开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

根据批量大小动态平铺张量

是指根据输入数据的批量大小，自动调整张量的形状以适应不同的批量大小。这种技术在深度学习和神经网络训练中非常常见，可以提高计算效率和内存利用率。

动态平铺张量的优势在于它可以根据不同的批量大小灵活地调整张量的形状，从而减少内存的占用和计算的开销。在深度学习中，通常会使用小批量的数据进行训练，而动态平铺张量可以根据实际的批量大小来调整张量的形状，使得计算过程更加高效。

动态平铺张量的应用场景包括图像识别、自然语言处理、语音识别等领域。在这些领域中，通常需要处理大量的数据，并且数据的批量大小可能会有所不同。使用动态平铺张量可以根据不同的批量大小进行灵活的计算，提高模型的训练速度和效果。

腾讯云提供了一系列与动态平铺张量相关的产品和服务，其中包括：

腾讯云AI Lab：提供了丰富的人工智能算法和模型库，可以支持动态平铺张量的应用场景。详情请参考：腾讯云AI Lab
腾讯云机器学习平台：提供了强大的机器学习工具和平台，支持动态平铺张量的训练和部署。详情请参考：腾讯云机器学习平台
腾讯云容器服务：提供了高性能的容器服务，可以方便地部署和管理动态平铺张量相关的应用。详情请参考：腾讯云容器服务

总之，动态平铺张量是一种在深度学习和神经网络训练中常用的技术，可以根据批量大小灵活地调整张量的形状，提高计算效率和内存利用率。腾讯云提供了一系列与动态平铺张量相关的产品和服务，可以满足不同应用场景的需求。

相关搜索:将批量大小的张量整形为None 根据大小动态导入范围按钮:根据可用空间动态调整大小 ValueError:将符号张量提供给模型时，我们希望张量具有静态批量大小如何根据容器动态调整文本的大小可变大小张量的运行时动态递归深度 "ValueError:当向模型提供符号张量时，我们期望张量具有静态批量大小“是什么意思？根据因子调整动态调整大小的小部件在flexbox中根据行动态调整元素大小颤动，根据动态文本调整容器的大小根据数组大小动态生成字符串根据屏幕大小动态更改元素位置 JavaFX ToolBar根据子项的动态宽度调整大小根据表格大小动态调整文本框/表格行的大小如何根据R中tibble的大小制作动态图的大小？Swift:根据父视图大小动态调整/缩放UIBezierPath HighCharts -使标签根据列大小动态显示根据计算的RNG动态调整Div/元素的大小如何根据文本宽度动态调整SVG矩形的大小？Tensorflow-datasets:即使调整了大小，也不能批量处理不同形状的张量吗？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

如何在GPU上设计高性能的神经网络

gpu对于机器学习是必不可少的。可以通过AWS或谷歌cloud轻松地启动这些机器的集群。NVIDIA拥有业内领先的GPU，其张量核心为 V100和 A100加速哪种方法最适合你的神经网络?为了以最低的

01

[论文翻译] 分布式训练 Parameter Sharding 之 Google Weight Sharding

本系列会以5～6篇文章，介绍parameter sharding。Parameter sharding 就是把模型参数等切分到各个GPU之上。我们会以 Google，微软和Facebook的论文，博客以及代码来进行分析。

02

vAttention：用于在没有Paged Attention的情况下Serving LLM

paper链接：https://arxiv.org/pdf/2405.04437v1

01

一番实验后，有关Batch Size的玄学被打破了

点击上方↑↑↑“OpenCV学堂”关注我来源：公众号机器之心授权有关 batch size 的设置范围，其实不必那么拘谨。我们知道，batch size 决定了深度学习训练过程中，完成每个 epoch 所需的时间和每次迭代（iteration）之间梯度的平滑程度。batch size 越大，训练速度则越快，内存占用更大，但收敛变慢。又有一些理论说，GPU 对 2 的幂次的 batch 可以发挥更好性能，因此设置成 16、32、64、128 … 时，往往要比设置为其他倍数时表现更优。后者是否是一种

