搜索[算力]结果-低调大师优秀个人博客

精选列表

搜索[算力]，共10000篇文章

帕拉迪“聚力赋能创势前行”，IAM击破企业安全三大痛点

【大咖・来了第7期】10月24日晚8点观看《智能导购对话机器人实践》【51CTO.com原创稿件】2017年7月25日，以“聚力赋能创势前行”为主题的2017帕拉迪新品发布会暨全国渠道大会***一站在北京圆满结束

2017-08-01

ACL前瞻：国内五篇作品入选杰出论文，华人影响力日渐显现｜ACL 2017

ACL是自然语言处理和计算机语言学最顶尖的会议之一，被CCF（中国计算机学会）推荐为A类国际学术会议，涵盖领域包括语言分析、信息抽取、机器翻译与自动问答等。今年的ACL将于2017年7月30日至8月4日在加拿大温哥华举行。雷锋网(公众号：雷锋网)AI科技评论将赴前线带来一手报道，并对论文及大会概况进行梳理。先上一组数字了解下今年ACL的投递情况：根据统计，本届会议共收到1419篇论文，其中长文829篇、短文590篇，最终录用长文195篇（录用率23.5%）、短文149篇。在被录用的长文论文中，有79篇论文的第一作者为华人，约占被录用长文总数的40%。根据jeffhuang所统计的消息，自1996年以来的ACL最佳论文及作者列表如下：从列表的第一作者及所属机构中，我们不难发现，从2001年开始鲜少出现华人面孔，而一直到2008年，最

2017-07-31

《UX最佳实践：提高用户体验影响力的艺术》一2.2 什么是SAP Business ByDesign

2.2 什么是SAP Business ByDesign SAP Business ByDesign是SAP新推出的按需配置的企业管理解决方案，主要面向中小型企业。这一解决方案因其存在很多创新之处，可以使其区别于市场上的其他产品。SAP Business ByDesign是全球最完备、最灵活、按需配置的企业管理解决方案。与其他按需配置的企业管理软件不同，SAP Business ByDesign（见图2-2）让企业端到端的每个流程都更透明且易于掌控，这其中包含了客户关系管理（CRM）、供应商关系管理（SRM）、供应链管理（SCM）、财务管理（FIN）和人力资源（HR）。此方案让企业能立即对自己的情况进行360度掌握，并且它简单易用，能快速配合商业需求的变动。 SAP Business ByDesign设计时考虑了以下几个关键原则：坚

