硬件架构标签_人工智能6S服务平台

硬件架构

中国移动2026 年至 2027 年新一代人工智能超节点设备集采技术解析

中国移动发布《2026-2027年新一代人工智能超节点设备集中采购项目》招标公告，拟采购1024卡级液冷超节点设备20,480张，配套无损交换机448台及智算存储、分布式文件存储系统。项目强调“算力普惠”，要求全链路支持内存统一编址、高带宽低时延互联（如800G RoCEv2）、AI卡直通显存、KVCache外置存储等先进特性，突出对昇腾950等国产加速卡生态的深度依赖。硬性门槛包括仅限原厂投标、

aixingkong921
2026-10-05 10:26:01

 388

 3

#人工智能 #大数据 #硬件工程 +1
MindSpore Transformers LLM 数据预处理：支持多源数据集混合

本文基于MindSpore-Transformers实现多源数据集混合预处理，解决格式不一、权重配比、分布式训练等问题。通过适配器统一字段为prompt-response格式，支持加权采样与全局打乱，结合Tokenizer完成SFT分词，并在昇腾NPU上实现分布式分片与缓存加速。框架可灵活接入指令、对话、领域数据，提升微调数据质量，保障训练稳定性与效率。

昇思MindSpore
2026-09-29 14:29:18

 15

#性能优化 #硬件架构 #算法 +1
MindSpore Transformers 大模型训练迁移：获取 GPT Layer 本地加速

本文基于MindSpore2.4与昇腾910B环境，提出通过get_gpt_layer_local_spec实现GPT大模型从PyTorch向MindSpore分布式训练的高效迁移。该接口精准划分各Rank的层范围，支持层粒度并行与权重分片加载，解决跨框架权重错位、内存溢出及初始化不一致问题。结合本地分片模型构建与映射加载策略，实现仅加载本卡所需权重，显著降低内存开销，打通PyTorch→Mind

昇思MindSpore
2026-09-29 14:12:47

 192

 1

#算法 #性能优化 #架构 +1
MindSpore Transformers LLM 推理：MLP 模块实现与推理优化

本文基于MindSpore实现工业级SwiGLU-MLP模块，完成独立推理、Decoder集成、MindIR导出及昇腾Ascend 910B优化。通过静态图编译、图内核融合、自动混合精度与权重拼接等技术，显著降低矩阵乘算子访存开销，提升推理效率。代码可直接部署于昇腾集群，支持离线推理与分布式扩展，为大模型高效推理提供完整解决方案。

昇思MindSpore
2026-09-29 11:24:14

 130

 4

#性能优化 #硬件架构 #算法 +1
MindSpore Transformers 训练在线监控：config.monitor_config 部署实践

MindSporeTransformers（MindFormers）通过monitor_config实现大模型训练的非侵入式实时监控，支持超长时预训练与分布式微调。该配置模块可统一采集loss、学习率、梯度、显存/昇腾NPU内存等指标，自动输出至TensorBoard、JSON日志或控制台，并支持异常告警与自定义回调扩展。适用于单机及昇腾910B集群场景，提供完整YAML配置、启动代码、可视化对接

 昇思MindSpore
2026-09-29 11:18:46

 308

 4

#架构 #性能优化 #算法 +1
基于 MindSpore 与鲲鹏硬件的语音识别系统案例

本项目基于国产化软硬件栈（鲲鹏920、昇腾910B、openEuler、MindSpore），构建全链路信创语音识别平台，采用Conformer+CTC架构，实现客服录音批量转写与300路并发流式识别，支持热词优化、小样本微调与INT8量化，达CER≤6.5%、RTF＜0.45。通过MindSpore原生适配，训练效率提升显著，推理性能稳定，三年TCO降低40%以上，实现从训练到部署的自主可控闭环

 昇思MindSpore
2026-09-23 11:29:55

 34

#性能优化 #硬件架构 #算法 +1
昇思 MindSpore 大模型：基于 mindspore.dataset 的数据变换与预处理全方案

mindspore.dataset是专为大模型设计的高性能数据处理引擎，支持文本、图像、多模态数据的全流程预处理。其基于C++后端加速、多线程并行与流水线调度，实现数据加载、清洗、分词、编码、截断、填充、掩码生成等操作的高效并行执行，显著提升训练吞吐。通过链式变换、分布式分片、数据下沉等机制，有效解决“算力空转”问题，适配昇腾AI芯片与鲲鹏服务器。本文结合完整代码实战，系统讲解LLM与多模态预处理

