关于 找小妹上门_v信78792796集美滨海路酒店一条龙兼职按摩一 的搜索结果,共1564
布****五 2018-07-10
如何执行命令
面临的困难 命令行的三要素,也是如何执行命令行面对的三个问题,如前文所述,对于单机环境来说,这三个问题在前人的努力下已经被很好的解决。可是如果要在几十万台机器每天执行几十亿命令,同时保证时效性,保证执行成功率,保证结果正确收,保证7*24时稳定运行,就不是件简单的事情了。所谓远行无轻担,量大易也难,在构建这样的执行系统的过程中要面临诸多困难,此处举几个突出的例子如下: 息存储问题:为了支持水平扩展,需要高效的内存数据库作为缓存。为了做到执行命令的可追溯、可统计,需要对执行过的命令息持久化。日均几十亿的热数据,年均万亿的冷数据,需要仔细选择存储方案。 任务调度问题:为了达到在任意多台服务器执行命令的要求,需要确定何时分发命令、何时回收结果以及怎么样的并发度批量下发。 消息传输问题:为了保证命令高效正确送达目标服务器,需要构建个可靠的命令传输网络,使命令息在准确送达的前提下保障传输的可靠与高效,毕竟百度的几十万台服务器分布在世界各地。 代理执行问题:为了更好的处理权限、单机并发等单机执行问题,需要在目标机构建执行代理,以应对单机的复杂执行环境。
l****m 2018-07-10
词向量(
词向量是自然语言处理中常见的个操作,是搜索引擎、广告系统、推荐系统等互联网服务背后常见的基础技术。 在这些互联网服务里,我们经常要比较两个词或者两段文本之间的相关性。为了做这样的比较,我们往往先要把词表示成计算机适合处理的方式。最自然的方式恐怕莫过于向量空间模型(vector space model)。 在这种方式里,每个词被表示成个实数向量(one-hot vector),其长度为字典大,每个维度对应个字典里的每个词,除了这个词对应维度的值是1,其他元素都是0。 One-hot vector虽然自然,但是用处有限。比如,在互联网广告系统里,如果用户输入的query是“母亲节”,而有个广告的关键词是“康乃馨”。虽然照常理,我们知道这两个词之间是有联系的——母亲节通常应该送给母亲束康乃馨;但是这两个词对应的one-hot vectors之间的距离度量,无论是欧氏距离还是余弦相似度(cosine similarity),由于其向量正交,都认为这两个词毫无相关性。 得出这种与我们相悖的结论的根本原因是:每个词本身的息量都太
c****2 2018-07-10
个性化推荐(
背景介绍 在网络技术不断发展和电子商务规模不断扩大的背景下,商品数量和种类快速增长,用户需要花费大量时间才能到自己想买的商品,这就是息超载问题。为了解决这个难题,个性化推荐系统(Recommender System)应运而生。 个性化推荐系统是息过滤系统(Information Filtering System)的子,它可以用在很多领域,如电影、音乐、电商和 Feed 流推荐等。个性化推荐系统通过分析、挖掘用户行为,发现用户的个性化需求与兴趣特点,将用户可能感兴趣的息或商品推荐给用户。与搜索引擎不同,个性化推荐系统不需要用户准确地描述出自己的需求,而是根据用户的历史行为进行建模,主动提供满足用户兴趣和需求的息。 1994年明尼苏达大学推出的GroupLens系统[1]般被认为是个性化推荐系统成为个相对独立的研究方向的标志。该系统首次提出了基于协同过滤来完成推荐任务的思想,此后,基于该模型的协同过滤推荐引领了个性化推荐系统十几年的发展方向。
C****X 2018-07-10
群雄逐“图”,百度缘何备受关注?
关于地图数据采 目前从全球范围内观察,高精度地图测绘数据采的方式主要中两类,种以谷歌、here的地图测绘车为主要力量,例如here高精度测绘车的激光雷达传感器可以秒内感知约60万个扫描点(其中包括周边建筑物、树木等),天内测绘车能够收和处理的数据超过100G。 另种则以特斯拉的“车队学习网络”(Fleet Learning Network)为代表,可以理解为用量产车将测绘任务众包出去,调动整个车队的所有传感器来收数据,并通过云传到中央数据库,这个方式在定程度有效弥补了由于测绘车数量不足而造成的数据获取以及更新缓慢等问题。 地图测绘数据采车(图片来源于网络) 关于百度高精度地图的测绘数据采,现在是由专负责,它的采制作可以被认为是自动驾驶的些传感器适配,成在某辆跟传统汽车没有差别的车,然后全国各地跑来跑去。 这个采的过程与之前普通的、传统的地图采差别不大,但在规模可能要比传统地图数据采要大很多,例如如今车队的数量就比传统的地图数量多很多;另外速度方面,截至2017年底已经达到覆盖全国所有高速公的水平。
不****主 2018-07-09
高精地图
摄像机、激光雷达、雷达探测物体的能力,在超过定距离后都会受到限制。在恶劣的天气件下或在夜间,传感器识别障碍物的能力可能会受到进步限制。另外当车辆遇到障碍物时,传感器无法透过障碍物来确定障碍物后面的物体。这时,就需要借助高精地图的帮助了。 即使传感器尚未检测到交通号灯,高精地图也可以将交通号灯的位置提供给软件栈的其余部分,帮助车辆做下个决策。 另个好处在于,高精地图可帮助传感器缩检测范围,如高精地图可能会告知我们在特定位置寻停车标志,传感器就可以中在该位置检测停车标志,被称为感兴趣区域ROI。ROI可帮助我们提高检测精确度和速度,并节约计算资源。 高精地图用于规划 正如定位和感知依赖高精地图那样,规划也是如此。高精地图可帮助车辆到合适的行车空间,还可以帮助规划器确定不同的线选择,来帮助预测模块预测道其他车辆将来的位置。 如高精地图可帮助车辆识别车道的确切中心线,这样车辆可以尽可能地靠近中心行驶。在具有低速限制、人行横道或减速带的区域,高精地图可以使车辆能够提前查看并预先减速。如果前方有障碍物,车辆可能需要变道,可帮助车辆缩选择范围,以便选择最佳方案。
疏****月 2018-07-09
线Archer | 百度持续部署的瑞士军刀
干货概览 业务部署(熟称线)是运维领域最常见的业务类型,主要涉及线代码变更、配置文件变更(数据变更由于其高频、大量的特点,我们已在数据传输文章《嗖的下,让数据自动生效》中专讨论过)。般的业务线具有不定时操作、业务部署情况复杂、单机启停策略复杂等特点。在手工运维时代,运维人员需要花费大量精力进行此类重复性工作,且易于出错。从公布的数据显示,Google 70%的生产事故由线变更触发,如何减少变更过程中人为误操作,提供个灵活、稳定的部署系统是运维平台研发人员所亟需解决的问题。 基本介绍 在运维自动化的大潮下,百度运维管理平台Noah发布了线部署系统——Archer。Archer致力于提供套产品线全过程的可迁移发布解决方案,实现键完成机器初始化、服务部署、添加模块监控、添加CT任务、动态数据文件的分发等全过程的自动操作。在操作方面,Archer提供了命令行工具作为发起线的操作入口,这种设计模式也决定了其易于成的特点。在DevOps流水线作业中,Archer可以作为个环节结合进整测试发布流水线中。
TOP