一番实验后，有关Batch Size的玄学被打破了

作者：Sebastian Raschka 机器之心编译编辑：泽南有关 batch size 的设置范围，其实不必那么拘谨。我们知道，batch size 决定了深度学习训练过程中，完成每个 epoch 所需的时间和每次迭代（iteration）之间梯度的平滑程度。batch size 越大，训练速度则越快，内存占用更大，但收敛变慢。又有一些理论说，GPU 对 2 的幂次的 batch 可以发挥更好性能，因此设置成 16、32、64、128 … 时，往往要比设置为其他倍数时表现更优。后者是否是一种玄

02

一番实验后，有关Batch Size的玄学被打破了

关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式计算机视觉研究院专栏作者：Edison_G 有关 batch size 的设置范围，其实不必那么拘谨。我们知道，batch size 决定了深度学习训练过程中，完成每个 epoch 所需的时间和每次迭代（iteration）之间梯度的平滑程度。batch size 越大，训练速度则越快，内存占用更大，但收敛变慢。又有一些理论说，GPU 对 2 的幂次的 batch 可以发挥

02

学界 | 深度神经网络的分布式训练概述：常用方法和技巧全面总结

深度学习已经为人工智能领域带来了巨大的发展进步。但是，必须说明训练深度学习模型需要显著大量的计算。在一台具有一个现代 GPU 的单台机器上完成一次基于 ImageNet 等基准数据集的训练可能要耗费多达一周的时间，研究者已经观察到在多台机器上的分布式训练能极大减少训练时间。近期的研究已经通过使用 2048 个 GPU 的集群将 ImageNet 训练时间降低至了 4 分钟。这篇论文总结了各种用于分布式训练的算法和技术，并给出了用于现代分布式训练框架的当前最佳方法。更具体而言，我们探索了分布式随机梯度下降的同步和异步变体、各种 All Reduce 梯度聚合策略以及用于在集群上实现更高吞吐量和更低延迟的最佳实践，比如混合精度训练、大批量训练和梯度压缩。

02

2天训练出15亿参数大模型，国产开源项目力克英伟达Megatron-LM，来自LAMB作者团队

鱼羊明敏发自凹非寺量子位 | 公众号 QbitAI 当今AI之势，影响纵深发展的矛盾是什么？一方面，大模型风头正劲，效果惊艳，人人都想试试。但另一方面，硬件基础上动不动就是上万张GPU的大规模集群在日夜燃烧，钞能力劝退。所以如果告诉你，现在只用一半数量的GPU，也能完成同样的GPT-3训练呢？你会觉得关键钥匙是什么？不卖关子了。实现如此提升的，是一个名为Colossal-AI的GitHub开源项目。而且该项目开源不久，就迅速登上了Python方向的热榜世界第一。 ↑GitHub地址：h

03

如何一步一步使用Pytorch与GPU训练深度神经网络

Pytorch是python的一个目前比较火热的深度学习框架，Pytorch提供在GPU上实现张量和动态神经网络。对于学习深度学习的同学来说，Pytorch你值得拥有。本文将介绍pytorch的核心张量与梯度，以及如何一步一步的使用GPU训练你的第一个深度神经网络。

02

Tensorflow入门教程（二）——对张量静态和动态的理解

上一篇我介绍了Tensorflow是符号操作运算，并结合例子来验证。这一篇我也会结合一些例子来深刻理解Tensorflow中张量的静态和动态特性。

03

GPT-4的详细信息已经泄露

这位作者说GPT-4的详细信息已经泄露，不知道可信度如何。一些关键信息：- GPT-4的大小是GPT-3的10倍以上。我们认为它在120层中总共有大约1.8万亿个参数。- GPT-4是多个专家模型混合在一起，但不是之前说的8个专家，而是16个。研究人员已经证明，使用64到128个专家比16个专家能够获得更好的损失，但这只是纯粹的研究。OpenAI选择16个专家的一个原因是，更多的专家在许多任务上难以泛化。更多的专家也可能更难以达到收敛。- 预训练阶段的上下文长度（seqlen）为8k。GPT-4的32k seqlen版本是在预训练后对8k进行微调的结果。- 为了在所有的A100s GPUs上并行化，他们使用了8路张量并行，因为这是NVLink的限制。- 如果他们在云中的成本约为每小时1美元/A100，那么这次运行的训练成本将约为6300万美元。- GPT-4推理成本是175B参数的Davinchi的3倍。这主要是由于GPT-4需要更大的集群和实现的利用率更低。它的成本估计是0.0049/ 1K tokens。（目前GPT-4的API价格大约是

