- HarmonyOS开发：NNAPI硬件加速适配与多NPU调度核心要点：NNAPI是HarmonyOS连接AI推理框架与底层NPU硬件的桥梁，掌握NNAPI适配与多NPU调度，是释放端侧AI极致性能的关键。本文从NNAPI架构原理、设备发现、算子适配、多NPU负载均衡到故障容错，全方位解析硬件加速的实战技巧。 一、背景与动机你有没有想过，为什么同样的模型，在旗舰机上推理只要5ms，在入门机上... HarmonyOS开发：NNAPI硬件加速适配与多NPU调度核心要点：NNAPI是HarmonyOS连接AI推理框架与底层NPU硬件的桥梁，掌握NNAPI适配与多NPU调度，是释放端侧AI极致性能的关键。本文从NNAPI架构原理、设备发现、算子适配、多NPU负载均衡到故障容错，全方位解析硬件加速的实战技巧。 一、背景与动机你有没有想过，为什么同样的模型，在旗舰机上推理只要5ms，在入门机上...
- HarmonyOS APP开发：模型量化技术（INT8/FP16）与精度保持核心要点：模型量化是端侧AI部署的"必选项"——一个FP32的ResNet-50要100MB，量化为INT8后只有25MB，推理速度提升2-4倍。但量化不是免费的午餐，精度损失是最大的代价。本文深入讲解INT8/FP16量化原理、校准策略、精度评估方法，以及在HarmonyOS上的完整实战。 一、背景与动机先算一笔... HarmonyOS APP开发：模型量化技术（INT8/FP16）与精度保持核心要点：模型量化是端侧AI部署的"必选项"——一个FP32的ResNet-50要100MB，量化为INT8后只有25MB，推理速度提升2-4倍。但量化不是免费的午餐，精度损失是最大的代价。本文深入讲解INT8/FP16量化原理、校准策略、精度评估方法，以及在HarmonyOS上的完整实战。 一、背景与动机先算一笔...
- HarmonyOS APP开发：AI模型部署与资源管理策略核心要点：AI模型从训练完成到端侧运行，中间隔着一条"部署鸿沟"。本文深入探讨HarmonyOS应用中AI模型的打包分发、动态加载、内存管理、多模型调度等核心策略，帮你构建高效稳定的端侧AI应用。 一、背景与动机想象一下这个场景：你花了两周时间训练了一个超赞的目标检测模型，精度达到95%，拿到手机上一跑——OOM了。这不是段子，这是... HarmonyOS APP开发：AI模型部署与资源管理策略核心要点：AI模型从训练完成到端侧运行，中间隔着一条"部署鸿沟"。本文深入探讨HarmonyOS应用中AI模型的打包分发、动态加载、内存管理、多模型调度等核心策略，帮你构建高效稳定的端侧AI应用。 一、背景与动机想象一下这个场景：你花了两周时间训练了一个超赞的目标检测模型，精度达到95%，拿到手机上一跑——OOM了。这不是段子，这是...
- HarmonyOS开发：MindSpore Lite端侧AI推理框架全解析核心要点：MindSpore Lite是华为面向端侧AI推理的轻量级框架，支持模型转换、推理调度、硬件加速全链路能力。本文从框架架构、模型加载、推理执行到性能调优，全方位解析其在HarmonyOS上的实战应用。 一、背景与动机你有没有想过，为什么手机拍照时美颜效果能实时呈现？为什么语音助手能在断网的情况下依然听懂你说... HarmonyOS开发：MindSpore Lite端侧AI推理框架全解析核心要点：MindSpore Lite是华为面向端侧AI推理的轻量级框架，支持模型转换、推理调度、硬件加速全链路能力。本文从框架架构、模型加载、推理执行到性能调优，全方位解析其在HarmonyOS上的实战应用。 一、背景与动机你有没有想过，为什么手机拍照时美颜效果能实时呈现？为什么语音助手能在断网的情况下依然听懂你说...
