其他

VIPServer介紹       VIPServer是阿里中介軟體團隊開發的一個中介層負載平衡(mid-tier load balancing)產品，VIPServer是基於P2P模式，是一個七層負載平衡產品。VIPServer提供動態網域名稱解析和負載平衡服務，支援很多諸如多業務單元同單元優先、同機房優先、同地區優先等一系列流量智能調度和容災策略，支援多種健康監測協議，支援精細的權重控制，提供多級容災體系、具有對稱調用、

經過這幾年的發展，國內IT公司的測試水平有了很大的提高，但是與此同時，很多測試工程師也迎來了個人的發展瓶頸：很多人從測試工程師做到了測試經理的職位，不知道下一步如何發展；或者每天機械地從事著功能測試工作。 根據作者多年的經驗，一個有競爭力的測試人員要具有下面三個方面的素質： 電腦專業技能

搜尋、街景、照片、翻譯，這些Google提供的服務，都使用了Google的TPU（張量處理器）來加速背後的神經網路計算。 △ 在PCB板上的Google首款TPU和部署了TPU的資料中心 去年Google推出TPU並在近期對這一晶片的效能和架構進行了詳細的研究。簡單的結論是：TPU與同期的CPU和GPU相比，可以提供15-30倍的效能提升，以及30-80倍的效率（效能/瓦特）提升。

1968年，Alan Kay提出Dynabook設想 “Notebook sized computer loaded with multimedia and can store everything” 將是一款如同書籍般，既為可攜式且具互動功能的多媒體個人式電腦，它的主要規格如下： 1. 大小如A4紙張之易攜帶； 2. 顯示器的解析度必須優於報紙文字； 3. 必須具有聲音輸入的功能且易操作； 4. 必須能夠網路化和作無線通訊 A4紙的尺寸是210mm×297mm，

遞迴神經網路教程(1)-RNN介紹 Source: http://www.wildml.com/2015/09/recurrent-neural-networks-tutorial-part-1-introduction-to-rnns/ 遞迴神經網路（RNNs）作為一種流行的模型，已經在NLP問題上顯示巨大的應用前景。儘管最近很流行，但是對RNNs原理以及如何實施進行全面解釋的資源卻很少。因此就有了這個教程。這個教程將包含以下四個部分： RNNs介紹

人工智慧和虛擬貨幣是 2017 年的兩大重要名詞，作為一名開發人員，如何充分利用自己昂貴的硬體裝置呢。本文將給你一種有趣的解決方案。 如果沒有 GPU，現代深度學習是不可能發展到今天的水平的。即使是 MNIST 資料集上的簡單樣本演算法在 GPU 和 CPU 上運行速度的差別也有 10-100 倍。但是，當你沒有最佳化所有設定時，GPU 閒置算力該作何用。

主要參考：http://colah.github.io/posts/2015-08-Understanding-LSTMs/ RNN（Recurrent NeuralNetworks,迴圈神經網路） 對於普通的神經網路而言，之前的資訊不能對現在的理解產生影響，比如說，閱讀一篇文章，我們需要藉助之前學到的詞彙，而普通神經網路做不到這一點，因此出現了迴圈神經網路，其最大的優點在於對於之前資訊的保持性。 xt為輸入，經過函數A，輸出ht ，而經過這個過程之後，對函數A進行修改，

轉自：https://zhuanlan.zhihu.com/p/32638633 上一次的分享裡，我對百度 Apollo 計劃的技術架構做了介紹，如圖。 Apollo1.0 封閉場地循跡自動駕駛 如果要完成 Apollo 1.0 的“封閉場地尋跡自動駕駛”功能，需要解決一個重要的問題：我（無人車）在哪。 “我在哪”這個問題，在 Apollo 1.0 的架構中完全依賴 GPS（全球定位系統） 和 IMU（慣性測量單元）。

https://zhuanlan.zhihu.com/p/24720659?utm_source=tuicool&utm_medium=referral 作者：YJango 連結：https://zhuanlan.zhihu.com/p/24720659 來源：知乎 著作權歸作者所有。商業轉載請聯絡作者獲得授權，非商業轉載請註明出處。 大家貌似都叫Recurrent Neural Networks為迴圈神經網路。