02

Colossal-AI发布新的深度学习辅助框架，半小时即可完成ViT-Base/32预训练

从头开始预训练计算机视觉领域最热门的 AI 模型 Vision Transformer (ViT) 需要多长时间？Colossal-AI系统最新给出的答案是半小时！

02

TF-char3-分类问题

分类问题典型的应用就是教会机器如何去自动识别图片中物体的种类。本章中主要是介绍了MNIST数据集。

01

我如何能使用Jetson AGX Xavier上的DLA

Jetson AGX Xavier具有两个NVIDIA深度学习加速器（DLA）引擎，如图5所示，它们减轻了对固定功能卷积神经网络（CNN）的推理。这些引擎提高了能源效率，释放了GPU来运行用户所执行的更复杂的网络和动态任务。

02

AI的张量世界，直面维度灾难

16并不是一个很大的数字。那么，在64个时钟周期内，计算一个卷积神经网络（Convolutional Neural Network，简称CNN），使其能够从16个输入通道、3*3张量卷积中生成具有16*16张瓦片图（tile）的16个输出通道，将需要多少MAC（Multiply-Accumulate Unit，乘加器）呢？

00

「人工智能研学社· ML系统与架构小组」第一期：如何在单块GPU上训练超大型深度学习模型

机器之心原创人工智能研学社问题：GPU 内存限制 GPU 在深度神经网络训练之中的强大表现无需我赘言。通过现在流行的深度学习框架将计算分配给 GPU 来执行，要比自己从头开始便捷很多。然而，有一件事你会避之唯恐不及，即 GPU 的动态随机存取内存（DRAM（Dynamic Random Access Memory））限制。在给定模型和批量大小的情况下，事实上你可以计算出训练所需的 GPU 内存而无需实际运行它。例如，使用 128 的批量训练 AlexNet 需要 1.1GB 的全局内存，而这仅是 5

09

论文推荐：TResNet改进ResNet 实现高性能 GPU 专用架构并且效果优于 EfficientNet

TResNet: High Performance GPU-Dedicated Architecture 来自阿里的达摩院，发布于2021 WACV,该论文引入了一系列架构修改，旨在提高神经网络的准确性，同时保持其 GPU 训练和推理效率。

01

DeepSense:用于时间序列移动传感数据处理的深度学习框架

DeepSense是在移动设备上运行的深度学习框架，它可以完成移动传感器（如运动传感器）数据集上的回归和分类任务。分类任务的第一个例子是异构人类活动识别（HHAR），通过运动传感器检测人类可能从事的活动(步行、骑自行车、站立等)。另一个例子是生物识别运动分析，要求必须从步态识别出用户。回归任务的例子是用加速度测量来追踪汽车的位置。与最先进的技术相比，DeepSense在汽车追踪问题上提供了一个更小的跟踪误差估计器，在HHAR和生物识别用户识别任务上比最先进技术的算法更具有优势。处理来自单传感器的数据首

05

简析LSTM()函数的输入参数和输出结果(pytorch)

参数有input_size, hidden_size, num_layers, bias, batch_first, dropout, bidrectional.

02

每日论文速递 | DMC: 动态内存压缩-在推理时压缩KV Cache

摘要：Transformers已成为大型语言模型（LLM）的支柱。然而，由于需要在内存中存储过去标记的键值表示缓存，其大小与输入序列长度和批量大小成线性比例，因此生成效率仍然很低。作为解决方案，我们提出了动态内存压缩（DMC），这是一种在推理时在线压缩键值缓存的方法。最重要的是，该模型可以学习在不同的头和层中应用不同的压缩率。我们将预训练的 LLM（如 Llama 2（7B、13B 和 70B））改装成 DMC Transformers，在英伟达 H100 GPU 上实现了高达 ~3.7 倍的自动回归推理吞吐量提升。DMC 通过持续预训练应用于可忽略不计的原始数据百分比，而不添加任何额外参数。我们发现，DMC 保持了原有的下游性能，缓存压缩率高达 4 倍，优于向上训练的分组查询注意（GQA）。GQA 和 DMC 甚至可以结合使用，以获得复合增益。因此，在任何给定的内存预算内，DMC 都能适应更长的上下文和更大的批次。

