- 综合排序
- 最热优先
- 最新优先
- 来自专栏spring-ai 系列
大语言模型推理框架调研
本文主要对当前主流的大语言模型推理框架进行系统性调研与分析，将深入探讨各个框架的核心架构、设计理念、关键技术特点，并结合性能基准测试数据，分析其在不同模型规模和部署场景下的适用性。 主流大模型推理框架当前，业界涌现了多款主流的大模型推理框架，它们在设计理念、核心技术和适用场景上各有侧重。 支持的数据类型包括 FP32、FP16、BF16（具体支持依架构而定）。 这可能会驱动未来推理框架在数据和资源管理方面向更统一的设计演进。IX. 总结与建议大语言模型推理框架是释放 LLM 潜能、将其应用于实际生产的关键技术。 本次调研对当前主流的 LLM 推理框架，包括 vLLM、Text Generation Inference (TGI)、NVIDIA TensorRT-LLM、NVIDIA FasterTransformer
4.3K20编辑于 2025-06-03 - 来自专栏PPV课数据科学社区
2013年大数据市场应用与趋势调研报告
二、选用国产大数据产品的企业仅占5.61%，国产厂商若抓住大数据和信息安全的重大机遇，将迎来成长的春天。 三、企业认为大数据的存储和处理过程中三个最大的难点是数据安全、系统性能瓶颈和数据类型多样化。 四、在大数据时代，企业面临的最大挑战是缺乏专业的大数据人才。 五、针对非结构化数据，企业目前最迫切需要解决的是如何对这些数据进行分析。 九、被调查者最关注的大数据技术，排在前五位的分别是大数据分析、云数据库、Hadoop、内存数据库，以及数据安全。 《驾驭大数据》一书曾写到，数据的核心是发现价值，而驾驭数据的核心是分析。 总结 本调查针对2013年大数据应用现状和趋势展开，从调查结果可以看出，企业在未来一两年中有迫切部署大数据的需求，并且已经从一开始的基础设施建设，逐渐发展为对大数据分析和整体大数据解决方案的需求
2.7K61发布于 2018-04-18 - 来自专栏Spark学习技巧
图数据库调研
概述 本文转自：http://tang.love/2018/08/31/graph_database_research/ 这里记录一下图数据相关的调研结论。 图数据库的主要优点： 更好，更快速的查询和分析； 更简单和更自然的数据建模； 同时支持实时更新和查询； 数据结构的灵活性。 图数据库是所有数据管理系统中成长最快的分类，下面分别从图检索语言和图数据库两个方面来介绍图数据市场的发展。 Microsoft Azure Cosmos DB Cosmos DB是微软2010年立项，经过7年研发，于2017年5月正式发布的云数据库服务，该数据库服务支持图数据、列存储、键值存储和文档数据库等多种数据模型 AWS提供了多种不同类型的云数据库产品供用户选择，比如：关系型数据库(Aurora / RDS),数据仓库(Redshift)，内存数据库(ElastiCache)，图形数据库(Neptune)和NoSQL
8.6K30发布于 2020-09-27 - 来自专栏人称T客
调研：2015年SaaS运营大起底
(Azure失常可能是数据稀疏的原因)。 成本结构 成本结构和未来预期营销杠杆(不含规模<$ 2.5MM收入的公司) ?
