- 博客(230)
- 收藏
- 关注
RSS订阅原创 小爱音箱解锁新玩法！远程点歌太方便了
XiaoMusic 让小爱音箱实现本地音乐自由，cpolar 则进一步拓展了使用边界，无需复杂配置就能远程访问。两者结合让普通家庭也能轻松搭建灵活的私人音乐系统，提升了智能家居的实用价值，操作简单且性价比高。
2026-03-19 20:43:29
201
25
原创 数据库SQL防火墙构建主动防御，让恶意SQL无处遁形
而金仓数据库SQL防火墙，直接在数据库内核层“设卡查验”，无论应用层是否有疏忽，所有SQL语句都必须经过它的“法眼”才能放行。金仓数据库（KingbaseES）V009R002C014版本内置的SQL防火墙，给出了一种更聪明的答案——从数据库内核层构建主动防御，让恶意SQL无处遁形，安全团队从此告别“亡羊补牢”，真正实现“规则先行”。数据安全，不再是事后补救的“打补丁”，而是事前规划的“筑城墙”。金仓数据库SQL防火墙，为每一笔数据访问把好关，让企业数据在充满风险的数字世界中，始终处于安全的境地。
2026-03-18 20:37:39
11988
25
原创 光学与机器视觉：解锁“机器之眼”的核心密码-《第五届光学与机器视觉国际学术会议(ICOMV 2026)》
光学是机器视觉的基础，没有光学的精准成像，就没有机器视觉的智能解读；机器视觉是光学的延伸，没有机器视觉的算法支撑，光学采集的影像也无法发挥实际价值。二者的“双向奔赴”，不仅让机器拥有了“看世界”的能力，更在重塑产业格局、改变我们的生活。从工业4.0的智能制造，到民生领域的便捷服务，再到前沿科技的不断突破，光学与机器视觉的融合，正在解锁一个又一个“不可能”。未来，随着技术的持续升级，我们有理由相信，这对“黄金搭档”将继续赋能各行各业，让机器更智能、生产更高效、生活更便捷，用“光”的力量，照亮科技前行的道路。
2026-03-17 14:37:03
371
7
原创 告别SQL性能焦虑：教你如何解决
你是否遇到过这样的场景：一个看似复杂的SQL，在测试环境运行飞快，一到生产环境就“卡死”，一查执行计划，发现子查询生成了一个巨大的中间结果集，导致后续操作全部陷入性能泥潭？这项技术也体现了国产数据库内核研发从“功能实现”到“深度优化”的演进，是国产数据库在面对企业级复杂应用时，提供高性能、智能化体验的一个关键缩影。金仓数据库的解决方案没有采用简单的“暴力下推”，而是设计了一个严谨的 “先判定，再评估” 自动化决策框架。先全表扫描64400行，生成32200行的中间结果，再Hash Join。
2026-03-14 13:00:48
11132
36
原创 基于Rokid灵珠AI平台的春节全能助手智能体开发实践
本次开发基于Rokid灵珠AI平台，聚焦春节高频的抢票出行、路线规划、年货比价核心场景，搭建轻量化春节全能助手智能体，通过平台可视化工作流编排实现功能逻辑串联；因无Rokid Glasses实物，智能体完成灵珠平台内对话测试验证，眼镜端适配仅编写伪代码实现逻辑预留，整体开发聚焦平台核心的智能体配置与工作流开发能力，实现低门槛、高适配的春节场景AI应用落地。本次基于Rokid灵珠AI平台的春节出行助手智能体开发，充分利用了平台零门槛、无代码、全栈化。
2026-03-06 21:36:10
804
15
原创 第九届先进电子技术、计算机与软件工程国际学术会议（AETCSE 2026）
软件工程是研究软件开发方法、工具和管理技术的一门学科，其主要目标是提高软件质量、降低开发成本并提升开发效率。结构化开发阶段强调模块化设计和结构化编程。面向对象开发阶段通过类和对象实现系统建模。敏捷开发阶段强调快速迭代与持续改进。
2026-03-05 21:17:38
749
5
原创 从0到1打造专业职配助手：基于openJiuwen记忆库新特性的AI职业规划实战
最近基于openJiuwen框架，用它最新推出的独立记忆库功能，搭建了一个“专业职配助手”智能体。它不仅能依托行业知识库给出专业-岗位匹配建议，更能通过记忆库记住用户的专业背景、职业偏好，实现跨智能体的个性化推荐。今天就把从模型配置到智能体测试的全流程拆解给你，重点聊聊记忆库如何让AI真正“懂你”。知识库是广度：没有高质量的行业数据，智能体就会泛泛而谈，精确的知识库，内容更加规范，具有可信度；记忆库是温度：没有用户记忆，智能体就只能给出通用答案，缺乏个性化；openJiuwen的新特性是效率。
