- 综合排序
- 最热优先
- 最新优先
- 来自专栏ClearSeve
C++11内存模型
最近看了极客时间——《现代C++实战三十讲》中的内存模型与Atomic一节，感觉对C++的内存模型理解还不是很清楚，看了后面的参考文献以及看了一些好的博客，算是基本了解了，根据参考文献整合一下。 Thread-1: Thread-2: x = 100; // A std::cout << x; // B C++11 C++11的内存模型共有6种，分四类。其中一致性的减弱会伴随着性能的增强。 参考链接 【1】C++11中的内存模型上篇 – 内存模型基础 【2】C++11中的内存模型下篇 – C++11支持的几种内存模型 【3】理解 C++ 的 Memory Order 【4】如何理解 C++ 11 的六种 memory order 【5】《现代C++实战三十讲》中的内存模型与Atomic
1K30编辑于 2022-02-11 - 来自专栏LINUX阅码场
深入理解C11C++11内存模型
个人认为，内存模型表达为“内存顺序模型”可能更加贴切一点。 2011年发布的C11/C++11 ISO Standard为我们带来了memory order的支持， 引用C++11里的一段描述： The memory model means that C++ code C11/C++11使用memory order来描述memory model， 而用来联系memory order的是atomic变量， atomic操作可以用load()和release()语义来描述 C11/C++11内存模型 C/C++11标准中提供了6种memory order，来描述内存模型[6]: enum memory_order { memory_order_relaxed, - Frank Birbacher [ACCU 2017] C++11中的内存模型下篇 - C++11支持的几种内存模型 memory ordering, Gavin's blog c++11 内存模型解读
2.9K30发布于 2020-06-04 - 来自专栏机器学习炼丹之旅
CS231n：11 生成模型
生成模型 生成模型的定义就是给定一个训练数据，然后生成一些新的样本，保证和所给的训练集有一样的分布。 生成模型主要有以下这些应用场景： 生成逼真的艺术品图片，拥有超高的分辨率，着色等。 时间序列数据的生成模型可以用于仿真和规划（在强化学习中应用）。 训练生成模型还可以使隐式表征的推断成为有用的通用特征。 需要一提的是，可以将生成模型分成两大类，即隐式密度模型和显式密度模型，显式密度模型会显式地给出一个分布 使其和输入数据的分布相同。 而隐式密度模型则不会给出一个分布，而是训练一个模型从输入数据中采样，并直接输出样本，而不用显式地给出分布的表达式。 ）获得一个高斯分布的参数 ，这其实就对应了混合高斯模型中的一个高斯分布组件，也就是说，由于 是一个连续值，所以理论上这里的混合高斯模型中存在无限个高斯组件。
75710编辑于 2022-08-08 - 来自专栏数据STUDIO
原理+代码，总结了 11 种回归模型
导读： 上篇总结了八种线性回归模型，介绍了主流的线性回归模型及python实操代码，而本文将继续修炼回归模型算法，并总结了一些常用的除线性回归模型之外的模型，其中包括一些单模型及集成学习器。 需要面试或者需要总体了解/复习机器学习回归模型的小伙伴可以通读下本文，理论总结加代码实操，有助于理解模型。 ---- ? 本文所用数据说明：所有模型使用数据为股市数据，与线性回归模型中的数据一样，可以做参考，此处将不重复给出。 2)) Actual Predicted Date 2017-08-09 12.83 12.63 2017-11 因为XGBoost是一种提升树模型，所以它是将许多树模型集成在一起，形成一个很强的分类器。而所用到的树模型则是CART回归树模型。 回归树的生成步骤如下 从根节点开始分裂。
5.2K42发布于 2021-06-24 - 来自专栏用户10122115的专栏
Autodesk 3ds Max2020中文版免费下载安装图文教程
3dmax2020中文版新增14个新的OSL着色器并增加高效的工具箱集成，帮助用户快速生成专业品质的3D动画、渲染和模型工具。 7、3dmax2020可以跟Arnold、V-Ray和Iray等许多渲染器搭配使用，从而创建出更加出色的场景和惊人的视觉效果 8、Chamfer修改器的改进，并且扩展了对OSL着色的支持， 1、3dmax2020可以跟Arnold、V-Ray和Iray等许多渲染器搭配使用，从而创建出更加出色的场景和惊人的视觉效果 2、Chamfer修改器的改进，并且扩展了对OSL
