- 综合排序
- 最热优先
- 最新优先
- 来自专栏刘旷专栏
ARM加速更迭，国产替代迎新战机
随着众多厂商的入局以及ARM技术优势的显现，ARM架构在数据中心服务器市场的渗透率正在逐年提升，基于此业内甚至不时发出ARM时代到来的感叹。 ARM架构加速渗透根据TrendForce数据预测，随着云数据中心采用推动的逐渐增长，预计到2025年，ARM架构在数据中心服务器市场渗透率将达到22%。 再加上ARM本身的低费用和高运行速度，用户自然更愿意选择性价比更高的ARM，ARM的这种性价比优势，也让它在曾经“败北的”服务器市场再次“卷土重来”。 ARM服务器崭露头角其实，ARM早就对服务器芯片市场“垂涎已久”，怎奈ARM在整个市场的发展并不如意，其也曾经几度在服务器市场折戟。 不难预见在技术革新加速的今天，依托国内规模庞大的物联网生态和信创软件生态，国内操作系统有望利用内外部机遇，寻找到破除“缺芯少魂”卡脖子困境的最优解。
57220编辑于 2022-08-13 - 来自专栏TencentOS-tiny
ARM探索之旅03 | 如何使用 ARM FPU 加速浮点计算
引言 笔者接触嵌入式领域软件开发以来，几乎用的都是 ARM Cortex M 内核系列的微控制器。 ARM探索之旅 01 | 带你认识ARM Cortex-M阵营 ARM探索之旅 02 | ARM Cortex-M 用什么指令集？ 三、使用 ARM FPU 加速浮点计算 1. ARM FPU的魅力 FPU（Floating Point Unit，浮点单元）是ARM内核中的硬件外设，用于硬件计算浮点数，要想使用FPU计算浮点数，需要程序和编译器配合。 四、使用Julia测试FPU加速性能 1. 测试准备 需要准备一份裸机工程，具有屏幕打点显示功能和串口打印功能。
4.8K20发布于 2021-07-01 - 来自专栏云实例评测
免费易用 ，腾讯Arm云实例评测 - AI推理加速
腾讯CVM标准型SR1是腾讯云推出的首款搭载ARM架构处理器的新一代CVM标准型计算实例规格。
6.4K390编辑于 2022-06-23 - 来自专栏AI机器学习与深度学习算法
学习分类 2-3 感知机
要如何求出权重向量呢？基本做法和回归时相同，将权重向量用作参数，创建更新表达式来更新参数。这就需要一个被称为感知机的模型。
67310编辑于 2022-11-08 - 来自专栏自然语言处理(NLP)论文速递
加速2-3倍，哈工大｜提出多模态大模型自适应剪枝算法：SmartTrim
这也导致较高加速比下的 VLM 的性能严重下降。 2-3 倍，同时性能下降最小。 具有不同加速比下的 VLM 加速方法结果。 ，而在高加速比下的相比其他加速方法具有显著优势。 不同 VLM 加速方法在 NLVR2 上的效率与性能权衡的帕累托前沿。
1.2K10编辑于 2024-03-25 - 来自专栏算法无遗策
动画 | 什么是2-3树？
2-3树正是一种绝对平衡的树，任意节点到它所有的叶子节点的深度都是相等的。 2-3树的数字代表一个节点有2到3个子树。它也满足二分搜索树的基本性质，但它不属于二分搜索树。 2-3树查找元素 2-3树的查找类似二分搜索树的查找，根据元素的大小来决定查找的方向。 动画：2-3树插入 2-3树删除元素 2-3树删除元素相对比较复杂，删除元素也和插入元素一样先进行命中查找，查找成功才进行删除操作。 2-3树为满二叉树时，删除叶子节点 2-3树满二叉树的情况下，删除叶子节点是比较简单的。 动画：2-3树删除 -----END---
1.1K10发布于 2020-01-02 - 来自专栏我是攻城师
什么是2-3树
2-3树 VS 二叉搜索树 同样的一组数据，在2-3树和二叉搜索树里面的对比如下： ? 可以看到2-3树的节点分布非常均匀，且叶子节点的高度一致，并且如果这里即使是AVL树，那么树的高度也比2-3树高，而高度的降低则可以提升增删改的效率。 2-3树的插入 为了保持平衡性，2-3树的插入如果破坏了平衡性，那么树本身会产生分裂和合并，然后调整结构以维持平衡性，这一点和AVL树为了保持平衡而产生的节点旋转的作用一样，2-3树的插入分裂有几种情况如下 2-3树的删除 2-3树节点的删除也会破坏平衡性，同样树本身也会产生分裂和合并，如下： ? 总结 本篇文章，主要介绍了2-3树相关的知识，2-3树，2-3-4树以及B树都不是二叉树，但与二叉树的大致特点是类似的，它们是一种平衡的多路查找树，节点的孩子个数可以允许多于2个，虽然高度降低了，但编码相对复杂
2.4K20发布于 2019-04-28 - 来自专栏刷题笔记
2-3 链表拼接 (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101050371 2-3 链表拼接 (20 分) 本题要求实现一个合并两个有序链表的简单函数
73540发布于 2019-11-08 - 来自专栏python3
2-3 选项卡控件
