- 综合排序
- 最热优先
- 最新优先
- 来自专栏DevOps时代的专栏
轻量化 Jenkins 最佳实践
前言 今天分享主题主要分成三个部分： 第一部分，Jenkins跟持续交付； 第二部分，Jenkins轻量化思路； 第三部分，Jenkins高可用实践。 二、Jenkins轻量化思路 2.1、使用jenkins的常见问题 接下来就是我今天所要谈的重点，刚才解释了为什么Jenkins所代表的CI/CD如此之重要，但现实里Jenkins还是会出现这样那样的问题 我们不希望Jenkins承载更多的东西，这也是为什么我提出轻量化Jenkins的概念，初衷在于给Jenkins减负。 ? 接下来我们看一看Jenkins的系统架构。 2.6、轻量化解决之道 那么轻量化的概念到底是什么意思呢？ 那么在实践Jenkins轻量化解决之道的过程中，我总结了一些套路和体系，其中以下八点内容希望可以帮助大家解决一些实际生产工作中Jenkins的性能问题，同时扩展大家的思路，共同探索Jenkins应用的最佳实践
4.9K90发布于 2018-02-02 - 来自专栏腾讯云原生团队
轻量化安装 TKEStack：让已有 K8s 集群拥有企业级容器云平台的能力
因此对于已有的 K8s 集群，用户无法对其安装集成 TKEStack。 基于上述背景，TKEStack 在最新的 v1.9.0 release 中，支持了轻量化安装场景。 轻量化安装打破了需要新建 global 集群的限制，实现了在用户已有的 K8s 集群上直接集成 TKESatck 的用户管理、集群管理、控制台访问等核心功能。 前置要求 本文介绍的内容是建立在已有一个正常运行的 K8s 集群的基础上，并且以下的操作需要在 master 节点上进行。 （已有本地集群的可跳过该步骤） 如果用户本地没有 K8s 集群，可通过 kind 进行创建。 集群上轻量化安装 TKEStack，并以此集成 TKEStack 的用户管理、集群管理、控制台访问等核心功能。
1.1K20编辑于 2022-04-14 - 来自专栏集智书童
全新轻量化模型 | 轻量化沙漏网络助力视觉感知涨点
人体姿态估计（HPE）是计算机视觉中的一项经典任务，它主要通过识别人的关节的位置来表示人的方向。HPE可以用来理解和分析人类的几何和运动相关信息。Newell等人在Mask3D中提出的堆叠沙漏架构是第一个基于深度学习的HPE方法之一，因为经典方法在此之前主导了HPE文献。
1.4K30编辑于 2023-02-26 工厂端部署轻量化模型
在工厂端部署轻量化模型通过TensorRT加速的ResNet，是制造业实现实时物料追溯与质量检测的关键技术路径。以下从技术原理、实施步骤、应用场景及优化策略四个维度展开说明：一、为何选择轻量化模型？ 模型轻量化改造架构优化： 将ResNet-50替换为ResNet-18或MobileNetV3，参数量减少80%以上。 AI方案模型选型： 基础模型：ResNet-34（ImageNet预训练） 轻量化后：剪枝至ResNet-12，INT8量化，体积从85MB→12MB。
96310编辑于 2025-04-10- 来自专栏SIGAI学习与实践平台
轻量化神经网络综述
目前工业级和学术界设计轻量化神经网络模型主要有4个方向：(1)人工设计轻量化神经网络模型、(2)基于神经网络架构搜索（Neural Architecture Search,NAS）的自动化设计神经网络； 1基本卷积运算 手工设计轻量化模型主要思想在于设计更高效的“网络计算方式”（主要针对卷积方式），从而使网络参数减少，并且不损失网络性能。 对比MobileNet V1&V2，ShuffleNet V1&V2模型（图 17），手工设计轻量化模型主要得益于depth-wise convolution减少计算量，而解决信息不流畅的问题，MobileNet 很多轻量化模型重复 block 架构，只改变滤波器尺寸和空间维度。论文提出的层级搜索空间允许模型的各个 block 包括不同的卷积层。 工业界不仅在设计轻量化模型（MobileNet V1&V2，ShuffleNet V1&V2系列），也在不断实践如何进一步压缩模型，在便携式终端设备实现准确率、计算速率、设备功耗、内存占用的小型化。
4.7K51发布于 2018-09-27 - 来自专栏为了不折腾而去折腾的那些事
GitLab 14 轻量化运行方案
前不久分享了关于最新版本的 GitLab 的试用体验，《试用 GitLab 14 以及中国发行版：极狐》。
5.7K21发布于 2021-07-14 - 来自专栏SIGAI学习与实践平台
轻量化神经网络综述
