登录社区云，与社区用户共同成长
邀请您加入社区
本文介绍了预算管理系统的数据库查询与聚合实现，主要包括三个核心功能：按月查询预算、分类支出统计和预算进度计算。通过WHERE条件与SUM聚合实现分类支出统计，处理了空结果的NULL陷阱问题。预算进度计算采用程序循环与SQL聚合结合的方式，包含百分比封顶逻辑和超支判断。总预算和总支出的统计分别采用前端累加和SQL聚合两种方式。文章还提及了防御性编程和DAO层计算分工原则，展示了从单表查询到双表联动的
混合精度训练（Mixed Precision Training）是过去十年大语言模型（LLM）训练效率提升的第一驱动力。从 2017 年 NVIDIA Volta 架构引入 FP16 Tensor Core，到 2024 年底 DeepSeek-V3 以 FP8 完成 671B 参数 MoE 模型的工业化训练（成本仅 $5.6M），再到 2026 年 AMD 联合论文攻克 FP4 从头预训练瓶颈、
文章摘要： 崩溃治理是企业应用稳定性的核心指标，需构建"捕获→聚类→定位→修复→验证"的完整闭环。通过errorManager全局兜底JS异常，结合FaultLogger记录Native崩溃，实现全链路监控。崩溃栈需符号化还原并智能聚类（按堆栈指纹、异常类型、页面等维度），优先修复高频/高影响面问题。实战中需设计崩溃上报协议，搭建监控平台，并根据影响面分级处理（P0热修/P1周级/P2排期）。最终
该应用以HarmonyOS NEXT的ArkTS框架为基础，深入展示了大型数据集管理、分类渲染、搜索过滤算法、缓存优化、最近使用管理和网格布局优化等关键技术。大型数据集管理：1500+表情的完整数据管理，支持多维度分类和元数据查询。分类系统：10个表情类别，支持快速切换和浏览。搜索引擎：多维度匹配（英文名、中文名、关键词），带评分排序的搜索算法。最近使用管理：基于LRU（最近最少使用）策略的最近使
文章摘要（145字） 《数据图表解读》是一款鸿蒙原生AI应用，通过MVS架构实现数据智能分析。应用提供找趋势、找异常、做总结、给建议四种分析角度，采用@State状态管理和@Builder卡片式UI设计，实现四维数据可视化（关键结论、异常点、整体趋势、可行动建议）。核心技术亮点包括Flex+ForEach交互设计、条件渲染按钮及多角度AI分析引擎，能自动识别数据异常并生成可执行建议。该应用解决了从
│ basic_api 接口层次 ││ ││ │ • LocalTensor 级别的 API │ ││ │ • 自动流水线管理 │ ││ │ • 自动同步 │ ││ │ → 适合绝大多数算子开发 │ ││ │ ││ ▼ ││ Layer 2: 寄存器计算接口 (reg_api/) ││ │ • 寄存器级别的 API │ ││ │ • 手动流水线管理 │ ││ │ • 手动同步 │ ││ │ → 适
本文分析了昇腾NPU的三级存储架构及其内存管理策略。NPU采用HBM、L2 Cache和L1 Cache三级存储体系，各级在容量、带宽和延迟上差异显著。数据搬运开销往往超过计算开销，因此需要优化内存管理。文章比较了静态分配和动态分配的优缺点，并详细介绍了内存池化技术，包括预分配策略、分配/释放机制以及碎片合并方法。内存池通过预分配大块内存、复用空闲块和合并相邻块来提升内存利用率，适用于需要确定性延
1
在前端开发领域，Vue3 生态凭借Composition API、Pinia 状态管理、Vite 构建工具的核心优势，已成为企业级管理系统的首选技术栈。企业级管理系统（如 ERP、CRM、OA）作为后端业务的前端载体，需解决权限精细控制、大数据渲染性能、多环境适配等核心痛点 —— 多数开发者在落地时面临 “权限逻辑混乱、表格卡顿、打包体积过大、接口联调复杂” 等问题。本文以 Vue3+Pinia+
文章探讨了AI大模型发展的两条扩展定律：预训练（更大规模）和后训练（思考更久）。尽管业界一度认为强化学习是主要方向，但预训练仍至关重要，OpenAI等公司已调整策略重新重视预训练。作者预测预训练将在2026年迎来复兴，这将影响数据中心扩建和AI硬件发展方向，对AI从业者和投资者把握行业未来至关重要。
鸢尾花分类是机器学习领域的"Hello World"，数据集包含3种鸢尾花（Setosa、Versicolour、Virginica）的4个特征：花萼长度（sepal length）花萼宽度（sepal width）花瓣长度（petal length）花瓣宽度（petal width）我们的目标是构建一个深度学习模型，能够根据这4个特征准确分类鸢尾花类型。数据准备：加载、探索和预处理经典的鸢尾花数
2026年AI发展聚焦算力、电力和应用三大方向。AI应用进入落地阶段，ToB强调定制化，ToC垂直创新；AI硬件需结合联网与AI能力；算力市场将形成寡头垄断，推理芯片和运维平台有创业机会；电力需求催生SMR、可控核聚变和光储充机会；数据中心面临大功率供电、液冷热管理和AI运维升级。大模型创业需谨慎，基础模型需"抱大腿"，垂类模型应选择不被通用模型替代的领域。
通过本次落地实践可以看出，CANN 不仅解决了异构硬件适配和性能调优的行业痛点，还显著提升了端云一体的 AI 开发效率。开发者无需过多关注底层硬件细节，即可专注于模型创新和业务逻辑的优化，实现“高性能算力即开即用”的目标。
在处理中文长文本任务中，选择合适的模型和硬件加速方案至关重要。您提到使用昇腾 NPU（华为的神经网络处理器）来微调 Llama 3.2 3B（一个约30亿参数的大型语言模型），并与一个1B参数（约10亿参数）的英文模型进行对比。总之，在昇腾 NPU 加持下，微调 Llama 3.2 3B 处理中文长文本是高效方案，相比 1B 英文模型在质量上优势明显。微调后的模型需评估在中文任务上的表现。常见指标
文章目录计算机系统与人工智能之我见for AI硬件：XPU的发展软件：AI编程框架by AIAIOps传统产业+AI总结参考文献人工智能 （AI）是当前的发展热点，从计算机系统的角度看，有两个角度：一是for AI，即何优化计算机系统，如芯片（如NPU、TPU、GPU等加速器）、操作系统、编程框架（如Tensorflow/PyTorch等）。另一是by AI，即利用人工智能技术优化计算机系统自身
今天我来解释人工智能（AI）领域中的一些常见软件和平台类型，这些软件和平台在各个领域都有广泛的应用。