2017-07-31

传感器翘楚弄潮物联网艾迈斯将持续发力深耕中国市场

感知是物联网的先行技术，没有感知，就无法得到人或物的特征数据，也就没有了物联网的信息基础。而在物联网的感知技术中，传感器技术最为关键，它是构建“物联”概念的硬件“细胞”。传感器作为物联网采集信息的终端工具，就如同是物联网的“触手”，将迎来巨大的发展空间。行业数据显示，中国物联网产业年复合增长率已经超过25%，从2009年的1700亿元跃升至2015年超过了7500亿元，其中传感器和无线射频识别市场规模分别接近1000亿元和373亿元，机器到机器应用的终端数量超过1个亿，占全球总量31%，成为全球最大市场。在11月29日举办的艾迈斯半导体媒体交流会上，艾迈斯半导体CEO Alexander Everke也强调中国是艾迈斯的重要市场之一。他表示中国围绕传感器技术的新应用增长迅速，而未来十年内，传感器集成系统内的传感器数量将剧增。艾迈斯将致力于为中国的客户和合作伙伴带来最好的技术、解决方案和价值。艾迈斯半导体CEO Alexander Everke 作为一家在半导体设计和模拟半导体领域拥有35年历史的企业，艾迈斯半导体的高性能模拟产品主要针对高精度、宽动态范围、高灵敏度、超低功耗需求的应用。艾迈斯半导体为消费电子、工业、医疗、移动通讯、智能家居和汽车市场的客户提供包括传感器、传感器接口、电源管理IC和无线IC在内的产品。艾迈斯的业务聚焦于高性能传感器解决方案、传感器IC、接口、相关软件，其产品最大的优点是小体积、低功率、高灵敏度、多传感器集成，为领先的OEM提供业内一流的解决方案，并可以提供全方位晶圆代工服务，包括封装和测试。运动传感、环境和音频传感以及光学和图像传感并称作是三大新兴传感器领域，艾迈斯专注于后面两大领域，因为艾迈斯更看好环境和音频传感以及光学和图像传感领域的前景发展。近些年来，通过收购极大的丰富了艾迈斯的产品线，拥有有单芯片多传感器集成和多传感模块两种多传感解决方案，Alexander表示，两种方案可以单独使用也可以结合使用，完全取决于用户需求。在光学和图像传感领域，通过收购Heptagon，艾迈斯具备了绝对的领先优势，是光学领域No.1的供应商，第二名与其差距很大。具体来说，其拥有用于光谱/光环境分析的先进的真实颜色传感，RGB/XYZ颜色、环境光传感器(ALS)、接近传感器/模块，还有用于丰富应用的光谱传感，用于工业物联网(IoT)应用的颜色和光谱传感，用于IoT照明的智能照明管理器以及先进生物传感解决方案。在图像传感器方面拥有，高性能面和线扫描CMOS图像传感器、NanEye微型摄像头技术以及未来整合成像和光谱传感。环境传感器领域，艾迈斯的单芯片多传感器解决方案用于气体、相对湿度和温度传感，是环境/气体传感领域的技术领导者以及端到端解决方案供应商，其独特的基于CMOS的产品系列，低功耗、小尺寸、高产能。主要检测氧化物气体、红外线气体/人体探测以及相对湿度、压力、温度。在移动、家庭/建筑自动化、工业物联网和其它AIM市场广泛的新兴应用都可以上大显身手。 Alexander称，艾迈斯的传感器让声音清晰无比。在音频传感器领域，艾迈斯是ANC和MEMS麦克风IC领域的领先供应商。ANC(主动降噪)方面，艾迈斯可以提供业内一流的高性能解决方案，行业最佳，体积最小，成本也较低，其内部集成信号旁路去除外部开关，可以实现超低功耗(优化放大器)，支持USBC型解决方案，拥有更长播放时间。艾迈斯主动降噪的功耗相比同类高性能解决方案减少50%。在MEMS麦克风接口IC领域，艾迈斯拥有超低功耗，并在大规模市场保持领导地位。光谱传感是近来关注较多的一个传感器领域。精准的多光谱测量可以用来分析物品，即固体、液体甚至气体只要在有光的环境下就可以实现测量。艾迈斯拥有市场上最宽范围的光谱传感器，其芯片上或玻璃上的干涉滤波器包含3种不同预定义滤波器的数字AS726x6-通道传感器，可链接3个包含互补滤光器的AS726x以构建一个18通道的光谱仪，MAZeT多光谱及真彩传感器＋信号放大器。最大的优势在于系统级应用专长和来自MAZeT的设计能力，干涉滤波技术可以在长时间及不同温度下保证的滤光稳定性和精确度。Jencolor传感器提供宽广的工作温度范围(>100°C)-快速的测量时间(低至1us)。新一波的应用正在使产品从实验室走向样品。今日艾迈斯宣布推出业内第一款集成式可调白光智能照明管理器——AS7221。AS7221多功能架构包含了一个I2C扩展接口，具有物联网传感器集线器平台功能，可用于空气质量检测、温度检测、空间占用和存在等传感功能，实现感知联网。选用AS7221，照明制造商将可以迅速在自己的物联网（IoT）智能照明产品中集成高精度色温调谐功能。过去两年中国手机市场增长趋缓，市场体量并没有太大的增长，但艾迈斯却保持了较高的增长，Alexander预计未来三年艾迈斯的年平均增长率将达到30%，远高于传感器行业的10%以及半导体行业的4%。Alexander解释道，因为以前手机只有1-2颗传感器，而随着音频、环境等传感器的加入，使得一部手机中所使用的传感器的数量越来越多。在消费和通信市场上，这些产品中蕴含帮助中国OEM实现差异化巨大机遇的重要应用市场。高质量主动降噪耳机成为智能机的标准配置是趋势，高度集成的生物传感解决方案，提供可靠算法为可穿戴设备和健康类应用提供精确心率数据，环境传感聚焦于新兴气体传感系统解决方案，如移动室内空气质量监测和呼气酒精含量分析，此外还有湿度、温度、压力等多种传感器。此外，在智能家居和智能楼宇、工业、医疗、汽车等领域，传感器同样拥有巨大的市场空间。艾迈斯半导体将通过用于下一代产品的创新传感技术来创建新的市场并重新定义现有市场。据悉，艾迈斯半导体的总部位于奥地利格拉兹附近的Premstaetten。主要的研发设计中心坐落于奥地利，其光学器件设计中心坐落于美国的德州普拉诺市，另外16家设计中心坐落于欧洲和亚洲。公司在超过20个国家拥有共约2，100名员工，并于世界各地的重要市场（如北京、上海、东京、首尔、新加坡等地）设立了销售办事处。不过目前，艾迈斯在中国并没有设计中心。对于此，Alexander称，艾迈斯有65%的收入来自亚太区，其中中国是非常重要的一个市场，艾迈斯已经考虑到了这个问题，由于各地的设计中心都是通过收购而来的，希望未来收购的公司能在中国设有设计中心，那么就解决了这一问题。不过，艾迈斯会为客户推荐最近的设计中心，以便于更好的服务客户。本文转自d1net（转载）