目前工业级和学术界设计轻量化神经网络模型主要有4个方向： (1)人工设计轻量化神经网络模型； (2)基于神经网络架构搜索（Neural Architecture Search,NAS）的自动化设计神经网络 1、基本卷积运算 手工设计轻量化模型主要思想在于设计更高效的“网络计算方式”（主要针对卷积方式），从而使网络参数减少，并且不损失网络性能。 2.2 ShuffleNet V1 ShuffleNet是Face++提出的一种轻量化网络结构，主要思路是使用Group convolution和Channel shuffle改进ResNet，可以看作是 很多轻量化模型重复 block 架构，只改变滤波器尺寸和空间维度。论文提出的层级搜索空间允许模型的各个 block 包括不同的卷积层。 工业界不仅在设计轻量化模型（MobileNet V1&V2，ShuffleNet V1&V2系列），也在不断实践如何进一步压缩模型，在便携式终端设备实现准确率、计算速率、设备功耗、内存占用的小型化。
1.3K20发布于 2018-10-18 - 来自专栏1996
轻量化网络 | MobileNet论文解析
但其使用深度可分离卷积层替换之前的全卷积层，以达到压缩参数数量并轻量化网络这一目标。 MobileNet除了第一层为全卷积层，其余层均为深度可分离卷积。 不同于Deep Compression，因为网络在定义时结构简单，因此我们可以简单地搜索网络的拓扑结构，从头直接训练出一个效果很好的轻量化网络。
1.1K10编辑于 2022-09-23 - 来自专栏集智书童
最新轻量化Backbone | FalconNet汇聚所有轻量化模块的优点，成就最强最轻Backbone
设计具有小参数和Flops的轻量化CNN模型是一个突出的研究问题。 占了参数和Flops的很大比例，但缺乏使其轻量化的有效方法。 为了解决这些问题，本文将轻量化CNNs的4个重要组成部分从粗到细分解并重新设计： 设计了一个称为LightNet的轻量化整体架构，该架构通过简单地实现其他轻量化CNN的BasicBlock来获得更好的性能 基于以上4个重要组成部分，作者提出了一个新的轻量化CNN模型FalconNet。实验结果表明，与现有的轻量化神经网络相比，FalconNet可以以更低的参数和浮点数实现更高的精度。 （轻量化ConvNet的因子分解）。
1.6K20编辑于 2023-09-04 - 来自专栏大侠之运维
轻量化的远控工具
在今天的数字化时代，远程控制工具变得越来越重要，无论是用于远程技术支持、服务器管理还是其他远程操作。natpass是一款轻量级的远程控制工具，它提供了强大的功能和安全性，使您能够轻松地远程管理您的计算机和服务器。本文将介绍natpass的功能、部署过程以及如何使用它，帮助您充分了解这个有用的工具。
68310编辑于 2024-10-09 - 来自专栏为了不折腾而去折腾的那些事
GitLab 14 轻量化运行方案
前不久分享了关于最新版本的 GitLab 的试用体验，《试用 GitLab 14 以及中国发行版：极狐》。
3.8K40发布于 2021-07-16 - 来自专栏Android群英传
Flutter混编工程之轻量化改造
轻量化改造的意义 轻量级Flutter渲染引擎的核心是将Flutter作为一个「渲染器」，它的唯一功能就是将Native端传来的数据绘制成相应的界面，其它所有交互操作，都通过Channel桥接到Native 所以，Flutter轻量化改造重要原因，就是需要「尽可能多的复用原生已有的逻辑」，例如图片框架、网络、埋点，而不是在Flutter中去全部再实现一遍。 同时，Flutter轻量化改造也是对EngineGroup架构的最佳实践，在EngineGroup架构下，我们需要将数据源放到原生侧，从而保证多Engine的数据共享。 轻量化改造实践 首先，我们通过Pigeon生成接口协议和调用代码，原生侧分别基于当前协议来进行开发。 不过，我们需要解决Pigeon CLI脚本只能有一个协议文件的问题。 所以，我们需要对轻量化Flutter框架做进一步改造。
93210编辑于 2022-03-31 - 来自专栏全栈程序员必看
mobilenet改进_常用的轻量化网络
最近出了一篇旷视科技的孙剑团队出了一篇关于利用Channel Shuffle实现的卷积网络优化——ShuffleNet。我关注了一下，原理相当简单。它只是为了解决分组卷积时，不同feature maps分组之间的channels信息交互问题，而提出Channel Shuffle操作为不同分组提供channels信息的通信的渠道。然而，当我读到ShuffleNet Unit和Network Architecture的章节，考虑如何复现作者的实验网络时，总感觉看透这个网络的实现，尤其是我验算Table 1的结果时，总出现各种不对。因此我将作者引用的最近几个比较火的网络优化结构（MobileNet，Xception，ResNeXt）学习了一下，终于在ResNeXt的引导下，把作者的整个实现搞清楚了。顺带着，我也把这项技术的发展情况屡了一下，产生了一些个人看法，就写下这篇学习笔记。
1.2K10编辑于 2022-10-03 - 来自专栏AI科技评论
砖家：轻量化网络利好红米
为此，研究人员提出了一个叫做 Lite-Web（轻量化网页）的解决方案，可使网页在低端手机上加载速度更快，处理起来更容易。
54820编辑于 2023-02-23 桥梁轻量化监测有几种类型?
