登录社区云，与社区用户共同成长
邀请您加入社区
暂无图片
为遵守国家网络实名制规定，未绑定将限制内容发布与互动
随着深度学习模型复杂度的不断提升，如何在异构计算平台上实现接近主流GPU的推理性能成为开发者面临的重要挑战。本文以FlexRibbon模型在Atlas 800I A3硬件平台上的性能优化为例，系统介绍了模型完整优化方案。通过组合应用流水线并行、算子优化、内存布局调整等多种技术手段，显著提升了模型在昇腾平台上的执行效率，为同类模型的性能优化提供了可复用的实践经验。本文详细介绍了FlexRibbon模
本文对比了高德、百度、腾讯和丰图四家地图SDK在Web渲染技术、移动端功能覆盖、服务接口能力等方面的差异。Web端四家均采用WebGL渲染，但各有特色：高德的LabelMarker标注避让算法成熟，百度的MapV数据可视化能力强，腾讯支持GLTF三维模型，丰图的标准图层支持完善。移动端高德覆盖最广（含鸿蒙/Flutter），百度导航功能最全，腾讯小程序集成好，丰图暂未提供移动端SDK。选型建议：全
本文以 Ankh3-large 模型为例，介绍了在模型迁移到昇腾平台后训练过程中遇到的 Loss 未能严格对齐的问题分析及解决方法。通过系统性的排查与优化，最终将 Loss 误差控制在合理范围内，并为类似场景下的精度对齐工作提供参考。硬件：Atlas 800T A2组件版本信息本次精度问题排查表明，由于硬件架构差异，NPU 与 GPU 在训练中存在合理范围内的计算误差。通过严格对齐数据预处理、模型
本文介绍了在鸿蒙PC上搭建Rust开发环境的完整指南。鸿蒙系统基于musl库并强制二进制签名，无法直接使用通用Linux编译产物。解决方案是使用鸿蒙专属包管理器Harmonybrew，提供两种编译方案：一是安装llvm-gcc-compat实现零配置开箱即用；二是仅安装ohos-sdk并手动配置Cargo链接器。文章详细讲解了Harmonybrew的作用、安装步骤（包括开启开发者选项、卸载冲突软件
回顾全文，我们从"弹窗位置不对"的痛点出发，剖析了alignment作为"锚点选择器"的底层心法，实战演示了如何用offset微调实现完美的底部弹窗，又前瞻了鸿蒙 6 里圆形屏裁剪、横竖屏错位以及组件未挂载崩溃这三大适配雷区。你会发现，鸿蒙生态的架构师们在设计时，眼光极其毒辣。他们没打算给你 Web 那种自由的，而是用"锚点 + 偏移"的组合拳，倒逼你建立多设备适配的意识。在这个端侧多形态设备爆发
摘要 本文详细介绍了在OpenHarmony鸿蒙PC系统上搭建Python开发环境的完整流程。针对鸿蒙系统与标准Linux的兼容性问题，文章提出使用Harmonybrew（鸿蒙版Homebrew）作为解决方案，通过其专属包管理功能安装适配版Python。关键步骤包括：开启开发者选项、卸载冲突软件、执行一键安装命令、配置环境变量，并借助ohos-pip-autosign工具解决系统对动态库的签名限制
地铁跑酷》能够成为华为智慧屏生态优先选择的标杆体感游戏，深度落地鸿蒙智慧屏生态，源于创梦天地的三大核心不可复制优势，与鸿蒙生态的硬件、场景需求高度匹配。作为运营十余年的国民级休闲IP，《地铁跑酷》以低门槛、轻量化、全年龄向的核心特质，完美适配鸿蒙智慧屏的家庭场景定位，已完成鸿蒙手机、鸿蒙智慧屏、鸿蒙电脑三端互通，体验同步，打通全场景使用体验，融合休闲娱乐与居家轻健身双重属性，兼顾亲子互动、家庭聚会
为了有效处理高维稀疏的用户和物品特征，并通过非线性建模捕捉复杂的交互关系，推荐系统()模型普遍采用 Embedding + MLP 架构。Embedding(嵌入)将高维稀疏的离散特征（用户ID、商品ID、类别等）映射为低维稠密向量，便于深度神经网络进行处理。MLP（Multilayer Perceptron，多层感知机） 是一种经典的前馈神经网络。
想搞清楚 runtime 和 driver 的边界，不妨从 CANN 软件栈的调用链路入手。用户代码调用 NPU 算子的那一刻，函数调用会沿着 CANN 的五层架构逐层下传：框架层（PyTorch Plugin / TensorFlow Plugin）→ 计算服务层（AOL 算子库，如 ops-nn、hccl 等）→ 计算编译层（GE 图引擎、TBE 算子编译器）→ 计算执行层（Runtime，a
你觉得写算子最难的是什么。是算法本身吗。不完全是。真正的难点在于：同一份计算逻辑，要在昇腾NPU的不同代际芯片上都能跑出好成绩。直接写机器码。换个芯片代际就得重写。用高层接口。性能又不够极致。CANN给出的解法是PTO-ISA——一套面向tile级操作的虚拟指令集体系结构。它处在自定义算子编译链路的中间层，往上对接框架和编译器前端，往下生成适配具体昇腾硬件的二进制代码。本文把这个中间层拆开，用几个
