2020 CCF全国高性能计算学术年会今天正式拉开帷幕。会上,英特尔就推动高性能计算与人工智能的进一步融合进行了深入分享,展现了通过XPU战略构建融合未来的行业愿景,从而在以数据为中心的计算时代为具有多元计算需求的客户打造更灵活的计算架构,为各类工作负载

我们面对的是日益增多和复杂的各种业务系统，我们面对的是不断增加的系统用户，我们面对的是即将迎来每天百亿级的高并发流量。不知道大家发现没有，目前为止，我们最大的依赖就是MySQL!之前给大家解释过，在当时的背景下，我们要对涌入的亿级海量数据，实时的运行数百个

当今数据驱动的世界，高性能计算成为企业的首选平台。转向云计算，提供按需的HPC具有成本效益与高度灵活性。高性能计算通常是指以比提供更高性能的方式聚合计算能力的实践。它可以高效进行并行操作，在计算过程中，各节点协同工作。基于并行任务的角度对高性能计算进行分类

随着成本的下降和用例的增加，高性能计算正在吸引各种类型和各种规模的新用户。其扩展选项包括基于超级计算机的高性能计算系统、基于集群的高性能计算以及基于云计算的高性能计算服务。在当今数据驱动的世界中，高性能计算成为组织的首选平台，很多组织希望深入了解基因组学、

有效的IT组织可以寻求更广泛使用人工智能的方式，通过从高性能计算中吸取的经验和教训，将其重点放在系统级思考上。人工智能对企业利润和竞争优势的潜在积极影响是不容忽视的。如今，高性能计算中心是支持大规模高性能应用的专家。Digital Trends 公司20

有效的IT组织可以寻求更广泛使用人工智能的方式，通过从高性能计算中吸取的经验和教训，将其重点放在系统级思考上。如今，高性能计算中心是支持大规模高性能应用的专家。无论企业已经在实施人工智能，还是处于探索/思考的早期阶段，都会从高效的高性能计算企业中学习一些经

有遇到系统性能更不上的情况吗？是不是不想更新硬件，那么我们就来学习一下嘴简单的优化系统性能的方法吧。这样就大功告成了。

Spark基于这样的理念，当数据庞大时，把计算过程传递给数据要比把数据传递给计算过程要更富效率。每个节点存储（或缓存）它的数据集，然后任务被提交给节点。这和Hadoopmap/reduce非常相似，除了积极使用内存来避免I/O操作，以使得迭代算法性能更高。

本文首发于我的公众号 cloud_dev，专注于干货分享，号内有大量书籍和视频资源，后台回复「1024」即可领取，欢迎大家关注，二维码文末可以扫。在孙悟空的七十二变中，我觉得最厉害的是分身能力，这也是他百试不得其爽的终极大招，每每都能打得妖怪摸不着北。有人

另一方面，阿里云容器服务提供了对弹性计算全系列规格的完美支持，容器服务为高性能计算、深度学习应用打call。线上单GPU集群规模超过几百台。

摘要： 来自全国500多家企业申请试用，结合客户的体验需求和反馈意见，不断地改善和打磨，弹性高性能计算商业版有了很大的优化，在产品性能和体验上都有全新的升级。弹性高性能计算基于阿里云基础设施，为用户提供一站式公有云HPC服务，面向教育科研，企事业单位和个人

ARM 架构服务器正在逐渐升温，这也少不了 AI 芯片巨头英伟达的参与。本周一，英伟达在德国宣布了与 ARM 全面合作的新计划：两家公司将合力推动构建超级计算机。而加速计算平台 CUDA 也将支持 ARM 架构，这一行动为深度学习、高性能计算打开了一条全新

高性能计算HPC是计算机科学的一个分支，研究并行算法和开发相关软件，致力于开发高性能计算机。分布式计算是利用互联网上的计算机的中央处理器的闲置处理能力来解决大型计算问题的一种计算科学。云计算的资源相对集中，主要以数据中心的形式提供底层资源的使用，并不强调虚

在今天台北电脑展 COMPUTEX 2019上，英伟达带来了一项重大发布：推出首款面向边缘设备的AI平台Nvidia EGX。此外，发布会还公布了另几项好消息，包括将最先进的 RTX GPU 带到了笔记本电脑上，免费提供带有实时光线追踪的体验版游戏等。将

本文作者高洋，目前在商汤科技高性能计算组担任总监，对于并行计算颇有心得。本篇为高洋写给高性能并行计算的初学者，核心内容是教初学者用科学手段测量硬件的理论指标。有了这个指标，就能对硬件的能力上限有更深入了解，知道优化工作做到了什么程度，是否还有上升的空间。此

最近我在观看一些SciPy2017会议的视频，偶然发现关于Numba的来历--讲述了那些C++的高手们因为对Gil Forsyth和Lorena Barba失去信心而编写的一个库。虽然本人觉得这个做法有些不妥，但我真的很喜欢他们所分享的知识。因为我发现自己

昨日，香港中文大学汤晓鸥教授莅临 2017CCF 青年精英大会，在会上做了为《人工智能的明天，中国去哪》的报告。报告重点讲解了深度学习的作用，并指出深度学习的三大核心要素是算法设计、计算能力和大数据。这条曲线形象的演示了深度学习的爆发过程。2017CCF青

神经网络在过去几年中规模不断扩大，训练需要大量的数据和计算资源。为了提供所需的计算能力，我们可以使用高性能计算中常见的技术将模型扩展到几十个 GPU，但该技术在深度学习中未被充分利用。这项技术，Ring Allreduce，还能减少不同 GPU 之间的通信

使用低成本的硬件和开源软件设计一个高性能计算集群。在我的 之前发表在 Opensource.com 上的文章中[1]，我介绍了 OpenHPC[2] 项目，它的目标是致力于加速高性能计算的创新。这篇文章将更深入来介绍使用 OpenHPC 的特性来构建一个小

它通过命名空间和 Cgroup 进行资源的隔离和控制，共享操作系统内核，分享系统资源。相比虚拟机，容器提供了一种更轻量级的虚拟化技术，它具有更高的资源利用率和更快的执行性能。Docker 作为一种容器技术，引入了应用镜像管理机制，适应快速的软件开发，部署和