首页 文章 精选 留言 我的

精选列表

搜索[k],共10000篇文章
优秀的个人博客,低调大师

OpenYurt 开箱测评 | 一键让原生 K8s 集群具备边缘计算能力

作者| 郑超 阿里云高级开发工程师 随着物联网技术以及 5G 技术的高速发展,将云计算的能力延伸至边缘设备端,并通过中心进行统一交付、管控,已成为云计算的重要发展趋势。为服务更多开发者把握这一趋势,5 月 29 日,阿里巴巴正式对外开源了基于 ACK@Edge(边缘集群托管服务)的云原生边缘计算框架—— OpenYurt。 自 OpenYurt 开源以来受到了开发者的关注,今天这篇文章将带大家快速上手 OpenYurt ,介绍如何使用 OpenYurt 提供的命令行管理工具 Yurtctl, 高效快速地部署 OpenYurt 集群。 OpenYurt 介绍 OpenYurt 主打“云边一体化”概念,依托 Kubernetes 强大的容器应用编排能力,满足了云-边一体化的应用分发、交付、和管控的诉求。相较于其他基于 Kubernetes

优秀的个人博客,低调大师

了解这5大K8S管理服务,为你节省50%的部署时间!

云栖号资讯:【点击查看更多行业资讯】在这里您可以找到不同行业的第一手的上云资讯,还在等什么,快来! Kubernetes已然成为IT世界的重要组成部分,并且仍在不断地发展壮大,现阶段,Kubernetes已经可以帮助企业进行微服务训练,加速企业数字化转型。尽管Kubernetes是一款如此令人印象深刻的容器编排工具,但它仍旧非常复杂。要运行和维护Kubernetes集群,您需要具备丰富的容器领域相关经验。再进一步,即便您已经拥有相关的经验,设置集群并部署它也将花费您不少的时间和精力。一旦您成功设置了Kubernetes环境,您就需要对其进行监控和管理。 对于一些组织而言,维护一个Kubernetes生态系统所涉及的成本以及风险超过了实现它所带来的好处。然而,在内部构建Kubernetes虽然很便宜,但是却非常棘手及复杂。在实施Kubernetes过程中的一个小错误,可能会在生产环境中才被发现,并且导致灾难性的后果。重新部署则可能导致延迟交付。这正是一些组织推迟采用Kubernetes所存在的主要顾虑。在这样的背景下,管理Kubernetes服务应运而生。 管理Kubernetes服务不仅拥有质量更好的交付服务,还可以确保您的Kubernetes环境更具备灵活性、高可用性、安全性以及更高的效率。开发人员需要Kubernetes平台具有高可用性,内部平台则需要整个团队来确保Kubernetes平台的可用性及安全性。然而,在Kubernetes平台上设置监控服务比部署平台本身更为艰巨。这就意味着运维人员在帮助开发人员解决问题之前,就已经极大地浪费了他们更多的时间。对于许多组织而言,它们的诉求并不仅是建立一个可用的Kubernetes平台,还需要搭建CI/CD流水线和Jenkins。 这些诉求加重了IT团队的负担,他们必须设置、实现和管理多个不同的服务。管理Kubernetes服务帮助IT团队解决了以上诉求,它们可以管理和维护Kubernetes环境,并通过监控集群在统一仪表盘上的多个指标,从而确保集群的健康状况。 那么,管理Kubernetes服务应当解决哪些方面的问题呢?管理Kubernetes服务解决方案需要高效执行控制面板的管理及操作任务,能够快速部署Kubernetes面板,并允许客户轻松插入各种环境。除此之外,理想的管理Kubernetes服务解决方案需要满足跨所有Kubernetes环境更新Kubernetes版本的需求,而不会出现任何问题。管理Kubernetes服务需要建立有效的集群监控机制,提供集群健康状况的实时可视化视窗,并尝试自行修复集群问题。对于客户需要注意的问题,管理Kubernetes服务应当及时发送告警。 五大管理Kubernetes服务一览 Rancher 尽管Rancher拥有自己的容器编排平台,但它还提供了开源的管理Kubernetes服务。Rancher允许您通过单个界面管理多个集群。Rancher基于容器的安装程序Rancher Kubernetes Engine(RKE)支持云和本地部署。更为关键的是,Rancher拥有直观极简的操作体验,让您在无需拥有任何Kubernetes深入知识的情况下即可开始工作。 Rancher可以开箱即用地部署Prometheus和Grafana,以便对集群和工作负载的指标进行可视化。另一方面,Rancher使新Kubernetes用户部署工作负载变得十分简单,同时仍然保留所有传统的访问通道供高级用户使用。Rancher简单的管理架构可以为用户带来更安全的系统、更高效的团队,以及企业转向市场的灵活性。 Rancher旨在成为一个避免供应商锁定(Lock-in)的Kubernetes管理平台,它允许用户导入使用管理Kubernetes服务构建的现有集群。Rancher是业界首个且唯一可以管理所有云上、所有发行版、所有Kubernetes集群的平台,充分赋予用户选择基础设施的自由。 尤为值得一提的是,Rancher是业界唯一一个与全球所有领先云供应商达成合作、支持其托管的Kubernetes集群的Kubernetes管理平台。