91150发布于 2018-03-21 - 来自专栏前端笔记薄
校验数据结构调研
校验数据结构 如何校验数据结构，一般情况下，我们应该考虑现成的轮子。 它的 API 设计非常直观，可以轻松地定义和校验复杂的数据结构。 z-schema：是一个快速的库，支持 JSON Schema Draft 4。 用法 ajv主要用于验证JSON数据的结构，但也支持异步验证、关联和关键字验证等高级功能。 相比之下，joi更适合于验证JavaScript对象、字符串和数字等数据类型，但它的API设计非常直观，可以轻松地定义和验证复杂的数据结构。 如果主要需要验证JSON数据的结构且考虑性能，那么ajv可能是更好的选择。如果需要验证JavaScript对象、字符串和数字等更多的数据类型，那么joi可能是更好的选择。
1.4K20编辑于 2023-04-22 - 来自专栏数据订阅
图数据库调研
图数据库调研.pptx 图数据库： 更好，更快速的查询和分析：图数据库为查询相关数据（无论大小）提供了卓越的性能。 图模型提供了固有的索引数据结构，因此它不需要为给定条件的查询加载或接触不相关的数据。 这使得它成为更好、更快的实时大数据分析查询的绝佳解决方案。 。 更简单和更自然的数据建模：使用关系型数据库建模的人都需要了解数据库的规范化和参照完整性的严格规则。 一些NoSQL数据库则走向了另一个极端，将所有类型的数据放在一个大型表中。 另一方面，在图数据库中，可以定义任意类型的顶点类型来表示对象，并定义边类型来表示特定的关系。 同时支持实时更新和查询：图数据库支持对大图形数据的实时更新，同时支持查询。 数据结构的灵活性：图数据库具有灵活的schema修改。 用户可以不断添加或删除新的顶点、边和属性，扩展或缩小数据模型。 这对管理不断变化的对象类型特别方便。
2.6K200发布于 2018-06-28 - 来自专栏大数据文摘
2016年大数据行业从业者调研报告（精华版）
前言 大数据行业目前处于怎样的生态？在未来又会有怎样的发展？月薪2万，在大数据行业从业者同行中处于怎样的位置？我所在公司的数据团队规模在同行中算大吗？来年应该如何优化？ 为了让大家对我国大数据行业发展有更全面的了解，2016年12月中旬，大数据文摘发起了《大数据行业从业者调研报告众筹》，针对全国数据领域工作者和关注数据行业的人进行了在线调研，半个月的时间有效回收样本数超过 今天，我们发布《2016年大数据行业从业者调研报告（精华版）》。除了精华版，我们还制作了“完整高清版”报告，相对于“精华版”，完整版的内容更多（30页pdf），也有更加丰富的交叉分析。 大众对“大数据公司”缺乏了解，即使是从业者也是这样。参与调研者知道的大数据公司非常分散，普遍集中在谷歌、亚马逊、BAT、IBM、微软等巨头上，新兴的有实力的公司在业界知名度不高。 结论 1、数据、数据分析（包括大数据分析）受到我国企业重视，多数企业拥有数据决策团队，并将增加数据项目的投入，表明大数据行业发展态势良好，具有可观市场前景。
70350发布于 2018-05-25 - 来自专栏机器学习AI算法工程
怎样分析样本调研数据（译）
根据数据收集的算法、调研问题的类型和调研的目标，分析样本调研数据的方法各不相同。这篇文章会简洁明了的分析调研数据过程中的各种问题，同时会说明在一个完整的调研数据分析报告中应该包含什么。 调研数据分析的过程应该包括以下步骤： 1、数据验证和探索性分析 2、确认性分析 3、数据解释 4、数据分析报告存档（用于将来的分析） 1数据验证和探索性分析 数据验证主要负责确认调查问卷被正确的完成，并且调研数据具有一致性和逻辑性 3数据解释 当你完成数据分析，是时候考虑一下调研的结果对于手头上的问题有什么意义。以下是你在数据解释的过程中应该注意的方面： 1、清楚的阐述调研结果有什么实质性的发现。 3、运用调研中的定量数据对于目标群体进行定量预测。 4、解释你现在的数据分析结果对于调研目标的意义，而且如果需要的话，对下一步调研的步骤给予建议。 (Via:36大数据)
1.6K40发布于 2018-03-09 - 来自专栏PPV课数据科学社区
【学习】怎样分析样本调研数据