 昇思MindSpore
2026-09-23 11:25:31

 90

 2

#架构 #性能优化 #算法 +1
昇思 MindSpore 大模型训练：评估体系与性能优化实践

本文基于昇思MindSpore与昇腾NPU，构建了覆盖模型收敛、任务精度、训练性能与硬件指标的全周期评估体系，实现Loss、PPL、单步耗时等核心指标的实时监控与早停控制。结合昇腾硬件特性，提出分层优化策略：通过混合精度、重计算降低显存占用；利用图模式融合、数据下沉提升算力利用率；采用分布式通信优化与梯度累积支持多机训练。配套提供可落地的工程代码，形成“评估—诊断—优化”闭环，有效解决大模型训练中

 昇思MindSpore
2026-09-23 11:15:07

 76

#硬件架构 #架构 #算法 +1
MindSpore Transformers LLM 预训练模型：高效训练

MindSpore Transformers为昇腾NPU提供原生大模型预训练方案，通过静态图编译、自动并行、混合精度与重计算技术，实现7B～13B模型高效训练。支持单机多卡及多机扩展，显存降低60%以上，训练速度提升2～4倍。结合异步数据流水线与优化配置，显著提升吞吐与稳定性，无需复杂改造即可开箱即用，全面释放昇腾硬件性能。

昇思MindSpore
2026-09-23 11:11:25

 81

 3

#算法 #性能优化 #架构 +1
MindSpore 大模型预训练：数据质量过滤方案

本文系统阐述了基于昇腾硬件与MindSpore框架的大模型预训练数据质量过滤体系。针对噪声、重复、低质等常见问题，提出规则粗过滤、统计特征过滤、相似度去重、模型打分四层递进式过滤架构，结合MindSpore的分布式数据流水线能力，实现TB/PB级语料高效清洗。通过完整代码示例与工程优化建议，构建端到端、可扩展、高可靠的过滤链路，从源头保障大模型训练数据质量，提升模型性能与安全性。

昇思MindSpore
2026-09-23 11:09:00

 69

#性能优化 #硬件架构 #算法 +1
MindSpore Transformers 训练在线监控：配置监控参数、实现与实战

MindSpore通过Callback+日志收集+MindInsight可视化构建了大模型训练的在线监控体系，支持每步采集loss、lr、梯度、权重及NPU资源使用情况，自动保存最优模型并异常中断。MindSpore Transformers封装开箱即用组件，结合昇腾NPU适配，实现训练过程实时监控与可视化分析，显著提升训练稳定性与效率。

昇思MindSpore
2026-09-23 10:58:14

 170

#性能优化 #硬件架构 #架构 +1
昇腾平台 RAG SDK 检索前优化技术原理与实战：索引结构优化

昇腾RAG SDK通过智能语义分块、多表征索引、分层架构与NPU原生加速，实现检索精度提升30%、构建速度提升8倍、存储成本降低60%。其四层优化架构深度融合算法与硬件，支持百万级文档毫秒级检索，显著解决大模型幻觉、知识滞后等落地难题，为行业提供高效、低成本的知识增强方案。

昇思MindSpore
2026-09-23 10:54:57

 190

#架构 #硬件架构 #算法 +1
MindSpore Transformers 大语言模型高效预训练与微调实战：分布式并行与显存优化

本文介绍MindSpore Transformers如何解决大语言模型（LLM）训练中的算力与显存瓶颈。通过自动并行、3D并行策略及混合精度、重计算等显存优化技术，实现千亿参数模型高效分布式训练。框架提供统一接口，支持预训练与微调无缝切换，并基于昇腾AI处理器实现单卡训练13B模型、8卡线性加速比达0.97，显著提升训练效率与稳定性。

昇思MindSpore
2026-09-23 10:49:28

 363

 1

#算法 #性能优化 #架构 +1
昇思大模型 msModelSlim 量化工具：降低模型加载时间

msModelSlim是昇思（MindSpore）推出的专为大模型设计的一站式轻量化工具，通过INT8/INT4量化、紧凑存储与mmap内存映射加载，实现模型体积缩小50%~75%，加载速度提升3～8倍，显存占用降低50%～75%，支持秒级启动。其核心优势在于低比特量化+硬件原生解析+预计算参数，显著优化冷启动、多模型调度、边缘部署等场景下的性能瓶颈，是昇腾生态大模型工程化落地的必备利器。

