网络可视化

首页 标签 网络可视化
# 网络可视化 #
关注
90内容
深度学习论文阅读图像分类篇(一):AlexNet《ImageNet Classification with Deep Convolutional Neural Networks》
 我们训练了一个大型深度卷积神经网络来将 ImageNet LSVRC2010 竞赛的 120 万高分辨率的图像分到 1000 不同的类别中。在测试数据上,我们得到了 top-1 37.5%和 top-5 17.0%的错误率,这个结果比目前的最好结果好很多。
揭秘云网络大会“网红”:阿里云自研高性能网关XGW
XGW是洛神云网络平台的硬件转发层核心,提供了高性能的网络转发能力,负责公网,专线和跨Region流量的汇聚和分发,满足用户大带宽、大单流、稳定性、低延时/低抖动等需求。
|
1月前
| |
全球互联网络产品升级发布
2024年云栖大会 | 云网络技术分论坛,阿里云智能集团 高级产品专家 孙佳辉带来《构建确定性弹性的高可用云上应用网络》主题分享,面对深度用云和AI浪潮,阿里云全球网络通过在TR提升带宽,跨域cdt 铂金链路优化时延,专线故障演练和Qos 提升业务稳定性,补充flowlog 完善可观测能力,帮助客户构建高性能,稳定可观测的全球一张网
|
1月前
| |
构建确定性弹性的高可用云上应用网络
2024年云栖大会 | 云网络技术分论坛,阿里云智能集团 高级产品专家 贺剑带来《构建确定性弹性的高可用云上应用网络》主题分享,通过EIP大区覆盖质量优化和GA时延优化,帮助应用快速覆盖海外客户;持续提升互联网接入质量,满足全球化应用一致性。同时带来负载均衡家族新成员——网关型负载均衡GWLB,并携手生态伙伴一起,解决企业云上三方NVA部署的困境
CBAM:Convolutional Block Attention Module--通道+空间混合注意力
提出了**卷积块注意模块(CBAM)**,这是一种用于前馈卷积神经网络的简单而有效的注意模块。==给定一个中间特征图,我们的模块沿两个单独的维度(通道和空间)顺序推断注意力图,然后将注意力图乘以输入特征图以进行自适应特征细化。==因为 CBAM 是一个轻量级的通用模块,它可以无缝集成到任何 CNN 架构中,开销可以忽略不计,并且可以与基础 CNN 一起进行端到端训练。
属性二部图的表示学习模型 | sigir 论文解读
SIGIR 论文:BiANE: Bipartite Attributed Network Embedding (SIGIR-2020)解读。
免费试用