实战经验，兼具 ORACLE OCM、MySQL OCP 等国际权威认证，PostgreSQL ACE 学术层面，已在AI方向发表2篇SCI论文,将理论研究与工程实践深度结合，形成独特的技术研发视角。 系列文章介绍 第一阶段 : 基础筑基期（第 1-30 天：PostgreSQL 与 AI 技术扫盲） 主要内容 主题：向量数据库核心：pgvector 如何存储和检索 AI Embedding 一、为什么 AI 需要 “向量数据库”？ 在 AI 时代，图片、文本、语音等非结构化数据占比超 80%。 但问题来了：如何高效存储和检索这些 “指纹”？
1.7K10编辑于 2025-08-27- 来自专栏皮振伟的专栏
漫谈AI推理与存储
AI存储核心需求 模型权重 LLM模型权重是AI推理最基础的持久化存储数据，核心特征为一次写入、多次读取。 KV Cache存储诉求、延迟与成本痛点 综合两种KV Cache管理方式，AI推理场景对存储的核心诉求可总结为三点：容量大、数量多、分布式高效调度。 基于GD2FS的AI推理架构 基于GD2FS构建的LLM推理协同架构，核心是重塑端到端的AI推理链路，打破传统推理引擎、存储、调度系统的割裂状态。 AI推理是典型的系统性工程，性能优化不能局限于单一模块，需实现存储、推理、调度的全局协同。 、缓存吞吐、存储成本、资源调度等核心痛点，为超长上下文、高并发、大规模AI推理场景提供底层支撑。
10710编辑于 2026-06-05 - 来自专栏AI
AI中的数据存储
: GB级别的顺序写 推理和RAG过程中: TB级别的随机读 归档过程中: PB级别的随机写 典型 AI 集群的存储剖析(按存储性能分层存储) 图片 左边绿色GPU服务器集群通常只能提供8个U.2的插槽 中间采用高性能全闪存,通过是TLC, 弥补机械盘性能, 总容量比HDD少 右边采用对象存储, 存储集群或JBODS, 包含大量机械盘, 总容量占比高 AI集群中的数据移动 图片 1.数据采集阶段，原始数据按顺序写入对象存储层 RAG 还可以创建额外的 I/O 活动 5.归档流程: 模型输入和输出被捕获并写入对象存储层的磁盘 旨在优化 AI 存储效率的产品组合 QLC 提升新型 AI DC(数据中心) 构建的电源效率 每个 DGX 有关建模详细信息，请参阅附录“QLC 功率效率与 HDD” 模型训练与数据存储 AI 数据穿越存储层之旅 最近的检查点基本在SSD上 早期的检查点数据在HDDS AI数据量级和性能 检查点：提高存储容量和吞吐量 Blob 存储层一次性访问可实现高吞吐量 AI负载中的存储扩展性 总结 AI集群流程中的数据存储需要根据实际业务的量级和性能要求做分层存储, 这样成本可控且性能满足需求 AI行业也会带动存储行业发展,
1.7K11编辑于 2024-09-18 - 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?
29910编辑于 2022-05-13 - 来自专栏存储公众号：王知鱼
微软：AI存储，SSD or HDD ?
Fig-2 AI训练工作流对应的存储方案定性说明。 Fig-3 图示 AI训练工作流中存储层动态交互过程。 数据转移到HDD层做长时保留 • 存储层的性能/容量，随GPUs数量及训练次数弹性扩展 AI模型训练前，要完成数据Tokenization/ Vectorization，用什么专用软件来实现？ 核心要点：GPU从Blob存储层同时访问会驱动高吞吐量 Fig-6 从AI系统存储带宽需求，看HDD和SSD发展现况和机遇： • 当前系统使用SSD能满足训练和Checkpoint的性能读取（但成本较高 总结 作为运营主要AI训练资源云厂商，”巨硬“对AI应用层系统实践，应该说是富有经验的，从这篇分享中可以总结以下几点： • 和新兴存储厂商（WEKA/VAST/Infidant）等普遍拥抱闪存基础设施& （Fig-5）； • HDD/SSD介质发展趋势，AI场景要兼顾容量和性能（Fig-7）。
1.2K10编辑于 2025-02-11 - 来自专栏存储公众号：王知鱼
SuperMicro：AI存储硬件方案
