- 作为一名资深程序员，我们在优化代码性能时总会面临一个核心问题：如何准确评估并充分利用目标平台的算力资源。从早期单核 CPU 的 MHz 竞速，到如今 CPU-GPU-NPU 异构混合计算，计算机算力的演进不仅改变了硬件架构，更重塑了我们对计算效率的理解方式。本文将深入探讨算力评估的演变历程，剖析不同处理器架构的特性，并揭示现代异构计算的性能优化本质。一、CPU 算力演进：从单核串行到并行扩展... 作为一名资深程序员，我们在优化代码性能时总会面临一个核心问题：如何准确评估并充分利用目标平台的算力资源。从早期单核 CPU 的 MHz 竞速，到如今 CPU-GPU-NPU 异构混合计算，计算机算力的演进不仅改变了硬件架构，更重塑了我们对计算效率的理解方式。本文将深入探讨算力评估的演变历程，剖析不同处理器架构的特性，并揭示现代异构计算的性能优化本质。一、CPU 算力演进：从单核串行到并行扩展...
- 随着中医药现代化和智能化进程的不断推进，如何借助人工智能技术实现中药材的快速识别与分类，已成为中医药信息化领域的重要研究方向。传统的中药材识别依赖于专家经验和人工比对，效率低下、误差较大，尤其在中药材种类繁多、外观相似度高的背景下，更加凸显自动识别技术的重要性。 随着中医药现代化和智能化进程的不断推进，如何借助人工智能技术实现中药材的快速识别与分类，已成为中医药信息化领域的重要研究方向。传统的中药材识别依赖于专家经验和人工比对，效率低下、误差较大，尤其在中药材种类繁多、外观相似度高的背景下，更加凸显自动识别技术的重要性。
- 1.1 深度学习介绍 深度学习与神经网络 1.2 神经网络基础 1.3 浅层神经网络 2.1 多分类与 TensorFlow 5、得出每次训练的准确率（通过真实值和预测值进行位置比较，每个样本都比较） 2.2 梯度下降算法改进 2.3.4 其它正则化方法 2.4 BN 与神经网络调优 3.1 图像数据与边缘检测 3.2 卷积神经网络(CNN)原理 3.3 经典分类网络结构 4. 1.1 深度学习介绍 深度学习与神经网络 1.2 神经网络基础 1.3 浅层神经网络 2.1 多分类与 TensorFlow 5、得出每次训练的准确率（通过真实值和预测值进行位置比较，每个样本都比较） 2.2 梯度下降算法改进 2.3.4 其它正则化方法 2.4 BN 与神经网络调优 3.1 图像数据与边缘检测 3.2 卷积神经网络(CNN)原理 3.3 经典分类网络结构 4.
- 1.深度学习概述包括深度学习与机器学习区别、深度学习应用场景、深度学习框架介绍、项目演示、开发环境搭建（pycharm安装）。2. TensorFlow基础涵盖TF数据流图、TensorFlow实现加法运算、图与TensorBoard（图结构、图相关操作、默认图、创建图、OP）、张量（张量概念、张量的阶、张量数学运算）、变量OP（创建变量）、增加其他功能（命名空间、模型保存与加 1.深度学习概述包括深度学习与机器学习区别、深度学习应用场景、深度学习框架介绍、项目演示、开发环境搭建（pycharm安装）。2. TensorFlow基础涵盖TF数据流图、TensorFlow实现加法运算、图与TensorBoard（图结构、图相关操作、默认图、创建图、OP）、张量（张量概念、张量的阶、张量数学运算）、变量OP（创建变量）、增加其他功能（命名空间、模型保存与加
- YOLOv4深度解析：革命性的实时目标检测技术 YOLOv4深度解析：革命性的实时目标检测技术
- 通道注意力机制|Channel Attention Neural Network 通道注意力机制|Channel Attention Neural Network
- F-GNN的新型检测框架：随机森林增强图神经网络 F-GNN的新型检测框架：随机森林增强图神经网络
- 近年来，大语言模型技术呈现两大显著发展趋势：一是混合专家（Mixture-of-Experts, MoE）架构的普及，万亿参数规模模型通过动态路由机制实现高效推理与领域专精；二是Agent能力的重要性持续提升，模型从被动对话交互向主动执行任务、工具调用及复杂工作流编排演进。 近年来，大语言模型技术呈现两大显著发展趋势：一是混合专家（Mixture-of-Experts, MoE）架构的普及，万亿参数规模模型通过动态路由机制实现高效推理与领域专精；二是Agent能力的重要性持续提升，模型从被动对话交互向主动执行任务、工具调用及复杂工作流编排演进。
