关于 灰色行业关键词代做q扣4100506 太原学府街百度软件容 的搜索结果,共946
l****4 2020-08-27
强烈建议优化百度carLife 语音识别问题
差了,还是哪个吗?好山寨的车机
2018-07-10
解密开源这门生意——商看开源
本文抛开虚浮的情怀和热情,我们从商和管理的角看一看开源。 1. 本质是对抗认知垄断 远古期的计算机没有版权概念,每一份码都是一份全人类都可以习借鉴的教数据。 随着商的兴起,商公司倾向于将码当秘方保护,引入了版权的概念。闭源实操过程中有如下缺点: IT技术无法跨跨公司进交流,人才培养的很慢; 一个只能在很小可控范围内迭的进步速偏慢; 公司的商策略以盈利优先,可能会掐灭技术革新; 一个黑盒化的交付物,交付质量只能靠商信誉保障; 商总是试图建立垄断,黑客们警惕着垄断的恶。 在版权限制下感到压抑的IT精英,自发推动开放源码的交付方式,其中最出名的是GNU计划。GNU计划的重点是对抗IT技术认知垄断,更自由的传播IT知识;GNU等开源计划既不是为了开源公司的商利益,也没要给参与者发高级技工证书,更不会因为开源而强免费。 在上个世纪程序员人数很少但都是精英黑客,参与开源的目的是以码会友,不会发表烂的码,顺着开源社区易找到技术大师,几个IT高手也易蹭出商火花。 2.
j****2 2018-07-10
大脑开放日来袭 24种全新AI能力呈现
目前,大脑OCR产品全系列可以识别类型多达34款,实现卡证、票据、文档、汽车全场景覆盖。 人脸人体识别方向:大脑此次发布了新能力——人脸情绪识别,同时升级了人脸点检测和手势识别,人脸检测点由72个增至150个,常见手势能识别种数也达到了24种。图像识别方向,大脑更新了红酒和地标识别两个新能力。无论是卢浮宫还是82年的拉菲,只要上传1张照片,就能获得文字解析。车辆分析方面上线了车辆检测和车流统计。喻友平透露,不久后,大脑还会陆续上线车辆属性识别、车辆外观损伤识别、人脸融合、手部点识别、更高精的人像分割以及钱币识别等有趣有用的应用场景。 语言处理应用技术方向:大脑新增文本纠错、新闻摘要、智能写诗、智能春联和对话情绪识别等能力,在知识理解方面,大脑推出了作文检索和知识问答两个新能力,让习和娱乐两不误,分分钟化身“十万个都知道”。同时,智能写作平台将在4月全面上线,从素材上为创作者提供工具、帮助找到灵感,提升创作者的写作效率和产出质量,降低写作成本。 在强劲的AI技术支持下,大脑也在重点发力智能硬和设备。
金****洲 2018-07-10
混乱的集群遇见TA 从此岁月静好
Q可以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,再全集群部署?简而言之,发布。 Q新到位10000机器,如何高效部署最新的基础设施?使集群中所有机器环境同质化? 管中窥豹,我们可以发现如果在私有云或者混合云场景中还是通过人肉运维的方式管理,那么管理效率将会十分低下,并且其中重复繁杂的操作,难以保证云环境的稳定性和安全性。急人之所急,需人之所需。云的工程师们便展开了一场头脑风暴...... 初 私有云中存在大规模的机器集群,集群中一片空虚混沌,渊面黑暗,仅有字节流在其间穿梭。为有效地管控体量庞大的集群,合理分配资源,降低运维成本,保障云上服务穿越狂风暴雨,工程师们意识到:“必须要有一个优秀系统来管控这混沌的集群世界!” 第一天 工程师们说:”这个系统要表操作系统的意志!占用资源少!对外部系统零依赖!装机自带!要能自升级和自保活!“。当裸机启动之后,这个系统便以root身份运,能保活自己,还能托管维护其余基础设施,后续迭升级也能自动完成,整个流程高自动化,不需要人工介入,极大地降低运维成本。
l****m 2018-07-10
向量(一)
