登录社区云，与社区用户共同成长
邀请您加入社区
随着人工智能、物联网、智能传感等应用的快速兴起，数据以爆发式的速度增长。海量数据的高效存储、迁移与处理成为当前信息领域的重大挑战。受限于经典的冯诺依曼计算架构存储与处理分离的特性，在面向大数据分析等应用场景中，数据总线的带宽严重制约了处理器的性能与能量效率，并且数据的频繁迁移带来严重的传输功耗问题。存内计算架构在此基础上应运而生。如图-1b所示，通过赋予存储器计算功能，以数据为中心，避免不必要的数
CNN作为计算机视觉领域的主流方法，已经诞生了诸多优秀模型（AlexNet、VGG、GoogLeNet、ResNet等），每个模型的优点之前都有介绍。DenseNet的作者是Zhuang Liu（清华大学）、Gao Huang和Kilian Q.Weinberger（康奈尔大学）、Laurens van der Maaten（脸书研究员），论文斩获CVPR 2017最佳论文！论文链接：Densel
神经网络是一种机器学习模型的类型，基于生物神经元的启发，具有学习和推理的能力。它是实现模型的基础构造单元。架构是神经网络的设计框架，定义了神经网络的具体结构和连接方式。不同的架构适用于不同的任务，它是构建神经网络的蓝图。模型是基于某种架构，经过数据训练得到的最终产品。它包含了经过训练的参数（权重和偏置），并能够在实际任务中执行推理或预测。
第一个门：决定我们要扔掉哪些信息（forget gate layer）ft=σ(Wf∗[ht−1,xt]+bf)f_t = \sigma(W_{f}*[h_{t-1},x_t] + b_f)ft=σ(Wf∗[ht−1,xt]+bf)第二个门：用来决定我们打算决定储存哪些新信息。it=σ(Wi∗[ht−1,xt]+bi)i_t = \sigma(W_i*[h_{t-1},x_t] + ..
个人笔记
数据集概述同质性图：Cora、CiteSeer和PubMed是三种常用的引用网络[1]。我们遵循传统的半监督设定[2]来划分数据集。此外，Computer和Photo是公共购买网络[3]，CS和Physics是公共作者网络[3]，我们采用训练/验证/测试划分为60%/20%/20%的标准[4]。我们还使用了Wiki-CS[5]，该数据集是由计算机科学论文组成的引用网络，我们使用[5]的划分异质性图
面对在线推理服务使用的GPU资源不断增加、GPU利用率普遍较低的挑战，美团视觉研发团队决定通过模型结构拆分和微服务化进行优化，他们提出了一种通用高效的部署架构，来解决这种常见的性能瓶颈问题。以“图像检测+分类”服务为例，优化后的服务压测性能指标GPU利用率由40%提升至100%，QPS也提升超过3倍。本文将会重点介绍推理服务部署架构优化的工程实践，希望对大家能有所...
