关于 安徽快3一定牛走势图 zs25.vip 主管Q:86>3 的搜索结果,共1132
金****洲 2018-07-10
混乱的集群遇见TA 从此岁月静好
云的要客户已从最初的中小初创公司逐步渗透到各行各业的大型企业。可以说,企业上云已是企业发展的必由之路。部分数据敏感的企业结合自身数据的全性、所有权和控制权等综合因素考虑,会选择搭建自己的私有云或者混合云环境。 但是在上述环境中,用户的机器都需要自行理,这就必然给云运维人员带来很多意想不到的麻烦。 其实我们面临的问题从来就没有什么大的变化,唯不同的只是机器规模越来越大,人心越来越复杂。 Q如何在1台机器上部署基础设施?A 切都源于那个亘古不变的道理:扔个文件到机器上,然后跑个命令。 Q如何在10台机器上部署基础设施?A 写个for循环搞Q如何在10000台机器上部署基础设施?A 这个也好办!制操作系统镜像CUSTOM.iso装机自动化装! then…… Q如何速升级所有机器上的基础设施? Q服务因异常挂掉,能自动重启保活吗? Q公司做活动,预计流量突增,能扩容吗? Q公司活动结束,为节约成本,能缩容吗? Q新开发的基础设施服务有问题,能立马回滚吗? Q可以做虚拟化资源限制基础设施不占用过多的机器资源吗? Q如何先部署小批量机器,确认无误之后,再做全集群部署?
不****主 2018-07-09
高精地
高精地,是Apollo位、感知、规划模块的基础。 与普通地不同,高精地要服务于自动驾驶车辆,通过套独特的导航体系,帮助自动驾驶解决系统性能问题,扩展传感器检测边界。目前 Apollo 内部高精地要应用在高精位、环境感知、决策规划、仿真运行四大场景,帮助解决林荫道路GPS信号弱、红绿灯是位与感知以及十字路口复杂等导航难题。 、高精地与传统地 当我们开车时,打开导航地通常会给我们推荐几条路线,甚至会显示道路是否拥堵以及每条路线将花费多长时间、是否有交通制,有多少个交通信号灯或限速标志等,我们会根据地提供的信息来决是在行驶中直行、左转还是右转以及对周围驾驶环境的评估。 而无人驾驶车缺乏人类驾驶员固有的视觉和逻辑能力。如我们可以利用所看到的东西和GPS来确自己的位置,还可以轻松准确地识别障碍物、车辆、行人、交通信号灯等,但要想让无人车变得和人类样聪明,可是项非常艰巨的任务。 这时就需要高精地了,高精地是当前无人驾驶车技术不可或缺的部分。它包含了大量的驾驶辅助信息,最重要是包含道路网的精确三维表征,例如交叉路口布局和路标位置。
C****X 2018-07-10
群雄逐“”,百度缘何备受关注?
