- 综合排序
- 最热优先
- 最新优先
- 来自专栏月梦·剑心的技术专栏
池化层.最大池化
池化层，有池化核类似于卷积核。最常使用的池化操作时最大池化，最大池化操作是选择池化核所覆盖的网格中最大的数作为输出。 池化层的作用是保留输入特征同时把数据量减小 写一个仅有池化层的神经网络作为测试，体验池化层的作用 import torch from torch import nn #设置输入数据，5*5矩阵 input __init__() #构建池化层 self.pooling=torch.nn.MaxPool2d(3,ceil_mode=True) #前向传播函数 def =model(input) print(output) 池化层MaxPool2d的参数ceil_mode若设置为True，则当池化核未完全覆盖网格时，仍然取最大的数字输出，若设置为False，则直接舍弃并且不输出 ；stride参数默认值为池化核的大小。
72530编辑于 2022-09-14 - 来自专栏运维开发故事
开发 Operator 调度 GPU 实例资源池
本文我们将自己开发一个 Operator 来维护 GPU 资源池的稳定，解决 AI 模型训练的基础平台的稳定性。 其架构如下： ee11ee9bb3ba2f232c0f78573956823f MD5 其中： GPU 资源池采用的是腾讯云的竞价 GPU 实例 Operator 运行在 K8s 中，通过 SpootPool 控制 GPU 资源池的数量 若云平台释放了某台 GPU 实例，当 Operator 监听到资源池数量和期望的不匹配，会自动补充到期望数量 Operator 的开发有多种脚手架，常用的有 operator-sdk 资源池的自动化管理。 Operator 是云原生时代自动化运维的重要利器。掌握其开发方法，意味着我们不仅能“用好” Kubernetes，更能“扩展” Kubernetes，为复杂业务场景提供定制化的解决方案。
35210编辑于 2025-09-04 - 来自专栏Python多线程
4.线程池与进程池
通过前面几个小结内容，我们了解了多线程与多进程的执行效率的巨大提升，前面的例子我们都是手动实例化几个线程对象t=Thread(),假设我们要创建100多个线程，总不能用t0=Thread一直到t99=Thread 吧，此时我们需要借助线程池或进程池。 线程池：即系统一次性开辟一些线程，用户直接给线程池提交任务，线程任务的调度交给线程池来完成。进程池与之类似。 才继续执行 print("完毕")我们通过submit提交线程，提交到有50个线程容量的线程池，每次循环提交一个输出100个数字的线程。等待线程池所有任务结束后再打印主函数后面的“完毕”。 进程池的创建和线程池一样，只不过把程序中多线程类库ThreadPoolExecutor改成多进程类库ProcessPoolExecutor即可。
27710编辑于 2024-07-06 - 来自专栏Android开发指南
4.线程池
由于不需要每次处理复杂逻辑耗时操作，比如加载网络并不需要都开启一个新的线程，可以用线程池处理，把线程存起来，用的时候在取出来，在ondestory里去销毁线程，这样就会节省内存 线程池的原理（看看就行） null) { remove.run(); } }else{ // 等待状态 wake(); } } } }.start(); }} 线程池的用法 ：在本项目中新建一个类管理线程池，主要用的就是ThreadPoolExecutor这个类 public class ThreadManager { private ThreadManager() { } * @param runnable */ public void execute(Runnable runnable) { if (pool == null) { // 创建线程池 如果线程池没有要执行的任务 存活多久4.