Xinference是一个利用actor编程框架Xoscar来管理机器、设备和模型推理进程的系统。每个actor都是模型推理的基本单元，可以集成多种推理后端。它支持多种推理引擎和硬件，并且具有异步和非阻塞的特性。：使用FastAPI实现，提供了一个示例API/status对应函数get_status。命令行：通过Click实现，允许用户在终端与Xinference进行交互。提供了几个命令行工具，如
为满足不同市场细分的需求，GPU 实现了可扩展数量的多处理器结构——实际上，GPU 本身就是由多个多处理器组成的多处理器。此外，每个多处理器都高度支持多线程，能够高效地执行大量细粒度的顶点着色器线程和像素着色器线程。一款基础质量优良的 GPU 拥有两到四个多处理器，而专为游戏发烧友或计算平台设计的 GPU 则拥有几十个这样的多处理器。本节将关注其中一个多线程多处理器架构，即 NVIDIA Tesl
通过上述步骤，我们使用 Python 构建了一个简单的 ERC-20 智能合约，并实现了与其交互的功能。在实际应用中，智能合约可以用于构建去中心化应用（DApp），实现自动化的业务逻辑。Python 作为一种高效的开发语言，能够帮助开发者快速实现区块链应用。在未来，随着区块链技术的不断发展，Python 在区块链领域的应用将更加广泛。开发者可以利用 Python 的优势，构建更为复杂和高效的区块链
Apache Druid 是一个为实时分析和大规模数据集设计的分布式数据存储系统。本文将深入解析 Druid 的架构设计，探讨其各个组件的功能与交互方式，帮助您理解如何利用 Druid 构建高性能的数据分析平台。
摘要： Spring Boot微服务在Docker与Kubernetes（K8S）中的部署差异显著： Docker：轻量级单容器管理，适合本地开发或小规模部署，但缺乏多节点编排和自动化能力。 Kubernetes：提供跨节点编排、自动扩缩容、服务发现等高阶功能，适合大规模生产环境，但配置更复杂。 协同使用：开发阶段用Docker构建镜像，生产环境通过K8S实现高可用和弹性扩展。两者互补，满足不同场
基于本地LLM与MCP架构构建AI智能体全指南
我们在各个领域，无论是商业决策、项目管理还是个人成长规划，有效的目标设定都是成功的关键。CO-STAR 架构作为一种结构化的目标设定方法，为我们提供了一个全面且系统的框架。当我们将其应用于 prompt 设计领域时，它同样展现出了巨大的潜力和价值。今天我们一起聊一下 CO-STAR 架构在prompt中的应用。一、CO-STAR 架构概述1、ContextContext 是 CO-STAR 架构的
通过弹性配置（CPU、内存、带宽），某跨境电商在“黑五”期间实现5倍流量突增的毫秒级扩容，每秒处理50万笔订单。从网站托管的“地基功能”到量子计算的“未来实验室”，其用途正在指数级拓展——它不仅是企业数字化转型的引擎，更是人类探索AI、元宇宙、星际计算的前哨站。某金融机构通过定期快照功能，实现交易数据的分钟级回滚，保障金融级零数据丢失。某游戏公司通过容器化部署，资源利用率提升40%，版本迭代周期缩
数商云作为国内领先的B2B电商解决方案提供商，其系统需要支撑企业客户日益增长的交易需求，特别是在大促活动期间，系统经常需要应对百万级并发交易的极端场景。在数据层面，系统采用了多模数据库策略，根据数据类型选择最适合的存储方案，如关系型数据库用于交易数据，文档数据库用于产品目录，图数据库用于推荐系统。数商云B2B系统采用了全面的云原生架构设计，其核心思想是将系统拆分为一组松耦合的微服务，每个服务专注于
数商云智能电商对账平台是一款集成了大数据、云计算、人工智能等先进技术的电商财务管理工具。它通过对接电商企业的各个交易平台、支付系统、物流系统等，实现交易数据的实时同步与自动匹配，为企业提供一键对账、智能分析、灵活配置等全方位的对账服务。平台以高效、精准、灵活为核心，助力电商企业解决对账难题，提升财务效率。数商云智能电商对账平台支持企业根据自身业务特点和对账需求，自定义对账规则。无论是订单与支付的匹