2-3 选项卡控件 u本节学习目标： n了解选项卡控件的基本属性 n掌握如何设置选项卡控件的属性 n掌握统计页面选项卡控件页面基本信息 n掌握选项卡控件的功能操作控制 2-3-1 简介 在 Windows 一般选项卡在Windows操作系统中的表现样式如图2-3所示。 ? 图2-3 图片框控件的属性及方法 2-3-2 选项卡控件的基本属性 图片框控件是使用频度最高的控件，主要用以显示窗体文本信息。 其基本的属性和方法定义如表2-3所示： 属性 说明 MultiLine 指定是否可以显示多行选项卡。如果可以显示多行选项卡，该值应为 True，否则为 False。 使用这个集合可以添加和删除TabPage对象 表2-3 选项卡控件的属性 2-3-3 选项卡控件实践操作 1．
2.3K10发布于 2020-01-07 - 来自专栏python3
2-3 T-SQL函数
2-3 T-SQL函数 学习系统函数、行集函数和Ranking函数；重点掌握字符串函数、日期时间函数和数学函数的使用参数以及使用技巧 重点掌握用户定义的标量函数以及自定义函数的执行方法 掌握用户定义的内嵌表值函数以及与用户定义的标量函数的主要区别 我们首先运行一段SQL查询：select tno,name , salary From teacher，查询后的基本结构如图2-3所示。我们看见，分别有三位教师的薪水是一样高的。 图2-3 薪酬排序基本情况 图2-4 row_number函数排序 图2-5 row_number另一使用 我们可以使用Row_number函数来实现查询表中指定范围的记录，一般将其应用到Web应用程序的分页功能上
2.2K10发布于 2020-01-08 - 来自专栏冬雷博客
甲骨文ARM DD重装系统并开启BBR加速详细教程
/debi.sh --architecture arm64 --user root --password iDongLei 重启 sudo shutdown -r now 根据大佬脚本描述，30秒即可执行完毕 tcp_available_congestion_control = reno cubic bbr image.png 查看BBR是否启动 lsmod | grep bbr 打印以下代码即为已启动 root@arm :~# lsmod | grep bbr tcp_bbr 24576 7 拓展 上面所讲述的是Oracle（甲骨文）ARM系统重装Debian11的过程，如果需要AMD系统的
12.7K50编辑于 2022-04-26 - 来自专栏机器学习入门
算法原理系列：2-3查找树
结构缘由 首先，搞清楚2-3查找树为什么会出来，它要解决什么样的问题？假设我们对它的基本已经有所了解了。先给它来个简单的定义： 2-3查找树： 一种保持有序结构的查找树。 而2-3树就是为了规避上述问题而设计发明出来的模型。现在请思考该如何设计它呢？ 这里我们从BST遇到的实际问题出发，提出设计指标，再去思考利用些潜在的性质来构建2-3树。 这部分内容，没有什么理论根据，而是我自己尝试去抓些字典的性质来构建，而2-3树的诞生过程并非真的如此，所以仅供参考。 构建2-3树 字典的两个主要操作为：查找和插入。 我就不卖关子了，直接给出2-3树的其中一个基本定义： 一棵2-3查找树或为一颗空树，或由以下节点组成： 2-节点：含有一个键和两条链接，左链接指向的2-3树中的键都小于该节点，右链接指向的2-3树中的键都大于该节点 3-节点：含有两个键和三条链接，左链接指向的2-3树中的键都小于该节点，中链接指向的2-3树中的键都位于该节点的两个键之间，右链接指向的2-3树中的键都大于该节点。 ！！！
1.2K20发布于 2019-05-26 - 来自专栏全栈程序员必看
ARM 架构简介_芯片arm架构
是半导体知识产权业务中的开拓先锋，目前市面上大量 ARM 设备都是由ARM分布于世界各地的授权商制造的。 我相信许多人听说 ARM 是从 ARM7TDMI 处理器内核的成功开始的，从上世纪90年代起这一内核在手机行业得到了广泛采用，也是ARM早期成功的奠基石。 目前市场上的大多数ARM内核至少支持两种指令集：原生的32位 ARM 指令集，以及混合了16位和32位的Thumb指令集，我们先看看ARM指令集。 下面让我们进一步地剖析ARM的实现原理。 ARM 的技术实现 要想深入理解ARM的实现原理是个很大的学习工程，这里一样希望读者读后能对ARM起到一个总体的认识，后续可以进一步的深入学习。 ARM 世界的一扇大门，ARM 网站上有丰富的文档等你去查阅，探索。
3.8K40编辑于 2022-11-04 - 来自专栏贾志刚-OpenCV学堂
最新发布 | OpenVINO扩展模块支持原生Pytorch模型转换与ARM CPU加速
为什么有扩展模块 发布|OpenVINO扩展模块支持原生Pytorch模型转换与ARM加速 OpenVINO刚刚不久之前发布了新版本OpenVINO2021.3版本，其中最引入关注的是有了OpenVINO 当前扩展模块主要包括三个部分 arm_plugin 支持深度神经网络的ARM CPU加速推理 java_api 支持Java的SDK了，什么意思，就是Java程序员也可以使用推理引擎了。 其中arm支持给出测试demo是在树莓派4B上面，演示程序运行如下： ? 支持32FP与16FP的模型精度，不支持INT8。 ? 为了让大家更好得理解与使用OpenVINO框架，我特别整理了OpenVINO计算机视觉加速的学习路径，图示如下： ?