685120发布于 2018-05-14 - 来自专栏全栈程序员必看
【池化选择】全局最大池化和全局平均池化的实验分析
Learning Deep Features for Discriminative Localization论文中的描述，在使用类响应图class activation mapping (CAM) 对比全局平均池化 Global average pooling (GAP) vs 全局最大池化global max pooling (GMP): 类响应图示例： 图中高亮区域就是根据label的注意图高响应区域 具体得到的这个相应区的方法是 1） 训练主干网络得到特征图 2） 进行全局池化（图中用的GAP，也可以使用GMP） 3） 对全局池化的结果做全连接得到全连接参数 w 4） 把全连接参数作为权重对特征图进行加权求和
2.6K40编辑于 2022-07-25 - 来自专栏用户5325874的专栏
池化技术
池化技术 概念 池化技术：把一些能够复用的东西（比如说数据库连接、线程）放到池中，避免重复创建、销毁的开销，从而极大提高性能。 不过，池化技术也存在一些缺陷，比方说存储池子中的对象肯定需要消耗多余的内存，如果对象没有被频繁使用，就会造成内存上的浪费。 可这些缺陷相比池化技术的优势来说就比较微不足道了，只要我们确认要使用的对象在创建时确实比较耗时或者消耗资源，并且这些对象也确实会被频繁地创建和销毁，我们就可以使用池化技术来优化。 池子中的对象需要在使用之前预先初始化完成，这叫做池子的预热，比方说使用线程池时就需要预先初始化所有的核心线程。如果池子未经过预热可能会导致系统重启后产生比较多的慢请求。 池化技术核心是一种空间换时间优化方法的实践，所以要关注空间占用情况，避免出现空间过度使用出现内存泄露或者频繁垃圾回收等问题。 参考 池化技术
1.4K40发布于 2020-04-13 - 来自专栏全栈程序员必看
卷积、反卷积、池化、反池化「建议收藏」
三、池化 池化的定义比较简单，最直观的作用便是降维，常见的池化有最大池化、平均池化和随机池化。 池化层不需要训练参数。 1、三种池化示意图 最大池化是对局部的值取最大；平均池化是对局部的值取平均；随机池化是根据概率对局部的值进行采样，采样结果便是池化结果。 （2）平均池化往往能保留整体数据的特征，能凸出背景的信息。 （3）随机池化中元素值大的被选中的概率也大，但不是像最大池化总是取最大值。 3、重叠池化 一般在CNN中使用的池化都是不重叠的，但是池化也可以重叠，重叠池化和卷积操作类似，可以定义步长等参数，其和卷积的不同在于：卷积操作将窗口元素和卷积核求内积，而池化操作求最大值/平均值等，窗口的滑动等原理完全相同 四、反池化 池化操作中最常见的最大池化和平均池化，因此最常见的反池化操作有反最大池化和反平均池化，其示意图如下： 反最大池化需要记录池化时最大值的位置，反平均池化不需要此过程。
5.2K22编辑于 2022-08-31 - 来自专栏全栈程序员必看
全局平均池化层替代全连接层(最大池化和平均池化的区别)
首先全连接层和softmax层是不同的两个部分，其次计算参数时候可以理解为，假设最后一个卷积层是4个4*4的特征图，类别为4，则计算量为4*4*4*4。 同样去理解GAP，为4*4，而这里与softmax还没有关系。
1.3K40编辑于 2022-07-31 - 来自专栏Android菜鸟成长记录
浅谈池化技术
前言 在编程学习中我们经常听到各种各样的池化技术，如线程池、连接池、对象池和缓存池等，平时我们背八股都是背诵里面的池化技术，但少有人去了解什么是池化技术，这些技术为什么要带个"池"，本文主要介绍一下什么是池化技术 二、为什么要使用池化技术？ 资源节约 池化技术可以显著减少资源的浪费。在没有池化的情况下，我们可能会不断地创建新的资源实例，例如线程或数据库连接，使用完毕后再将它们销毁。 三、池化技术的应用场景 池化技术在编程中的应用场景非常广泛，它们可以帮助我们更有效地管理各种资源，从而提高系统的性能和效率。以下是四种常见的池化技术以及它们在不同编程场景中的详细解释： 1. 当需要新对象时，不必每次都实例化一个新对象，而是从对象池中获取一个可用的对象，当不再需要时，将其归还给池。这降低了内存消耗和垃圾回收的压力，提高了应用程序的性能。 4. 通过学习和应用池化技术，我们可以获得以下几方面的收获： 资源管理技能 池化技术的核心思想是有效地管理资源。通过学习池化技术，我们可以掌握资源管理的基本原则，包括资源的创建、分配、重用和回收。
1.4K10编辑于 2023-11-22 - 来自专栏分享技术
什么是池化
池化思想对于 JAVA 是意义非凡的，因为其避免了很多的创建开销。 线程资源，数据库连接资源，TCP连接等，这些对象的初始化，通常是要花费较长时间的，如果我们频繁的进行申请和销毁，就会消耗大量的系统资源，进而对性能造成影像。 于此同时这些对象又有一个共性的特征，就是如果他们是可以池化的，通过创建一个虚拟的池，将这些资源预存起来，当我们需要的时候，从中按需获取，就可以了。 数据库连接池先从数据库连接池讲起吧，其基本思路就是在系统初始化的时候，就把数据库连接作为对象储存起来，放在内存中，当用户需要在访问数据库的时候，我们不创建新的连接，而是从连接池汇中获取一个已经创建好的空闲的连接对象 在使用完后，也不关闭，物归原主，依旧放进连接池，以供之后使用。这些连接的行为都由连接池来管理。任务池的管理就需要我们通过参数来调整了。