01

深度学习中的9种归一化方法概述

深度学习模型正在创建一些复杂任务的最先进模型，包括语音识别、计算机视觉、机器翻译等。然而，训练深度学习模型（如深度神经网络）是一项复杂的任务，因为在训练阶段，各层的输入不断变化。

03

评测 | 谷歌 TPU 二代来了，英伟达 Tesla V100 尚能战否？

AI 研习社按：谷歌去年年中推出的 TPUv1 一度让英伟达感受到威胁将近，而现在的谷歌 TPU 二代 TPUv2 则着着实实得将这份威胁变成了现实，去年的评测中英伟达 Tesla V100 尚能不惧谷歌 TPUv1 的挑战，但是现在谷歌 TPU 二代来了，英伟达 Tesla V100 尚能战否？

01

FlattenQuant | 推动低比特量化技术突破，大幅提升大型语言模型的计算效率和部署性能！

大型语言模型（LLM）的卓越能力近年来产生了重大影响（OpenAI, 2023; Ge等人，2023; Zhao等人，2023）。各种LLM已经被发布并在现实世界的生产环境中得到应用（Eloundou等人，2023）。因此，对于LLM的部署有着广泛的需求。

01

降龙十八掌：这套优化transformer内存占用的组合技值得收藏

峰值内存消耗是训练深度学习模型（如视觉 Transformer 和 LLM）时的常见瓶颈。本文提供了一系列可以在不牺牲建模性能和预测精度的情况下，将 PyTorch 中的内存消耗降低到约 1/20 的技术。

02

NVIDIA Jetson AGX Orin比Jetson AGX Xavier到底贵在哪里？

📷 NVIDIA Jetson AGX Orin开发套件的官方价格为1999美金，而三年前发布的Jetson AGX Xavier开发套件的官方价格为899美金（现在已经停产买不到了），很多用户说居然

02

四块GPU即可训练BigGAN：「官方版」PyTorch实现出炉

项目链接：https://github.com/ajbrock/BigGAN-PyTorch 该项目一出即引发了人们的广泛关注，有的人表示不敢相信，也有人哭晕在 Colab。

02

教程 | TensorFlow 官方解读：如何在多系统和网络拓扑中构建高性能模型

选自Tensorflow 机器之心编译参与：黄玉胜、黄小天这个文档和附带的脚本详细介绍了如何构建针对各种系统和网络拓扑的高性能可拓展模型。这个技术在本文档中用了一些低级的 Tensorflow Python 基元。在未来，这些技术将被并入高级 API。输入管道性能指南阐述了如何诊断输入管道可能存在的问题及其最佳解决方法。在使用大量输入和每秒更高的采样处理中我们发现 tf.FIFOQueue 和 tf.train.queue_runner 无法使用当前多个 GPU 生成饱和，例如在使用 AlexNet

FAIR何恺明等人提出组归一化：替代批归一化，不受批量大小限制

选自arXiv 作者：吴育昕、何恺明机器之心编译自 Facebook 在 2017 年 6 月发布 1 小时训练 ImageNet 论文以来，很多研究者都在关注如何使用并行训练来提高深度学习的训练速度，其研究所使用的批尺寸也呈指数级上升。近日，FAIR 研究工程师吴育昕、研究科学家何恺明提出了组归一化（Group Normalization）方法，试图以小批尺寸实现快速神经网络训练，这种方法对于硬件的需求大大降低，并在实验中超过了传统的批归一化方法。批归一化（Batch Norm/BN）是深度学习中非

06

PyTorch 中的多 GPU 训练和梯度累积作为替代方案

在本文[1]中，我们将首先了解数据并行（DP）和分布式数据并行（DDP）算法之间的差异，然后我们将解释什么是梯度累积（GA），最后展示 DDP 和 GA 在 PyTorch 中的实现方式以及它们如何导致相同的结果。

02

开发者必看：超全机器学习术语词汇表！

来源：机器之心本文长度为12243字，建议阅读8分钟本文编译自谷歌开发者机器学习术语表项目，介绍了该项目所有的术语与基本解释。 A 准确率（accuracy）分类模型预测准确的比例。在多类别分类中，准确率定义如下：在二分类中，准确率定义为：激活函数（Activation function）一种函数（例如 ReLU 或 Sigmoid），将前一层所有神经元激活值的加权和输入到一个非线性函数中，然后向下一层传递该函数的输出值（典型的非线性）。 AdaGrad 一种复杂的梯度下降算法，重新