在中国,Rancher拥有包括阿里云、腾讯云、华为云、百度智能云、平安云在内的主流领先公有云的全面支持,用户可以在Rancher平台上直接创建和管理公有云托管的Kubernetes服务,并实现多公有云托管Kubernetes服务的统一纳管。 Platform9 Platform9的管理Kubernetes服务集成了云和本地上的多个基础架构。Platform9的上游主服务器可以部署到各种云供应商,并且可以通过统一的界面进行管理。Platform9支持Google Cloud、裸机、Azure、AWS、vSphere和Nutanix AHV。此外,Platform9还提供了一个无服务器框架来编写可以触发Kubernetes集群中事件的短期函数。 在使用Platform9进行管理Kubernetes服务的第二天即可实现自动化操作,您还可以在无需中断服务器的情况下实现一键升级。Platform9还提供了适用于所有Kubernetes环境的即时安全补丁。 在集群监控方面,Platform9可以持续远程监控所有集群,并自动修复所有issue,预先包装的仪表盘帮助您轻松监控所有应用程序和集群。 通过Platform,您可以实现5分钟部署并集成您选择的内容。插入现有的集群也并非难事。一旦您连接了集群,Platform9将自动发现您的基础架构,并开始对其进行管理。最后,无论您的集群是关闭还是断开,Platform都将进行集群监控。 GiantSwarm 和Platform9完全一样,GiantSwarm提供了基于标准Kubernetes API的完整管理Kubernetes服务。由于它是基于Kubernetes API进行集成的,所以GiantSwarm可以运行位于任何位置的Kubernetes集群。GiantSwarm为您的Kubernetes环境提供即时管理,以帮助您更快地进行交付。它希望开发人员更专注于创新而非管理。GiantSwarm还可以帮助您每天数次部署新增的更新。 与Platform9类似的是,GiantSwarm允许您在几种不同的环境运行工作负载。GiantSwarm还通过持续升级和高效的故障排除,帮助您确保高正常运行时间。它提供即时安全补丁,以确保您的集群安全无懈可击。GiantSwarm拥有Adidas、Vodafone和饿Valliant等知名客户。API驱动程序平台允许您轻松地创建和扩展集群。 Pivotal Pivotal Container Service(PKS)专为第二天的操作而构建,它允许您在私有云和公有云上部署和运行工作负载。PKS还会密切监视您的集群并定期进行健康检查。 借助PKS,您可以使用网络分段,将不同的容器隔离在单个集群当中。无论PKS何时遇到新服务,它都会迅速应用补丁程序,以确保应用程序和集群安全。您还可以通过编程的方式管理虚拟网络,以确保全面的安全性。 Kublr Kublr是一个简化了不同环境中的部署的管理Kubernetes服务。您可以通过Kublr UI或者是API部署集群。每次部署集群时,Kublr都会自动将其连接到日志收集和监控系统。 Kublr通过Prometheus和Elasticsearch收集指标,并使用Grafana或Kibana来实现集群指标的可视化。Kublr的告警管理器可以连接至电子邮件、Slack和Pagerduty,以确保您不会错过告警信息。 另外,Kublr还确保了集群的可移植性,安装在每个集群上的轻量级代理执行安装及配置,并持续监视运行状况。Kublr还提供自我修复和自我编排功能。 管理Kubernetes服务:让组织按下“简单”按钮 随着越来越多的组织采用Kubernetes,围绕Kubernetes的工具生态系统必然将持续且强劲地增长。对于刚入门的开发人员而言,使用Kubernetes是一件很复杂的事情。同时,如果缺乏正确的知识,创建和部署集群的成本可能变得非常高昂。Kubernetes将使组织的IT发展变慢,从而失去Kubernetes真正的意义。 因此,组织需要借助管理Kubernetes服务来轻松管理持续增长的Kubernetes集群的所有活动。Kubernetes集群不仅难以构建和部署,并且难以运行及管理。以上的解决方案将帮助您升级Kubernetes版本和应用安全补丁。另一方面,通过出色的集群监控功能,您可以追踪集群的性能。除此之外,这些工具还提供了持续的运行状况检查,以确保您的集群具有伸缩性和高可用性。 上述解决方案仅为市场上众多可用服务的一部分,这些服务可以帮助您在无需投入过多精力的情况下充分利用Kubernetes的优势。尽管这些工具做的是相同的工作,但是它们自身仍在不断发展,它们适应Kubernetes的方式将使它们持续立于潮流之巅。 【云栖号在线课堂】每天都有产品技术专家分享!课程地址:https://yqh.aliyun.com/live 立即加入社群,与专家面对面,及时了解课程最新动态!【云栖号在线课堂 社群】https://c.tb.cn/F3.Z8gvnK 原文发布时间:2020-04-15本文作者:Rancher本文来自:“dockone”,了解相关信息可以关注“dockone”

