- 华为云广域网监控方案通过主动拨测技术，实现对网络和服务的实时监控与优化，确保业务稳定性和提升用户体验。其覆盖全国多个运营商节点，支持按需调整探测频率，提供故障链路可视化，帮助企业精准定位问题，优化网络资源，实现业务流程的高效流转。欢迎体验华为云云监控的拨测产品，以获取更稳定、流畅的服务体验。 华为云广域网监控方案通过主动拨测技术，实现对网络和服务的实时监控与优化，确保业务稳定性和提升用户体验。其覆盖全国多个运营商节点，支持按需调整探测频率，提供故障链路可视化，帮助企业精准定位问题，优化网络资源，实现业务流程的高效流转。欢迎体验华为云云监控的拨测产品，以获取更稳定、流畅的服务体验。
- 通过本实验，用户可以快速掌握鲲鹏数学库的安装与使用，并对所涉及的数学库性能表现有清晰认识。 通过本实验，用户可以快速掌握鲲鹏数学库的安装与使用，并对所涉及的数学库性能表现有清晰认识。
- 华为云CodeArts Governance开源治理服务是针对软件研发提供的一站式开源软件治理平台，从合法合规、网络安全、供应安全等维度消减开源软件使用风险。最新特性源码成分分析专业版与二进制成分分析专业版已开启公测。 随着开源软件广泛应用，颠覆性技术不断涌现，如何在软件开发全流程中保障开源安全，成为企业面对的重要挑战。根据研究数据显示，全球超过99%的商业软件含有开源组件，75%商业软件直... 华为云CodeArts Governance开源治理服务是针对软件研发提供的一站式开源软件治理平台，从合法合规、网络安全、供应安全等维度消减开源软件使用风险。最新特性源码成分分析专业版与二进制成分分析专业版已开启公测。 随着开源软件广泛应用，颠覆性技术不断涌现，如何在软件开发全流程中保障开源安全，成为企业面对的重要挑战。根据研究数据显示，全球超过99%的商业软件含有开源组件，75%商业软件直...
- HarmonyOS应用开发实战-开箱即用的首页页面构建与ArkTS解析【HarmonyOS 5.0（Next）】 一、HarmonyOS Next 5.0的优势AI能力：HarmonyOS Next 5.0通过系统级AI能力，将AI下沉至操作系统并赋能给多个子系统，从而提升了应用的智能化体验。例如，小艺助手在HarmonyOS Next 5.0中得到了显著增强，其记忆能力、知识问答能力以... HarmonyOS应用开发实战-开箱即用的首页页面构建与ArkTS解析【HarmonyOS 5.0（Next）】 一、HarmonyOS Next 5.0的优势AI能力：HarmonyOS Next 5.0通过系统级AI能力，将AI下沉至操作系统并赋能给多个子系统，从而提升了应用的智能化体验。例如，小艺助手在HarmonyOS Next 5.0中得到了显著增强，其记忆能力、知识问答能力以...
- 问题现象在K8s集群内部署了一个推理实例，然后需要能从另外一个VPC访问。之前集群这么访问都是OK的，但是一个新建的集群发现不通，需要定位原因。 确定只是端口不通首先我们在节点B里面curl 目标节点IP2+NodePort，发现是不通的。报错：Connection refused。大家知道，Connection refused代表，报文到达对方了，但是对方拒收。说明指定的端口并没有在监听。... 问题现象在K8s集群内部署了一个推理实例，然后需要能从另外一个VPC访问。之前集群这么访问都是OK的，但是一个新建的集群发现不通，需要定位原因。 确定只是端口不通首先我们在节点B里面curl 目标节点IP2+NodePort，发现是不通的。报错：Connection refused。大家知道，Connection refused代表，报文到达对方了，但是对方拒收。说明指定的端口并没有在监听。...