- 4.1.4 GRU(门控循环单元) 4.1.5 LSTM(长短记忆网络) 循环神经网络 4.2 词嵌入与NLP 学习目标 4.2.2 词嵌入 4.2.3 Word2Vec案例 4.3 seq2seq与Attention机制 4.3.2 注意力机制 4.3.3 机器翻译案例 4.3.4 集束搜索（Beam Search） 4.3.5 BLEU-机器翻译的自动评估方法 5.1 生 4.1.4 GRU(门控循环单元) 4.1.5 LSTM(长短记忆网络) 循环神经网络 4.2 词嵌入与NLP 学习目标 4.2.2 词嵌入 4.2.3 Word2Vec案例 4.3 seq2seq与Attention机制 4.3.2 注意力机制 4.3.3 机器翻译案例 4.3.4 集束搜索（Beam Search） 4.3.5 BLEU-机器翻译的自动评估方法 5.1 生
- 深度学习模型虽应用广泛，但其“黑箱”特性导致可解释性不足，尤其在金融、医疗等敏感领域，模型决策逻辑的透明性至关重要。本文聚焦深度学习可解释性中的可视化分析，介绍模型结构、特征、参数及输入激活的可视化方法，帮助理解模型行为、提升透明度，并推动其在关键领域的安全应用。 深度学习模型虽应用广泛，但其“黑箱”特性导致可解释性不足，尤其在金融、医疗等敏感领域，模型决策逻辑的透明性至关重要。本文聚焦深度学习可解释性中的可视化分析，介绍模型结构、特征、参数及输入激活的可视化方法，帮助理解模型行为、提升透明度，并推动其在关键领域的安全应用。
- 1.深度学习课程概述包括深度学习与机器学习区别、深度学习应用场景、深度学习框架介绍、项目演示、开发环境搭建（pycharm安装）。2. TensorFlow基础涵盖TF数据流图、TensorFlow实现加法运算、图与TensorBoard（图结构、图相关操作、默认图、创建图、OP）、张量（张量概念、张量的阶、张量数学运算）、变量OP（创建变量）、增加其他功能（命名空间、模型保存 1.深度学习课程概述包括深度学习与机器学习区别、深度学习应用场景、深度学习框架介绍、项目演示、开发环境搭建（pycharm安装）。2. TensorFlow基础涵盖TF数据流图、TensorFlow实现加法运算、图与TensorBoard（图结构、图相关操作、默认图、创建图、OP）、张量（张量概念、张量的阶、张量数学运算）、变量OP（创建变量）、增加其他功能（命名空间、模型保存
- 本文深入剖析SVG路径动画中时间函数的操控艺术，揭示时间函数与路径特性的深层关联。从路径作为“时空容器”的本质出发，阐释时间函数如何通过调整时间分配权重，让图形运动契合路径的曲率、长度等特征，既符合物理直觉又具视觉美感。探讨复杂路径解析、时间与路径的共振法则，以及突破常规的创意实践与跨感官转译，展现时间函数从基础调控到智能自适应的演进，为SVG动画创作提供高阶思路。 本文深入剖析SVG路径动画中时间函数的操控艺术，揭示时间函数与路径特性的深层关联。从路径作为“时空容器”的本质出发，阐释时间函数如何通过调整时间分配权重，让图形运动契合路径的曲率、长度等特征，既符合物理直觉又具视觉美感。探讨复杂路径解析、时间与路径的共振法则，以及突破常规的创意实践与跨感官转译，展现时间函数从基础调控到智能自适应的演进，为SVG动画创作提供高阶思路。
- 1.算法运行效果图预览(完整程序运行后无水印) 由于网络训练具有一定的随机性，当训练性能略微差时，最后的识别率如下： 2.算法运行软件版本matlab2022a/matlab2024b 3.部分核心程序（完整版代码包含详细中文注释和操作步骤视频） %% 冻结初始图层layers = lgraph.Layers;connections = lgraph.Connections; %% 训练网... 1.算法运行效果图预览(完整程序运行后无水印) 由于网络训练具有一定的随机性，当训练性能略微差时，最后的识别率如下： 2.算法运行软件版本matlab2022a/matlab2024b 3.部分核心程序（完整版代码包含详细中文注释和操作步骤视频） %% 冻结初始图层layers = lgraph.Layers;connections = lgraph.Connections; %% 训练网...