2K30发布于 2021-04-21 - 来自专栏全栈程序员必看
arm指令周期_arm指令sub
现在的处理器的大部分指令(ARM、DSP)均采用单周期指令，比如CLR,MOV等。多周期指令，比如转移指令、乘法和除法指令。
2.8K30编辑于 2022-09-27 - 来自专栏机器之心
COLING24｜自适应剪枝让多模态大模型加速2-3倍，哈工大等推出SmartTrim
这也导致较高加速比下的 VLM 的性能严重下降。 2-3 倍，同时性能下降最小。 具有不同加速比下的 VLM 加速方法结果。 ，而在高加速比下的相比其他加速方法具有显著优势。 不同 VLM 加速方法在 NLVR2 上的效率与性能权衡的帕累托前沿。
53810编辑于 2024-03-18 - 来自专栏物联网学习
ARM NEON卷积神经网络加速简介-技术创作101训练营
为了加速乘法运算，可以使用ARM-NEON技术，比如ncnn就依据此类技术实现，除了ncnn外，ARM还提供了官方的基于NEON技术的计算库ARM Compute Library以及专为深度学习设计的ARM Winogard变换] 在不更换硬件平台的情况下，可以使用ARM NEON技术更好地发挥硬件性能。基于ARM NEON技术的矩阵乘法加速可以理解为利用矩阵乘法并行性，如图3所示。 矩阵乘法并行性] 2.3 卷积神经网络转换矩阵乘法 如果为了使用GEMM方法进行卷积神经网络加速，需要将卷积神经网络中的卷积层计算转换成矩阵乘法，然后利用GEMM进行加速，卷换过程如图4所示。 [卷积计算转换矩阵乘法](https://hal.inria.fr/inria-00112631/document)] 三、总结 通过ARM NEON技术进行卷积神经网络加速，可以采用的路径有： 1.参考 2.3将卷积神经网络转换成矩阵乘法，然后参考openblas的实现过程，使用ARM提供的ACL库（ARM Compute Library）或者ARM NN实现。
2.7K53发布于 2020-09-23 为加速自研芯片研发，Arm挖来了亚马逊AI芯片掌门人
虽然Arm公司一直都是一家仅提高半导体IP/指令集授权的企业，并且基于Arm架构的芯片已经几乎无处不在，绝大多数的智能手机、平板电脑都是基于Arm架构的芯片，此外众多的物联网芯片、汽车芯片，乃至一些PC 芯片和服务器芯片也都是基于Arm架构。 但是，Arm并不满足于仅仅是提供IP技术授权。 Arm甚至还希望自研芯片来直接销售给客户。 目前尚不清楚 Arm自研芯片进展如何，但拥有丰富的芯片研发经验的Rami Sinno的加入，或将进一步助力Arm公司自研芯片项目。 编辑：芯智讯-浪客剑
14810编辑于 2026-03-20- 来自专栏全栈程序员必看
ARM基础了解_arm编程架构
ARM 处理器家族 早起经典处理器 包括ARM7、ARM9、ARM11等，Cortex-A系列是它们的升级版 从ARM11之后就变成了Cortex系列 Cortex-M系列 控制 ARM的内核是基于RISC（精简指令集）体系结构的 SOC的概念 片上系统 指的是在单个芯片上集成一个完整的计算机系统，所谓完整的系统一般包括中央处理器（CPU）、存储器、以及外围电路等。 STM32F0/F1是指某一款SOC intel、ARM是指SOC里面的CPU 半导体厂商：意法半导体（ST） ---- ROM RAM ROM 只读存储器(read only memory)，英文简称
1.5K20编辑于 2022-11-10 - 来自专栏静之森
记录折腾路上用到的教程 自2-3开始
netdata: Real-time performance monitoring
74120编辑于 2021-12-28
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