- 本案例主要介绍Z企业如何通过华为云Landing Zone专业服务，构建架构卓越、安全合规、可扩展的多账号运行环境，在此基础上精益IT治理体系，实现“人财物权法”的有序和集中管控。 本案例主要介绍Z企业如何通过华为云Landing Zone专业服务，构建架构卓越、安全合规、可扩展的多账号运行环境，在此基础上精益IT治理体系，实现“人财物权法”的有序和集中管控。
- W公司在2024年XX市“攻防演练”中，与华为云合作，通过7*24小时安全监控、全流量威胁检测和资产梳理等措施，有效提升了安全防护能力，荣获“优秀防守单位”称号，成功实现了“0” 失分目标。此次演练不仅强化了W公司的日常安全运营，还推动了从DevOps到DevSecOps的转变。 W公司在2024年XX市“攻防演练”中，与华为云合作，通过7*24小时安全监控、全流量威胁检测和资产梳理等措施，有效提升了安全防护能力，荣获“优秀防守单位”称号，成功实现了“0” 失分目标。此次演练不仅强化了W公司的日常安全运营，还推动了从DevOps到DevSecOps的转变。
- 随着微服务架构的流行，Docker作为容器化技术的领导者，在企业级应用部署中扮演着重要角色。掌握Docker的高级特性，特别是网络配置和服务编排，对于构建高效、可维护的分布式系统至关重要。本文将深入探讨Docker的网络配置选项、容器间通信机制、端口映射技术以及使用Docker Compose进行多容器应用部署的最佳实践。 随着微服务架构的流行，Docker作为容器化技术的领导者，在企业级应用部署中扮演着重要角色。掌握Docker的高级特性，特别是网络配置和服务编排，对于构建高效、可维护的分布式系统至关重要。本文将深入探讨Docker的网络配置选项、容器间通信机制、端口映射技术以及使用Docker Compose进行多容器应用部署的最佳实践。
- 在当今数字化时代，信息技术（IT）已成为我们生活和工作中不可或缺的一部分。无论是个人还是企业，掌握IT基础知识都是至关重要的。本文将带你深入了解IT的基础知识，包括计算机硬件、软件以及网络基础。 在当今数字化时代，信息技术（IT）已成为我们生活和工作中不可或缺的一部分。无论是个人还是企业，掌握IT基础知识都是至关重要的。本文将带你深入了解IT的基础知识，包括计算机硬件、软件以及网络基础。
- 离线策略修正分层强化学习，Hierarchical Reinforcement Learning with Off-Policy Correction (HIRO) 是一种基于分层强化学习的算法，旨在解决长时间跨度和稀疏奖励问题。HIRO 特别引入了离策略（off-policy）校正机制，允许高层策略利用低层策略的经验，而不会因为低层策略的更新而产生偏差。 离线策略修正分层强化学习，Hierarchical Reinforcement Learning with Off-Policy Correction (HIRO) 是一种基于分层强化学习的算法，旨在解决长时间跨度和稀疏奖励问题。HIRO 特别引入了离策略（off-policy）校正机制，允许高层策略利用低层策略的经验，而不会因为低层策略的更新而产生偏差。
- 动态分层强化学习，Dynamic Hierarchical Reinforcement Learning (DHRL) 是一种自适应分层强化学习算法，其目标是根据任务和环境的复杂性动态地构建、修改和利用分层策略。DHRL 不仅仅是预定义层次结构的简单执行，而是允许代理在学习过程中根据需要动态生成和调整分层策略，从而实现更好的任务分解和高效学习。 DHRL 扩展了传统的分层强化学习（HRL），通过动 动态分层强化学习，Dynamic Hierarchical Reinforcement Learning (DHRL) 是一种自适应分层强化学习算法，其目标是根据任务和环境的复杂性动态地构建、修改和利用分层策略。DHRL 不仅仅是预定义层次结构的简单执行，而是允许代理在学习过程中根据需要动态生成和调整分层策略，从而实现更好的任务分解和高效学习。 DHRL 扩展了传统的分层强化学习（HRL），通过动