42620编辑于 2023-11-09 - 来自专栏亨利笔记
一文了解 TKG 如何使用 GPU 资源池
，细粒度，快速交付切分 GPU 算力需求，急需经济高效 GPU 算力池化方案。 VMware 作为虚拟化与云原生技术的领导者，在 GPU 算力资源池化领域也是一直处于领先地位，针对不同使用场景有对应的 GPU 资源池化方案。 GPU 算力池化方式 优点 缺点 备注 GPU直通方式 GPU独占模式，运算功能强 GPU资源浪费；不支持共享GPU资源；不支持vMotion 支持虚拟机，vsphere with Tanzu方案 vGPU 方式 GPU共享；支持vMotion，挂起/恢复 GPU配置文件固定；资源分配静态；需要购买vGPU License 支持虚拟机，vSphere with Tanzu方案 Bitfusion GPU池化方式 ，本文重点介绍 VMware vSphere Bitfusion GPU池化方案。
2K50编辑于 2023-04-04 - 来自专栏虚拟化云计算
GPU虚拟化哪家强
2014年之前GPU虚拟化技术一直采用的是GPU直接passthrough技术，它分为GPU直接passthrough和使用VFIO的passthrough，后来出现了基于SRIOV的GPU虚拟化方案( AMD的GPU采用这种方案）和GPU分片虚拟化（mdev）的GPU虚拟化方案（Intel和NVDIA采用这种方案） Intel的GPU虚拟化技术叫做GVT-g，NVDIA的GPU虚拟化技术叫做GRID 现在Intel和NVIDIA的GPU虚拟化方案都是采用的VFIO mediated passthrough framework。 GPU直接passthrough以及AMD采用的SRIOV方式下，IOMMU是必备组件，直接使用IOMMU硬件完成GFN到PFN的地址转换。 而VFIO mediated passthrough可以通过Host端对vGPU性能指标进行监控，因为VM对GPU的访问要绕道Host端。
3.3K20发布于 2020-09-01 - 来自专栏轻量级微服务
容器化 TensorFlow GPU 环境搭建
基础环境信息 CPU：Intel Xeon E5-2699 v4 显卡：Nvidia Tesla P100 操作系统：CentOS 7.4 基础环境验证 验证系统是否能正常识别 GPU lspci NVIDIA-Linux-x86_64-415.18.run --no-opengl-files 校验 Nvidia 驱动，执行 nvidia-smi，若有如下输出，证明安装成功： TensorFlow 容器化 CPU 测试结果 4、GPU 测试 docker run --runtime=nvidia \ --rm -it \ -v "$(pwd)/test.py:/app/test.py" \ registry.docker-cn.com/tensorflow/tensorflow:latest-gpu \ python /app/test.py gpu 20000 ? GPU 测试结果
1.3K10发布于 2018-12-19 - 来自专栏涓流
池化设计之CommonPool
池化技术 CommonPool 对象池化管理是一个很重要的功能，无论是数据库连接池还是redis连接池，都应该特别关注连接池的使用，重点关注几个关键的指标是否正常，连接池使用不当很有可能导致连接池泄露的问题 //创建一个实例 PooledObject<T> makeObject(); void activateObject(PooledObject<T> obj); //去初始化， passivateObject(PooledObject<T> obj); boolean validateObject(PooledObject<T> obj); //销毁对象，不再被池需要 并且释放资源 void close(); } 一个对象池的基本使用方式如下: Object obj = null;//被池管理的对象 try { obj = pool.borrowObject } } catch(Exception e) { //获取对象失败 } GenericObjectPool GenericObjectPool 实现了对象的池化管理
62110编辑于 2022-06-28 - 来自专栏王磊的博客
1.池化技术
1.池化技术 池化技术指的是提前准备一些资源，在需要时可以重复使用这些预先准备的资源。 池化技术的优点主要有两个：提前准备和重复利用。 2.池化技术应用 常见的池化技术的应用有：线程池、内存池、数据库连接池、HttpClient 连接池等，接下来，我们分别来看。 2.1 线程池 线程池的原理很简单，类似于操作系统中的缓冲区的概念。 4.线程池优点分析 线程池相比于线程来说，它不需要频繁的创建和销毁线程，线程一旦创建之后，默认情况下就会一直保持在线程池中，等到有任务来了，再用这些已有的线程来执行任务，如下图所示： 优点1：复用线程 优点4：更多增强功能 线程池相比于线程来说提供了更多的功能，比如定时执行和周期执行等功能。 总结 池化技术指的是提前准备一些资源，在需要时可以重复使用这些预先准备的资源。 线程池是池化技术的典型场景，线程池的优点主要有 4 点：1.复用线程，降低了资源消耗；2.提高响应速度；3.提供了管理线程数和任务数的能力；4.更多增强功能。
83910编辑于 2022-05-09 - 来自专栏全栈程序员必看