陀螺仪要就是角速度检测仪,检测每个加速度。 关于轮测距器(Wheel Odometer), 般可以通过轮测距器推算出无人车的位置。 汽车的前轮如果装了轮测距器,分别会记录左轮与右轮的总转数。通过分析每个时间段里左右轮的转数,就可以科学推算出车辆向前了多远,向左右分别转了多少度等。 GPS,要任务是确四颗或更多卫星的位置,并计算出它与每颗卫星之间的距离,然后用这些信息使用三维空间的三边测量法推算出自己的位置。 激光雷达(LiDAR), 光学雷达通过向目标物体发射束激光,然后根据接收——反射的时间间隔来确目标物体的实际距离,随后根据距离及激光发射的角度,通过简单的几何变化可以推导出物体的位置信息。 LiDAR系统般可以分为三部分,分别是激光发射器,发出波长为600nm到1000nm的激光射线;扫描与光学部件要用于收集反射点距离与该点发生的时间和水平角度(Azimuth);感光部件要检测返回光的强度。
流****水 2018-07-11
度云企业级运维平台——NoahEE
有了资产理,运维人员可以在服务器完成入库、上架工单后即可在服务理中看到该服务器并进行理,无须任何其他操作。胜千言,我们看看资产理的特点: 3 资产理 部署理 应用部署直是运维工作中的重点,般来说,我们面临的问题有: 批量部署难,怎样位目标机器?如何速部署? 灰度测试难,怎样通过灵活的部署方式,先进行小流量线上测试,待效果达到预期后再扩大部署? 回滚难,发现问题后怎样回滚? 上面的第个问题,实际上在服务理中已经解决了,也就是说服务理帮我们完成了资源位工作。其他的问题,NoahEE的部署理模块通过“分级发布”来解决。在部署理模块中,我们可以方便的义并发度、部署步骤、影响范围以及暂停操作等,在部署的过程中发现问题即可暂停并回滚至之前的状态。除了部署等操作,部署理模块还提供了批量执行命令等操作(比如批量启停某服务)。如来总结部署系统的能力: 4 部署理 监控理 在任何工作里,信息掌握的全面与否往往关乎到工作的成败。“知己知彼百战不殆”这句话说的就是这个道理。运维工作中,监控系统就是这个让我们做到这点的关键。
金****洲 2018-07-09
百度全实验室|机器学习对抗性攻击报告
3. 从机器学习模型本身训练其辨别良性、恶意数据的能力。这时候,这些已知的对抗 性数据就提供了珍贵的训练数据。4. 宾州州立大学还提出Distillation 的方法[5],从深度神经网络提取些指纹来保护自己。 随着人工智能深入人们的生活,人类将越发依赖人工智能带来的高效与便捷。同 时,它也成为攻击者的目标,导致应用机器学习的产品和网络服务不可依赖。GeekPwn2016 硅谷分会场所揭示的是顶级全专家对机器学习全方面的担忧。随着 个个应用场景被轻易的攻破,尽目前只是在语音,像识别等场景下,我们可以清 醒的认识到,当这些场景与其他服务相结合的时候,攻击成功的严重后果。人工智能作 为未来智能自动化服务不可缺少的个重要部分,已然是全行业与黑产攻击者抗争的 新战场。
x****7 2018-07-10
从外行进阶专业 传统企业AI转型差的可能只是个百度EasyDL
许多企业都迫切希望能将人脸、语音、像等AI技术速应用起来,扩大竞争优,但往往却苦于无从下手。 传统企业落地AI,普遍存在三大痛点: 1)通用的AI无法满足企业的个性化需求。与企业业务深度结合的AI应用需求,往往需要结合所在领域很强的专业知识,通用AI技术无法满足,例如,目前业界推出的通用物体和场景识别的API无法满足大量个性化的需求:家装企业想识别装修库中的细分家居风格、房间布局分类等,物业公司想通过摄像头识别小区垃圾桶是否已满,施工单位想通过像识别工地上的工人有没有穿工服、戴全帽等,这些场景需求是常见的业务场景,但是企业很难找到现成可用的AI技术,往往需要自己做制化的研发。 2)AI技术自研及运维成本高昂。自己研发AI技术会面临多道难关,首先是AI人才关,国内AI人才池有限,据人民日报的报道,我国人工智能的人才缺口超过500万,供求比例仅为1:10。AI人才的年薪动辄数十万,除非有庞大的业务场景,否则,般体量的企业难以组建独立的AI团队。其次是基础设施关,AI运维需要的服务器、GPU,在财务上也是不可承受之重。 3)开发周期过于漫长。
