Developer Networks

Paper : Spectral Networks and Deep Locally Connected Networks on Graphs Code : 摘要 Yann LeCun 组在nips2014发表的有关卷积在图上迁移的理论研究成果，可能是最早的一篇研究Graph Convolution 的文章。在欧式空间中使用的卷积具有平移不变性，权值共享，局部连接，分层次表达的特点，但是图结构是一种非欧式空间中的关系型结构，所以其不存在平移不变性（每个节点的周围邻居数不固定），导致图网络无法使用卷积。作.

【论文阅读】Spectral Networks and Deep Locally Connected Networks on Graphs（图的频谱网络和深度局部连接网络）摘要1 引言2 空间结构2.1 节点的邻域2.2 图的多分辨率分析2.3 深度局部连接网络 摘要 卷积神经网络在图片和音频的识别任务中表现良好，是充分利用了信号在其域中的局部平移不变性。但由于图是非欧氏空间的数据结构无法进行传统意义上的卷积操作，同时又希望卷积的思想可以应用在图结构上。于是作者基于此提出了两种结构，一种基于域的层次聚类(空

前言 这篇文章是最早提出将CNN扩展到图上，直接处理图类型的数据而不需要对图类型的数据进行转化。 这篇文章可以说是GCN领域的开山之作，在文中直接指出了日后GCN领域研究的两大方向：基于空域和基于频域。在此篇博客中着重对基于空域的GCN进行解读，关于基于空域GCN的理论框架在上一篇博客中基于频域GCN理论基础(拉普拉斯矩阵与傅里叶变换) 1.综述 卷积神经网络在图片和音频的识别任务中表现良好，是充...

本文为图卷积网络的肇始论文，CNN在处理图像和音频等格点数据上表现优异，但在图等非欧几里得结构数据中，CNN的平移不变性难以直接应用。为了克服这一问题，作者提出了两种将CNN推广到图数据上的方法：空间构造（Spatial Construction）：谱构造（Spectral Construction）：在传统的CNN中，卷积操作依赖于输入数据的格点结构（如图像中的2D像素网格）。CNN通过在局部的邻域内共享参数，实现了有效的局部模式学习。然而，在图结构上，数据并不一定具有规则的格点排列，因此标准的CNN方法

为什么80%的码农都做不了架构师？>>> ...

参与直播互动赢好礼。

Webmethods都有哪些组件？ 1.先来看看webmethods的几大核心部分 SOA Infrastructure & governance（Service-Oriented Architecture）分布式的服务架构和管理 ESB（Enterprise Service Bus）企业服务总线, 是构建基于面向服务体系结构(SOA)解决方案时所使用基础架构的关键部分，也是Webmethods产品的核心部分 B2B (Business-To-Business) ，通过Trading N

文 / 工程副总裁 Dave Burke 今天，我们向大家介绍 Android 8.1 的预览版。Android Oreo 的这个更新版本包含一系列针对性增强，其中包括对 Android Go（适用于内存为 1GB 或更小的设备）的优化和一个全新的 Neural Networks API，旨在加快设备上机器智能的实现速度。我们还根据用户和开发者的反馈对 Oreo 进行了一些小幅增强。

文 / 工程副总裁 Dave Burke今天，我们向大家介绍 Android 8.1 的预览版。Android Oreo 的这个更新版本包含一系列针对性增强，其中包括对 Android Go（适用于内存为 1GB 或更小的设备）的优化和一个全新的 Neural Networks API，旨在加快设备上机器智能的实现速度。我们还根据用户和开发者的反馈对 Oreo 进行了一些小幅增强。我们发布此 De...

原来oracle也有像ibm developernetworks这样的社区，厉害，果然是生态链上游的厂商 http://www.oracle.com/technetwork/cn/articles/soa/jimerson-config-soa-355383-zhs...

本文详细介绍了如何在Windows和Mac上使用Docker Desktop快速搭建Oracle 19c开发环境，告别传统虚拟机的繁琐安装步骤。通过Docker容器技术，用户可在5分钟内完成Oracle 19c数据库的部署和配置，大幅提升开发效率。文章包含环境准备、容器运行、数据库连接验证以及数据持久化等实用指南。

摘要： 光源开发者社区是面向国产DCU异构计算的专业平台，提供从硬件适配到AI大模型开发的全栈服务，涵盖算力资源、开源项目托管及开发者工具。其核心包括DCU加速卡支持、DTK开发工具包及AI训练框架适配。 重点开源项目LLaMA Factory（v0.6.3）为无代码大模型微调框架，支持Llama2/3、Qwen等100+模型，提供WebUI和轻量化微调方案，适配国产DCU环境。社区还托管OpenDAS组织的其他项目，如大模型微调工具、DCU代码迁移工具及科学计算套件，并配套镜像仓库和实训案例。 访问方式：

神经网络性能分析（profiling）是深度学习模型优化的基础技术，其核心在于通过工具链捕获计算图执行时的细粒度耗时、内存占用与硬件利用率数据，揭示GPU kernel延迟、CPU-GPU同步开销及显存带宽瓶颈等关键问题。该技术直接支撑模型加速、部署压缩与资源调度决策，在大模型微调、边缘推理和高并发服务中具有显著工程价值。主流方案依托PyTorch Profiler、TensorBoard Profiler及Nsight Systems等工具，结合ResNet50、BERT-base等典型模型开展实测分析，

将现有基于 VMware Enterprise PKS 的 CI/CD 流水线平滑迁移到 **Tanzu Kubernetes Grid (TKG)**，关键在于“**分层解耦、渐进替换、能力对齐、验证闭环**”。PKS 与 TKG 虽同源（均基于 BOSH/Kubernetes），但架构演进显著：PKS 是 Pivotal 主导的封闭式发行版，而 TKG 是 VMware 统一的、面向多云/边缘的现代化 Kubernetes 发行版，深度集成 Tanzu Mission Control（TMC）、Clus

HTML导入代码模板：!function(w, noop){ if(!w.console) w.console = {log: noop, warn: noop}; }(window, function(){});if(!"classList" in document.createElement("_"))document.write("");if(typeof window.Int16Array...

CVAT作为业界领先的开源计算机视觉标注平台，为AI训练数据管理提供完整的图像、视频、3D点云标注解决方案。本文提供完整的CVAT企业级部署指南，涵盖容器化部署、生产环境配置、高可用架构设计等关键技术要点。 ## 场景需求分析：为什么选择CVAT 在计算机视觉项目开发中，高质量标注数据是模型性能的关键瓶颈。传统标注工具面临三大挑战：标注效率低下、团队协作困难、数据管理混乱。CVAT通过以下技术