昇思MindSpore
2026-09-20 14:36:11

 80

#性能优化 #硬件架构 #架构 +1
MindSpore Transformers 训练在线监控：回调函数设计

本文基于MindSpore Transformers框架，设计并实现一套无侵入、轻量化的训练监控回调套件，涵盖实时loss与学习率追踪、梯度异常检测、NPU/CPU资源监控、可视化日志输出及自动止损功能。通过自定义Callback机制，实现大模型训练过程的全维度在线监控，显著提升调试效率与训练稳定性，适用于昇腾NPU/GPU环境，有效解决大模型训练“黑盒”问题，助力高效、安全、无人值守训练。

昇思MindSpore
2026-09-20 14:30:32

 135

 2

#算法 #性能优化 #架构 +1
MindSpore 大模型预训练：提升任务解决能力

MindSpore依托昇腾NPU，通过因果语言建模、高质量多域语料、长上下文支持（FlashAttention/NTK-RoPE）、混合精度训练与分布式并行，高效完成7B~70B大模型预训练。结合SwiGLU激活、Pre-Norm结构等架构优化，显著提升模型的逻辑推理、知识记忆与任务泛化能力，实现从“语法通顺”到“能思考、会解题”的跃迁，为零样本、少样本任务提供强大基础。

昇思MindSpore
2026-09-20 14:22:10

 62

#性能优化 #硬件架构 #架构 +1
昇思 MindSpore：tools 二进制工具

MindSpore tools是昇思框架自带的轻量级二进制工具集，无需Python环境，直接在openEuler+昇腾NPU上运行，支持模型转换、精度调试、性能剖析、离线推理、权重管理与加密等全流程操作。核心工具如converter_lite.bin、benchmark.bin、checkpoint.bin等基于C++实现，调用AscendCL/MindRT，性能比Python脚本高5~20倍，适

 昇思MindSpore
2026-09-20 14:19:36

 360

 2

#架构 #硬件架构 #算法 +1
昇思 MindSpore 自动微分：Jacobian（雅克比）原理

本文系统讲解了雅克比矩阵在昇思MindSpore框架中的原理与实战应用。从雅克比矩阵定义出发，结合MindSpore的自动微分机制，详细阐述其在神经网络、科学计算等场景下的实现方法。通过基础、进阶与批量数据三类代码示例，展示了如何利用mindspore.jacobian高效计算向量函数梯度，并突出其在昇腾NPU上的硬件加速优势。文章强调了静态图优化、内存高效与端到端支持等核心特性，助力开发者掌握高

 昇思MindSpore
2026-09-20 14:15:52

 154

#算法 #性能优化 #架构 +1
MindSpore Transformers 训练在线监控：TensorBoard 效果

MindSpore Transformers集成TensorBoard实现昇腾NPU上LLM训练的实时监控，无需代码改造即可可视化损失、学习率、精度、梯度、权重及计算图等关键指标。通过SummaryCollector自动采集，支持分布式多卡、低开销实时刷新，结合浏览器访问实现跨平台可观测性。适用于预训练、微调全流程，助力快速排错、优化超参与模型复现，是企业级高效训练的标准方案。

昇思MindSpore
2026-09-17 15:02:53

 41

#架构 #硬件架构 #算法 +1
MindSpore Transformers：safetensors 高性能张量存储格式

safetensors是由Hugging Face推出的新型安全张量存储格式，取代传统不安全的bin/ckpt/pth文件。其核心优势包括：无代码执行风险、加载速度提升300%~1000%、支持内存映射与分片读取、跨框架通用。在MindSpore Transformers昇思生态中，safetensors实现原生支持，全面适配昇腾NPU，支持极速加载、零拷贝传输与大模型分片部署。从预训练加载、微调