根据数据收集的算法、调研问题的类型和调研的目标，分析样本调研数据的方法各不相同。这篇文章会简洁明了的分析调研数据过程中的各种问题，同时会说明在一个完整的调研数据分析报告中应该包含什么。 调研数据分析的过程应该包括以下步骤： 1、数据验证和探索性分析 2、确认性分析 3、数据解释 4、数据分析报告存档（用于将来的分析） 数据验证和探索性分析 数据验证主要负责确认调查问卷被正确的完成，并且调研数据具有一致性和逻辑性 3、维度转换：根据可比性或兼容性的目标，调研数据会使用不同的长度和种类。 确认性分析 探索性分析可以描述发生了什么，但是这只是试探性的。 数据解释 当你完成数据分析，是时候考虑一下调研的结果对于手头上的问题有什么意义。以下是你在数据解释的过程中应该注意的方面： 1、清楚的阐述调研结果有什么实质性的发现。 3、运用调研中的定量数据对于目标群体进行定量预测。 4、解释你现在的数据分析结果对于调研目标的意义，而且如果需要的话，对下一步调研的步骤给予建议。
1.4K70发布于 2018-04-23 - 来自专栏人称T客
调研：2016年SaaS收入调查大起底
T客汇官网：tikehui.com 编译 | 李哲 本文编译自《2016年Pacific Crest SaaS调查》报告，经纬创投（Matrix Partners）的David Skok联合美国投资银行太平洋皇冠证券（Pacific Crest Securities）发布了这份报告。 我们在本文中比较SaaS应用交付方法、运营成本和毛利率、合同条款、客户流失率、资本要求和会计方法。 ---- 运营方面 你的SaaS应用是如何交付的？ 67%的调查对象主要使用第三方平台，其中3/4是AWS。
86460发布于 2018-03-26 - 来自专栏计算机视觉life
SLAM相关领域数据集调研
and Methodolgy、Evaluation： Introduction：列一下相关的开源数据集；说明自己做这个数据集的原因（现有数据集都过分简单，严格限制路况从而没有包含现实路上的实际情况等） ；介绍自己数据集的采集方式、包含的内容等； Challenges and Methodolgy：主要写了数据采集会遇到的问题以及要做的所有事情。 对牛津的一部分连续的道路进行了上百次数据采集，收集到了多种天气行人和交通情况下的数据，也有建筑和道路施工时的数据，总的数据长度达1000小时以上。 W. Maddern, G. 5.Stanford 2D-3D-Semantics: http://buildingparser.stanford.edu/dataset.html 提供大尺度场景的三维以及语义信息，是由采集的全景图生成 以此来模拟训练移动机器人的感知能力(AI系统) 5.Stanford 2D-3D-Semantics: http://buildingparser.stanford.edu/dataset.html 提供大尺度场景的三维以及语义信息
2.2K00发布于 2019-07-11 调研产品哪家强？2025年最值得推荐的五大在线调研工具盘点
正文 从学术研究到市场洞察，从员工满意度调查到消费者行为分析，优质的调研工具是获取精准数据的关键。面对琳琅满目的产品，腾讯问卷凭借腾讯生态的技术支撑与海量真实样本库，成为众多企业和个人的首选。 一、市场现状：调研工具的三大核心竞争维度 当前主流调研工具主要围绕以下三点展开竞争： 功能全面性：题型丰富度、逻辑设置、多终端适配能力； 数据质量：样本真实性、AI清洗能力、防作弊机制； 成本效率 位管理员、考试问卷、自定义抽奖、自定义逻辑 2499元/年起 商业版 企业级协作需求 500 份问卷（每人/天）、10位管理员、360度评估、协同编辑、数据推送 腾讯问卷的核心竞争力 AI驱动的智能化体验 智能生成问卷：通过自然语言处理（NLP）快速生成专业问卷框架； AI质检：自动识别无效答卷（如阅读时间异常、选项分布不合理），准确率达92%； 数据分析 ：自动生成交叉分析图表，支持SPSS/SAS等专业工具数据导出。
80810编辑于 2025-12-31数据安全-分类分级 调研分析报告