2026-03-04 18:32:21
22069
28
原创 【硬核入门】无需板卡也能造 AI 算子？深度玩转 CANN ops-math 通用数学库
不要因为ops-math的名字里带有“基础”二字就轻视它。它是连接数学公式与硅基算力的桥梁。如果你想从零开始成为一名AI 系统工程师，或者想深入理解 AIGC 到底是如何“算”出来的，那么请立即 Clone 这个仓库，开启你的硬核编译之旅。
2026-02-06 21:54:28
975
5
原创 AIGC 的隐形基石：从 ops-math 开始掌控算力
在 AIGC（生成式人工智能）的宏大叙事中，我们往往沉迷于 Transformer 的 Attention 机制或 Diffusion 的去噪过程。但如果剥开这些复杂架构的外衣，你会发现，驱动大模型运转的每一行代码，最终都回到了最基础的数学运算。如果说ops-nn是构建大模型的“预制板”，那么ops-math就是粘合一切的“水泥”和“砖块”。今天，我们深入解读 AtomGit 上的仓库。这不仅是一个通用数学算子库，根据最新的仓库动态，它正在成为开发者入门昇腾（Ascend）算子开发的最佳“练兵场”。
2026-02-06 21:50:19
727
1
原创 打通 AI 与信号处理的“任督二脉”：Ascend SIP Boost 加速库深度实战
的出现，标志着昇腾生态不再局限于狭义的“AI 模型”，而是向泛计算领域迈出了关键一步。对于正在探索5G/6G 通信 AI 化自动驾驶雷达感知的开发者来说，这个库是打通物理世界信号与数字智能世界的关键桥梁。它告诉我们：NPU 不仅能画画写诗，也能捕捉电波的每一次跳动。
2026-02-06 21:41:25
511
1
原创 【硬核拆解】从“算子拼凑”到“极致加速”：Ascend Transformer Boost (ATB) 代码级实战解析
不仅仅是一个加速库，它是一套现代化的LLM 推理编程范式。它用优雅的 C++ 抽象，屏蔽了底层 NPU 的硬件细节，让上层框架（如 MindIE, PyTorch）能够以最低的成本接入昇腾的澎湃算力。如果你想深入理解大模型推理引擎的内部构造，ATB 的源码绝对是最佳的教科书。
2026-02-06 21:34:43
855
1
原创 SiP库：CANN生态赋能AIGC信号处理的高性能加速利器
在AIGC多模态生成技术向音频、视频、语音等场景深度渗透的过程中，信号处理成为不可或缺的核心环节——从AIGC音频生成的频域分析、语音合成的信号滤波，到视频生成的帧插值优化，每一步都离不开大量复杂的信号运算，其效率直接决定了AIGC多模态内容的生成质量与响应速度。Ascend Signal Processing Boost（昇腾信号处理加速库，下文简称SiP库），正是基于华为Ascend AI处理器打造的专用信号处理加速库。
2026-02-06 21:28:20
684
2
原创 大模型推理的“氮气加速系统”：全景解读 Ascend Transformer Boost (ATB)
在 AIGC 的赛道上，如果说提供了高性能的零部件（算子），那么如何将这些零部件组装成一台百公里加速 3 秒的超跑，则需要更高级的“整车架构”。面对日新月异的 LLM（大语言模型）架构——从 Llama 到 Qwen，再到 MoE 架构的 DeepSeek，开发者面临着一个巨大的挑战：单纯优化某一个矩阵乘算子，已经无法满足复杂的端到端推理需求。我们需要一个能管理上下文、编排计算图、还能灵活接入新特性的中间层。今天，我们深入 AtomGit 上的。
2026-02-06 21:17:48
761
1
原创 Ops-Transformer：CANN生态赋能AIGC的Transformer专用加速库
当前AIGC多模态生成技术的规模化落地，核心离不开Transformer架构的支撑——从文本生成、图文联动到音视频创作，LLaVA、GPT、Stable Diffusion等主流AIGC模型，均以Transformer为核心骨架，其运算效率直接决定了AIGC应用的响应速度、部署成本与规模化能力。
2026-02-06 21:05:01
667
1
原创 不仅是 FlashAttention：揭秘 CANN ops-transformer 如何重构大模型推理