优秀的个人博客,低调大师

影响 K8S Pod 分配和调度策略的两大关键特性

在Kubernetes中有一个最复杂的调度器可以处理pod的分配策略。基于在pod规范中所提及的资源需求,Kubernetes调度器会自动选择最合适的节点来运行pod。 但在许多实际场景下,我们必须干预调度过程才能在pod和一个节点或两个特定pod之间进行匹配。因此,Kubernetes中有一种十分强大的机制来管理及控制pod的分配逻辑。 那么,本文将探索影响Kubernetes中默认调度决定的关键特性。 节点亲和性/反亲和性 Kubernetes一向以来都是依赖label和selector来对资源进行分组。例如,某服务使用selector来过滤具有特定label的pod,这些label可以选择性地接收流量。Label和selector可以使用简单的基于等式的条件(=and!=)来评估规则。通过nodeSelector的特性(即强制将pod调度到特定节点上),可以将这一技术扩展到节点中。 此外,label和selector开始支持基于集合的query,它带来了基于in、notin和exist运算符的高级过滤技术。与基于等式的需求相结合,基于集合的需求提供了复杂的技术来过滤Kubernetes中的资源。 节点亲和性/反亲和性使用label和annotation的基于表达集的过滤技术来定义特定节点上的pod的分配逻辑。Annotation可以提供不会暴露到selector的其他元数据,这意味着用于annotation的键不会包含在query和过滤资源中。但是节点亲和性可以在表达式中使用annotation。反亲和性可以确保pod不会被强制调度到与规则匹配的节点上。 除了能够在query中使用复杂的逻辑之外,节点亲和性/反亲和性能够为分配逻辑强制施加硬性和软性规则。硬性规则将会执行严格的策略,可能会阻止将pod分配到不符合条件的节点上。而软性规则则会首先确认节点是否与特定的条件相匹配,如果它们不匹配,它将使用默认的调度模式来分配Pod。表达式requiredDuringSchedulingIgnoredDuringExecution和preferredDuringSchedulingIgnoredDuringExecution将会分别执行硬性规则和软性规则。 以下是在硬性和软性规则下使用节点亲和性/反亲和性的示例: affinity: nodeAffinity: preferredDuringSchedulingIgnoredDuringExecution: nodeSelectorTerms: - matchExpressions: - key: "failure-domain.beta.kubernetes.io/zone" operator: In values: ["asia-south1-a"] 以上规则将指示Kubernetes调度器尝试将Pod分配到在GKE集群的asia-south1-a区域中运行的节点上。如果没有可用的节点,则调度器将会直接应用标准的分配逻辑。 affinity: nodeAffinity: requiredDuringSchedulingIgnoredDuringExecution: nodeSelectorTerms: - matchExpressions: - key: "failure-domain.beta.kubernetes.io/zone" operator: NotIn values: ["asia-south1-a"] 以上规则通过使用NotIn运算符来强制执行反亲和性。这是一个硬性规则,它能够确保没有pod被分配到运行在asia-south1-a空间中的GKE节点。 