 昇思MindSpore
2026-09-17 14:56:17

 131

 1

#算法 #性能优化 #架构 +1
昇思大模型转换工具：基于 AscendIR 的单算子描述文件

昇思（MindSpore）大模型转换工具基于AscendIR统一中间表示，通过手写或生成JSON/INI格式的单算子描述文件，实现PyTorch、TensorFlow等框架模型向昇腾NPU可执行格式的高效转换。该技术解决了大模型中自定义算子不支持、计算图断裂、精度损失等问题，支持LLaMA、Qwen等主流大模型全图贯通部署，转换成功率提升至100%，精度损失低于0.5%，显著缩短适配时间，是昇腾生

 昇思MindSpore
2026-09-17 14:44:56

 237

 2

#性能优化 #硬件架构 #架构 +1
昇思大模型 msModelSlim 量化工具：显存优化

msModelSlim是昇腾生态专为大模型设计的一站式量化压缩工具，支持INT4/INT8等多精度量化与混合策略，可将千亿级模型显存占用降低50%-75%，精度损失控制在1%以内。其核心优势包括逐通道量化、SmoothQuant激活优化、敏感层回退及离群值抑制，适配LLaMA2、Qwen3、DeepSeek等主流模型，显著提升推理效率与部署可行性，是昇腾NPU上大模型轻量化部署的核心利器。

昇思MindSpore
2026-09-17 14:27:42

 250

 1

#架构 #硬件架构 #算法 +1
昇腾 + PyTorch 环境构建：环境检查与依赖校验

在昇腾NPU上部署PyTorch环境需严格匹配CANN驱动、Python版本、系统库及昇腾适配包，任一组件异常均导致NPU不可用。建议遵循“检查→安装→验证”流程，使用一键检查脚本自动校验NPU状态、环境变量、PyTorch连通性与模型推理功能，确保环境稳定。常见问题如torchnpu缺失、环境未加载、版本不匹配等，可通过重装昇腾源包、source环境脚本、统一版本等快速修复。

昇思MindSpore
2026-09-17 14:23:16

 244

 1

#算法 #性能优化 #架构 +1
昇思 MindSpore 与 PyTorch 小模型迁移实战：数据准备全流程

本文针对PyTorch与MindSpore在数据加载、增强、格式及分布式读取上的差异，提出小模型迁移中的数据准备标准化方案。通过分析核心差异，构建“数据集定义→清洗→转换→增强适配→管道构建”五步流程，提供图像与文本分类场景的可运行迁移代码，实现数据分布、增强逻辑、输出格式的1:1对齐。重点保障归一化参数、增强概率、批处理等关键配置一致，并结合昇腾NPU优化，确保精度无损与训练高效。

昇思MindSpore
2026-09-15 15:06:21

 47

#性能优化 #算法 #架构 +1
MindSpore Transformers 训练在线监控：实时曲线图可视化与代码实践

MindSpore Transformers 提供轻量级、无侵入的实时训练监控能力，通过自定义 Callback 实现 loss、学习率、速度等指标的动态曲线可视化，支持终端打印、Web 展示与文件持久化。无需依赖第三方平台，适配昇腾/鲲鹏国产化环境，开箱即用，助力大模型训练过程透明化，提升调试效率与稳定性。

昇思MindSpore
2026-09-15 15:01:27

 49

#架构 #硬件架构 #算法 +1
昇思大模型转换工具：MindSpore 实战与应用

昇思 MindSpore 是面向大模型训练、推理与部署的全场景 AI 框架，模型转换工具作为其核心配套组件，主要实现主流框架模型向 MindSpore 格式的迁移、精度对齐、格式适配与优化，打通 PyTorch、TensorFlow、ONNX 等模型到昇腾 NPU、鲲鹏服务器的部署链路。随着大模型快速普及，大量基于 PyTorch 训练的 LLM、多模态模型需要迁移至 MindSpore 生态进行

 昇思MindSpore
2026-09-15 11:21:23

 147

 1

#性能优化 #算法 #架构 +1
MindSpeed 大模型预训练：融合优化

MindSpeed 大模型预训练融合优化，通过算子融合、计算通信重叠、内存压缩、多并行协同四大核心技术，构建了昇腾硬件专属的高性能训练体系。它将原本分散的算子执行、通信操作、内存管理进行深度融合，从内核到框架层消除性能瓶颈，实现训练吞吐与显存利用率的双重突破。