不仅仅是一个库，它是华为昇腾团队对 Transformer 架构数年研究的心血结晶。它将复杂的系统工程问题，封装成了简单易用的 API。在这个算力为王的时代，谁能更高效地利用硬件，谁就能在 AIGC 的赛道上跑得更远。现在就点击下方链接，探索这个大模型的“极速引擎”吧！
2026-02-06 20:58:53
759
1
原创 Ops-Transformer深入：CANN生态Transformer专用算子库赋能多模态生成效率跃迁
当AIGC多模态生成技术迈入规模化落地阶段，文本生成、图文联动、音视频生成等场景的核心支撑，早已离不开Transformer架构——从LLaVA的图文理解、GPT系列的文本生成，到Stable Diffusion的文本编码，几乎所有主流AIGC模型都以Transformer为核心骨架，其运算效率直接决定了AIGC应用的落地体验与规模化能力。在昇腾CANN生态中，ops-transformer作为Transformer架构专用计算算子库，正是为解决AIGC场景中Transformer运算痛点而生。
2026-02-06 20:56:30
1045
原创 Ops-NN×AIGC实战博客：CANN生态神经网络算子库赋能多模态生成效率跃迁
当AIGC多模态生成技术从实验室走向产业化，从文本生成图像、语音生成视频到多模态内容创作，背后始终离不开深度神经网络的算力支撑——AIGC模型（如Stable Diffusion、LLaVA）的核心是复杂的神经网络结构，其训练与推理过程需要海量的神经网络运算（卷积、注意力机制、激活函数等），而算力效率、部署适配性直接决定了AIGC应用的落地效果。在昇腾CANN生态中，ops-nn作为神经网络领域的专用计算算子库，正是为解决AIGC神经网络运算痛点而生。
2026-02-06 20:46:56
797
1
原创 打破集群通信“内存墙”：手把手教你用 CANN SHMEM 重构 AIGC 分布式算子
在 AIGC 大模型训练与推理的深水区，算力往往不是唯一的瓶颈，通信才是。当我们在 Atlas 800I A2 集群上训练千亿参数模型时，传统的 MPI（Message Passing Interface）通信模式——即“发送-接收”的双边通信，往往因为协议栈的软件开销（Software Overhead）过大，导致宝贵的 AI Core 经常处于“等数据”的饥饿状态。如何让分布在不同 NPU 卡上的内存像“一家人”一样无缝互访？AtomGit 上的 CANN/shmem仓库给出了答案。
2026-02-06 20:35:05
995
1
原创 Ops-CV库介绍：赋能AIGC多模态视觉生成的加速利器
Ops-CV是昇腾CANN生态专属的视觉算子库，核心定位是为视觉处理任务提供高效、轻量化的昇腾NPU原生加速能力，其不仅覆盖传统计算机视觉全流程，更深度适配当前AIGC多模态生成场景（图像生成、图文联动生成、AIGC内容优化等），成为连接AIGC模型与昇腾硬件的核心桥梁，解决AIGC视觉生成中“耗时高、适配难、算力利用率低”的核心痛点，助力AIGC多模态应用快速落地。
2026-02-06 20:31:44
911
1
原创 【极客深读】打破“显存孤岛”：揭秘 CANN SHMEM 如何引爆集群的分布式算力
在 AIGC 大模型时代，“单卡打天下”的日子早已一去不复返。当参数量飙升至千亿级别，如何让成百上千张 NPU 卡像“一个超级大脑”一样协同工作，成为了算力系统的核心挑战。通常我们提到分布式通信，首先想到的是 HCCL（华为集合通信库）。但在某些追求极致微操的细粒度通信场景下，开发者渴望一种更直接、更低延迟的内存互访机制。今天，我们深入 AtomGit 上的 CANN/shmem仓库，解读这个基于 OpenSHMEM 标准打造的“秘密武器”，看它如何打通昇腾设备间的“任督二脉”。
2026-02-06 20:26:47
632
7
原创 基于CANN的ops-cv仓库-多模态场景理解与实践
ops-cv作为多模态视觉场景的“核心加速引擎”，凭借NPU适配、跨模块联动与轻量化优势，高效解决产业痛点，助力图文检索、自动驾驶等场景快速落地。落地效果：单张标注延迟从35ms降至12ms，准确率92%，功耗12W降至7W，内存≤250MB。以“智能图文检索”为场景，提供核心伪代码，涵盖批量图像预处理、特征提取、文本匹配全链路，可直接复用，全程NPU端执行，避免数据拷贝开销。ops-cv与CANN生态深度联动：复用ACL底层接口，与ops-nn协同实现端到端加速，支持昇腾多模态SDK对接。