Pod亲和性/反亲和性 尽管节点亲和性/反亲和性能够处理pod和节点之间的匹配,但是有些场景下我们需要确保pod在一起运行或在相同的节点上不运行2个pod。Pod亲和性/反亲和性将帮助我们应用强制实施粒度分配逻辑。 与节点亲和性/反亲和性中的表达式类似,pod亲和性/反亲和性也能够通过requiredDuringSchedulingIgnoredDuringExecution和preferredDuringSchedulingIgnoredDuringExecution强制实施硬性以及软性规则。还可以将节点亲和性与pod亲和性进行混合和匹配,以定义复杂的分配逻辑。 为了能够更好地理解概念,想象一下我们有一个web和缓存deployment,其中三个副本在一个3节点的集群中运行。为了确保在web和缓存pod之间低延迟,我们想要在用一个节点上运行它们。与此同时,我们不想在相同的节点上运行超过1个缓存pod。基于此情况,我们需要实施以下策略:每个节点仅运行1个且只有1个缓存Pod的web pod。 首先,我们将使用反亲和性规则来部署缓存,它将阻止超过1个pod运行在1个节点上: affinity: podAntiAffinity: requiredDuringSchedulingIgnoredDuringExecution: - labelSelector: matchExpressions: - key: app operator: In values: - redis topologyKey: "kubernetes.io/hostname" topoloyKey使用附加到节点的默认label动态过滤节点的名称。请注意,我们使用podAntiAffinity表达式和in运算符来应用规则的方式。 假设在集群的某个节点上安排了3个pod缓存,那么现在我们想要在与缓存Pod相同的节点上部署web pod。我们将使用podAffinity来实施这一逻辑: podAffinity: requiredDuringSchedulingIgnoredDuringExecution: - labelSelector: matchExpressions: - key: app operator: In values: - redis topologyKey: "kubernetes.io/hostname" 以上代码表明Kubernetes调度器要寻找有缓存Pod的节点并部署web pod。 除了节点和pod的亲和性/反亲和性之外,我们还能使用taints和tolerations来定义自定义分配逻辑。此外,我们还能写自定义调度程序,它可以从默认的调度程序中接管调度逻辑。

优秀的个人博客,低调大师

阿里云如何基于标准 K8s 打造边缘计算云原生基础设施

作者 | 黄玉奇(徙远) 阿里巴巴高级技术专家 导读:伴随 5G、IoT的发展,边缘计算正在成为云计算的新边界,而规模和复杂度的日益提升对边缘计算的效率、可靠性、资源利用率等一系列能力又提出了新的诉求。试想,如果能将云能力从中心往边缘触达,上述问题是不是将迎刃而解?在云原生时代构建云到边的触达通路,保持云边一致性体验,我们的抓手又在哪里呢?本文将一一为你揭晓。 云原生的理念现今正如火如荼。它不仅仅是一种技术,更是随着云生态的发展而被逐渐提炼出的一系列技术、最佳实践与方法论的集合;它带来了资源利用率提升、分布式系统的弹性扩展与可靠性等能力,能够让 IT系统最大程度的享受云计算红利,业界全面拥抱云原生就是最好的佐证。 云原生概念 云原生的概念最早是在 2013 年被提出,经过近几年的发展,尤其是从 2015 年 Google 牵头成立