2017-07-09

Docker 企业版为 Northern Trust 旧有的应用程序带来新的生命力

Docker 企业版为 Northern Trust 旧有的应用程序带来新的生命力许多组织都已经理解使用微服务来构建现代化“十二因素应用”（见注1）的价值。

2017-07-05

发改委：六方面发力大数据 2020年数据产业将占全球20%

一直以来国家发改委围绕培育新技术、新产品、新业态、新模式，打造发展新引擎，致力于研究制定支持大数据，电子商务领域发展的政策体系，全力推动中国信息经济加快发展，当前和今后一个时期将在六个方面持续发力，构建信息经济发展的支撑体系

2017-07-02

【直击成都云栖大会】阿里云肖力：安全智能时代公共云更靠谱

阿里云资深总监肖力说，“物理隔离是靠不住的。物理隔离在补丁升级和安全响应上都存在一定的缺陷。我们相信，阿里云的安全技术能为用户护航，开启智能之路。”

2017-05-22

流计算风云再起 - PostgreSQL携PipelineDB力挺IoT(物联网), 大幅提升性能和开发效率

标签 PostgreSQL , pipelinedb , 流计算 , patch , bug , libcheck , zeromq , kafka , kinesis , IoT , 物联网背景 pipelinedb是基于PostgreSQL的一个流式计算数据库，纯C代码，效率极高(32c机器,单机日处理流水达到了250.56亿条)。同时它具备了PostgreSQL强大的功能基础，正在掀起一场流计算数据库制霸的腥风血雨。在物联网(IoT)有非常广泛的应用场景，越来越多的用户开始从其他的流计算平台迁移到pipelineDB。 pipelinedb的用法非常简单，首先定义stream(流)，然后基于stream定义对应的transform(事件触发模块)，以及Continuous Views(实时统计模块) 数据往流里面插入，transfo

2016-12-20

手工算一次 DIF/DEA 就懂了

本文带你手工算一遍，算完你就明白"零轴上金叉"和"零轴下金叉"为什么强度完全不同。

2026-10-21

同样一份文件没必要算两遍：我给本地批处理加了一层"增量指纹"