SuperMicro：AI存储硬件方案-Fig-1 云厂商 AI存储方案 大规模 AI/GPU 集群基础设施。按可扩展单元 (SU，也称为 Pod，例如 256 个 GPU) 进行扩展。 最高性能的 AI 训练和推理。 存储需求： • 全部为 NVMe 存储。 • 每个 SU 的性能要求：读取 125 GBps / 写入 62 GBps。 SuperMicro：AI存储硬件方案-Fig-2 企业级AI存储方案 Pod 级别的部署（较云厂商规模、性能要求降低） 企业用例，推理与训练的比较 存储需求： • 全 NVMe 或 PB 级别的分层存储 • 并行文件系统，高性能对象存储。 SuperMicro：AI存储硬件方案-Fig-3 基础计算硬件方案 在执行 AIOps 和 MLOps 时： • GPU 密集型服务器加速 AI 训练和推理。 SuperMicro：AI存储硬件方案-Fig-5 计算+存储（性能层）+容量层 方案 所有训练数据集和模型都存储在本地 • 数据湖使用容量优化的存储。
1K10编辑于 2025-02-11 - 来自专栏人工智能领域
9.存储过程安全性博客大纲（910）
存储过程的定义与作用 存储过程（Stored Procedure）是一种在数据库管理系统中存储的程序，它由一组为了完成特定功能的SQL语句组成。 存储过程作为数据库中的一个重要组件，其权限管理同样至关重要。 1.1 存储过程的权限控制 存储过程的权限控制涉及授予用户执行、修改或查看存储过程的能力。 3.1.1 存储过程的预编译优势 存储过程的预编译优势在于一旦创建，其执行计划就会被存储并优化。 本文相关文章推荐： 1.MySQL存储过程基础（1/10） 2.创建第一个MySQL存储过程（2/10） 3.使用条件语句编写存储过程（3/10） 4.循环结构在存储过程中的应用（4/10） 5.错误处理在存储过程中的重要性 （5/10） 6.存储过程中的游标使用（6/10） 7.存储过程中的事务管理（7/10） 8.优化存储过程的性能（8/10） 9.存储过程安全性博客大纲（9/10）
73710编辑于 2024-12-18 - 来自专栏Qt项目实战
Qt音视频开发9-ffmpeg录像存储
支持存储单个视频文件和定时存储视频文件。 自定义顶部悬浮条，发送单击信号通知，可设置是否启用。 可设置画面拉伸填充或者等比例填充。 可设置解码是速度优先、质量优先、均衡处理。 录像文件存储支持裸流和MP4文件。 支持qsv、dxva2、d3d11va等硬解码。 支持opengl绘制视频数据，极低CPU占用。 支持嵌入式linux，交叉编译即可。
1.6K30发布于 2020-08-12 - 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。
38810编辑于 2025-09-17 - 来自专栏焱融科技
AI 场景的存储优化之路
人工智能是数据的消耗大户，对存储有针对性的需求。这次我们讲讲面向AI场景的存储性能优化思路。 谈优化之前，我们先分析一下AI访问存储的几个特点： 海量文件，训练模型的精准程度依赖于数据集的大小，样本数据集越大，就为模型更精确提供了基础。 跟一些AI公司的同事交流中，大家经常提到的一个问题就是，用户在某一个目录下存放了海量文件，导致训练的时候出现性能问题，其实就是碰到了存储的热点问题。 综上，对于AI场景来说，分布式存储面临三大挑战： 海量文件的存储 小文件的访问性能 目录热点 海量文件的存储 首先讨论海量文件存储的问题。海量文件存储的核心问题是什么，是文件的元数据管理和存储。 总结 本文针对海量文件存储、小文件访问性能、热点访问三个维度，分析了面向AI场景下，分布式文件系统面临的挑战，以及我们的应对思路，也希望借此文和更多技术专家交流如何对AI场景下的存储方案进行针对性的优化
1.9K10发布于 2020-02-27 - 来自专栏AI系统
【AI系统】指令和存储优化
除了应用极广的循环优化，在 AI 编译器底层还存在指令和存储这两种不同优化。指令优化指令优化依赖于硬件提供的特殊加速计算指令。这些指令，如向量化和张量化，能够显著提高计算密度和执行效率。 并将结果存储到数组 C 当中。 张量化在 AI 应用日益广泛的今天，程序运行的数据形式经历了显著的演变。特别是以神经网络为代表的神经网络模型，其内部数据形式为多维矩阵，通常称为张量。 在 AI 系统中，这种视角下的内存管理显然无法支撑起 AI 应用。AI 系统通常需要处理大量的数据和复杂的算法，这就需要高效的内存分配和回收策略来支持它们的运行。 NPU 的内存管理机制包括：片上内存：NPU 通常具有片上内存，用于存储权重和激活等数据，以减少与外部内存的通信开销。内存访问模式：NPU 针对 AI 工作负载进行了优化，支持高并发的内存访问模式。
78610编辑于 2024-11-29 - 来自专栏月色的自留地
从锅炉工到AI专家(9)
Epoch 8 Step 1207755: lr = 0.015 words/sec = 401 Eval 4965/17827 accuracy = 27.9% Epoch 9