一、数据分类分级概述 大数据时代，数据呈现多源异构的特点，价值各不相同，企业应根据数据的重要性、价值指数等方面予以区分，便于采取不同的数据保护措施，防止数据泄露。 IT部门/数据管理部门视角– 关注的不是业务分工，而是数据自身在IT系统里如何承载、管理、呈现，所以有IT/数据管理部门将数据分类为结构化、非结构化数据，主数据、交易数据、元数据等。 行业领域维度：将数据分为工业数据、电信数据、金融数据、交通数据、自然资源数据、卫生健康数据、教育数据、科技数据等。 组织经营维度：将数据分为用户数据、业务数据、经营管理数据、系统运行和安全数据。 ③深度学习 深度学习是机器学习的一大分支，在自然语言处理中需应用深度学习模型，如卷积神经网络、循环神经网络等，通过对生成的词向量进行学习，以完成自然语言分类、理解的过程。 2.3数据资产地图 利用数据处理程序对采集的数据进行清洗、解析、处理，通过数据识别和分类分级引擎，结合数据识别策略、分类分级策略、数据识别和分类模型对处理后的数据进行匹配识别，准确定位数据中包含的敏感数据或重要数据
96500编辑于 2025-04-07嵌入式数据库调研
最近需要使用嵌入式数据库进行存储应用本地信息，本文章主要进行记录当前比较流行的嵌入式数据库相关的链接，嵌入式数据库往往是以lib的形式存在，常用于持久化存储软件的信息，嵌入式数据库往往和应用软件紧密集成 常用的嵌入式数据库：（主要索引几个我比较感兴趣的数据库） SQLite 嵌入式关系数据库：https://www.sqlite.org/index.html (关系数据库) Apache Derby: ） 数据目录表：https://dbdb.io/ （包含很多数据库的介绍，很好的网站，可以理清众多数据库之间的关系） LevelDB：https://github.com/google/leveldb（ 嵌入式K-V数据库） RocksDB ：https://github.com/facebook/rocksdb/ (嵌入式K-V数据库，基于leveldb) https://rocksdb.org/ ） Tokyo Cabinet：https://dbdb.io/db/tokyo-cabinet （嵌入式K-V数据库） https://db-engines.com/en/ranking (数据库引擎排行榜
1.9K20发布于 2020-12-30- 来自专栏产品设计
从调研到原型：AI生成APPSaaS官网数据大屏的完整实战流程
三、AI生成零售监控大屏案例解析数据大屏的设计需求已经逐渐深入到了零售业，既要酷炫又能看清数据，这里我们用Agent来生成一个智慧零售门店监控大屏。1. 关键指标调研与分析做大屏最容易踩的坑就是把所有指标都塞进去，所以真正关键的是先选核心指标，我们先问问Agent什么样的数据值得铺开。 每个指标都配备了最适合的可视化图表类型和详细的技术选型理由，这在前期能帮我们梳理好功能架构与页面布局，对数据大屏的设计非常重要。2. AI生成数据大屏原型图界面直接根据关键指标的分析，输入生成原型图的Prompt：根据以上调研报告的建议，生成一个智慧零售数据大屏原型。风格要求：深色科技风，蓝紫色调，强调未来感。 以前我搭一个类似的数据大屏框架，光是布局和图表选型就得折腾大半天，这次Agent几乎在几分钟内就给出了一个视觉上、逻辑上都很合理的初稿。
83710编辑于 2025-12-17 - 来自专栏程序员备忘录
Python获取股票机构调研数据
而这种所谓串通一气的方式就叫做“机构调研”，也就是说机构管理者会在持股前与上市公司进行沟通，表达机构想要持有该上市公司的股票的想法。 当然也不能说这么明白的话，机构调研除了投资的成分还有现场观摩等，相当于机构了解了该公司运作，当然具体的调研结果也是会通过报表的方式向外进行暴露。 一个潜在的现象是调研后的股票会有一定的异动，所以这也是一般投资者应该关注的地方。 所以这块作者就通过天天基金网站来拉取股票的机构调研信息。 def __init__(self): self.connection = Connection() #解析数据 def printJgdyInfo(self connect.commit() # tianjl = JgdyQuery() # tianjl.printJgdyInfo("300232",1) 如下图所示为作者拉取部分上市公司的机构调研数据的结果
67620编辑于 2022-08-11 - 来自专栏靠谱PM
调研现场