2026-02-06 20:21:03
720
原创 AIGC 爆发之下，如何榨干 NPU 的每一滴性能？—— 带你了解 CANN ops-nn
AIGC 的竞争，归根结底是效率的竞争。通过 AtomGit 上的 CANN 开源社区，我们不仅能直接使用这些高性能算子，更能通过阅读源码，洞悉高性能计算（HPC）的精髓。如果你想让你的 AI 应用跑得比别人更快，不妨现在就 Clone 下来，从第一行代码开始，重新认识 NPU。
2026-02-06 20:03:41
750
原创 Ops-CV解读：自定义算子开发与NPU性能调优
ops-cv已覆盖图像预处理、目标检测后处理等通用场景，但在工业质检、特种安防、医疗影像等定制化场景中，通用算子往往无法满足需求：例如工业场景中需要的“缺陷边缘细化”算子、医疗影像中“病灶区域增强”算子，均属于特殊业务逻辑，无法通过现有算子组合实现高效运算。而基于ops-cv开发自定义算子，核心优势在于“硬件原生适配”——无需从零开发硬件对接逻辑，可直接复用ops-cv的内存管理、指令优化框架，让自定义算子快速获得昇腾NPU的加速能力，相比CPU实现，性能可提升10~20倍，同时大幅降低开发成本。
2026-02-06 19:57:52
1074
原创 从图像预处理到目标检测：Ops-CV 助力 CV 任务在NPU 上高效运行
ops-cv通过精准的张量生命周期管理，复用已释放的内存空间存储新的中间结果，例如在IoU计算时，复用输入框的内存存储计算结果，内存占用减少35%，尤其适合边缘设备的低内存场景。：在某车企的自动驾驶域控制器中，基于ops-cv构建的图像预处理流水线，将摄像头输入的1920×1080图像预处理延迟从20ms降至5ms，结合目标检测模型的优化，整体系统帧率从15FPS提升至30FPS，满足实时感知需求。算子实现了高效的数据增强，让目标检测模型的精度提升2%，同时预处理延迟降低30%，支持更多路视频的实时分析。
2026-02-06 19:48:06
1037
1
原创 基于CANN的ops-math仓库：AI计算的数学基石
对于有特殊数学运算需求的开发者（如科研团队、企业算法工程师），ops-math仓库提供了灵活的自定义算子开发框架：例如，某科研团队在开展量子机器学习研究时，需要实现一种自定义的量子态演化数学算子，该算子不属于仓库的现有算子。开发者可基于ops-math仓库提供的开发模板，填充量子态演化的运算逻辑，利用仓库的编译工具链，自动适配昇腾NPU的硬件指令，无需手动编写硬件适配代码。同时，借助仓库的自动化验证用例库，快速完成算子的精度与性能验证，仅用3天就完成了原本需要2周的自定义算子开发工作，大幅提升了科研效率。
2026-02-06 19:36:22
388
原创 基于 CANN 的 ops-nn 仓库：解锁 AI 算子开发的新范式
在 AI 技术飞速迭代的今天，高效的算子开发与优化是推动模型性能突破的核心引擎。CANN（Compute Architecture for Neural Networks）作为昇腾计算平台的核心基础软件栈，其开源社区中的ops-nn 仓库正是聚焦于神经网络算子开发与优化的技术阵地，为开发者提供了构建高性能 AI 应用的关键工具链。
2026-02-06 19:25:20
754
原创 别被“限时无限”骗了！实测飞算JavaAI专业版“真无限Tokens”，如何支撑一场完整的重构马拉松
那种从深度思考的“心流”状态被强行抽离的窒息感，是效率的隐形杀手。本文将分享我如何通过飞算JavaAI专业版的“真无限Tokens”特性，彻底告别额度焦虑，重获AI辅助开发的真正自由。飞算JavaAI对此问题的回复让我意识到，在无限额度的保障下，我可以引导它进行深度的技术方案探讨和优化，而不仅仅是完成基础任务。特性，彻底移除了AI辅助开发过程中的最大障碍，让我们能够重新专注于编码本身，找回那种久违的、沉浸式的“心流”体验。真正的AI辅助开发自由，不应是时刻惦记着余额的“节俭”，而应是心无旁骛的“创造”。
2026-02-06 15:11:32