优秀的个人博客,低调大师

高手问答 —— K8S 从懵圈到熟练,资深架构师在线解答

近几年,Kubernetes 已从一个新生事物发展为一个影响全球 IT 技术的基础设施平台,也推动了云原生应用、微服务架构、ServiceMesh 等热门技术的普及和落地。现在,Kubernetes 已经成为明星项目,成为开源历史上发展速度超快的项目之一。 与此同时,关注 Kubernetes 的读者量一直在增加,读者抛出 Kubernetes 相关问题的频率也很高,因此本期高手问答以期为大家提供一个与权威专家在线讨论的渠道。 OSCHINA 本期高手问答(10 月 28 日 - 11月 03日)特邀请到《Kubernetes 权威指南》主要作者吴治辉@zzzxgswd 在线答疑,解答各位读者或者 Kubernetes 爱好者的各种技术疑问。 嘉宾简介 吴治辉,HPE 资深架构师,拥有近 20 年软件研发经验,专注于电信软件和云计算方面的软件研发,拥有丰富的大型项目架构设计经验,是业界少有的具备很强 Coding 能力的资深架构师,也是《架构解密:从分布式到微服务》《Kubernetes 权威指南:企业级容器云实战》等书作者。 为了鼓励踊跃提问,@博文视点 会在问答结束后从提问者中抽取5名幸运网友赠予《Kubernetes 权威指南:从 Docker 到 Kubernetes 实践全接触(第4版)》一书。 购书地址:https://u.jd.com/j1FkFE OSChina 高手问答一贯的风格,不欢迎任何与主题无关的讨论和喷子。 下面欢迎大家向吴治辉老师@zzzxgswd 积极提问,直接回帖提问即可。

优秀的个人博客,低调大师

码云 Gitee 史上最快达成 5k Star 的开源项目,你猜是谁?

方舟编译器开源项目自上线以来,持续受到关注。在码云平台上线第一天就获得了超过1000 stars,一周内获得4000 stars,不到一个月即获得5000 stars,均创造了码云平台上软件开源项目纪录。 同时方舟编译器开源项目获得了“码云最有价值开源项目”称号,也称GVP(Gitee Most Valuable Project)。GVP是码云综合评定出的优秀开源项目的展示平台,方舟编译器在开源后一个月即获得GVP称号,足见开发者对它的评价。 目前共有超过100个开发者提交了近200 issues,65 commits及21 PR,其中不乏非常有价值的建议。欢迎广大开发者积极参与相关的技术讨论和代码实现,相信在业界的共同努力下,方舟编译器将会越来越完善,为中国基础软件的发展贡献自己的力量。 方其盛时,舟行千里。

优秀的个人博客,低调大师

云原生生态周报 Vol. 9 | K8s 1.15 后的性能提升

业界要闻 Helm这款包管理工具,作为业界Kubernetes上应用分发的事实标准,其 v3.0.0-alpha.1正式发布,这是Helm 3的第一个Alpha版本。(https://github.com/helm/helm/releases/tag/v3.0.0-alpha.1),标志着 Tiller 这个 Server 端组件正式从 Helm 体系中谢幕 Talos发布。Talos是一款专门用于部署Kubernetes的操作系统。相对于CoreOS,RancherOS或者LinuxKit这些容器操作系统,Talos更为精简。但是由于去除了ssh等基础工具,这对于Ansible等基于ssh的Kubernetes部署工具影响巨大。(https://github.com/talos-systems/talos) Google推出深度学习容