股票量化回测是一种基于历史行情数据评估交易策略表现和风险特征的量化工具。通过对收益率、最大回撤、夏普比率等基本指标的分析，以及与指数的对比，投资者可以全面了解策略在不同时间段内的盈利能力和风险水平。重点就是关注各只股票上的收益表现，以优化投资组合的配置，以及每日持仓列表和交易订单列表可以帮助进一步优化策略。但要保持数据一致性和策略正确性，时刻注意数据穿越发生。
模型训练过程实质上是数据库知识图谱的连续映射过程。MySQL的binlog不再只是数据变更的记录载体，而是通过Scikit-learn的在线学习算法转化为模型权重更新的信号源。数据库中的每个事务操作都会触发特征工程的增量演化，这种实时反馈机制使得机器学习模型能够捕捉到数据分布的微妙颤动，在金融高频交易预测和工业设备实时健康监测等场景中展现出量子跃迁式的性能突破。数据分块策略的进化体现了分形计算的思
采购流程冗长、供应链协同效率低、交易数据不透明等问题，严重制约了企业的市场响应速度和业务增长。本文将深入剖析该案例的实施背景、解决方案、核心功能及落地效果，为行业提供可借鉴的数字化转型经验。未来，随着5G、AI、区块链等技术的深入应用，精细化工B2B电商将向更智能、更高效的方向发展。更是行业刚需，企业采购商和供应商需要随时随地下单、询价、跟踪物流，以提升交易效率和客户体验。：通过数字化平台连接供应
渐进式拆分策略基于"陌生者模式"(Strangler Fig Pattern)，这个模式的名字来源于热带雨林中的绞杀榕，它们从宿主树的顶部开始生长，逐渐向下扩展，最终完全取代宿主树。在现有系统周围构建新系统逐步将功能从旧系统迁移到新系统当所有功能都迁移完成后，淘汰旧系统这种方法的关键优势是风险分散和价值早期实现。从单体到微服务的转型是一段充满挑战但也充满回报的旅程。不要盲目追随趋势：微服务不是万能
基于大型语言模型的自主代理在量化投资等专业领域的应用面临挑战，尤其是构建和整合领域特定知识库。本文提出一个两层循环的框架：内层循环通过知识库优化响应，外层循环在真实场景中测试响应并自动增强知识库。该方法使代理能够逐步接近最优行为，并具备可证明的效率。通过名为QuantAgent的自主代理实例化该框架，展示其在挖掘交易信号和提高金融预测准确性方面的能力。
在年交易规模超8000亿元的黄金珠宝产业中，传统供应链正面临多重挑战：上游矿产采购信息不透明导致原料成本波动剧烈，中游加工企业订单匹配效率低下，下游零售商库存周转率普遍低于行业标准。基于LSTM神经网络开发的原料价格预测系统，整合全球12个贵金属交易所的实时数据，预测准确率较传统模型提升62%。某港资珠宝集团接入系统后，原料采购周期缩短40%，定制订单交付准时率提升至98.7%。周大福华东仓实施后
B2B 大宗电商交易系统是为大宗商品交易领域精心打造的数字化平台，旨在打破传统交易模式的地域、时间限制，实现大宗商品交易的高效化、智能化与透明化。后端则配备功能强大的管理模块，负责系统的稳定运行、数据管理以及业务流程的管控，同时依托高性能的数据库系统，保障海量交易数据的安全存储与快速调取。随着全球经济一体化进程的加速以及数字化技术的飞速发展，B2B 大宗电商交易市场展现出巨大的发展潜力。传统大宗商
流数据（Streaming Data）是指实时产生的数据，通常是一个不断变化的数据流，具有高频、瞬时、动态的特点。典型的流数据场景包括：社交媒体数据、传感器数据、金融交易数据、日志数据等。实时数据处理则是指在数据生成的同时或接近实时地对数据进行处理，并将处理结果反馈给决策系统。这种处理方式要求系统具备低延迟、高吞吐的能力。是一个分布式的流数据平台，主要用于高吞吐量、低延迟的消息传递。它的设计目标是
基于多层感知器（MLP），通过指标、时间和股票混合处理股票数据。：捕捉股票指标、时间和股票间的复杂相关性，预测下一个交易日的收盘价。：适用于量化投资、风险管理、算法交易和投资组合优化等场景。
