1. 从 Softmax 的局限性说起 在人脸识别任务中，标准的 Softmax 损失函数存在一个根本性问题：…

背景痛点：为什么我们需要模型量化？ 在边缘设备上部署深度学习模型时，我们常常面临两大挑战： 计算资源受限 ：移…

背景与痛点 模型量化是深度学习模型压缩与加速的关键技术之一，尤其在边缘设备和移动端部署中尤为重要。AMCT（A…

问题背景 在边缘设备上部署深度学习模型时，我们常常面临两个主要瓶颈： 计算资源限制：边缘设备的 CPU/GPU…

模型量化与 AMCT 工具简介 在深度学习模型部署中，模型量化是一种重要的压缩技术，它通过降低模型参数的数值精…

为什么需要 AMD CPU 推理加速？ 最近在用 AMD 处理器跑深度学习模型时，发现推理速度总比预期慢半拍。…

开篇：AMD GPU 推理的三大痛点 最近在部署 AMD GPU 进行深度学习推理时，发现相比 NVIDIA …

背景痛点 最近在部署深度学习模型时，发现传统 CPU 推理速度完全跟不上业务需求。考虑到 AMD GPU 的高…

背景痛点 对于 Python 开发者来说，在 AMD GPU 上进行深度学习推理时，经常会遇到以下几个典型问题…

为什么选择 AMD GPU 进行推理加速 最近在部署深度学习模型时，发现 AMD GPU 的性价比优势越来越明…