登录社区云，与社区用户共同成长
邀请您加入社区
MindSpore-Transformers实现HuggingFace模型配置文件的原生加载，支持config.json、tokenizer及权重一键迁移至昇腾NPU，无需重写网络代码。通过AutoConfig、AutoTokenizer与AutoModelForCausalLM无缝对接，自动完成参数映射与类型转换，兼容FP16/BF16与safetensors格式，支持预训练、微调与自回归推理，
本文系统讲解了基于昇腾NPU的MindSpore大模型预训练数据准备全流程，涵盖数据清洗、BPE分词、样本拼接、Megatronbin‑idx/MindRecord格式生成及多卡分片等关键环节。强调离线预处理优先，通过优化worker并发、prefetch预取与并行文件系统，提升IO吞吐，避免CPU瓶颈。重点指出分片须在shuffle前执行，防止样本泄露；推荐使用统一tokenizer与eod标记
本文系统阐述昇腾NPU驱动的分层架构与编译依赖关系，重点解析内核态ko模块与用户态算子编译中的GCC版本、内核头文件、ABI兼容性等核心问题。指出内核驱动编译必须严格匹配运行内核的GCC与头文件版本，用户态编译则需确保C++ABI与GLIBC兼容，并推荐使用官方容器镜像统一环境，避免因版本不一致导致的编译失败、加载异常等问题。
ATC昇腾张量编译器是MindSpore大模型转昇腾om离线模型的核心工具，针对大模型编译内存高、耗时长、动态维度复杂、算子兼容差等痛点，提供分片编译、动态维度分档、并行编译、融合控制与精度模式五大能力，显著降低编译耗时30%-60%。通过完整流程配置（环境变量、fusion开关、ATC命令），可高效生成适配昇腾硬件的om模型，支持LLM与多模态大模型离线推理部署，助力开发者实现大模型高效编译与稳
MindSporeTransformers（MindFormers）提供面向昇腾NPU集群的分布式断点续训能力，支持千亿、万亿参数大模型在多维并行场景下的可靠训练。具备Step级状态恢复、多并行原生适配、在线Reshard扩缩容、故障容错与精度校验五大核心能力，实现模型权重、优化器、数据集游标等全量精确恢复。通过“配置-训练-中断-续训-校验”闭环流程，结合Checkpoint与MindStudi
昇思MindSpore是华为开源的全场景深度学习框架，支持训练、调优、推理与部署全流程，兼容昇腾、GPU、CPU等多种硬件。其分层架构涵盖用户API、图编译优化、运行时与硬件适配层，具备动静统一编程、自动并行、自动混合精度、高性能数据流水线（MindData）及调优工具链（MindInsight）等能力。通过四大开发模式——单卡原型、分布式并行、大模型套件（MindFormers）、模型导出部署，
本文介绍昇思MindSpore平台下RAG系统中相关性打分（RelevanceScoring）的实现方案，涵盖基于Embedding余弦相似度的轻量打分与Cross-Encoder高精度打分两种技术路径。通过昇腾NPU加速，支持批量推理、动态序列长度及模型量化，实现从粗召回到精排序的端到端优化。结合阈值过滤与重排序，有效降低大模型幻觉，提升问答准确性。提供完整代码、性能调优策略及微调方法，助力开发
一个应用有四个底部页签、二十多个二级页面时，导航问题通常不会先表现为编译错误，而会变成更难复现的用户故障：点击“全部实验”偶尔没有切换选中态；新增一个页签后，首页快捷入口跳到了错误页面；桌面卡片传来不存在的实验编号，详情页却静默展示默认实验；路由失败后按钮没有任何反馈；从外部入口进入详情，再点返回时直接离开应用。 本文基于 化学实验室 1.0.5 的真实 HarmonyOS ArkTS 源码展开。
围绕 HarmonyOS 7 端侧 3DGS 首帧卡顿，设计分块加载、LOD 与显存内存预算的联调方法。