2.2K50编辑于 2022-10-20 - 来自专栏用户10025783的专栏
深入理解C11C++11内存模型(白嫖新知识~)
什么是内存模型？ 到底什么是内存模型呢？看到有两种不同的观点： A：内存模型是从来描述编程语言在支持多线程编程中对共享内存访问的顺序。 个人认为，内存模型表达为“内存顺序模型”可能更加贴切一点。 2011年发布的C11/C++11 ISO Standard为我们带来了memory order的支持， 引用C++11里的一段描述： The memory model means that C++ code 真棒，简直不要太优秀~ C11/C++11使用memory order来描述memory model， 而用来联系memory order的是atomic变量， atomic操作可以用load()和release C11/C++11内存模型 C/C++11标准中提供了6种memory order，来描述内存模型[6]: enum memory_order { memory_order_relaxed,
69221编辑于 2022-09-23 - 来自专栏肉眼品世界
11种全球著名商业分析模型（值得收藏）
1、波特五力模型 被广泛应用于很多行业的战略制定 波特的五种竞争力分析模型被广泛应用于很多行业的战略制定。 4、ECIRM战略模型 五个从战略上系统解析一家企业的基本维度 ECIRM模型的构成包括了五个核心要素：一是E，代表企业家要素;二是C，代表资本要素;三是I，代表产业要素;四是R，代表资源要素;五是M， 这个矩阵模型过于简单，企业实际的经营情况要复杂得多。 8、GE行业吸引力矩阵 通过确定在矩阵中的位置来判断其在行业中的地位 这个模型是通用公司和麦肯锡公司所使用的三三矩阵。 10、价值链模型 将一个企业的行为分解为战略性相关的许多活动 价值链模型最早是由波特提出的。 11、ROS/RMS矩阵 用来分析企业的不同业务单元或产品的发展战略 ROS/RMS(Return Of Sales/Relative Market Share)矩阵也称做销售回报和相对市场份额矩阵，
1.8K61发布于 2021-06-08 - 来自专栏光芯前沿
新加坡New Silicon Corp. ：GaN MicroLED＋SiN光波导实现封装内光互连方案
为突破这些限制，新硅公司（nsc）提出了一种基于大规模并行、封装内发光二极管（LED）的光互连方案——光学流式链接（OSL）。 OSL技术架构：低功耗高并行的光互连方案 OSL的核心定位是替代传统局部硅中介层，通过TSV微凸点实现与小芯片（如GPU和高带宽内存HBM）的直接连接。 传统基于microLED的光互连受限于GaN LED相对较低的调制速率，单通道速率通常仅约10 Gbps，但OSL通过大规模并行链路设计构建了超高带宽的数据通道。 SiNₓ波导的低损耗特性使得OSL的传输距离仅受限于自身芯片尺寸，远超传统电互连的10mm上限，近期目标可达25mm以上。 这一架构带来了显著的设计灵活性，例如在GPU与HBM小芯片的互连场景中，OSL支持新增第二圈HBM小芯片，大幅提升系统内存容量。
74921编辑于 2025-11-18 - 来自专栏腾讯云原生团队
在 TKE 上使用 NVIDIA Dynamo 部署 PD 分离的大模型
-70B-FP8-dynamic，dynamo 镜像是基于 commit： 988e8826771888c9645857266032e11a7f67492a 构建的。 如果你不提前下载模型，或者配置的模型路径不存在，那么 dynamo 会尝试从 huggingface 上拉取模型数据。 真实请求的特征：这里主要指的是真实请求处理的 ISL（输入 Token 数） 和 OSL（输出 Token 数）。 通常来讲，在 ISL 比较大而 OSL 比较小的情况下，会需要更多的 prefill 节点；而 ISL 比较小而 OSL 比较大的情况下，会需要更多的 decode 节点。 首先根据真实请求的特征确定 ISL 和 OSL 来构造压力测试。推荐参考 dynamo 官方提供的脚本[3]，使用 genai-perf 可以很方便地控制 ISL 和 OSL。 2.
