# 函数计算 #
1
关注
21419内容
跟着iLogtail学习容器运行时与K8s下日志采集方案
iLogtail 作为开源可观测数据采集器，对 Kubernetes 环境下日志采集有着非常好的支持，本文跟随 iLogtail 的脚步，了解容器运行时与 K8s 下日志数据采集原理。
|
SENet架构-通道注意力机制
SENet 是 ImageNet Challenge 图像识别比赛 2017 年的冠军，是来自 Momenta 公司 的团队完成。他们提出了 Squeeze-and-Excitation Networks（简称 SENet）。SENet 不是独立的模型设计，只对模型的一种优化。一般 SENet 都会结合其它模型一起使用，比如 SENet 用于 ResNet-50 中我们就把这个模型称为 SE-ResNet-50，比如 SENet 用于 Inception-ResNet-v2 中我们就把这个模型称为 SE- Inception-ResNet-v2。最早提出 SENet 的论文是《Squeeze-
|
Pytorch图像处理注意力机制SENet CBAM ECA模块解读
注意力机制最初是为了解决自然语言处理（NLP）任务中的问题而提出的，它使得模型能够在处理序列数据时动态地关注不同位置的信息。随后，注意力机制被引入到图像处理任务中，为深度学习模型提供了更加灵活和有效的信息提取能力。注意力机制的核心思想是根据输入数据的不同部分，动态地调整模型的注意力，从而更加关注对当前任务有用的信息。
强化学习实战：基于 PyTorch 的环境搭建与算法实现
【8月更文第29天】强化学习是机器学习的一个重要分支，它让智能体通过与环境交互来学习策略，以最大化长期奖励。本文将介绍如何使用PyTorch实现两种经典的强化学习算法——Deep Q-Network (DQN) 和 Actor-Critic Algorithm with Asynchronous Advantage (A3C)。我们将从环境搭建开始，逐步实现算法的核心部分，并给出完整的代码示例。
【AI系统】MobileNet 系列
本文详细介绍 MobileNet 系列模型，重点探讨其轻量化设计原则。从 MobileNetV1 开始，通过深度可分离卷积和宽度乘数减少参数量，实现低延迟、低功耗。后续版本 V2、V3、V4 逐步引入线性瓶颈、逆残差、Squeeze-and-Excitation 模块、新型激活函数 h-swish、NAS 搜索等技术，持续优化性能。特别是 MobileNetV4，通过通用倒瓶颈（UIB）和 Mobile MQA 技术，大幅提升模型效率，达到硬件无关的 Pareto 最优。文章结合最新深度学习技术，全面解析各版本的改进与设计思路。
函数计算的云上计费演进：从请求驱动到价值驱动，助力企业走向 AI 时代
在 AI 时代，函数计算一直坚持走向“让开发者只关心业务逻辑，云厂商自动完成一切资源管理与调度”的愿景，最终让计算像水、电一样随时可得、按实际使用价值付费。
免费试用