06

福利 | 纵览机器学习基本词汇与概念

机器之心曾开放过人工智能术语集，该术语库项目目前收集了人工智能领域 700 多个专业术语，但仍需要与各位读者共同完善与修正。本文编译自谷歌开发者机器学习术语表项目，介绍了该项目所有的术语与基本解释。之后，我们也将表内术语更新到了机器之心 GitHub 项目中。机器之心人工智能术语项目：https://github.com/jiqizhixin/Artificial-Intelligence-Terminology A 准确率（accuracy）分类模型预测准确的比例。在多类别分类中，准确率定义如下：

09

FAIR何恺明等人提出组归一化：替代批归一化，不受批量大小限制

选自arXiv 作者：吴育昕、何恺明机器之心编译自 Facebook 在 2017 年 6 月发布 1 小时训练 ImageNet 论文以来，很多研究者都在关注如何使用并行训练来提高深度学习的训练速度，其研究所使用的批尺寸也呈指数级上升。近日，FAIR 研究工程师吴育昕、研究科学家何恺明提出了组归一化（Group Normalization）方法，试图以小批尺寸实现快速神经网络训练，这种方法对于硬件的需求大大降低，并在实验中超过了传统的批归一化方法。批归一化（Batch Norm/BN）是深度学习中非

07

谷歌开发者机器学习词汇表：纵览机器学习基本词汇与概念

选自Google Developers 机器之心编译机器之心曾开放过人工智能术语集，该术语库项目目前收集了人工智能领域 700 多个专业术语，但仍需要与各位读者共同完善与修正。本文编译自谷歌开发者机器学习术语表项目，介绍了该项目所有的术语与基本解释。之后，我们也将表内术语更新到了机器之心 GitHub 项目中。机器之心人工智能术语项目：https://github.com/jiqizhixin/Artificial-Intelligence-Terminology A 准确率（accuracy）分类

微软开源DeepSpeed Chat，人人可快速训练百亿、千亿级ChatGPT大模型

机器之心专栏微软DeepSpeed组昨日，微软开源的 DeepSpeed Chat 引起了AI社区的广泛关注。它让我们能够以更低的成本、更快的速度训练类似于ChatGPT的高质量大模型。链接：https://github.com/microsoft/DeepSpeed/tree/master/blogs/deepspeed-chat 本文对开源的 DeepSpeed Chat 进行了详细的介绍。该博客由微软DeepSpeed组官方撰写并译制，并授权「开源社」首发于中文社区，机器之心转载。概述

02

AI绘图Stable Diffusion中关键技术：U-Net的应用

在人工智能和深度学习的迅猛发展下，图像生成技术已经取得了令人瞩目的进展。特别是，Stable Diffusion模型以其文本到图像的生成能力吸引了广泛关注。本文将深入探讨Stable Diffusion中一个关键技术——U-Net架构的应用，揭示它如何在生成细节丰富且与文本描述紧密相连的图像中发挥核心作用。

01

PyTorch专栏（四）：小试牛刀

【磐创AI 导读】：本篇文章讲解了PyTorch专栏的第三章中的PyTorch小试牛刀。查看专栏历史文章，请点击下方蓝色字体进入相应链接阅读。查看关于本专栏的介绍：PyTorch专栏开篇。想要更多电子杂志的机器学习，深度学习资源，大家欢迎点击上方蓝字关注我们的公众号：磐创AI。

03

关于深度学习系列笔记四（张量、批量、Dense）

关于张量、张量运算、批量、梯度优化、随机梯度下降这几个概念和Dense的一些参数，简单而又难以理解的几个名词，花了几天时间才看了个七七八八，尤其是Dense的输入输出参数、权重和偏置向量是如何发挥作用的。

02

教程 | 如何在TensorFlow中高效使用数据集

选自TowardsDataScience 作者：Francesco Zuppichini 机器之心编译处理并使用数据集是深度学习任务非常重要的组成部分。在本文中，作者 Francesco Zuppichini 将教你使用 TensorFlow 的内建管道向模型传递数据的方法，从此远离「feed-dict」。本文内容已更新至最新的 TensorFlow 1.5 版本。相关代码地址：https://github.com/FrancescoSaverioZuppichini/Tensorflow-Datase