优秀的个人博客,低调大师

【Github2.2K星】PyTorch资源列表:450个NLP/CV/SP、论文实现、教程、示例

项目地址: https://github.com/bharathgs/Awesome-pytorch-list PyTorch 是什么? PyTorch是一个用于科学计算和深度学习的Python扩展库。它便于学习、编写和调试,支持灵活的动态计算图和GPU高速运算,具有完善的研发生态和技术社区。PyTorch于2017年由Facebook正式推出后,迅速引起了人工智能研发人员的关注,目前已成为最受重视的机器学习软件库之一。近日,Facebook 在首届 PyTorch 开发者大会发布了 PyTorch1.0 预览版,标志着这一框架更为稳定可用。 目录 一. 自然语言与语音处理NLP & Speech Processing 二. 计算机视觉CV 三. 概率生成库 四. 其他库 五. 教程和例子 六. 论文实现 七.其他Pytorch资源 目录内容 Pytorch 官网 项目链接:https://github.com/pytorch/pytorch/releases 一. 自然语言与语音处理 pytorch text : Torch text related contents. pytorch-seq2seq: A framework for sequence-to-sequence (seq2seq) models implemented in PyTorch. anuvada: Interpretable Models for NLP using PyTorch. audio: simple audio I/O for pytorch. loop: A method to generate speech across multiple speakers fairseq-py: Facebook AI Research Sequence-to-Sequence Toolkit written in Python. speech: PyTorch ASR Implementation. OpenNMT-py: Open-Source Neural Machine Translation in PyTorch http://opennmt.net neuralcoref: State-of-the-art coreference resolution based on neural nets and spaCy huggingface.co/coref sentiment-discovery: Unsupervised Language Modeling at scale for robust sentiment classification. MUSE: A library for Multilingual Unsupervised or Supervised word Embeddings nmtpytorch: Neural Machine Translation Framework in PyTorch. pytorch-wavenet: An implementation of WaveNet with fast generation Tacotron-pytorch: Tacotron: Towards End-to-End Speech Synthesis. AllenNLP: An open-source NLP research library, built on PyTorch. PyTorch-NLP: Text utilities and datasets for PyTorch pytorchnlp.readthedocs.io quick-nlp: Pytorch NLP library based on FastAI. TTS: Deep learning for Text2Speech LASER: Language-Agnostic SEntence Representations pyannote-audio: Neural building blocks for speaker diarization: speech activity detection, speaker change detection, speaker embedding gensen: Learning General Purpose Distributed Sentence Representations via Large Scale Multi-task Learning. translate: Translate - a PyTorch Language Library. espnet: End-to-End Speech Processing Toolkit espnet.github.io/espnet pythia: A software suite for Visual Question Answering UnsupervisedMT: Phrase-Based & Neural Unsupervised Machine Translation. jiant: The jiant sentence representation learning toolkit. 二. 计算机视觉 pytorch vision : Datasets, Transforms and Models specific to Computer Vision. pt-styletransfer: Neural style transfer as a class in PyTorch. OpenFacePytorch: PyTorch module to use OpenFace's nn4.small2.v1.t7 model img_classification_pk_pytorch: Quickly comparing your image classification models with the state-of-the-art models (such as DenseNet, ResNet, ...) SparseConvNet: Submanifold sparse convolutional networks. Convolution_LSTM_pytorch: A multi-layer convolution LSTM module face-alignment: 2D and 3D Face alignment library build using pytorch adrianbulat.com pytorch-semantic-segmentation: PyTorch for Semantic Segmentation. RoIAlign.pytorch: This is a PyTorch version of RoIAlign. This implementation is based on crop_and_resize and supports both forward and backward on CPU and GPU. pytorch-cnn-finetune: Fine-tune pretrained Convolutional Neural Networks with PyTorch. detectorch: Detectorch - detectron for PyTorch Augmentor: Image augmentation library in Python for machine learning. http://augmentor.readthedocs.io s2cnn: This library contains a PyTorch implementation of the SO(3) equivariant CNNs for spherical signals (e.g. omnidirectional cameras, signals on the globe) s 三. 概率生成库 ptstat: Probabilistic Programming and Statistical Inference in PyTorch pyro: Deep universal probabilistic programming with Python and PyTorch http://pyro.ai probtorch: Probabilistic Torch is library for deep generative models that extends PyTorch. paysage: Unsupervised learning and generative models in python/pytorch. pyvarinf: Python package facilitating the use of Bayesian Deep Learning methods with Variational Inference for PyTorch. pyprob: A PyTorch-based library for probabilistic programming and inference compilation. mia: A library for running membership inference attacks against ML models. 四. 