m****t 2018-07-11
设计中立公有云云平台
当我们要设计云平台时,最小必须的云计算资源为这几项: 1.云机,2.云硬盘,3.公网IP+带宽4.VPC+全组5.负载均衡 个云平台缺少这五项中任何项,用户都不可能达到等同于自购物理机的效果,甚至最基本的功能都无法执行。当前各大供应商(含OpenStack和Zstack方案)都将这些云资源都已经实现API化创建、查询、理、删除。 对这些必要云资源的规划思路是,在能保证基础功能和用户便利的前提下,尽量砍掉些炫酷但只有少数厂商支持的功能,为了简化开发难度,对些通用但低频功能也可以拖到二期三期再做。 比如云机创建机API时必备功能是“选择硬件配置”“顺手创建公网IP”“自义镜像克隆机”“设置机名”的,理API必须有“查看机状态和配置”“硬重启”“绑/解绑IP、硬盘”。其他的功能根据项目组的人力和工期可选展示给客户,有人有时间就多做,没人没时间就少做。
1****2 2018-07-09
百度全:AI 是系统工程 需要真正开放的全护航
而现在普遍应用的TLS/SSL 方案 是基于非内存全语言编写,容易被黑客利用内存全漏洞攻击,而且未来也面临着被 量子计算机破解的威胁。 而百度全基于内存全技术的下代可配置嵌入式全通信协议栈MesaLink, 在语言层面提供内存全保障,算法层面提供后量子密码对抗能力。这就使得网络传输 可以避免OpenSSL“心脏流血”等高危漏洞隐患,并且能对抗量子密码学攻击,进 步增强网络传输层的全。在MesaLink 的保驾护航下,AI 系统的通信有了内存全 和抗量子破解的双重保障,黑客很难再通过内存全漏洞和量子计算机技术通过网络通 信层攻击进入AI 系统。 云端的全 云全都成了老生常谈的话题。不过现在的云端防护引擎存在着缺陷,比如 它们大多依赖请求特征。方面,要适应千差万别的后端应用,以及它们对协议的处理 方式,本身就很困难。另方面,面临些新型攻击,防御引擎需要及时增添规则,较 为被动。最后,防护引擎只要看到符合特征的请求,就会产生报警,并不知道黑客是否 真的攻击成功了,所以误报率比较高。 自从Gartner 提出自适应全架构之后,得到了业界的致认可。
x****3 2018-07-10
零基础认识深度学习——猿人的第次直立行
5.搞AI需要准备大量数据,中国对美国有个特色优,可以做数据标注的人很多而且价格便宜,但到模型实践这步,中国的人力成本太低又限制了AI向商用。 6.不要恐慌AI会消灭人类,对人类有威胁的AI肯是有缺陷的AI,但人类样也选出过希特勒这类有缺陷的领袖。也不要鼓吹AI会让人类失业社会动荡的,大家还是老老实实谈星座运吧,我为什么就不担心自己失业? 7.有些事AI的确准率看起来很低实其很高,比如两人对话听能清楚80%的字就不错了,AI只听懂85%了的文字已经越超人类了。你看我打倒颠字序并不影响你读阅啊。
l****m 2018-07-10
词向量(
所以,仅仅给两个词,不足以让我们准确判别它们是否相关。要想精确计算相关性,我们还需要更多的信息——从大量数据里通过机器学习方法归纳出来的知识。 在机器学习领域里,各种“知识”被各种模型表示,词向量模型(word embedding model)就是其中的类。通过词向量模型可将个 one-hot vector映射到个维度更低的实数向量(embedding vector),如embedding(母亲节)=[0.3,4.2,−1.5,...],embedding(康乃馨)=[0.2,5.6,−2.3,...]embedding(母亲节)=[0.3,4.2,−1.5,...],embedding(康乃馨)=[0.2,5.6,−2.3,...]。在这个映射到的实数向量表示中,希望两个语义(或用法)上相似的词对应的词向量“更像”,这样如“母亲节”和“康乃馨”的对应词向量的余弦相似度就不再为零了。 词向量模型可以是概率模型、共生矩阵(co-occurrence matrix)模型或神经元网络模型。在用神经网络求词向量之前,传统做法是统计个词语的共生矩阵XX。
TOP