13335
原创 零基础全面掌握层次分析法（AHP）：Python实现+论文加分全攻略
层次分析法是美国运筹学家萨蒂（T.L. Saaty）于20世纪70年代提出的多准则决策方法。将复杂问题拆解为“目标层→准则层→方案层”的递阶层次结构，通过“两两比较”确定各指标的重要性（权重），再通过定量计算得出最终决策结果。层次分析法的核心价值在于“将模糊判断量化”，通过本文的合作伙伴选择案例，能清晰看到从准则权重确定到方案得分计算的完整逻辑。掌握Python实现方法和论文呈现技巧，不仅能解决数学建模、企业决策中的实际问题，还能让学术写作更具严谨性和说服力。
2026-01-26 19:41:14
1214
43
原创 【鸿蒙PC命令行适配】rust应用交叉编译环境搭建和bat命令的移植实战指南
对于希望在鸿蒙PC上运行Rust应用的开发者来说，就需要自行编译构建，这个过程中的主要挑战在于配置Rust的交叉编译环境。本文将以Ubuntu 24.04为示例操作系统，按照鸿蒙SDK的标准步骤，指导读者从准备环境开始，经过工具链配置、编译测试直到故障排查，一步步完成针对鸿蒙PC平台的Rust应用交叉编译环境搭建过程。如今，已有许多知名的Rust命令行工具，如。需配置编译器、链接器等环境变量，让Rust编译时能找到鸿蒙SDK的工具链，将配置写入shell配置文件，我写好了一键配置命令，可直接复制运行。
2026-01-24 21:05:44
5749
11
原创 程序员接单实战指南：平台选择与长期接单思路解析
这两年，程序员接单逐渐从偶尔做点私活变成了一种被认真对待的工作方式，越来越多的开发者开始意识到，只依赖单一雇佣关系并不稳妥，而通过接单建立第二收入来源，既能提升抗风险能力，也能让技术更贴近真实业务需求。在国内程序员接单平台中，程聚宝（devlg.com）的定位相对清晰，它并不追求项目数量，项目的质量比较高。虽然不是典型的“外包接单平台”，但对希望长期远程合作的程序员来说，依然具有较高价值。需求确认之后，你需要对交付结果负责，因此一定要在接单前判断清楚，哪些是自己熟悉且可控的，哪些是明显超出当前能力范围的。
2026-01-22 18:25:59
40366
15
原创 2026年国产时序数据库盘点-深入剖析融合多模架构
它并非“万能钥匙”，但对于那些业务逻辑复杂、数据形态多样、且对事务一致性与系统整合有高要求的企业级用户而言，提供了一个能够将时序数据能力平滑、稳健地嵌入到现有企业数据核心中的优秀选择，体现了国产基础软件在架构设计上的深度思考与务实创新。在众多专注于时序场景极致优化的产品中，金仓数据库的时序组件选择了一条独特的路径：不追求做一个孤立的专用时序引擎，而是作为其强大的融合数据库体系（KES）中的一个版块。未来，随着AI for Data、实时智能分析的普及，时序数据库的“智能”与“融合”能力将愈发关键。
2026-01-18 14:11:14
10510
24
原创 拒绝把天聊死！我用 openJiuwen + DeepSeek+自建知识库 搭建了一个高情商沟通助手
在日常生活中，你是否也经常遇到这种尴尬时刻：收到对象的消息不知道怎么回才不显得敷衍？面对领导的“敲打”，不知道如何高情商应对？想拒绝朋友的借钱请求，却开不了口？为了解决这个“社恐”难题，我决定动手做一个AI 智能体（Agent）。这次我没有写复杂的代码，而是使用了 openJiuwen提供的可部署智能体开发平台，并接入了性价比极高的 DeepSeek 模型，十分钟就搓出了一个“高情商沟通助手”。
2026-01-13 21:29:58
22607
7
原创 【2025年度总结】从代码萌新到万粉博主：AI赋能下的破局与生长
2025年技术成长与AI融合之路：从Java图形化编程起步，完成C++理论学习并探索Linux终端；在AI智能体开发领域取得突破，参与开发比赛并运用AI辅助编程提升效率；CSDN粉丝突破万粉，实现技术分享与生活的平衡。这一年见证了从传统编程到AI前沿的跨越式成长，展现了技术学习与AI应用相结合的丰硕成果。
2025-12-31 16:47:02
11158
58
原创 在昇腾 NPU上跑通 Mistral-7B：从环境避坑到 100% 算力释放