昇思MindSpore
2026-09-15 11:18:07

 265

#架构 #硬件架构 #算法 +1
昇思大模型转换工具：ONNX 模型转 MindSpore 实战与应用

昇思ONNX转换工具（onnx2ms）支持PyTorch/TensorFlow大模型一键转为昇思MindSpore格式，无缝迁移至昇腾芯片，实现国产化高性能推理。工具内置算子映射、图优化与精度校准，转换后精度损失＜0.5%，推理性能提升30%+，全面支持Transformer、BERT、LLaMA等主流大模型结构，兼容动态输入、量化部署与端边云协同，助力AI模型高效国产化落地。

昇思MindSpore
2026-09-14 16:18:54

 88

 2

#算法 #深度学习 #架构 +1
昇思大模型应用：RAG 检索关键操作

昇思MindSpore RAG技术通过文档切片、向量化编码、向量检索与重排序四大核心操作，构建轻量高效、国产化、低幻觉的检索增强生成体系。依托昇腾NPU加速，实现万级知识库检索耗时低于20ms，幻觉率降低60%。全流程代码可运行，无第三方依赖，显著提升行业知识问答准确率，是大模型落地应用的关键方案。

昇思MindSpore
2026-09-14 16:09:23

 228

 2

#性能优化 #算法 #架构 +1
昇思大模型转换工具（TensorFlow→MindSpore）：技术原理、工具能力与代码实践

MindConverter是昇思MindSpore官方推出的TensorFlow到MindSpore跨框架转换工具，支持TensorFlow 1.x/2.x模型（PB/SavedModel）一键迁移至昇腾AI生态。通过全图解析、算子自动映射（覆盖200+算子）、权重精准对齐及昇腾NPU优化，实现结构等价、精度无损，性能提升20%-40%。适用于CV/NLP大模型快速迁移，提供完整转换流程与代码实践

 昇思MindSpore
2026-09-14 15:53:28

 204

#算法 #深度学习 #硬件架构
昇思大模型应用：RAG 检索器原理

<think>我们根据要求生成摘要，字数限制150字以内。需要概括核心价值、架构、部署、代码实现、优化优势和应用场景。精简内容。注意摘要需简洁，不超过150字。</think>昇思RAG检索器基于昇腾NPU与MindSpore生态，融合MxRAG与MindFAISS，实现文档预处理、向量检索、重排序及大模型对接，解决知识滞后与幻觉问题。全链路NPU加速，混合检索提升召回，支

 昇思MindSpore
2026-08-31 14:44:53

 105

 1

#大数据 #性能优化 #架构 +2
昇思大模型预训练：月级别训练的核心内容

<think>我们需要理解任务：根据给定的内容，生成不超过150字的文章摘要。内容是关于昇思MindSpore Transformers (Mcore) 和昇腾NPU集群的月级别预训练，涉及大模型如Llama 3-70B等。摘要需要概括核心内容，控制字数。首先，内容结构：月级别预训练是核心阶段，耗时1-3个月，决定模型能力。需要解决三大难题。然后描述了三阶段策略和核心技术。最后是价值

 昇思MindSpore
2026-08-31 14:40:44

 159

 1

#硬件架构 #架构 #开发语言 +1
MindSpore Transformers LLM 数据预处理：Blended Megatron DataLoader核心架构

<think>我们根据要求生成≤150字的文章摘要。摘要需涵盖核心内容：Blended Megatron DataLoader的主要特点、原理、性能优势等。语言简洁。</think>Blended Megatron DataLoader 是面向千亿级 LLM 预训练的高效多源数据加载方案，采用三级分层架构与二进制索引存储，支持多数据集权重混合和分布式并行加载，显著提升 IO

昇思MindSpore
2026-08-31 14:23:24

 239

 4

#架构 #性能优化 #硬件架构 +1
AI硬件12-手把手拆解AI加速卡：七模块打造一块“AI 显卡“

说加速卡是"完整嵌入式系统"，不是夸张。算力核心（AI 算力芯片）——相当于 CPU；存储（HBM 模组）——相当于内存；输入输出（主机 PCIe 接口）——相当于外设总线；供电（高精度供电模块）——相当于电源；散热（液冷/风冷模块）——相当于散热器；电路板（PCB 基板）——相当于主板；芯片间通信（卡间互联接口）——相当于内部总线。一块加速卡，本质上是一台被压缩到一张板子上的、专职做 AI 计算

 weitingfu
2026-08-28 18:00:00

 295

 3

#硬件架构
MindSpeed 大模型预训练：加速套件

MindSpeed 是华为昇腾生态面向大模型预训练的全链路加速套件，核心包含 MindSpeed-LLM（大语言模型训练）、MindSpeed-MM（多模态训练）、MindSpeed-Core（底层加速库），深度适配昇腾 NPU，通过并行优化、内存管理、算子加速、通信优化四大核心能力，将预训练吞吐量提升 30%-50%，内存占用降低 30% 以上，是百亿至万亿级模型训练的核心工具。