## 同样一份文件没必要算两遍：我给本地批处理加了一层"增量指纹" ## 一个每天重复三十多分钟的坏习惯我有台常驻的机器，每天夜里要扫一遍工作目录：目录里混着 PDF、表格和图片，加起来约 1900

2026-10-14

前复权、后复权与历史数据重算的工程问题

对量化工程来说，它们还涉及历史价格是否会重算、因子是否对基准变化敏感，以及回测结果能否复现。前复权适合许多连续价格分析场景，但不能把它当作永远固定的历史成交价；后复权也有自己的价格基准和适用边界。

2026-10-13

七个数据组件、六条同步链路：技术栈该不该收敛，先算这笔账

大家好，我是数据库小学妹👋 我踩过的坑，你别再踩。我接手过一个系统，第一件事是数它到底用了多少个数据组件。数出来七个。关系库存交易，缓存存热点，搜索引擎做全文检索。还有一个向量库做推荐召回，一个时序库存监控指标。以及文档库存操作日志，对象存储放文件。每个组件单拎出来都选得有道理。搜索引擎的倒排索引确实比通用库快，列存的压缩率确实高。问题是这七个东西之间，靠六条同步链路连着。有一次业务要查一批用户。条件有三个，最近 30 天买过某类商品，给过好评，画像跟种子用户相似。这条需求跨了三个库。关系库出订单，搜索引擎出评价，向量库出相似度。三份结果拉回应用层求交集，代码写了一百多行。上线后发现分页不对。相似度排序没法下推到另外两个库。那次之后我认真想过一件事。这些数据之间到底需不需要互相看。如果需要，把它们拆在七个地方，是不是反而给自己加了活。我做过设计，这件事在设计系统里早吵过一轮。每个页面各搞一套按钮，做的时候都挺顺手。后来的结果是，没人能统一改任何一个东西。数据库的技术栈，是同一个故事。 ![01-拆开与收敛.png](https://developer.qcloudimg.com/http-save/yehe-12362123/2dc6b67bb9b8b44be71ae8379ca9bba0.png) ## 先把话说在前面我不否定专用库，免得被理解成"专用库都该砍掉"。单一场景下，专用库确实强。向量索引的召回效率，通用库短时间追不上。列存的压缩比和扫描速度，行存结构比不了。倒排索引做全文检索，也是通用库的弱项。所以这不是"能不能用"的问题。专用库在它的主场依然是最优解。要讨论的是另一件事。你这个场景，是不是真的需要把数据搬到一个独立的地方去。判断的起点只有一个。这些数据之间，需不需要互相看。 ## 拆开之后要付的五笔账为每一种数据模型挂一个独立库，看着是各用各的长处。实际会开出五笔账。 | 代价 | 具体表现 | | --- | --- | | 同步链路 | 每多一个库就多一条 ETL，延迟、乱序、失败重放都要自己兜 | | 跨库关联 | 跨模型的关联做不了，只能在应用层拼装，拼装次数随维度上升 | | 运维体系 | 每个库一套备份、监控、扩缩容、升级路径 | | 技能栈 | 团队要维护 N 套知识，招人、交接、故障找人都是成本 | | 故障面 | 组件一多，任意一个挂掉都可能断链路，故障组合数成倍上升 | 第一笔账最容易低估。同步链路不是配一次就完了。源库改了表结构，同步任务要跟着改。网络抖一下可能产生乱序，要自己做幂等。链路断了要重放，重放期间两边的数据是不一致的。跨库关联这笔，我用前面那个用户查询说透。收敛之后，标量过滤和向量召回可以在一条 SQL 里一起做。 ```sql -- 收敛后：标量条件和向量相似度在同一条 SQL 里完成混合过滤 SELECT id, title, embedding :query_vec AS dist FROM article WHERE category = 'tech' AND publish_ts > :since ORDER BY dist LIMIT 20; ``` 拆开之后，同一件事要分两步。 ```text -- 拆开时：向量库先召回 Top 500，再回关系库过滤标量条件 -- 向量库不认识 category 和 publish_ts，关系库不认识相似度 -- 两次查询加应用层求交集，过滤后可能凑不满 20 条，只能加大召回量重查 ``` 这就是常说的先召回后过滤问题。过滤条件越苛刻，那 500 条越不够用。只能把召回量往上抬。召回量一抬，延迟跟着涨。省事的做法是让过滤和召回落在同一个执行计划里完成。 ![02-先召回后过滤.png](https://developer.qcloudimg.com/http-save/yehe-12362123/56871ef0a2389828b10d9acc93c7445d.png) ## 什么该收敛，什么该独立同一个决策，落到不同的数据上，答案不一样。我一般看四个维度。 | 判断维度 | 倾向收敛 | 倾向独立 | | --- | --- | --- | | 要不要跨模型关联 | 经常一起查 | 从来不 join | | 一致性要求 | 要在事务内一致 | 能接受最终一致 | | 延迟预算 | 紧，省一次往返有意义 | 松 | | 团队规模 | 小，维护不起多套 | 大，有人分头管 | 按这四个维度过一遍，我遇到过的场景大致分两类。该收敛的，是那些跟业务标量数据绑在一起用的模型。向量最典型，检索时几乎总要带业务过滤条件，前面那个例子就是。文档也是，订单里嵌一段 JSON。改状态和改明细要在一个事务里，拆出去就没法保证。时序如果要做设备指标、台账和位置信息的联合分析，也一样。KV 里那些会话和配置，生命周期跟主数据绑定，放同库能省一条同步。仍该独立的，是两类。一类是极致规模的检索，几亿文档的倒排，专用引擎的分片和压缩压得过通用库。另一类是已经有成熟生态、确实没有关联需求的。团队跑得稳，数据也从来不跟别的东西 join，那就没必要动它。这类能力在通用数据库里已经不算新鲜。现在不少国产库一个内核就能同时承载关系、文档、时序、向量和 KV，金仓是其中一家。所以真正要判断的，不是引擎有没有，而是你的数据之间要不要互相看。 ## 同库多模的代价，别默认它没问题收敛不是免费的。把多个模型塞进一个内核，会带来两样东西。一样是资源争抢。多模同库共用一套缓冲池和 IO。一条分析型的大查询，能把缓冲池占满，把交易查询的命中率拉下来。交易那边的 P99 会跟着抖。这种抖在数据库层面看不出明显异常，得对比两个负载的曲线才发现。另一样是执行引擎的差异。同一份数据，走交易路径和走分析路径，隔离级别和可见性语义要理清楚。数据在长事务里改了，只读路径什么时候能看到，这个口径要提前定。隔离手段有三层，都要提前配。资源组把 CPU 和 IO 的配额分开。只读副本把分析流量引过去。连接池分层，交易和分析各走各的池，互相限流。等分析查询把交易打慢再回头加，代价高得多。 ## 收敛前后，账目差在哪 | 对比维度 | 拆开（一事一库） | 收敛（同库多模） | | --- | --- | --- | | 一次跨模型查询 | 多次查询加应用层拼装 | 一条 SQL | | 端到端延迟 | 多一次往返与拼装开销 | 少一次往返 | | 同步链路 | 六条要维护 | 不需要 | | 组件数 | 七个 | 三个 | | 一致性 | 最终一致，受 ETL 延迟影响 | 事务内一致 | | 运维体系 | 每库一套 | 一套 | | 隔离要求 | 天然隔离 | 必须手工做资源隔离 | 最后一行是收敛的代价所在。拆开的时候，隔离是免费的，因为本来就分着。收进来之后，隔离要自己搭。 ## 避坑清单多模同库一定要提前做资源隔离。别等分析查询把交易打慢，才回头去加资源组和只读副本。隔离这件事，事前配置的成本和事后补的成本差好几倍。别为了收敛把本来无关的数据硬塞进一个库。收敛的前提是数据之间有关系。两份从来不一起查的数据放一起，等于把两个问题合成了一个。最后一条是我自己搞错的。我第一次做收敛，想着长痛不如短痛，挑了个周末把搜索和向量一起切了进去。周一早高峰就出事了。一条画像分析查询把缓冲池占满，交易那边的 P99 直接翻倍。回退的时候更麻烦，那两天两边都写过，得先把差异补齐才能切回去。后来我改成一次只迁一个模型。迁完观察一个完整的业务周期，隔离和性能都稳了，再动下一个。 ## 写在最后选型的第一步不是比功能，是先数一遍这些数据之间需不需要互相看。需要互相看，就不该拆开。确认真不需要，独立部署才成立。收敛是一个方向，不是一个动作。它值不值得做，取决于你的数据之间的关系有多密。关系密的，收进来省事。关系松的，硬收只是给自己找麻烦。所以我现在看技术栈，先画一张数据关系图，再决定哪个库该留、哪个该并。顺序反了，收完还得拆。你手上的系统，跑着几个数据组件？评论区聊聊。我是数据库小学妹，帮你少走弯路少踩坑，咱们下篇见👋