- 本文通过 MindSpore 的API完整实现一个深度学习模型，涉及到模型训练的各个环节，对学习 MindSpore 的模型训练很有作用。 本文通过 MindSpore 的API完整实现一个深度学习模型，涉及到模型训练的各个环节，对学习 MindSpore 的模型训练很有作用。
- 本文主要介绍了昇思 MindSpore 的数据处理功能。 本文主要介绍了昇思 MindSpore 的数据处理功能。
- 本文将开源数据处理为大模型微调需要的数据，是大模型训练微调的基础步骤。实验考试占比10%。 本文将开源数据处理为大模型微调需要的数据，是大模型训练微调的基础步骤。实验考试占比10%。
- 本文详细讲解了大模型训练的数据处理和文本分词的技术，笔试占比 6%。 本文详细讲解了大模型训练的数据处理和文本分词的技术，笔试占比 6%。
- 本章主要介绍了小模型和大模型训练数据集的差异性，并详细讲解了大模型训练过程中使用的数据类型。笔试占比3%。 本章主要介绍了小模型和大模型训练数据集的差异性，并详细讲解了大模型训练过程中使用的数据类型。笔试占比3%。
- 本章介绍了大模型的特性、发展以及业务流程，笔试占比10%。 本章介绍了大模型的特性、发展以及业务流程，笔试占比10%。
- 通过去噪扩散概率模型（Denoising Diffusion Probabilistic Models，DDPM）可以生成图像，但是生成的图像具有随机性，无法预测。条件扩散模型可以去噪扩散模型的基础上，在给定条件下，生成指定的图像。 通过去噪扩散概率模型（Denoising Diffusion Probabilistic Models，DDPM）可以生成图像，但是生成的图像具有随机性，无法预测。条件扩散模型可以去噪扩散模型的基础上，在给定条件下，生成指定的图像。
- 反向扩散过程是从一张完全高斯噪声图片中，逐步去除噪声，来生成一张图片。但是噪声的数据是很难直接获得的，所以噪声使用神经网络来模拟。 反向扩散过程是从一张完全高斯噪声图片中，逐步去除噪声，来生成一张图片。但是噪声的数据是很难直接获得的，所以噪声使用神经网络来模拟。
- 前向扩散过程逐步将高斯噪声添加到输入图像 𝑥0 中，总共会有 𝑇 步。该过程将产生一系列带噪声的图像样本 𝑥1, 𝑥2, …, 𝑥𝑇 。当 𝑇 → ∞ 时，最终结果将变成完全噪声图像 前向扩散过程逐步将高斯噪声添加到输入图像 𝑥0 中，总共会有 𝑇 步。该过程将产生一系列带噪声的图像样本 𝑥1, 𝑥2, …, 𝑥𝑇 。当 𝑇 → ∞ 时，最终结果将变成完全噪声图像
- 反向扩散算法是基于正向扩散算法的。直观上讲，这是合理的，因为对于给定的噪声图像，很难猜测是哪个更低噪声的图像产生了它，但是如果已经有起始图像，这样就比较容易解决。 反向扩散算法是基于正向扩散算法的。直观上讲，这是合理的，因为对于给定的噪声图像，很难猜测是哪个更低噪声的图像产生了它，但是如果已经有起始图像，这样就比较容易解决。
- 扩散模型的正向扩散过程中，相比迭代地向图像中添加噪声，闭合公式在给定原始图片 𝑥0 和时间步 𝑡 可以直接得到添加了 𝑡 步噪声的图像 𝑥𝑡 ，十分方便。噪声图片在训练 U-Net 神经网络是十分关键的. 扩散模型的正向扩散过程中，相比迭代地向图像中添加噪声，闭合公式在给定原始图片 𝑥0 和时间步 𝑡 可以直接得到添加了 𝑡 步噪声的图像 𝑥𝑡 ，十分方便。噪声图片在训练 U-Net 神经网络是十分关键的.
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战，从0到1打通消息通道；码道鸿蒙端云一体化实战，快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第五期2026/09/04 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；蒋春阳-华为云AI开发者案例开发专家
本期直播内容： AI工具体验营 · 第5-8课连讲。Agent-Team 多智能体协作完成毕业设计实践
回顾中 -
华为云开发者AI素养ClassRoom·第六期2026/09/08 周二 19:00-20:00
樊渊-2026华为软件挑战赛冠军
高手来了：看软挑高手解析二维排样问题—从工业难题到算法突破
回顾中
热门标签