开源技术

导读： 本文将以下三个方面展开介绍： DeepRec背景（我们为什么要做DeepRec） DeepRec功能（设计动机和实现） DeepRec社区（最新发布的2206版本主要功能） DeepRec背景

本⽂简要介绍CKBERT的技术解读，以及如何在EasyNLP框架、HuggingFace Models和阿里云机器学习平台PAI上使⽤CKBERT模型。

文本生成是自然语言处理领域的一个重要研究方向，具有丰富的实际应用场景以及研究价值。其中，生成式文本摘要作为文本生成的一个重要子任务，在实际应用场景中，包括新闻标题生成、摘要生成、关键词生成等任务形式。

SREWorks的开源吸引了大量用户来尝试部署和使用我们的产品，其中不乏一些初次接触Kubernetes的朋友。

Helm 是 Kubernetes 生态系统中的一个软件包管理工具，类似于 Ubuntu 中的 apt、CentOS 中的 yum 等，它用于自动创建、打包、配置和部署应用程序和服务到 Kuberne

Kustomize是一套采用合并思想，对Kubernetes原生配置进行管理的工具，使用无模板的方案定义应用配置。

近期FastConvMAE工作在EasyCV框架内首次对外开源，本文将重点介绍ConvMAE和FastConvMAE的主要工作，以及对应的代码实现，最后提供详细的教程示例如何进行FastConvMAE

K8S 中的自带资源类型不足以满足业务需求，需要定制开发资源怎么办？自定义资源(Custom Resource)由此产生。那么，如何让Kubernetes认识这些自定义的资源呢？CRD(Cust

OAM（Open Application Model）是一个标准的、基础设施无关的跨云应用部署模型，亮点在于他并不是一个程序的实现，他是一个文字定义的标准，大家只要依照这个标准去落地，就能把已有的东西

继去年使用Transformer Encoder大模型取得中文小样本学习、英文预训练模型知识量度量双冠后，今年阿里云又在中文语言理解权威评测基准CLUE的中文零样本学习权威榜单ZeroCLUE上取得冠

作者：忻怡、周楼、谦言、临在 导言 目标检测（object detection）旨在定位并识别出图像中的目标物体，一直以来都是计算机视觉领域研究的热点问题，也是自动驾驶、目标追踪等任务的基础。近年来，

本⽂简要介绍我们在电商下对CLIP模型的优化，以及上述模型在公开数据集上的评测结果。最后，我们介绍如何在EasyNLP框架中调用上述电商CLIP模型。

本篇是关于Part II的介绍，主要介绍shape constraint IR的设计，实现以及一些初步的实验结果

在本系列分享中我们将介绍BladeDISC在动态shape语义下做性能优化的一些实践和思考。本次分享的是我们最近开展的有关shape constraint IR的工作

知识图谱（Knowledge Graph）的概念⾸次出现2012年，由Google提出，它作为⼀种⼤规模语义⽹络， 准确地描述了实体以及实体之间的关系。

本文介绍了我们在EasyNLP框架中集成了中文文图生成的功能，同时开放了模型的Checkpoint。

DETR是最近几年最新的目标检测框架，第一个真正意义上的端到端检测算法，省去了繁琐的RPN、anchor和NMS等操作，直接输入图片输出检测框。DETR的成功主要归功于Transformer强大的建模

ViTDet进一步改进了一些设计，证明了ViT作为backone的检测模型可以匹敌基于FPN的backbone(如SwinT和MViT)检测模型。

本文简要介绍CLIP的技术解读，以及如何在EasyNLP框架中玩转CLIP模型，让我们一起来看看吧！

随着行业不断发展，大数据&AI也逐渐呈现云原生化的趋势。复杂的业务场景及其背后涉及到的不同技术方向的开源和自研，使得产品运维面临技术复杂度高、规模大、场景多等挑战。