上两篇文章中写到为什么要做用户调研以及用户调研的流程，今天来说下调研现场应该怎么做。 调研工具 俗话说：“工欲善其事，必先利其器。” 那么调研现场的工具肯定是必不可少的，这里也顺便说下，用户调研的现场和可用性测试（关于可用性测试如果以后有机会单独写一篇文）的现场处理的方式都是大同小异的。 ，否则用户习惯不同的设备就崩溃了，更不用说调研了。 三、统计工具 这个上篇文章中已经说过了，调研的目标用户要通过这些工具去抓取的，工具如（GA 、诸葛io等），这个就没法普及了，这些抓取的数据都是属于公司的机密，可以去官网上去看下工具的介绍。 调研前的暖场 这个还是有必要说一下的，用户来到调研现场不要上来就直接进入调研，这其实和我们到一个陌生环境里一样心理都会有一些防范，所以理想的做法就是先从家常聊起，比如今天天气好热啊，您怎么过来的？
83360发布于 2018-09-10 - 来自专栏代码工具
ONNX调研
它使得不同的人工智能框架（如Pytorch、MXNet）可以采用相同格式存储模型数据并交互。 调研目的： 提高当前在线推断模型的性能， 最大限度地降低工程的机器成本。二. ONNX Runtime（ORT） 使用1. 3 类共 150 条记录，每类各 50 个数据，每条记录都有 4 项特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度，可以通过这4个特征预测鸢尾花卉属于（iris-setosa, iris-versicolour , iris-virginica）中的哪一品种iris = load_iris()X, y = iris.data, iris.target# 测试集和训练集打散拆分，这里一定要打散，因为原始数据是相对有序的 LinearClassifier" attribute { 此处内容过多已省略... }第四步: Direct Predict使用ONNX Runtime Python API预测该ONNX模型，当前仅使用了测试数据集中的第一条数据
1.6K51编辑于 2022-06-30 - 来自专栏PPV课数据科学社区
2015中国大数据调研报告发布五大趋势抢先看
在大数据时代，营销越来越被数据驱动。大数据让广告投放更加精准；大数据让企业能更快的听到消费者的声音并进行相应的产品和服务改善。 企业所需的大数据来源在哪里？ 企业如何开始应用大数据营销？ 大数据营销会有哪些应用领域？ 本次调研中，大部分受访者认为，大数据在营销上的应用还处在早期发展阶段。 ? 对于中国企业而言，超过半数公司高度重视大数据营销但还没有明确战略。中国市场在大数据营销上的应用，还在探索阶段。 在大数据指导营销的大背景之下，很多公司为了更好地运用这个营销工具，纷纷作出了调整与改变。受访者所在公司接近半数建立的单独的大数据部门，另外有38%将大数据营销部分交予营销部采购。 ? 6、回复“答案”查看hadoop面试题题目及答案 7、回复“爱情”查看大数据与爱情的故事 8、回复“笑话”查看大数据系列笑话 9、回复“大数据1、大数据2、大数据3、大数据4”查看大数据历史机遇连载
90960发布于 2018-04-20 - 来自专栏大数据文摘
这家公司连续六年调研大企业数据变革，今年的结果喜忧参半
在清华数据科学研究院联合大数据文摘发布的《顶级数据团队建设报告》中提到，数据化转型更多是一个至上而下的过程，企业高管对待数据的态度，对于一家公司的数据驱动文化建立至关重要。 围绕“数据”话题，NewVantage Partners已连续六年对全球各领域的大型企业高管如何看待数据进行调研。每年，调查回复率都在增长，而且据调查结果显示，如何有效数据利用的紧迫性在逐年增加。 六年前，NewVantage Partners开启了针对大数据的首次调研，当年的调查聚焦在当时尚属新颖的大数据领域，而六年后，今年调查问卷的焦点落在了人工智能领域。 大数据文摘对本次调研的关键信息进行了摘要如下： 受访者：首席数据官（CDO）的比例大幅提高 受访者为来自57家大型企业的高管。 几乎所有被调研公司都在投资大数据和人工智能项目 调查内容涵盖了大数据及当下最热门的AI技术。多年来，尽管专业术语在不断变化，始终如一的，是数据的爆炸式增长，以及对数据意识的永恒需求。
42240发布于 2018-05-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号