虽然按照常理,我们知道这两个之间是有联系的——母亲节通常应该送给母亲一束康乃馨;但是这两个对应的one-hot vectors之间的距离量,无论是欧氏距离还是余弦相似(cosine similarity),由于其向量正交,都认为这两个毫无相性。 得出这种与我们相悖的结论的根本因是:每个本身的信息量都小。所以,仅仅给定两个,不足以让我们准确判别它们是否相。要想精确计算相性,我们还需要更多的信息——从大量数据里通过机器习方法归纳出来的知识。 在机器习领域里,各种“知识”被各种模型表示,向量模型(word embedding model)就是其中的一类。通过向量模型可将一个 one-hot vector映射到一个维更低的实数向量(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,...]。
x****7 2018-07-10
从外进阶专 传统企AI转型差的可能只是一个EasyDL
佛山供电局输电管理所将存在桩机、吊车、挖掘机、运货运水泥大型车的现场1000张隐患图像,使用EasyDL定制化图像识别进训练,经过3个月的训练,更新了10个版本,最终获得“输电线路外部隐患识别”模型,该模型可以识别出输电线路中存在的吊车、挖掘机等外部隐患,目前识别准确率达到80%,超出预期,并且以2-3周更新一次模型的频率持续训练,准确率在不断提升。 源创电喷位于广西柳州,是一家生产汽油机电喷系统的公司。为汽车动力系统中的,喷油器质量要求非常高,过去,源创只能用人工肉眼来检测喷油器阀座瑕疵,每日平均检查4000-6000,峰值是12000,整个视觉判断工序,需付出4~7人每班的复核人力,是投入产出比最低的工序之一。 依托EasyDL定制化训练和服务平台,柳州源创构建了自己的喷油嘴识别模型,结合务流程和硬,先通过自动化系统上传每次采集待测样品图片,然后实时上传已通过的识别模型进判定,再返回相应的处理结果,最后由自动化系统将样品进分类流转。
C****X 2018-07-10
群雄逐“图”,缘何备受注?
高精地图会让自动驾驶如“看不见轨道”的过山车一样持续向前,但未来于高精地图的发展方向,地图测绘政策的白热化争斗以及互联网企在多方加入的“地图混战”中如何把握自己的优势条(突出优势在哪儿)等诸多问题还亟待探讨并找出真相。 * 以上内为CSDN开发者晶晶投稿,不官方言论。
笑****山 2018-07-10
监控专用对象存储的畅想
我不想涉密去注具体厂商的技术底实现,但会考虑通用技术可性,一个监控型对象存储的技术畅想。 每天都有用监控抓小偷的新闻,监控的价值已经得到社会认可和买单;监控视频是最易实现PB级文量和亿级文数量的场景,摄像头数量越来越多、清晰越来越高,而文管理、存储和分析的压力也越来越大。 监控厂商自己的堆盘式存储是个临时应急性方案,而且客户要求开放式管理监控视频,中立又可靠的对象存储方案是最佳选择。 最近几年IT并没有核心技术飞跃,我们能的都是优化选型,过去针对http访问场景的优化选型,现在要的是贴合监控场景的优化选型。 从客户访问和内部实现的角,本文分为“访问界面”“读写理”“元数据设计”“存储实现”四部分。 访问界面 这里指的是应用程序访问界面,而不是自然人访问界面。访问界面有四个问题: 要不要存储系统直接支持RTMP?直播和存储技术跨大,且监控厂商已经有方案,低优先级处理该功能。 要不要提供文系统级访问接口?
5****a 2018-07-11
监控专用对象存储的畅想
我不想涉密去注具体厂商的技术底实现,但会考虑通用技术可性,一个监控型对象存储的技术畅想。 每天都有用监控抓小偷的新闻,监控的价值已经得到社会认可和买单;监控视频是最易实现PB级文量和亿级文数量的场景,摄像头数量越来越多、清晰越来越高,而文管理、存储和分析的压力也越来越大。 监控厂商自己的堆盘式存储是个临时应急性方案,而且客户要求开放式管理监控视频,中立又可靠的对象存储方案是最佳选择。 最近几年IT并没有核心技术飞跃,我们能的都是优化选型,过去针对http访问场景的优化选型,现在要的是贴合监控场景的优化选型。 从客户访问和内部实现的角,本文分为“访问界面”“读写理”“元数据设计”“存储实现”四部分。 访问界面 这里指的是应用程序访问界面,而不是自然人访问界面。访问界面有四个问题: 要不要存储系统直接支持RTMP?直播和存储技术跨大,且监控厂商已经有方案,低优先级处理该功能。 要不要提供文系统级访问接口?
