蚂蚁金服网络代理演进之路Keycenter HTTP1 TLS1.2 MMTP Mtls MQTT HTTP2 TLS1.3 QUIC 国密 硬件加速 安全合规 Spanner LVS(四层负载) DNS LDC2 Spanner Spanner APP APP APP APP Keycenter 硬件加速 安全合规 亿级用户同时在线 千万级每秒RPC请求 百万级每秒推送Spanner 2010 • 自研,网络设备白盒化0 码力 | 46 页 | 19.93 MB | 6 月前3
VMware Fusion - 在Mac上运行Windows 的最佳无缝产品数据。也可以将数据直接保存到 Mac 的主文件夹,或 者任一所选的共享文件夹。 烧制 CD 和 DVD VMware Fusion 完全支持任一虚拟机上的 SuperDrive。 畅玩 3D 游戏 硬件加速的 3D 图形使您可以运行 DirectX 8.1 应用程 序,在 Windows XP 虚拟机中畅玩所选的 3D 游戏。 在一台监视器上打开 Windows 而在另一台上打开 Mac 在一台监视器上使用0 码力 | 2 页 | 1.07 MB | 1 年前3
1.3 MOSN 在云原生的探索及实践现有的 filter 能力 • 同时具备云原生 xDS 、 REST API服务元数据管理 通道能力 • 复用 Envoy 高效网络通道,如为 Dapr 能力提供底层 gRPC 通道 • 具备硬件加速集成能力 • 内存管理 Zero Copy • MOSN/GoLang 和 Envoy 生态拉通 • 实现多个社区技术共享, 增强 Service Mesh、Dapr 等领域的生态 性能0 码力 | 36 页 | 35.61 MB | 1 年前3
01. MOSN 高性能网络扩展实践 - 王发康现有的 filter 能力 • 同时具备云原生 xDS 、REST API服务元数据管理通道能力 • 复用 Envoy 高效网络通道,如为 Dapr 能力提供底层 gRPC 通道 • 具备硬件加速集成能力 • 内存管理 Zero Copy • MOSN/GoLang 和 Envoy 生态 拉通 • 实现多个社区技术共享,增强 Service Mesh、Dapr 等领域的 生态 性能 较高0 码力 | 29 页 | 2.80 MB | 1 年前3
谭国富:深度学习在图像审核的应用NA 112 TDP 250W 250W 250W 预算多V100, 预算少1080 TI SACC2017 深度学习 – 打通训练和应用的闭环 RapidFlow 训练平台 底层硬件加速 操作系统 应用场景 add conv w x b 公共计算库 X86 优化 Android 优化 iOS 优化 GPU 优化 内存池 硬件设备 网络模型 • 越来越多0 码力 | 32 页 | 5.17 MB | 1 年前3
27-云原生赋能 AIoT 和边缘计算、云形态以及成熟度模型之道-高磊部门的系统、不同类型 的技术,如 RPA、BPM、 微流逻辑等串联在一起, 实现端到端的智能自动 化。是种生态型平台。 高级能力-混合云(资源角度) 控制力 服务、位置、规则可控 高安全 安全自主可控 高性能 硬件加速、配置优化 固定工作负载 私有云 混合云 SLB 工作负载可迁移 敏捷 标准化、自动化、快速响 应 低成本 按需伸缩、按需使用付费 弹性 可弹性无限拓展 弹性工作负载 公有云 ETCD ETCD0 码力 | 20 页 | 5.17 MB | 6 月前3
机器学习课程-温州大学-特征工程具有旋转、尺度、平移、视角及亮度不变性,有利于对目标 特征信息进行有效表达; ➢ SIFT 特征对参数调整鲁棒性好,可以根据场景需要调整适宜 的特征点数量进行特征描述,以便进行特征分析。 缺点:不借助硬件加速或者专门的图像处理器很难实现。 疑似特征点检测 去除伪特征点 特征点梯度 与方向匹配 特征描述向量的 生成 步骤 图像特征提取 3. 特征提取 21 许永洪,吴林颖.中国各地区人口特征和房价波动的动态关系[J]0 码力 | 38 页 | 1.28 MB | 1 年前3
OpenShift Container Platform 4.10 专用硬件和驱动程序启用Operator (SRO) 可帮助您管理现有 OpenShift Container Platform 集群上的内核模块和驱动程 序的部署。SRO 可用于像构建和加载单个内核模块那样简单的情况,或者像为硬件加速器部署驱动程 序、设备插件和监控堆栈复杂。 对于载入内核模块,SRO 围绕使用驱动程序容器设计。云原生环境(特别是在纯容器操作系统上运行) 中越来越多地使用驱动程序容器向主机提供硬件驱动程序。驱动程序容器将内核堆栈扩展至特定内核的现0 码力 | 36 页 | 360.64 KB | 1 年前3
OpenShift Container Platform 4.10 可伸缩性和性能和其他设 备资源)。 拓扑管理器使用收集来的提示信息中获得的拓扑信息,根据配置的 Topology Manager 策略以及请求的 Pod 资源,决定节点是否被节点接受或拒绝。 拓扑管理器对希望使用硬件加速器来支持对工作延迟有极高要求的操作及高吞吐并发计算的负载很有用。 要使用拓扑管理器,您必须使用 静 静态 态 策略配置 CPU Manager。 5.1. 设置 CPU MANAGER 流程0 码力 | 315 页 | 3.19 MB | 1 年前3
动手学深度学习 v2.03. 尝试使用多GPU服务器。你能把事情扩大到什么程度? Discussions218 16.4 选择服务器和GPU 深度学习训练通常需要大量的计算。目前,GPU是深度学习最具成本效益的硬件加速器。与CPU相比,GPU更 便宜,性能更高,通常超过一个数量级。此外,一台服务器可以支持多个GPU,高端服务器最多支持8个GPU。 更典型的数字是工程工作站最多4个GPU,这是因为热量、冷却和电源需求会迅速增加,超出办公楼所能支持0 码力 | 797 页 | 29.45 MB | 1 年前3
共 10 条
- 1













