关于 氯化钾口服液太难喝了【V信;799.196.362】购 的搜索结果,共1245
h****e 2018-07-10
程序:我从哪里来?
干货概览 在计算机程序或者务的层次上,我们来试着分析前面提到的几个问题。 问题 1.我是谁? 务叫什么,务包含哪些实例,务规模、部署情况、实例运行状况如何? 2.我从哪里来? 务的上游有哪些,不同的上游流量如何分配? 3.我往哪里去? 务的下游有哪些,不同的下游流量如何分配? 面对这样的问题,我们的答案是什么呢? 在百度的运维实践中,我们只需“BNS”就可以获得想要的答案。 BNS(Baidu Naming Service,百度名字务)是百度云智能运维团队研发的一套分布式的名字务系统,是百度云Noah智能运维产品中的一个重要基础务系统。它为每一个务赋予一个独一无二的名字,根据这个名字,我们就可以获取到这个务的相关息 ,这些息包括:务在机器上部署息(机器IP,部署路径,务配置,端息),务的实例运行状况等其他重要息。简单来讲,它提供一个务名到资源息的一个映射关系。
c****2 2018-07-10
个性推荐(一)
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找到自己想买的商品,这就是息超载问题。为解决这个题,个性推荐系统(Recommender System)应运而生。 个性推荐系统是息过滤系统(Information Filtering System)的子集,它可以用在很多领域,如电影、音乐、电商和 Feed 流推荐等。个性推荐系统通过分析、挖掘用户行为,发现用户的个性需求与兴趣特点,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]一般被认为是个性推荐系统成为一个相对独立的研究方向的标志。该系统首次提出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个性推荐系统十几年的发展方向。
s****5 2018-07-10
个性推荐(二)
place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace() exe = fluid.Executor(place) inference_scope = fluid.core.Scope() 测试 现在我们可以进行预测。我们要提供的feed_order应该和训练过程一致。 总结 本章介绍传统的个性推荐系统方法和YouTube的深度神经网络个性推荐系统,并以电影推荐为例,使用PaddlePaddle训练一个个性推荐神经网络模型。个性推荐系统几乎涵盖电商系统、社交网络、广告推荐、搜索引擎等领域的方方面面,而在图像处理、自然语言处理等领域已经发挥重要作用的深度学习技术,也将会在个性推荐系统领域大放异彩。 参考文献 P. Resnick, N. Iacovou, etc.
s****7 2018-07-10
见微知著看技术误解——从裸光纤和NTPD谈起
我们就说联机调试分布式日志,几个节点的时间有错可能日志就看不懂。 NTPD务做时间调整会有效减少这类情形,它不是简单的龟速调整时间,而是有柔性时间调整策略,让时间线的跃变和调整尽量少影响业务(详情见附录实验);也不会盲目任远端时钟源,甚至固执的拒绝同步时间。NTPD务相本机时刻有可能不对,但不会忽快忽慢甚至停滞,NTPD通过多次收发包选择权威稳定的时间源,算出双方间的网络延迟,然后才会采新的时刻进行时钟同步。 五、误解的根源和影响 因为NTPD不盲从其他时间源,让老一辈IT人会留下NTPD不好用、不靠谱的误会。2005年个人测试用虚拟机的时间经常走慢,到2010年虚拟机还要防范时间停滞的Bug。即使你用物理机投入生产,网络延迟仍然不确定,且要观测NTPD同步效果需要时间。我们很成功调试NTPD务,会装NTPD又没有会装LAMP可以拿去吹牛,时间长NTPD务就背上黑锅。 真有TOP10的互联网公司和上亿国家级项目里用ntpdate+crond,上一代架构师为什么有这个误会无人深究,下一代人将误会固为偏见,新一代人将偏见神为迷
TOP