w****t 2018-07-10
AIOps中的四大金刚
智能运维平台:提供对AI能力的支持,如:统一的数据服务(运维知识库)、运维开发框架,以及给AI策略实验和运的运维策略框架等。 故障自愈机器人:针对单个务场景进平台化抽象,使之成为一个基础服务,基于AIOps平台研发和运。 AIOps时的职责和技能变化 平台研发工程师负责运维平台及基础组的研发与建设。 在传统运维场景中,平台研发工程师负责平台、基础组、类库和工具的研发工作。在针对运维的场景中,会覆盖运维相的服务管理、监控、变更、流量调等相平台。 这部分平台是运维的基础,在AIOps时仍然需要依赖于这些平台的建设。 同时在AIOps场景中,数据成为了中心,运维各种状态信息转换为大数据,机器习则作用在大数据上进分析。在AIOps的实践中,运维开发框架、运维知识库、运维策略框架共同组成了完整的智能运维平台,三大平台的建设和实施离不开大数据、机器习架构的引入。这就要求平台研发工程师具备大数据、机器习平台架构师的多重身份,具备流式计算、分布式存储、机器习平台、算法策略平台等一系列大数据和机器习平台架构能力。
小****园 2018-07-10
让PB级云存储不再神秘
如果你觉得元数据服务压力还是大,那还可以让计费系统、读写理都对查询结果缓存,或者将数据库挂在成熟的Proxy背后分库和调。 我们的数据库能低压力运,就是设计时充分理解适应了对象存储元数据这一简单需求。 3、灵活的读写理 读写理是整个群集保持松耦合高性能的点,这也离不开对场景的深理解。 首先说读写理的高可用、负载均衡和高性能,我们会在读写理前面加几台Nginx,客户端到读写理都是无状态连接。客户端可以通过LVS、单域名DNS轮询、多域名分散务等方式将请求分散到多台Nginx,Nginx将请求交给任意读写理都是能得到相同结果的。单个读写理服务崩溃了SDK端会后台重试,直接访问API的用户会以为是自己网慢重新刷新。这么灵活的访问方式,有性能问题多堆几台机器就好了,20G带宽5万个链接很易消化。 读写理在访问客户时表存储服务端,在群集内部扮演的可信客户端。一个分布式系统中,客户端是可控可信,可以知晓群集内其他服务状态,则群集设计会非常简单,可以到所有组都自动协商、自宣告状态、有序引导流量以及异常错误重试。
y****i 2018-07-11
器云的最佳用户
而K8S的兴起它把器从改良工具变成了革新武器。以前有过很多架构师培训和文档,讲解服务发现、注册、编排、路由,资源监控和统计,研发就是说听不懂。可是一套来自大厂的开源方案出来了,研发就主动去拥抱了。有了K8S以后,即使研发人员不了架构和运维,只要肯适应K8S的设计逻辑,都可以取这两类人的工作。他们通过配合了K8S或类似组器云,老老实实改变研发流程,让码和架构,让架构和资源耦合到一起。 现在我们能说清楚过去为什么没有公有器云成功案例,因为客户的执层是脑臀分离的——运维推动研发把程序改造到可以上器,以完成运维的绩,猫让狗帮忙抓条鱼给猫吃,这事能搞定才怪。而成功的私有云案例,其始推动力都是客户的技术决策层和架构师,他们不依赖K8S也能搞定架构问题,这不是器技术和器厂商的成功,而是客户技术团队的成功案例。 现在是个有趣的节点了,K8S在逐渐被大家接受,研发拥抱K8S就可能设计出符合架构美的服务。相信很快就会出现器云的真正成功案例——客户技术足够普通但上云后架构足够合理。
流****水 2018-07-11
云企级运维平台——NoahEE
测试难,怎样通过灵活的部署方式,先进小流量线上测试,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? 上面的第一个问题,实际上在服务管理中已经解决了,也就是说服务管理帮我们完成了资源定位工作。其他的问题,NoahEE的部署管理模块通过“分级发布”来解决。在部署管理模块中,我们可以方便的定义并发、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,部署管理模块还提供了批量执命令等操作(比如批量启停某一服务)。如图来总结部署系统的能力: 图4 部署管理 监控管理 在任何工作里,信息掌握的全面与否往往乎到工作的成败。“知己知彼战不殆”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到这点的是否工作正常,出了问题是否能及时发现与报警,甚至是对异常事等进提前预测,都仰仗监控系统。在NoahEE的监控管理模块中,你可以期待全面的各种监控相功能,包括了采集Agent、强大的汇聚计算与指标派生、灵活的报警机制、高效的时序数据库(TSDB)等等。
TOP