2026-09-30

处罚裁量测算：我让 AI 算「罚多少」，它拆完 10 类裁量因素，最后拒绝报出那个数字

这一篇只做一件事：**让它算「罚多少」**——然后看看它到底会不会给一个数字。

2026-09-29

【AI+量化实战 #08】多因子打分会算不会说？让 AI 把得分翻译成选股理由

close", "h": "high", "l": "low", "v": "volume" }) ``` 脚本已整理到本系列 Demo 目录，包含： - `build_score_table()`：拉数据、算因子

2026-09-12

【Python量化实战入门 #02】宣传页的夏普、最大回撤，用麦蕊 K 线自己算一遍

** 这一篇，我们拿麦蕊的**真实历史 K 线**，把累计收益、最大回撤、年化波动、夏普、胜率这五个「宣传页常客」亲手算一遍。算完你就明白：指标不神秘，神秘的是「它用哪段数据算的」。

2026-08-11

当通用AI还在给碎片代码，飞算JavaAI已交付完整企业园区物业综合管理系统，直接可运行

# 当通用AI还在给碎片代码，飞算JavaAI已交付完整企业园区物业综合管理系统，直接可运行最近报名了飞算JavaAI炫技赛，想实测下这款**Java专属编程智能体**的真实落地能力。

2026-07-13

浙江头部城商行：每日 700 万查询、秒级响应，Apache Doris 查算分离架构破局资源冲突

然而，在实践过程中，“算”（批量数据处理）与“查”（业务实时查询）这两种负载在资源需求与业务目标上的根本性矛盾逐渐凸显，解决这一矛盾已成为当下首要目标。

2025-12-09

智启算电新纪元，CDCE2025国际数据中心展11月18日上海盛大启幕

我们正迈入一个算力奔涌与能源变革深度交织的时代。算力，作为智能世界的强劲引擎，在需求激增与能源转型的双重驱动下，如何构筑支撑数字经济未来的坚实基座？

2025-11-19

人工智能的另一方向：基于忆阻器的存算一体技术

人工智能的三个发展浪潮和硬件算力也有关系。从第一款神经网络Perceptron 网络AI开始火起来，到70年代进入低谷，一个非常重要的因素是，虽然有很好的理论模型，但是没有足够的算力。

2020-05-07

DeepSeek新开源架构Super-agent：让 AI 管理任务，把人的注意力留给决策

想象一个研发团队的工作日：有人在飞书反馈问题，有人在 GitHub 修改需求，测试系统又报告了一次失败。

2026-10-31

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

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。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。