从预连接无收益出发，核对 DNS、证书、真实首屏域名和连接预算。
拿到新机器人的 URDF 文件，很多人只把它当可视化模型拖进 Rviz 预览。本文以启元 Q1 为例，通过 Python 脚本与 Pinocchio 管线解析其官方 URDF，逐层核对 26 个 Link、22 个 Joint 与 16.9 公斤总质量的物理映射。重点讲解 inertial 惯量矩阵的合理赋值逻辑、joint limit 对控制器与安全策略的影响，以及从 XML 到仿真环境的关键校
这一篇是针对CPU 数据的解读：告诉你哪个线程在什么时候占了多久CPU、又被谁耽误了、频点有没有问题。只要是鸿蒙系统，不论是手机，平板，或者鸿蒙PC等，都是可以借鉴使用
随着大模型参数量持续增长，70B、200B 乃至 MoE 万亿级大模型对硬件 HBM 内存提出极高要求，单张 NPU 已经无法完整存放全部模型权重。同时复杂业务场景如长文档理解、多轮深度对话、Agent 工具调用、多模态联合推理，不仅需要超大模型能力，还对推理吞吐、响应时延、上下文窗口提出多重约束。分布推理（分布式推理）通过张量并行、流水线并行、专家并行、数据并行等多维度并行策略，把大模型权重、计
MindSpore基于昇腾硬件，构建了覆盖数据处理、多维并行、内存优化、断点续训与精度调试的大规模自监督预训练全链路能力，支持千亿级模型高效训练。通过“小规模验证+全流程闭环”模式，实现问题前置，显著降低调试成本，将异常定位周期从天级缩短至小时级，助力国产大模型底座高效构建。
Broadcast是HCCL核心集合通信原语，实现根节点数据向所有rank的单向复制分发，广泛应用于大模型训练初始化、权重同步、参数广播等场景。其核心原理为：单机优先采用Tree算法，跨节点使用分层混合策略，确保高效低延迟传输。执行流程包括通信域初始化、异步任务下发、硬件执行及流同步等待。关键注意事项包括参数严格对齐、使用设备内存、必须调用aclrtSynchronizeStream同步。典型问题
昇腾AI计算体系基于CANN架构，构建图形与AI融合流水线，通过硬件卸载、双缓冲、多Stream异步调度与内存池管理，解决传统图形处理中串行执行、数据拷贝开销大、资源利用率低等痛点。实现图形渲染吞吐提升35%-70%，端到端时延下降40%以上，硬件利用率提升25%以上，广泛适配数字孪生、云游戏、工业仿真等场景。
本文系统阐述昇腾NPU大模型训练中的精度评估实践，涵盖硬件特性、评估原理、代码实现与调优策略。通过单step数值对齐、loss收敛、PPL与下游评测分层验证，结合msprobe、msitllmcompare等工具，精准定位精度问题。强调固定随机种子、合理配置混合精度、控制多卡通信误差，确保预训练、SFT、RLHF全流程精度无损，实现从“训练达标”到“精度有效”的跨越。
昇思MindSpore基于MindFormers与昇腾NPU，提供覆盖数据预处理、长序列优化、分布式训练与集群稳训的全链路阅读理解解决方案。针对抽取式与生成式MRC任务，支持BERT、Qwen等模型高效微调，通过Ring-Attention、重计算、Packing等技术缓解长文本显存压力，结合自动并行与TIS校验保障千卡训练精度与稳定性，显著提升训练吞吐与任务指标表现，适用于RAG、多跳问答等复杂
本文介绍昇腾NPU平台支持Stable Diffusion图像生成模型的LoRA轻量微调方案，针对显存占用高、算子适配不足等痛点，通过梯度检查点、混合精度、模型分片与分布式训练等优化策略，实现高效微调。基于PyTorch-NPU与CANN生态，全流程兼容HuggingFace Diffusers，支持单机单卡/多卡训练，微调权重可直接用于推理或导出OM模型部署至MindIE。提供环境配置、代码示例