- 4.1.4 GRU(门控循环单元) 4.1.5 LSTM(长短记忆网络) 循环神经网络 4.2 词嵌入与NLP 学习目标 4.2.2 词嵌入 4.2.3 Word2Vec案例 4.3 seq2seq与Attention机制 4.3.2 注意力机制 4.3.3 机器翻译案例 4.3.4 集束搜索（Beam Search） 4.3.5 BLEU-机器翻译的自动评估方法 5.1 生 4.1.4 GRU(门控循环单元) 4.1.5 LSTM(长短记忆网络) 循环神经网络 4.2 词嵌入与NLP 学习目标 4.2.2 词嵌入 4.2.3 Word2Vec案例 4.3 seq2seq与Attention机制 4.3.2 注意力机制 4.3.3 机器翻译案例 4.3.4 集束搜索（Beam Search） 4.3.5 BLEU-机器翻译的自动评估方法 5.1 生
- 简介Google Satellite Embedding 数据集是一个全球性的、可用于分析的地理空间嵌入学习集合。此数据集中的每个 10 米像素都是一个 64 维表示形式，或“嵌入向量”，用于编码单个日历年内各种地球观测仪器和数据集在相应像素及其周围测量的地表条件的时间轨迹。与波段对应于物理测量的传统光谱输入和指数不同，嵌入是特征向量，以不太直观但更强大的方式总结了多源、多模态观测结果之间的... 简介Google Satellite Embedding 数据集是一个全球性的、可用于分析的地理空间嵌入学习集合。此数据集中的每个 10 米像素都是一个 64 维表示形式，或“嵌入向量”，用于编码单个日历年内各种地球观测仪器和数据集在相应像素及其周围测量的地表条件的时间轨迹。与波段对应于物理测量的传统光谱输入和指数不同，嵌入是特征向量，以不太直观但更强大的方式总结了多源、多模态观测结果之间的...
上滑加载中
推荐直播
-
Skill 构建 × 智能创作：基于华为云码道的 AI 内容生产提效方案2026/03/25 周三 19:00-20:00
余伟，华为云软件研发工程师/万邵业（万少），华为云HCDE开发者专家
本次直播带来两大实战：华为云码道 Skill-Creator 手把手搭建专属知识库 Skill；如何用码道提效 OpenClaw 小说文本，打造从大纲到成稿的 AI 原创小说全链路。技术干货 + OPC创作思路，一次讲透！
回顾中 -
码道新技能，AI 新生产力——从自动视频生成到开源项目解析2026/04/08 周三 19:00-21:00
童得力-华为云开发者生态运营总监/何文强-无人机企业AI提效负责人
本次华为云码道 Skill 实战活动，聚焦两大 AI 开发场景：通过实战教学，带你打造 AI 编程自动生成视频 Skill，并实现对 GitHub 热门开源项目的智能知识抽取，手把手掌握 Skill 开发全流程，用 AI 提升研发效率与内容生产力。
回顾中 -
华为云码道：零代码股票智能决策平台全功能实战2026/04/18 周六 10:00-12:00
秦拳德-中软国际教育卓越研究院研究员、华为云金牌讲师、云原生技术专家
利用Tushare接口获取实时行情数据，采用Transformer算法进行时序预测与涨跌分析，并集成DeepSeek API提供智能解读。同时，项目深度结合华为云CodeArts（码道）的代码智能体能力，实现代码一键推送至云端代码仓库，建立起高效、可协作的团队开发新范式。开发者可快速上手，从零打造功能完整的个股筛选、智能分析与风险管控产品。
回顾中
热门标签