3.5K10编辑于 2025-04-21 - 来自专栏Linux成长之路
【Docker项目实战】使用Docker部署our-shopping-list购物清单工具
一、our-shopping-list介绍1.1 our-shopping-list简介OSL （Our Shopping List）是一个简单的共享列表应用程序。 pull nanawel/our-shopping-list五、部署our-shopping-list应用5.1 创建部署目录创建部署目录/data/dockermkdir -p /data/docker/osl version: '3.2'services: app: image: nanawel/our-shopping-list container_name: osl# command: environment: LISTEN_PORT: 8080 MONGODB_HOST: mongodb MONGODB_PORT: 27017 MONGODB_DB: osl 1.1s ⠿ Container osl
63610编辑于 2024-04-25 使用onnxruntime部署yolov11-onnx实例分割模型
【官方框架地址】 https://github.com/ultralytics/ultralytics.git 【算法介绍】 在C#中使用ONNX Runtime部署YOLOv11-ONNX实例分割模型 首先，需要确保已经安装了ONNX Runtime的NuGet包，它提供了在C#中加载和运行ONNX模型的功能。 其次，加载YOLOv11-ONNX模型。 解析模型的输出，提取有用的信息（如检测框的坐标、类别和实例分割掩码），并根据需要进行进一步的处理或可视化。 请注意，YOLOv11的具体实现和输出格式可能与上述描述有所不同。 因此，在实际部署时，需要参考YOLOv11的文档和ONNX Runtime的API文档来确保正确理解和处理模型的输出。 -seg实例分割onnx模型，C#使用纯opencvsharp部署yolov8-onnx图像分类模型，YOLO最新版本V11 本地一键部署 解压即用 视觉检测大模型尝鲜版 集成环境依赖 WEBUI可视化界面
86310编辑于 2025-07-22- 来自专栏图灵人工智能
11个重要的机器学习模型评估指标
指标的选择完全取决于模型的类型和执行模型的计划。 模型构建完成后，这11个指标将帮助评估模型的准确性。考虑到交叉验证的日益普及和重要性，本文中也提到了它的一些原理。 预测模型的类型 说到预测模型，大家谈论的要么是回归模型（连续输出），要么是分类模型（离散输出或二进制输出）。每种模型中使用的评估指标都不同。 2.如果预测值或实际值很大：RMSE> RMSLE 3.如果预测值和实际值都很大：RMSE> RMSLE（RMSLE几乎可以忽略不计） 11. 如果R-Squared没有增大，那意味着添加的功能对模型没有价值。因此总的来说，在1上减去一个更大的值，调整的r2，反而会减少。 除了这11个指标之外，还有另一种检验模型性能。 编译组：余书敏、孙梦琪 相关链接： https://www.analyticsvidhya.com/blog/2019/08/11-important-model-evaluation-error-metrics
2.5K10编辑于 2022-09-01 - 来自专栏存储公众号：王知鱼
揭秘 NVIDIA Dynamo：分布式AI推理的高效引擎
在NVIDIA Hopper GPU上运行Llama 70B模型时，其性能提升超过两倍。 左：TensorRT-LLM，FP4，ISL/OSL（输入/输出）：32K/8K。 右：vLLM，FP8，ISL/OSL（输入/输出）：3K/50。未启用Dynamo：飞行批处理，TP8DP2。启用Dynamo：解耦式服务，上下文：TP2DP4，生成：TP8。 二、序列长度配置 ISL/OSL：3K/50 ISL（Input Sequence Length）：输入序列最大长度（3K = 3000 tokens）。 OSL（Output Sequence Length）：输出序列最大长度（50 tokens）。 作用： 控制上下文窗口大小，直接影响显存占用（序列越长，显存需求越高）。 设想一个场景：大量需要长输入序列长度（ISL）但短输出序列长度（OSL）的摘要请求突然涌入，导致预填充GPU过载。此时，解码GPU可能处于闲置状态，而预填充GPU成为瓶颈。
3.6K10编辑于 2025-03-29 3ds Max 2025下载安装教程（附安装包）3ds Max 2025
11. 复制 3dsmax 文件在 Crack 文件夹中，找到 “3dsmax” 文件，右键选择 “复制”。12. 纹理和明暗处理：支持开放式明暗处理语言（OSL），可使用新的或预先存在的 OSL 贴图以及任何受支持的渲染器，生成高质量纹理；烘焙到纹理功能支持 PBR 材质、覆盖和 OSL 工作流，提供简化、直观且完全可脚本化的纹理烘焙
5.1K11编辑于 2025-08-26- 来自专栏大模型应用
大模型应用：大模型的词元化处理详解：BPE、WordPiece、Unigram.11
引言 词元化（Tokenization）是大模型预处理的核心步骤，将连续文本切分为模型可理解的最小语义单元（Token），这些词元可以是单词、子词或字符。 但合并的标准不是频率，而是合并后对语言模型似然的提升，即合并后的 Token 能最大程度提升整体语料的概率。具体来说，每次选择合并后能最大程度增加语言模型似然的词元对。2. 核心概念合并标准：选择使语言模型似然增加最大的对。语言模型：通常是一个基于词元的n-gram模型。3. 处理逻辑1. 初始化：和BPE一样，拆分为原子单元，统计 Token 频率；2. 11. 对新文本进行分词（使用最长匹配策略）。注意：在WordPiece中，通常使用一个语言模型来评估合并后的似然变化，但这里我们使用对数似然增益的公式作为合并标准。6. 删除困惑度上升最小的词元（即对模型影响最小的词元）8. 更新词表，并重新计算每个词元的概率（重新训练语言模型）9. 重复步骤5-8直到词表大小达标10. 生成最终词表11.
