XiaoMi-AI文件搜索系统
World File Search System训练部
2024 年 11 月 15 日，法尼·克劳丁 (Fany Claudin) 121 军团元帅在利比亚护航任务中训练部队
法尼·克劳丹元帅在黎巴嫩代尔基法和纳库拉之间的运输物流护航任务中，对途中发生的事故表示祝福。 Malgré 获得了黎巴嫩联合国军国际部队快速医疗奖（最终），克劳丹元帅的医疗团队。
海军航空训练部部长高级...
课程数据 1.课程名称。高级战略指挥与控制海军飞行军官训练系统课程。2.课程 ID 号 (CIN)。高级战略指挥与控制 NFOTS，Q-2D-1183。3.地点。彭萨科拉海军航空站 (NAS)。4.课程状态。活跃。5.课程任务。高级战略指挥与控制 (SC2) 海军飞行军官训练系统 (NFOTS) 的任务是让海军飞行军官 (NFO) 毕业生具备后续舰队替换中队 (FRS) 飞行训练的资格，并为他们未来担任军事飞行军官的职责做好准备。成功完成本课程后，学生将被指定为 NFO。6.先决条件培训。成功完成中级海上指挥与控制 (MC2) NFOTS 课程 (Q-2D-0280)。7.安全许可要求。无。8.后续培训。由毕业生所属服务机构分配。9.课程长度。总体培训时间按照 CNATRAINST 1550.6G 计算。培训天数直接考虑或为天气、人员和设备可用性、简报和准备时间以及历史延误等因素提供余地。生产周进一步考虑了周末、假期、安全停工和全年其他预期的非工作日。培训天数 生产周数 高级 SC2 NFOTS：30.1 7.0 10.班级容量。可变。11.讲师要求。由海军作战部长 (CNO) 规划因素确定。12.课程课程模型经理。训练航空联队 SIX（COMTRAWING SIX）指挥官。13.配额管理局。海军航空训练主管（CNATRA）。
应用历史 — 训练部队的技巧
1 MAJ Shameek De Lancey，“学习军事史的重要性”，步兵 112/4（2023-2024 年冬季）：48-50。2 步兵在战斗中（华盛顿特区：步兵杂志，1939 年），可在 https://www.armyupress.army.mil/Portals/7/combat-studies-institute/csi-books/infantry-in-battle.pdf 上找到。3 “Joshua Chamberlain 上校演讲”，YouTube，https://www.youtube.com/watch?v=-ZpQ5W1AV0g/。4 William Robertson，《参谋骑行》（华盛顿特区：美国陆军军事历史中心，1987 年），https:// www.armyupress.army.mil/Portals/7/educational-services/staff-rides/CSI_CMH_Pub_70-21.pdf 。5 LTG（已退休）Arthur S. Collins Jr.，《常识训练：领导者的工作哲学》（加利福尼亚州诺瓦托：Presidio Press，1978 年）。皇家工程兵团的中校 Matthew Whitchurch 是其家族中第六代在英国陆军服役的人。在他 44 年的服役期间，他曾在两所参谋学院和英国联合战备训练中心担任教员。惠特彻奇中校自 1992 年以来已带领无数参谋人员出征，目前正忙于为北约在波罗的海国家和波兰服役。他是《皇家工程师杂志》的常驻撰稿人，撰写了大量有关陆战的文章。
海军核动力训练部队潜艇系泊
FPO-1 的任务是为南卡罗来纳州查尔斯顿海军核动力训练单位 (NPTU) 的 Pier X-Ray 的一艘潜艇设计和安装操作/生存系泊设备。NPTU 使用这艘潜艇进行训练，并配备了一个活跃的反应堆。系泊的目的是在操作条件下尽量减少船只的运动，并在生存条件下（飓风、龙卷风、溃坝、地震等）安全地限制船只。该项目是 Pier X-Ray MILCON 的一部分，与 SOUTHDIV NAVFAC 密切合作完成。
nracs-message.pdf - 海军航空训练部部长
RTTUZYUW RHOIAAA0012 0731656-UUUU--RHSSSUU。ZNR UUUUU R 131656Z MAR 24 MID600117269771U FM COMNAVAIRFORES SAN DIEGO CA TO AIG 7771 COMTACSUPWING FORT WORTH TX COMSTRKFIGHTWINGPAC LEMOORE CA COMSTRKFIGHTWINGLANT OCEANA VA COMVAQWINGPAC WHIDBEY ISLAND WA NAVAVNWARDEVCEN FALLON NV COMACCLOGWING DET NORFOLK VA ACCRON ONE TWO ZERO FITRON COMP ONE ONE ONE FITRON COMP THIRTEEN FITRON COMP TWELVE FITRONCOMP TWO ZERO FOUR VAQRON TWO