- Options Framework（选项框架）是分层强化学习中的一种经典方法，旨在通过将动作抽象化为**选项（Options）**来简化复杂任务的学习过程。基于Sutton等人提出的选项框架（Options Framework），其中选项是从一个子任务执行到完成的高层决策链。高层决策什么时候调用特定选项，低层负责具体执行选项的策略。 选项框架允许智能体在多个时间步内选择并执行较高级别的策略，而不 Options Framework（选项框架）是分层强化学习中的一种经典方法，旨在通过将动作抽象化为**选项（Options）**来简化复杂任务的学习过程。基于Sutton等人提出的选项框架（Options Framework），其中选项是从一个子任务执行到完成的高层决策链。高层决策什么时候调用特定选项，低层负责具体执行选项的策略。 选项框架允许智能体在多个时间步内选择并执行较高级别的策略，而不
- 半马尔可夫决策过程，Semi-Markov Decision Processes (SMDP) 是一种用于分层强化学习的模型，适用于那些包含不规则时间步或长期延迟决策的任务。相比于标准的马尔可夫决策过程（Markov Decision Process, MDP），SMDP 能够处理不同时间间隔之间的决策问题，因此在强化学习中广泛应用于分层结构，尤其是需要长时间跨度或多步策略的复杂任务中。 半马尔可夫决策过程，Semi-Markov Decision Processes (SMDP) 是一种用于分层强化学习的模型，适用于那些包含不规则时间步或长期延迟决策的任务。相比于标准的马尔可夫决策过程（Markov Decision Process, MDP），SMDP 能够处理不同时间间隔之间的决策问题，因此在强化学习中广泛应用于分层结构，尤其是需要长时间跨度或多步策略的复杂任务中。
- Hierarchical-DQN (Hierarchical Deep Q-Network) 是一种分层强化学习算法，专门设计用于解决复杂的任务，通过将任务分解为层次化的子任务来学习。它结合了深度 Q 网络（DQN）和分层强化学习的思想，将复杂任务分解为多个具有不同时间尺度的子任务。Hierarchical-DQN 的设计思路和 FeUdal Networks 类似，都是通过层次结构来解决长时间跨 Hierarchical-DQN (Hierarchical Deep Q-Network) 是一种分层强化学习算法，专门设计用于解决复杂的任务，通过将任务分解为层次化的子任务来学习。它结合了深度 Q 网络（DQN）和分层强化学习的思想，将复杂任务分解为多个具有不同时间尺度的子任务。Hierarchical-DQN 的设计思路和 FeUdal Networks 类似，都是通过层次结构来解决长时间跨
- Hierarchical Actor-Critic (HAC) 算法是一种用于分层强化学习（Hierarchical Reinforcement Learning, HRL）的算法，由Levy等人在2019年提出。HAC的目的是通过分层结构，将复杂任务分解为不同的时间尺度的子任务，从而更高效地学习策略。该算法使用了两层的Actor-Critic架构来实现策略和值函数的学习，并通过子任务的分解来降低 Hierarchical Actor-Critic (HAC) 算法是一种用于分层强化学习（Hierarchical Reinforcement Learning, HRL）的算法，由Levy等人在2019年提出。HAC的目的是通过分层结构，将复杂任务分解为不同的时间尺度的子任务，从而更高效地学习策略。该算法使用了两层的Actor-Critic架构来实现策略和值函数的学习，并通过子任务的分解来降低
上滑加载中
推荐直播
-
香橙派AIpro的远程推理框架与实验案例2025/07/04 周五 19:00-20:00
郝家胜 -华为开发者布道师-高校教师
AiR推理框架创新采用将模型推理与模型应用相分离的机制，把香橙派封装为AI推理黑盒服务，构建了分布式远程推理框架，并提供多种输入模态、多种输出方式以及多线程支持的高度复用框架，解决了开发板环境配置复杂上手困难、缺乏可视化体验和资源稀缺课程受限等痛点问题，真正做到开箱即用，并支持多种笔记本电脑环境、多种不同编程语言，10行代码即可体验图像分割迁移案例。
回顾中 -
鸿蒙端云一体化应用开发2025/07/10 周四 19:00-20:00
倪红军 华为开发者布道师-高校教师
基于鸿蒙平台终端设备的应用场景越来越多、使用范围越来越广。本课程以云数据库服务为例，介绍云侧项目应用的创建、新建对象类型、新增存储区及向对象类型中添加数据对象的方法，端侧（HarmonyOS平台）一体化工程项目的创建、云数据资源的关联方法及对云侧数据的增删改查等操作方法，为开发端云一体化应用打下坚实基础。
回顾中
热门标签