57533编辑于 2026-02-08 - 来自专栏java开发的那点事
11-Netty 高性能架构设计-异步模型(ChannelFuture)
异步模型 基本介绍 异步模型和同步模型相对, 当一个异步过程调用发出后, 调用者不能立刻得到结果, 实际处理这个调用的组件在完成后,通过状态, 通知和回调来通知调用者 Netty中的IO操作是异步的,包括 Connect等操作会简单的返回一个ChannelFuture 调用者不能立刻获得结果, 而是通过Future-listener机制, 用户可以方便的主动获取或者通过通知机制获得IO操作结果 Netty的异步模型是建立在
64720编辑于 2022-02-18 - 来自专栏C++11
C++11多线程内存模型：从入门到精通
C++11标准的出现，为多线程编程带来了重大变革，其中内存模型的改进尤为关键。本文将带领小白们从入门到精通，深入了解C++11多线程内存模型。 二、C++11多线程内存模型基础2.1 什么是内存模型内存模型可以理解为存储一致性模型，主要是从行为方面来看多个线程对同一个对象同时（读写）操作时所做的约束。 而且，由于缺乏统一的内存模型规范，程序容易出现数据竞争和其他多线程相关的问题，这些问题往往难以调试和修复。2.4 C++11内存模型的重要性C++11的出现，为多线程编程带来了重大变革。 6.3 C++中的内存栅栏实现C++11标准引入了原子操作和内存模型的概念，其中就包括对内存栅栏的支持。 希望本文能够帮助小白们从入门到精通C++11多线程内存模型，在多线程编程的道路上越走越远。
43900编辑于 2025-06-18 使用onnxruntime部署yolov11-cls图像分类onnx模型
如果只需要opencv去部署yolov11分类模型可以参考博文：https://blog.csdn.net/FL1623863129/article/details/142734819? spm=1001.2014.3001.5501 本文和 opencv去部署yolov11分类模型区别是：opencv部署推理核心使用opencv自带api，而本文推理核心用的onnxruntime，opencv 使用C++和ONNX Runtime部署YOLOv11-CLS图像分类ONNX模型，涉及到以下几个关键步骤： 环境配置：首先，需要安装ONNX Runtime库，可以通过从ONNX Runtime的GitHub 模型加载：加载YOLOv11-CLS的ONNX模型文件，通常涉及到指定模型的路径，并创建一个InferenceSession对象，该对象将用于后续的推理。 通过以上步骤，可以在C++中使用ONNX Runtime成功部署YOLOv11-CLS图像分类模型，实现高效的图像分类任务。
80110编辑于 2025-07-22- 来自专栏帅云霓的技术小屋
大模型与AI底层技术揭秘 (11) 变形记
有一天，小H在吃完午饭回到办公室，旁边几位同学在打《王者荣耀》，并且在挑拨匹配到的一对情侣队友分手。
35710编辑于 2023-11-27 - 来自专栏贾志刚-OpenCV学堂
OpenCV4.10 DNN部署YOLO11全系模型
该模块支持多种预训练模型，包括SqueezeNet、AlexNet、VGG、GoogleNet、ResNet等，这些模型广泛应用于图像识别、目标检测、语义分割等任务。 基于最新OpenCV4.10版本的DNN已经支持YOLO11全系模型推理。 代码实现与分别演示如下 YOLO11对象检测 YOLO11对象检测模型 OpenCV DNN部署推理演示如下： Python实现的代码如下： model = cv.dnn.readNetFromONNX Detection", frame) cc = cv.waitKey(0) cv.destroyAllWindows() YOLO11 实例分割 YOLO11实例分割模型+ OpenCV DNN部署推理演示如下 -Segmentation Demo", image) cv.waitKey(0) cv.destroyAllWindows() YOLO11姿态评估 YOLO11姿态评估模型+ OpenCV DNN
13810编辑于 2026-04-02
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