池化层的作用
池化层理解 2. 池化层的作用： 3. 函数解析 tf.nn.max_pool(value, ksize, strides, padding, name=None) 4. 代码演示详解维度变化 1. 池化层理解 池化层夹在连续的卷积层中间， 用于压缩数据和参数的量。 简而言之，如果输入是图像的话，那么池化层的最主要作用就是压缩图像。 个人理解的同图片resize方法类似（双线性插值法，邻近法），只不过池化层用的是取最大值法。 2. PCA)和计算量，防止过拟合，提高模型泛化能力 A: 特征不变性，也就是我们在图像处理中经常提到的特征的尺度不变性，池化操作就是图像的resize，平时一张狗的图像被缩小了一倍我们还能认出这是一张狗的照片 函数解析 tf.nn.max_pool(value, ksize, strides, padding, name=None) 参数是四个，和卷积很类似： 第一个参数value：需要池化的输入，一般池化层接在卷积层后面
11.5K31编辑于 2022-07-25 - 来自专栏thinkphp+vue
为什么需要线程池？什么是池化技术？
1.池化技术 池化技术指的是提前准备一些资源，在需要时可以重复使用这些预先准备的资源。 池化技术的优点主要有两个：提前准备和重复利用。 2.池化技术应用 常见的池化技术的应用有：线程池、内存池、数据库连接池、HttpClient 连接池等，接下来，我们分别来看。 2.1 线程池 线程池的原理很简单，类似于操作系统中的缓冲区的概念。 4.线程池优点分析 线程池相比于线程来说，它不需要频繁的创建和销毁线程，线程一旦创建之后，默认情况下就会一直保持在线程池中，等到有任务来了，再用这些已有的线程来执行任务，如下图所示： 优点1：复用线程 优点4：更多增强功能 线程池相比于线程来说提供了更多的功能，比如定时执行和周期执行等功能。 总结 池化技术指的是提前准备一些资源，在需要时可以重复使用这些预先准备的资源。 线程池是池化技术的典型场景，线程池的优点主要有 4 点：1.复用线程，降低了资源消耗；2.提高响应速度；3.提供了管理线程数和任务数的能力；4.更多增强功能。
92430编辑于 2022-03-02 - 来自专栏后端技术学习
rocketmq中可视化和池化
在rocketmq中rocketmqTool作为可视化和二次开发使用比较多的类org.apache.rocketmq.tools.admin.MQAdminExt，这个类在admin里面： 一、池化 rocketmq中： 而我们知道创建rocketmq创建的过程中，会启动很多东西，这个连接的过程涉及到的内容比较多，可以看到rocketmq的rocketmq-dashboard和mqcloud里面都使用了池化技术 -对象池。 rocketmq-dashboard池化org.apache.rocketmq.dashboard.admin.MqAdminExtObjectPool： @Bean public GenericObjectPool 可以看到dashBoard基于rocketmq-tool模块，做了很多功能，而且这些功能都是可视化的。
48630编辑于 2023-08-31 - 来自专栏科学计算
GPU编程4--Hello World初体验
函数声明 在GPU编程中，有三种函数的声明： Executed on Only callable from __global__ void KernelFunc() device host __device __ float DeviceFunc() device device __host__ float HostFunt() host host 这里的host端就是指CPU，device端就是指GPU ；使用__global__声明的核函数是在CPU端调用，在GPU里执行；__device__声明的函数调用和执行都在GPU中；__host__声明的函数调用和执行都在CPU端。 并行优化定理 在讲GPU并行计算之前，我们先讲一下使用GPU后能提高性能的理论值，即Amdahld定理，也就是相对串行程序而言，并行程序的加速率。 假设程序中可并行代码的比例为p，并行处理器数目是n，程序并行化后的加速率为： ?
1.2K00发布于 2020-07-14 - 来自专栏大学生计算机视觉学习DeepLearning
深度学习（一）神经网络中的池化与反池化原理
同理avgpooling也就是平均池化层就是将2*2的区域的所有值加起来取得均值存放。 二.反池化 反池化是池化的逆操作，是无法通过池化的结果还原出全部的原始数据。 池化有两种：最大池化和平均池化，其反池化也需要与其对应。 （1） 平均池化和反平均池化 首先还原成原来的大小，然后将池化结果中的每个值都填入其对应原始数据区域中相应位置即可。 平均池化和反平均池化的过程如下： ? （2） 最大池化和反最大池化 要求在池化过程中记录最大激活值的坐标位置，然后在反池化时，只把池化过程中最大激活值所在位置坐标值激活， 其他的值设置为0.当然，这个过程只是一种近似。 因为在池化过程中，除了最大值的位置，其他的值也是不为0的。 最大池化和反最大池化的过程如下： ? 最后我这是一列的学习笔记，有兴趣入门深度学习的可以看看在下后面的深度学习系列的笔记。
2.2K20发布于 2018-09-30
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