08

拆掉英伟达护城河，细节曝光！世界最快超算用3072块AMD GPU训完超万亿参数LLM

位于美国橡树岭国家实验室（Oak Ridge National Laboratory）的全世界最大的超算Frontier，集合了37888个MI250X GPU和9472个Epyc 7A53 CPU。

01

Tensorflow Eager Execution入门指南

本文介绍了最新版的Tensorflow 1.7的功能及其使用方法，重点介绍其中最有趣的功能之一eager_execution，它许用户在不创建静态图的情况下运行tensorflow代码。

从GPU的内存访问视角对比NHWC和NCHW

NHWC和NCHW是卷积神经网络(cnn)中广泛使用的数据格式。它们决定了多维数据，如图像、点云或特征图如何存储在内存中。

05

批量大小 Lot size（上）

批量大小Lot size是SAP ERP系统中MRP运算时用来计算计划订单/采购申请的数量的一个程序配置。物料主数据中MRP 1的批量大小，就是为物料确定一个计算获取数量的程序，以确定该物料在进行MRP运算时计算数量的算法。

01

如何为Tensorflow构建自定义数据集

Tensorflow激发开发人员在几乎任何想到的领域中尝试他们令人兴奋的AI创意。ML社区中有三个众所周知的因素构成了一个好的深度神经网络模型做了一些神奇的事情。

03

6.7k Star量的vLLM出论文了，让每个人都能轻松快速低成本地部署LLM服务

今年六月，来自加州大学伯克利分校等机构的一个研究团队开源了 vLLM（目前已有 6700 多个 star），其使用了一种新设计的注意力算法 PagedAttention，可让服务提供商轻松、快速且低成本地发布 LLM 服务。

03

DeepSpeed Chat: 一键式RLHF训练，让你的类ChatGPT千亿大模型提速省钱15倍

近日来，ChatGPT及类似模型引发了人工智能（AI）领域的一场风潮。这场风潮对数字世界产生了革命性影响。ChatGPT类模型具有惊人的泛用性，能够执行归纳、编程、翻译等任务，其结果与人类专家相当甚至更优。为了使ChatGPT等模型的训练和部署更轻松，AI 开源社区进行了各种尝试（例如 ChatLLaMa、Alpaca、Vicuna、Databricks-Dolly等）。

03

DeepSpeed Chat: 一键式RLHF训练，让你的类ChatGPT千亿大模型提速省钱15倍

近日来，ChatGPT及类似模型引发了人工智能（AI）领域的一场风潮。这场风潮对数字世界产生了革命性影响。ChatGPT类模型具有惊人的泛用性，能够执行归纳、编程、翻译等任务，其结果与人类专家相当甚至更优。为了使ChatGPT等模型的训练和部署更轻松，AI 开源社区进行了各种尝试（例如 ChatLLaMa、Alpaca、Vicuna、Databricks-Dolly等）。

04

DeepSpeed Chat: 一键式RLHF训练，让你的类ChatGPT千亿大模型提速省钱15倍

近日来，ChatGPT及类似模型引发了人工智能（AI）领域的一场风潮。这场风潮对数字世界产生了革命性影响。ChatGPT类模型具有惊人的泛用性，能够执行归纳、编程、翻译等任务，其结果与人类专家相当甚至更优。为了使ChatGPT等模型的训练和部署更轻松，AI 开源社区进行了各种尝试（例如 ChatLLaMa、Alpaca、Vicuna、Databricks-Dolly等）。

02

arraylist的基本方法_什么是arraylist

Java基础到Java实战全套学习视频教程，包括多个企业级实战项目：https://urlify.cn/YFzABz 密码: pi95 面试算法资料，这是总结的算法资料，学完基本可以应付80%大厂：https://urlify.cn/N7vIj2 密码: ijoi 大厂面试资料，一年时间总结，覆盖Java所有技术点：https://urlify.cn/Vzmeqy 密码: j9t2 面试思维导图，手打总结： https://urlify.cn/vUNF7z 密码: adbo

02

老虎斑马“杂交”长啥样？CVPR19论文提出纹理混合器，不同花纹实现丝滑过渡 | 开源

来自马里兰大学、马克斯·普朗克信息学研究所、Adobe的研究人员提出了一种新型纹理混合器Texture Mixer。

03

独家｜pytorch模型性能分析和优化

照片由 Torsten Dederichs 拍摄，上传到 Unsplash

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