目前的痛点主要在于 PyTorch 插件的易用性上（例如 accelerate 的自动映射支持还不够完美），导致我们必须手动写 .to("npu")。为了最大限度利用 NPU 算力，我们不能使用默认的 device_map="auto"，因为它依赖 accelerate 库进行设备调度，在 NPU 上极易报错 ValueError: requires accelerate。本文详细记录了如何在。在跑通基础推理后，我们需要构建一个真正能对话的 Agent，并验证算力是否达到了 设备 的应有水平。
2025-12-26 23:33:33
25163
10
原创 在昇腾 NPU上跑通 Llama 3-8B：从环境部署到 100% 算力满载
Llama 3 是目前开源大模型的“流量担当”，而昇腾 (Ascend) 上的环境 则是算力的“扛把子”。如果 AICore 始终很低，说明数据卡在 CPU 预处理上了（CPU 瓶颈），但在本例中，表现出了极佳的吞吐能力。在 FP16 精度下的表现非常强劲，对于企业构建私有化大模型底座而言，它已经不再是“备胎”，而是具备极高性价比的主力选择。最终，模型成功输出了完整的 Python 冒泡排序代码，注释准确，逻辑清晰，无乱码。上进行 微调，让模型拥有垂直领域的专业知识，那才是 NPU 真正大显身手的地方。
2025-12-25 15:35:18
20947
5
原创 在昇腾 NPU上压测 Qwen1.5-MoE：AtomGit 云端部署全记录
从日志中可以看到，在首次加载模型权重（约 29GB）并完成推理的全过程中，耗时控制在合理范围内。由于Qwen1.5-MoE 的基础权重高达 29GB，普通 32GB 显存卡通常只能支持极短的对话。这说明 Qwen1.5-MoE 的稀疏计算特性与 Atlas 800T A2 的高算力完美契合——并发越高，NPU 的流水线利用率越高，展现了极强的生产环境潜力。MoE 模型的参数量本身就很大（~29GB），留给 KV Cache（上下文记忆）的空间很有限。MoE 模型对环境版本要求较高，尤其是 CANN 版本。
2025-12-25 15:01:26
20942
38
原创 金仓数据库（KingbaseES），三重革新，一文讲解
无论是核心业务系统的稳定运行，还是敏感数据的安全防护，亦或是复杂场景下的性能优化，都呼唤一款既能无缝衔接现有架构，又能突破传统数据库瓶颈的创新引擎。兼容，是我们连接过去的桥梁，而部署、安全、性能上的三重革新，则是我们赋能未来的引擎。这种 “精准到行” 的性能诊断能力，让运维从 “大海捞针” 转变为 “探囊取物”，不仅大幅缩短问题排查时间，更能帮助企业持续优化存储过程性能，让核心业务系统始终保持高效运行，为用户体验保驾护航。这意味着，数据库在诞生的那一刻，就已处于为您的业务负载量身定制的高性能状态。
2025-12-17 14:01:24
10844
44
原创 vLLM-Ascend 部署与推理服务化实战
vLLM 是目前大模型推理领域最火热的高性能推理框架之一，以其 PagedAttention 技术著称。而 vLLM-Ascend 则是 vLLM 在华为昇腾 NPU 上的硬件插件，使得昇腾算力能够通过 vLLM 释放强大的推理性能。在真正开始做迁移之前，我原本以为 GPU 和 NPU 在推理框架上的适配会非常复杂，但上手后才发现，vLLM-Ascend 的设计思路非常清晰：它在底层为昇腾补齐了算子、调度和内存管理，让我几乎不需要改动任何推理逻辑，就能把原本跑在 GPU 上的模型直接迁移到昇腾上运行。
2025-12-10 23:08:40
6247
53
原创 深入理解整数的原码、反码、补码与位运算
作为底层优化的利器，广泛应用于程序开发、数据加密、图像处理等领域。本文将详细解析整数的表示方式，并深入剖析常见的位运算符。，不仅能帮助我们优化代码，还能在底层开发中游刃有余。掌握这些知识，将使你在编程道路上更进一步！在计算机世界中，整数的存储和运算方式与数学中的概念略有不同。为了高效处理正负数，计算机采用。（最高位，0 代表正数，1 代表负数）。在存储负数时，计算机采用了。上进行的运算，速度极快，常用于优化程序性能。，在这之上，为了区分正负数，引入了。计算机内部的整数存储方式通常基于。
2025-12-09 13:53:31
971
4
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人