mint是面向昇腾NPU的PyTorch生态兼容接口套件，通过语义对齐、底层直连CANN aclnn算子，实现大模型从PyTorch到MindSpore的低代码迁移。其五大核心能力涵盖全量API对齐、高性能执行、完整网络组件覆盖、数值一致性校验与渐进式迁移支持，结合“环境准备—接口替换—模块验证—整网调试—调优”闭环流程，显著降低脚本改写成本，提升迁移效率与精度可靠性，广泛适用于NLP、多模态大模
应用启动问题经常被误判成“首屏页面写得慢”。真实链路里，用户点击图标后会依次经过 UIAbility 创建、数据初始化、WindowStage 创建、系统栏配置、首屏加载、页面状态恢复和启动参数派发。任何一步发生竞争，都可能表现为白屏、系统栏闪一下、统计数据先显示 0、点击桌面卡片只回首页，或者首次操作没有保存。 本文基于 化学实验室 1.0.5 的真实 ArkTS 源码，拆解 EntryAbil
生产上 Java 进程狂刷 java.lang.OutOfMemoryError: Unable to create new native thread，加 -Xmx 无济于事？这个报错与堆无关，是操作系统拒绝创建线程。本文梳理 Linux 五层线程数限制：pid_max、threads-max、ulimit -u 与 LimitNPROC、虚拟内存与 -Xss、max_map_count，逐层讲
不论是手机，平板，或者鸿蒙PC等，只要是鸿蒙系统，都是可以使用这个工具进行调试调优！
addMetric('白屏时间', entry.startTime);// ---------------- 输出 ----------------'%c🚀 页面性能',
在 React 里，“” 是最核心的思想之一。
你现在的“性能平台”项目，建议优先做这几个：👉 优先级排序（非常重要）：✅ 虚拟列表（提升最大）✅ 数据缓存（React Query）✅ Echarts 优化✅ 防抖请求✅ 组件拆分👉80% 的性能问题 = 不必要的 render而不是 JS 太慢。
本文详细解析了如何通过优化LVGL的lv_conf.h配置项来提升嵌入式GUI的流畅度。从刷新周期、缓冲机制到定时器精度，提供了一套完整的优化方法和实战流程，帮助开发者有效解决界面卡顿问题，显著提升用户体验。
25. 如果出现报错“显示证书链是由不受信任的颁发机构颁发的”，勾选“信任服务器证书”或者将“强制”改成“可选”，即可解决。16. 点击“添加当前用户”，会出现一行东西，然后点“下一步”4. 选择下载位置，最好不要在C盘即主磁盘即可。21. 下载后点击打开，更改安装位置或者直接点击安装。7. 选择Developer，点击下一步。3. 下载好安装包，打开，选择自定义。6. 点击“安装”，点击全新SQ
Abaqus 2026 作为达索系统 SIMULIA 推出的新一代高性能有限元仿真软件，主要用于解决现代产品研发里的复杂结构、多物理场与非线性工程问题。新版本重点升级了求解速度、智能建模、多物理场耦合、GPU 加速及材料、接触、疲劳分析能力，能为汽车、航空航天、电子、机械装备、生物医疗等领域带来精度更高、周期更短、使用更便捷的仿真体验。
这里随便输入一个英文命名。
1.1 适用范围本方案适用于基于Linux系统（CentOS、Ubuntu等）部署的Nginx服务器，涵盖Web服务、反向代理、负载均衡等常见应用场景，适用于运维工程师、开发工程师及系统管理员进行Nginx性能调优与日常监控。
Nginx的优化配置涉及多个方面，包括：进程、连接、超时、压缩等。下面将分别进行说明，并给出配置示例和参数解释。注意：以下配置参数需要根据实际情况进行调整，不可盲目复制。
性能优化
——性能优化
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
人工智能6S服务平台
HarmonyOS开发者社区
DAMO开发者矩阵
openEuler 社区
乐奇 Rokid 开放社区