昇思MindSpore
2026-08-28 11:46:29

 164

 3

#深度学习 #硬件架构 #人工智能 +2
昇腾 NPU 计算精度说明及精度调优方法

训练：Loss 收敛速度、最终精度（Accuracy/F1）、梯度无 NaN/Inf、权重更新稳定；推理：与 GPU 基线误差 < 1e-3、Top-1 精度损失 < 0.5%、无明显精度漂移。昇腾 NPU 精度调优的核心是 **“分层精度控制 + 动态溢出防护 + 确定性计算”：通过 O2 混合精度平衡性能与精度，保护敏感层为 FP32，用动态 Loss Scale 和梯度裁剪解决溢出，固定随机

 昇思MindSpore
2026-08-28 11:39:29

 229

 5

#深度学习 #人工智能 #算法 +1
AI硬件05-手把手拆解训练芯片：五大核心模块全解析，训练芯片五大模块 vs 你家的 CPU：架构差异在哪

你可能会想：CPU 里也有乘法单元，为什么训练芯片要专门排一个二维阵列？答案在并行度和数据复用。同一个数据可以被反复使用。算 A×B 时，A 的每一行要和 B 的每一列相乘，一个数据会被用到几十次、几百次。二维阵列的妙处，就是让数据"横向流、纵向流"：权重从一侧流入，激活值从另一侧流入，每个交叉点上的计算单元同时做乘加。这样，几千个单元可以同时工作，而不是像 CPU 那样一个接一个地算。这里的关键

 weitingfu
2026-08-18 09:17:27

 395

 10

#硬件架构
昇腾与英伟达硬件架构对比

上图展示有点问题，实际一个Node的Level1里是一个交换芯片的7个虚拟平面，不是7个交换芯片。UB交换芯片Level1使用量0.392*2/2*8*2=6.272 Tb/s, Level2 交换芯片使用量0.056/2*8*48=10.752Tb/s，芯片性能对标博通TH3.B300出1.8TB双向带宽，Nvswitch单芯片容量28.8Tb，整机57.6Tb（性能对标博通TH5)，交换芯片容

 索木目-黄淮
2026-07-30 17:45:49

 349

 5

#硬件架构
ESP32-S3 N16R8 + 小智 AI + 2.8寸 TFT 屏开发实战：ESP-IDF环境搭建与硬件避坑指南

本文记录了从Arduino转向ESP-IDF开发ESP32-S3 N16R8的全过程，重点解决硬件适配问题。通过浏览器烧录小智AI固件后，因TFT屏幕引脚不兼容转向VS Code+ESP-IDF开发环境搭建。

#做一个清醒的人
2026-07-28 10:30:58

 573

 5

#硬件架构 #vscode
8卡昇腾910、2.2 PFLOPS算力压进4U：HG9680 AI服务器架构全拆解

# HG9680 4U AI服务器：8卡昇腾910架构拆解与选型分析 8颗昇腾910 NPU、2.2 PFLOPS FP16算力、256GB HBM片上内存、8×200GE RoCE网络——这些参数

 2301_80215627
2026-07-24 13:54:09

 573

 14

#服务器 #人工智能 #昇腾 +4
昇腾 NPU 计算精度说明及精度调优方法

昇腾NPU精度调优指南：基于达芬奇架构的FP32/FP16/BF16/INT8多精度计算优化摘要：本文针对昇腾NPU（910/310系列）在深度学习训练和推理中的精度问题，系统解析了达芬奇架构下的多精度计算特性（FP32/FP16/BF16/INT8）及误差来源，包括硬件浮点特性差异、算子实现偏差和混合精度策略缺陷。提出了五大调优方法：1）O2级自动混合精度+动态Loss Scale训练策略；2

昇思MindSpore
2026-05-29 16:10:09

 231

#深度学习 #人工智能 #硬件架构