轻量化监测系统是近年来交通基础设施智慧化领域的热点概念，已密集出现在国家级政策文件中。 实践中，桥梁轻量化监测并未形成统一范式，而是随着政策导向与技术发展呈现出明显的类型分化，不同类型的设计理念、技术路径与应用场景各有侧重：一、早期针对性轻量化监测(江苏先行模式)这一类型是轻量化监测概念的雏形 三、养护数字化导向型轻量化监测(全覆盖赋能模式)随着政策要求从 “重点监测” 向 “全面覆盖” 演进，多地开始推动轻量化监测系统的全域部署 —— 不仅包括高风险桥梁，也逐步延伸至普通服役桥梁。 这类轻量化监测的核心诉求是数据的实用性与连续性，需要通过多维度参数采集、智能化数据分析，为桥梁全生命周期养护提供科学依据。 结语桥梁轻量化监测的类型分化，本质上是政策需求、技术发展与管理目标三者动态适配的结果。
31210编辑于 2025-11-06- 来自专栏xwc1125
Sealos+tkeauth 轻量化安装TKEStack
Sealos+tkeauth 轻量化安装TKEStackSealos安装k8s参考文档：https://www.sealos.io/zh-Hans/docs/Intro安装sealoswget http admin-cert name: tke将二进制执行文件生成的webhook.crt和webhook.key（位置在二进制执行文件同级目录/data内）同时放到对应位置/etc/kubernetes/pki/修改 k8s
78220编辑于 2022-08-12 - 来自专栏小徐学爬虫
Vlang编写轻量化多线程爬虫
Vlang作为新兴语言，他简单、快速和安全让爬虫有不一样的体验。在V中，并发模型基于轻量级的协程（称为go routines，类似于Go语言的goroutine）和通道（channels）来实现。虽然说V语言目前还在快速发展中，但它的并发特性已经可以用于构建多线程（实际上是协程）应用程序，例如网络爬虫。
28910编辑于 2025-07-09 - 来自专栏DeepHub IMBA
DeLighT ：深度和轻量化的Transformer
基于注意力的Transformer网络被广泛用于序列建模任务，包括语言建模和机器翻译。为了提高性能，模型通常通过增加隐藏层的维度来扩展，或者通过堆叠更多的Transformer块来扩展。例如，T5使用65K的隐藏层参数，GPT-3使用96个Transformer块。然而，这样的缩放显著增加了网络参数的数量(例如，T5和GPT-3分别有110亿个和1750亿个参数)，并使学习复杂化，也就是说，这些模型要么需要非常大的训练库或特定的的正则化。
1K70发布于 2021-04-30 - 来自专栏让技术飞起来
轻量化方式实现灰度发布落地
由于本次调研的范围和时间有限，所以我认为较好用的轻量化灰度发布方案就暂时罗列这两类，当然方案有千千万，选择自己合适的就好。
1.1K40编辑于 2022-09-15 - 来自专栏清羽飞扬
Shynet：极为轻量化的访客监控系统
为了服务器的稳定，我只能忍痛将其关闭，并使用揽星在评论区提到的统计系统：51La和统计鸟，但是这两个卧龙凤雏每天都加载不出来，严重影响访客统计数据，实在没办法，只能自行部署，于是我又开始在网上寻找更加轻量化的访客统计系统 总体来说，我不是很喜欢，但是奈何他轻量化，我又能要什么自行车呢？ 优点 作为一个轻量化的系统，他的优点自然就是极为轻量化了，它的统计代码如下： <noscript> <img src="https://visitor.qyliu.top/ingress/aaaaaa-bbbbbb-cccccc-dddddd Umami到后来的51La和统计鸟，再到本次选择的Shynet，每一步都是为了找到一个符合服务器要求、易于部署、功能齐全的解决方案，Shynet作为一个自托管的网络分析工具，不仅保护了访客的隐私，而且在<em>轻量化</em>和功能性方面表现出色 如果你也在寻求一个及其<em>轻量化</em>的访客统计系统，不妨可以试试，相信不会让你失望！ 本次教程到此结束，如果有什么问题欢迎在评论区留言！
1K10编辑于 2024-05-30
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