关于 Eventdove(会鸽)diytrade外推软件〖qq:89 的搜索结果,共565
2018-07-10
解密开源这门生意——商业角度看开源
本文抛开虚浮的情怀和热情,我们从商业和管理的角度看一看开源。 1. 本质是对抗认知垄断 远古期的计算机没有版权概念,每一份代码都是一份全人类都可以学习借鉴的教学数据。 随着商业的兴起,商业公司倾向于将代码当做秘方保护,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行交流,行业人才培养的很慢; 一个只能在很小可控范围内迭代,的进步速度偏慢; 公司的商业策略以盈利优先,可能掐灭技术革新; 一个黑盒化的交付物,交付质量只能靠商业信誉保障; 商业总是试图建立垄断,黑客们警惕着垄断的恶行。 在版权限制下感到压抑的IT精英,自发动开放源代码的交付方式,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业利益,也没要给参与者发高级技工证书,更不因为开源而强行免费。 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友,不发表太烂的代码,顺着开源社区容易找到技术大师,几个IT高手也容易蹭出商业火花。 2.
s****5 2018-07-10
个性化荐(二)
总结 本章介绍了传统的个性化荐系统方法和YouTube的深度神经网络个性化荐系统,并以电影荐为例,使用PaddlePaddle训练了一个个性化荐神经网络模型。个性化荐系统几乎涵盖了电商系统、社交网络、广告荐、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,也将在个性化荐系统领域大放异彩。 参考文献 P. Resnick, N. Iacovou, etc. “GroupLens: An Open Architecture for Collaborative Filtering of Netnews”, Proceedings of ACM Conference on Computer Supported Cooperative Work, CSCW 1994. pp.175-186. Sarwar, Badrul, et al. "Item-based collaborative filtering recommendation algorithms."
c****2 2018-07-10
个性化荐(一)
考虑到softmax分类的类别数非常多,为了保证一定的计算效率:1)训练阶段,使用负样本类别采样将实际计算的类别数缩小至数千;2)荐(预测)阶段,忽略softmax的归一化计算(不影响结果),将类别打分问题简化为点积(dot product)空间中的最近邻(nearest neighbor)搜索问题,取与uu最近的kk个视频作为生成的候选。 排序网络(Ranking Network) 排序网络的结构类似于候选生成网络,但是它的目标是对候选进行更细致的打分排序。和传统广告排序中的特征抽取方法类似,这里也构造了大量的用于视频排序的相关特征(如视频 ID、上次观看时间等)。这些特征的处理方式和候选生成网络类似,不同之处是排序网络的顶部是一个加权逻辑回归(weighted logistic regression),它对所有候选视频进行打分,从高到底排序后将分数较高的一些视频返回给用户。 融合荐模型 本节使用卷积神经网络(Convolutional Neural Networks)来学习电影名称的表示。下面依次介绍文本卷积神经网络以及融合荐模型。
雪****魁 2018-07-11
危险背后的机遇--云服务故障危机分析
BUG 相比客户自己粗选一个物理机的OS,云主机精选的虚拟机OS、宿主OS、Hypervisor的BUG并不多,大中型云厂商都有精选底层支撑的实力,但客户装物理机自选的OS都可能有驱动问题,三个精选的故障率真没一个粗选更高。 但是从云资源的管理、调度、监控,到客户界面,API管理、账户和后台策略层面,越往上走的质量还不如XXXX,此处省略一万五千字,客户自己揣摩吧。 厂商深层原因 厂商报故障就跟滚刀肉挨揍一样,脸疼了就把屁股凑过来,屁股疼了就捏捏脸,一般不按住一只羊使劲薅羊毛,毕竟云报障也要负载均衡。但客户自己心里要有秆秤,厂商究竟是偶尔发挥失常还是烂泥扶不上墙,故障的性质对长久的服务品质很重要。 我列一下潜在的故障原因,哪些故障能忍,哪些故障不能忍,这些要云客户自己评估了。 技术原因 IaaS服务的核心主体功能(云主机、云硬盘、VPC),在没有特型要求前提下,是可以用开源方案搭建。如果是云厂商连个开源平台标准模块都部署失败,那就该换厂商了;如果是偶发的BUG,那确实客户要自认倒霉,因为友商也遇到同样问题。
TOP