推荐用于高性能计算有限元计算的高性能工作站

推荐阅读

• 高性能计算机散热的替代方案

• 展望 2024 年：中国人工智能算力能否引发高性能计算和大型模型训练的新革命？

• 推荐用于光学设计与仿真、环境与视觉仿真的高性能图形工作站配置

• 推荐用于高性能计算有限元计算的高性能工作站

• CST Studio Suite 2023 EM 仿真图形工作站/高性能计算集群推荐硬件

• 构建高性能 Python 编程工作站的计算机配置建议

• InfoQ，谈谈百度开源高性能搜索引擎 Puck-Ben：Puck是团队长期研究和努力的成果，作为Puck的负责人，我对这个项目有着深深的热爱和执着，对我个人而言，它不仅仅是一个搜索引擎，而是代表着团队心血和智慧的结晶，它是我们对技术的追求，对创新的执着，也是我们对未来的期望和愿景，Puck的每一次升级和优化都记录着我们的成长和进步。这是我们对技术的追求，对创新的执着，也是我们对未来的期望和憧憬，帕克的每一次升级和优化都记录着我们的成长和进步。 我对帕克的未来充满期待。首先，我希望 Puck 能够在开发者社区得到广泛应用，同时得到社区的反馈，不断优化和改进。我期待看到更多的人参与到Puck的开发和使用中来，通过大家的共同努力，让Puck成为人工智能领域有影响力的工具。其次，我希望Puck能够不断创新和优化，保持技术领先地位，不仅要适应当前的技术需求，更要预测和引领未来的技术趋势。最后，我希望Puck能在更多的实际应用中实现自身价值，为人工智能在各行各业的应用提供有力支撑，推动科技发展。 访谈嘉宾简介： Ben，百度搜索内容技术部主任架构师，负责多模态内容理解、超大规模内容关系计算、内容处理与生成、模型优化等方向。 欢迎加入朋克技术交流群：913964818 本部门招聘ANN搜索工程师、模型优化工程师、分布式计算研发工程师等多个职位。欢迎勇于接受挑战、具有优秀分析和解决问题能力的人才加入我们。 招聘邮箱：tianyakun@baidu.com --END-- 推荐阅读

• 小红书大产品部架构 小红书产品概览--经过性能、稳定性、成本等多个维度的详细评估，小红书最终决定选择基于腾讯云星海自研硬件的SA2云服务器作为主力机型使用。结合其秒级的快速扩缩、超强兼容和平滑迁移能力，小红书在抵御上亿次用户访问、保证系统稳定运行的同时，也实现了成本的大幅降低。 星海SA2云服务器是基于腾讯云星海的首款自研服务器。腾讯云星海作为自研硬件品牌，通过创新的高兼容性架构、简洁可靠的自主设计，结合腾讯自身业务以及百万客户上云需求的特点，致力于为云计算时代提供安全、稳定、性能领先的基础架构产品和服务。如今，星海SA2云服务器也正在为越来越多的企业提供低成本、高效率、更安全的弹性计算服务。 以下是与小红书SRE总监陈敖翔的对话实录。 问：请您介绍一下小红书及其主要商业模式？ 小红书是一个面向年轻人的生活方式平台，在这里，他们发现了向上、多元的真实世界。小红书日活超过 3500 万，月活跃用户超过 1 亿，日均笔记曝光量达 80 亿。小红书由社交平台和在线购物两大部分组成。与其他线上平台相比，小红书的内容基于真实的口碑分享，播种不止于线上，还为线下实体店赋能。 问：围绕业务发展，小红书的系统架构经历了怎样的变革和演进？ 系统架构变化不大，影响最深的是资源开销。过去三年，资源开销大幅增加，同比增长约 10 倍。在此背景下，我们努力进行优化，包括很早就开始使用 K8S 进行资源调度。到 18 年年中，绝大多数服务已经完全实现了容器化。 问：目前小红书系统架构中的计算基础设施建设和布局是怎样的？ 我们目前的建设方式可以简单描述为星型结构。腾讯云在上海的一个区是我们的计算中心，承载着我们的核心数据和在线业务。在外围，我们还有两个数据中心进行计算分流，同时承担灾备和线上业务双活的角色。 与其他新兴电子商务互联网公司类似，小红书的大部分计算能力主要用于线下数据分析、模型训练和在线推荐等平台。随着业务的发展，对算力的需求也在加速增长。

• 2022年东数西算下的数据中心高性能计算：六大趋势、八大技术——数据中心白皮书

• 计算机视觉中，究竟有哪些好用的目标跟踪算法（下）-快速变形主要因为CF是模板类方法。容易跟丢这个比较好理解，前面分析了相关滤波是模板类方法，如果目标快速变形，那基于HOG的梯度模板肯定就跟不上了，如果快速变色，那基于CN的颜色模板肯定也就跟不上了。这个还和模型更新策略与更新速度有关，固定学习率的线性加权更新，如果学习率太大，部分或短暂遮挡和任何检测不准确，模型就会学习到背景信息，积累到一定程度模型跟着背景私奔了，一去不复返。如果学习率太小，目标已经变形了而模板还是那个模板，就会变得不认识目标。(举个例子，多年不见的同学，你很可能就认不出了，而经常见面的同学，即使变化很大你也认识，因为常见的同学在你大脑里面的模型在持续更新，而多年不见就是很久不更新) 快速运动主要是边界效应(Boundary Effets)，而且边界效应产生的错误样本会造成分类器判别力不够强，下面分训练阶段和检测阶段分别讨论。 训练阶段，合成样本降低了判别能力。如果不加余弦窗，那么移位样本是长这样的： 除了那个最原始样本，其他样本都是“合成”的，100*100的图像块，只有1/10000的样本是真实的，这样的样本集根本不能拿来训练。如果加了余弦窗，由于图像边缘像素值都是0，循环移位过程中只要目标保持完整那这个样本就是合理的，只有目标中心接近边缘时，目标跨越边界的那些样本是错误的，这样虽不真实但合理的样本数量增加到了大约2/3(padding= 1)，即使这样仍然有1/3(3000/10000)的样本是不合理的，这些样本会降低分类器的判别能力。再者，加余弦窗也不是“免费的”，余弦窗将图像块的边缘区域像素全部变成0，大量过滤掉分类器本来非常需要学习的背景信息，原本训练时判别器能看到的背景信息就非常有限，我们还加了个余弦窗挡住了背景，这样进一步降低了分类器的判别力(是不是上帝在我前遮住了帘。不是上帝，是余弦窗)。 检测阶段，相关滤波对快速运动的目标检测比较乏力。相关滤波训练的图像块和检测的图像块大小必须是一样的，这就是说你训练了一个100*100的滤波器，那你也只能检测100*100的区域，如果打算通过加更大的padding来扩展检测区域，那样除了扩展了复杂度，并不会有什么好处。目标运动可能是目标自身移动，或摄像机移动，按照目标在检测区域的位置分四种情况来看： 如果目标在中心附近，检测准确且成功。 如果目标移动到了边界附近但还没有出边界，加了余弦窗以后，部分目标像素会被过滤掉，这时候就没法保证这里的响应是全局最大的，而且，这时候的检测样本和训练过程中的那些不合理样本很像，所以很可能会失败。 如果目标的一部分已经移出了这个区域，而我们还要加余弦窗，很可能就过滤掉了仅存的目标像素，检测失败。 如果整个目标已经位移出了这个区域，那肯定就检测失败了。 以上就是边界效应(Boundary Effets)，推荐两个主流的解决边界效应的方法，但速度比较慢，并不推荐用于实时场合。