ZERO NINE VAQRON ONE TWO NINE STRKFITRON ONE ZERO SIX STRKFITRON ONE TWO TWO STRKFITRON 一二五 COMPATRECONWING 二 KANEOHE BAY HI DEPCHNAVPERS MILLINGTON TN COMSTRKFIGHTWINGPAC LEMOORE CA COMHELMARSTRIKEWINGPAC SAN DIEGO CA COMHELSEACOMBATWINGPAC SAN DIEGO CA COMARSUPWING SAN DIEGO CA CNATRA CORPUS CHRISTI TX COMTRAWING 一 MERIDIAN MS COMTRAWING 二 KINGSVILLE TX COMTRAWING 四 CORPUS CHRISTI TX COMTRAWING 五 MILTON FL COMTRAWING 六 PENSACOLA FL COMPATRECONWING 十一 JACKSONVILLE FL COMPATRECONWING 十 WHIDBEY ISLAND WA COMPATRECONGRU NORFOLK VA PATRON 三零 PATRON 六二 PATRON 六九 TRARON 二一金斯维尔 TX 特拉伦二二 金斯维尔 TX 特拉伦七子午线 MS 特拉伦九子午线 MS 特拉伦二七 科珀斯克里斯蒂 TX 特拉伦二八 科珀斯克里斯蒂 TX 特拉伦三五 科珀斯克里斯蒂 TX 特拉伦三一 科珀斯克里斯蒂 TX
T-SHARP 签到表 - 海军航空训练部部长
种族代码 源代码 种族 A – 美国印第安人或阿拉斯加原住民 海军 1 – 其他西班牙裔 B – 亚裔 05 – 海军学院 2 – 美国/加拿大印第安部落 C – 黑人或非裔美国人 07 – NROTC 3 – 其他亚裔 D – 夏威夷原住民或其他太平洋人种 13 – 军官候选人学校 4 – 波多黎各岛民 19 – 直接采购包括 5 – 菲律宾人 E – 白人商船学院 6 – 墨西哥人 F – 拒绝回应 38 – USN/R 美国空军学院 7 – 爱斯基摩人 91 – 海军过渡学生 8 – 阿留申服务代码 99 – 其他 9 – 古巴人 0 – USMC AO/Navigator Marine b – 空白 1 – USN.R 现役飞行员 20 – 直接采购 D – 印第安人 2 – USNR 预备役训练飞行员 25 – 美国海军学院 E – 美拉尼西亚人 3 – USMC/R现役飞行员 27 – USMC/R ROTC G – 中国 4 – USMC 预备役训练飞行员 29 – PLC/其他 J – 日本 5 – 其他军种 31 – USMC/R 美国空军学院 K – 韩国 6 – USN/R 现役 NCO/AOFS 93 – 海军陆战队转业学生 L – 波利尼西亚人 7 – USMC/R 现役 NCO/AOFS 其他 Q – 其他太平洋岛屿后裔 8 – USMC 预备役训练 NFO 15 – 美国海岸警卫队 S – 拉丁美洲人和西班牙裔 9 – USMCR 预备役训练 NFO 95 – USCG 转业 V – 越南人 M – 海军陆战队员 17 – 国际军事训练 X – 其他 N – 海军士兵 75 – 美国空军学院/美国空军学生 Y – 无 77 – 美国空军 ROTC Z – 未知 79 – 美国空军军官训练学校 81 – 美国空军转业学生 00 – 美国空军美国海军学院 97 – 美国陆军 98 – 其他军种
使用图形编译器和容器优化 AI 训练部署
摘要 — 基于深度神经网络 (DNN) 或深度学习 (DL) 的人工智能 (AI) 应用因其在解决图像分析和语音识别等问题方面的成功而变得流行。训练 DNN 需要大量计算，而高性能计算 (HPC) 一直是 AI 发展的关键驱动力。虚拟化和容器技术促成了云和 HPC 基础设施的融合。这些具有不同硬件的基础设施增加了部署和优化 AI 训练工作负载的复杂性。可以使用特定于目标的库、图形编译器以及通过改进数据移动或 IO 来优化 HPC 或云中的 AI 训练部署。图形编译器旨在通过为目标硬件/后端生成优化代码来优化 DNN 图的执行。作为 SODALITE（Horizon 2020 项目）的一部分，MODAK 工具旨在优化软件定义基础设施中的应用程序部署。 MODAK 使用数据科学家的输入和性能建模，将最佳应用程序参数映射到目标基础架构并构建优化的容器。在本文中，我们介绍了 MODAK，并回顾了 AI 的容器技术和图形编译器。我们说明了使用图形编译器和 Singularity 容器优化 AI 训练部署。使用 MNIST-CNN 和 ResNet50 训练工作负载的评估表明，定制的优化容器优于 DockerHub 的官方映像。我们还发现图形编译器的性能取决于目标硬件和神经网络的复杂性。索引术语 —MODAK、SODALITE、HPC、云、性能优化、AI 训练、Singularity 容器、图形编译器