它提供可视化界面和脚本模式，既能实时查看AI操作过程，也能批量处理开发任务。它采用独特的数据模型与界面分离架构，既能像Excel一样简单操作，又能像专业开发那样自由定义复杂数据结构，轻松应对客户管理、工单系统等业务场景。所有方法都配有详细教程和可运行代码，开发者可以快速集成到现有系统中，社区还持续更新最新的行业解决方案，是构建专业级智能助手的技术宝典。用户可输入股票代码观察多AI协同决策过程，通过
选择垂直细分领域试点（建议SKU标准化程度高的行业）建立供应商分级认证体系（质量/交期/服务评分）开发API对接主流ERP系统（SAP、金蝶等）构建商户信用评估模型（交易数据+社交行为分析）集成多渠道订单管理系统（支持平台/私域流量）部署智能合约结算系统（支持多币种自动分账）设计合理的利益分配机制（包含流量分配规则）部署防窜货系统（RFID+地理围栏技术）迭代开发增值服务（供应链金融等盈利模块）智
已成为企业构建数据中台的核心引擎。随着HTAP能力的增强和云原生部署的优化（如Kubernetes支持），它正从“分析型数据库”向“实时数据计算平台”进化。（OLAP），专为海量数据分析设计，支撑PB级数据仓库、商业智能（BI）和实时决策系统。：Greenplum ≠ OLTP数据库！它擅长复杂分析查询，而非高频交易。，降低开发门槛，兼容主流BI工具（如Tableau）。：基于PostgreSQL
2. **零售行业**：零售商利用大数据平台来分析客户购买行为、库存数据等，以优化库存管理、制定营销策略，并提供个性化的购物体验。1. **金融行业**：金融机构利用大数据平台来分析交易数据、客户行为数据等，以识别欺诈行为、评估信用风险，并为客户提供个性化的金融服务。3. **制造业**：制造企业利用大数据平台来监测生产设备的运行状态、分析生产数据等，以优化生产流程、提高生产效率和产品质量。5.
本文主要介绍了 openGauss / 磐维数据库中分析函数的使用，涵盖聚合函数、排名函数、窗口函数、文本聚合函数、行列转换等多种函数，希望能对大家有所帮助。
颠覆AI世界的「关联引擎」——Transformer架构深度解密2017年，一种名为“自注意力”的机制终结了RNN/CNN时代，催生出统治AI的Transformer架构——ChatGPT、AlphaFold的终极引擎。它用数学之美破解三大魔咒：全局洞察力（单步扫描整本《百年孤独》的词关系）恐怖并行力（训练提速10倍，支撑万亿参数模型）跨界统治力（同架构处理文本/图像/基因/语音）
KET-RAG 的核心创新在于"骨架+轻衣"的双层架构。就像建造摩天大楼时先搭建钢结构骨架，再安装轻质幕墙，KET-RAG 首先筛选出文档集合中的核心文本块（约占总量 20%），仅对这些关键部分进行精细化的知识图谱构建。骨架：知识图谱骨架（Skeleton-RAG），通过选择一小部分核心文本块，利用LLM提取结构化知识，构建知识图谱骨架。轻衣：文本-关键词二分图（Keyword-RAG），构建一个
DeepSeek 在电子政务中的创新实践案例已覆盖全国多地，形成了多领域、多层次的智能化应用体系，以下是具有代表性的创新案例：一、*政务流程智能化升级*1. *深圳福田区 AI 数智员工*部署全尺寸 DeepSeek 大模型，推出 70 名“数智员工”，覆盖 11 大类 240 个政务场景，显著提升效率：- 执法文书生成：笔录秒级转初稿，错误率降低 90%；- 安全生产管理：演练脚本生成效率提升
例如，GPT-3、BERT等大型语言模型就是典型的大模型学习的代表。2. **数据驱动的决策**：大模型学习使得AI系统能够更深入地理解和分析数据，为决策提供更加准确和全面的支持，助力企业和科研机构做出更明智的选择。3. **社会与伦理问题**：然而，随着大模型学习的广泛应用，也引发了一系列社会和伦理问题，如数据隐私、算法公平性等，需要引起足够的重视和探讨。1. **智能应用的进化**：大模型学习
架构
——架构
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
松山湖开发者村综合服务平台
MCP技术社区
程序员理财社区
华为开发者空间
AI大模型社区
AI Agent技术社区