84660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。
27710编辑于 2025-12-28 - 来自专栏云云众生s
为什么AI青睐对象存储
AI模型做出的每一个决策，它发现的每一个洞见，都源于为其训练和运行提供动力的海量数据储备。然而，随着AI模型变得越来越庞大和复杂，它们与数据交互的方式也带来了传统存储系统无法应对的挑战。 分散在分布式系统中的小文件以及对随机访问的需求，突显了AI的需求与最初为结构化、顺序工作流构建的基础设施能力之间的不匹配。 这篇博文探讨了对象存储如何为AI对数据的永不满足的渴望提供动力。 传统上，存储层通常是手动管理的，需要仔细编排才能在快速的临时存储和较慢的归档层之间移动数据。跨越数十PB非结构化数据的AI工作负载受益于对象存储固有的可扩展性。 与将某些操作集中化的存储系统不同，对象存储将数据和元数据分布在节点集群中，消除了单点瓶颈。这种架构允许AI工作负载随着数据增长线性扩展。 相关文章： 革新存储：GPU在现代基础设施中的作用 Tecton应对下一代生成式AI的重大挑战：个性化 AI 测试：更广泛的覆盖范围、更少的错误、新的风险 DevOps中使用AI：开发人员和运维人员需要了解什么
43010编辑于 2025-01-25 - 来自专栏AI掘金志
华为AI存储「求解」大模型
另一方面，以大模型为代表的多模态AI，数据结构、类型远比单模态AI复杂，数据量也更加庞大。 两大趋势相互叠加，市场对于存储的增量需求呼之欲出。 二、AI存储三要素：精度、效率、能耗 以往，训练模型的方法简单而粗暴：大量的数据加上人工，以及强大的算力，不断调优，提高模型精度。 很明显，前一种方式被广泛使用并达到了极限，后一种方式正呈星火燎原之势，开始席卷整个AI行业。 三、AI存储如何让企业用上大模型？ 基于此，华为推出了两款AI存储产品：OceanStor A310 ，FusionCube A3000。 AI存储的未来 从工业社会到信息社会，伴随着新技术的发展，数据的总量呈几何级数增长。 如何利用好数据成为关键，而这又与存储技术息息相关，两者相互影响、互相作用。
50830编辑于 2023-08-26 - 来自专栏机器学习炼丹术
小白学PyTorch | 9 tensor数据结构与存储结构
3.3 存储区 3.4 头信息区 1 pytorch数据结构 1.1 默认整数与浮点数 【pytorch默认的整数是int64】 pytorch的默认整数是用64个比特存储，也就是8个字节（Byte ）存储的。 【pytorch默认的浮点数是float32】 pytorch的默认浮点数是用32个比特存储，也就是4个字节（Byte）存储的。 （这里就是之前共享内存的view、reshape方法，虽然头信息的张量形状size发生了改变，但是其实存储的数据都是同一个storage） 3.3 存储区 我们来查看一个tensor的存储区： import 这也就是头信息区不同，但是存储区相同，从而节省大量内存 我们更进一步，假设对tensor切片了，那么切片后的数据是否共享内存，切片后的数据的storage是什么样子的呢？
1.5K10发布于 2020-09-22 - 来自专栏存储公众号：王知鱼
AMD：AI驱动的存储革命，DPU加速存储访问新趋势
本文将探讨AI对存储系统的影响趋势，分析AMD GPU生态系统在AI领域的优势，以及DPU在AI场景中的应用机遇，并通过实际案例研究展示DPU在加速存储访问中的显著效果。 1. AI对存储系统的影响趋势 AI的兴起生成性AI的快速发展及其在文本、图像和视频生成等领域的广泛应用。 大型语言模型（LLMs）模型规模的快速增长及其对高效存储和计算的需求。 阅读收获 深入理解AI对存储系统的影响及其未来趋势。 掌握AMD GPU生态系统在AI场景中的优势与应用。 了解DPU在AI存储优化中的关键作用与实际案例。 专访AMD GPU副总裁：解读AMD在HPC和AI领域的战略 存储优化的AI框架和基准测试 图表展示了两个关键的趋势： 存储优化的AI框架：随着AI模型变得越来越大，传统的内存和存储架构已经无法有效支持这些庞大的计算任务 AI系统中对分离存储的需求 图表强调了在AI系统中，尤其是在处理大规模AI模型和数据时，存储资源的优化和分离变得至关重要。
84100编辑于 2025-02-18
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