其他库 pytorch extras : Some extra features for pytorch. functional zoo : PyTorch, unlike lua torch, has autograd in it's core, so using modular structure of torch.nn modules is not necessary, one can easily allocate needed Variables and write a function that utilizes them, which is sometimes more convenient. This repo contains model definitions in this functional way, with pretrained weights for some models. torch-sampling : This package provides a set of transforms and data structures for sampling from in-memory or out-of-memory data. torchcraft-py : Python wrapper for TorchCraft, a bridge between Torch and StarCraft for AI research. aorun : Aorun intend to be a Keras with PyTorch as backend. logger : A simple logger for experiments. PyTorch-docset : PyTorch docset! use with Dash, Zeal, Velocity, or LovelyDocs. convert_torch_to_pytorch : Convert torch t7 model to pytorch model and source. pretrained-models.pytorch: The goal of this repo is to help to reproduce research papers results. pytorch_fft : PyTorch wrapper for FFTs 五. 教程例子 Practical Pytorch : Tutorials explaining different RNN models DeepLearningForNLPInPytorch : An IPython Notebook tutorial on deep learning, with an emphasis on Natural Language Processing. pytorch-tutorial : tutorial for researchers to learn deep learning with pytorch. pytorch-exercises : pytorch-exercises collection. pytorch tutorials : Various pytorch tutorials. pytorch examples : A repository showcasing examples of using pytorch pytorch practice : Some example scripts on pytorch. pytorch mini tutorials : Minimal tutorials for PyTorch adapted from Alec Radford's Theano tutorials. pytorch text classification : A simple implementation of CNN based text classification in Pytorch cats vs dogs : Example of network fine-tuning in pytorch for the kaggle competition Dogs vs. Cats Redux: Kernels Edition. Currently #27 (0.05074) on the leaderboard. 六. 论文实现 google_evolution : This implements one of result networks from Large-scale evolution of image classifiers by Esteban Real, et. al. pyscatwave : Fast Scattering Transform with CuPy/PyTorch,read the paper here scalingscattering : Scaling The Scattering Transform : Deep Hybrid Networks. deep-auto-punctuation : a pytorch implementation of auto-punctuation learned character by character. Realtime_Multi-Person_Pose_Estimation : This is a pytorch version of Realtime_Multi-Person_Pose_Estimation, origin code is here . PyTorch-value-iteration-networks : PyTorch implementation of the Value Iteration Networks (NIPS '16) paper pytorch_Highway : Highway network implemented in pytorch. pytorch_NEG_loss : NEG loss implemented in pytorch. pytorch_RVAE : Recurrent Variational Autoencoder that generates sequential data implemented in pytorch. pytorch_TDNN : Time Delayed NN implemented in pytorch. 七. 其他Pytorch资源 the-incredible-pytorch : The Incredible PyTorch: a curated list of tutorials, papers, projects, communities and more relating to PyTorch. generative models : Collection of generative models, e.g. GAN, VAE in Tensorflow, Keras, and Pytorch. http://wiseodd.github.io pytorch vs tensorflow : an informative thread on reddit. Pytorch discussion forum pytorch notebook: docker-stack : A project similar to Jupyter Notebook Scientific Python Stack drawlikebobross: Draw like Bob Ross using the power of Neural Networks (With PyTorch)! pytorch-tvmisc: Totally Versatile Miscellanea for Pytorch pytorch-a3c-mujoco: Implement A3C for Mujoco gym envs. PyTorch in 5 Minutes. pytorch_chatbot: A Marvelous ChatBot implemented using PyTorch. 原文发布时间为:2018-10-21 本文来自云栖社区合作伙伴“专知”,了解相关信息可以关注“专知”。

资源下载

更多资源
优质分享App

优质分享App

近一个月的开发和优化,本站点的第一个app全新上线。该app采用极致压缩,本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

Nacos

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称,一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集,帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Spring

Spring

Spring框架(Spring Framework)是由Rod Johnson于2002年提出的开源Java企业级应用框架,旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念,提供核心容器、应用上下文、数据访问集成等模块,支持整合Hibernate、Struts等第三方框架,其适用范围不仅限于服务器端开发,绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux

Rocky Linux(中文名:洛基)是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版,作为CentOS稳定版停止维护后与RHEL(Red Hat Enterprise Linux)完全兼容的开源替代方案,由社区拥有并管理,支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性,采用模块化包装和SELinux安全架构,默认包含GNOME桌面环境及XFS文件系统,支持十年生命周期更新。

用户登录
用户注册
修改密码
忘记密码