封裝微軟牛津計劃API用戶端 牛津計劃的API是由一個基礎Url、服務名稱、參數組成為的服務，大多是POST（我還沒有完全看完），這些參數多是字串，但也有流格式(比如上傳圖片什麼的)，我們的ProjecToxfordClientHelper就是計劃將牛津API的實現進行封裝，為我們不同的APIController提供服務。 我們先定義一些基本的欄位 private const string serviceHost =

簡介 近些年來由於雲平台、大資料、高效能運算、機器學習等領域的進步，人工智慧也火了起來。Face Service、語音辨識等相關功能早已被提出，但是能夠形成產品並大規模使用的很少。因為非專業人員很難獨自實現一套完整人工智慧方案，涉及人工智慧基本只能去找開源的庫，畢竟所以自己去訓練網路，自己去學習各種庫的使用並移植到自己的程式中。 在實現一些產品上，使用人工智慧比開發人工智慧其實更重要，所以微軟提出了“牛津計劃”（Oxford

在感知器神經網路模型與線性神經網路模型學習演算法中，理想輸出與實際輸出之差被用來估計神經元串連權值誤差。當解決線性不可分問題而引入多級網路後，如何估計網路隱含層神經元的誤差就成了一大難題。因為在實際中，無法知道隱含層的任何神經元的理想輸出值。1985年Rumelhart、McClelland提出了BP網路的誤差反向後傳（BP）學習演算法，實現了Minsky設想的多層神經網路模型。

人工智慧不神秘，會一點加減乘除就夠了。 對於神經元來說，當神經受到刺激的時候，會釋放神經遞質傳給下一個神經元，不同程度的刺激對下一個神經元釋放的神經遞質的量也不同，所以模仿這個過程建立神經網路：

motan源碼分析二：使用spi機制進行類載入 在motan的源碼中使用了很多的spi機制進行對象的建立，下面我們來具體分析一下它的實現方法。 1.在實際的jar包的\META-INF\services目錄中引入相關的檔案，例如下圖中，我解壓了core的jar檔案後，獲得到的相應檔案清單：

motan學習筆記 一 微博輕量級RPC架構Motan motan學習筆記 二 motan架構分析 motan學習筆記 三 motan Demo 分析 motan學習筆記 四 motan Demo 之yar 分析 motan學習筆記 五 opentracing學習入門 motan學習筆記 六

概述 前段時間項目要做服務化，所以我比較了現在流行的幾大RPC架構的優缺點以及使用情境，最終結合本身項目的實際情況選擇了使用dubbox作為rpc基礎服務架構。下面就簡單介紹一下RPC架構技術選型的過程。 RPC簡述 該系列文章將講述以下RPC架構的helloword執行個體以及其實現原理簡述，由於每一種RPC架構的原理實現不同且都比較複雜，如果想深入研究還請自行到官網或者其他技術部落格學習。 RPC架構職責 RPC架構要向調用方屏蔽各種複雜性，要向服務提供者也屏蔽各類複雜性：

支撐微博千億調用的輕量級 RPC 架構 Motan 正式開源了，項目地址為https://github.com/weibocom/motan。微博技術團隊希望未來能有更多優秀的開源人入駐，並進一步完善最佳化。 微博輕量級RPC架構Motan正式開源 　　Motan 是微博技術團隊研發的基於 Java 的輕量級 RPC 架構，已在微博內部大規模應用多年，每天穩定支撐微博上億次的內部調用。Motan 基於微博的高並發和高負載情境最佳化，成為一套簡單、易用、高可用的 RPC

線性系統狀態空間模結構與可控性研究 高遵海   【摘要】： 線上性系統理論的研究領域中,隨著所採用的數學工具和所採用的系統描述的不同,已經形成了四個平行的分支。這些分支是:狀態空間法、幾何方法、代數理論以 及多變數頻域方法。本文將線性系統研究的狀態空間方法和代數理論(模理論)結合起來,研究了線性系統狀態空間的模論方法,將狀態空間作為多項式環上的有限

motan是新浪微博開源的RPC架構，github官網是：https://github.com/weibocom/motan 今天就先搭建一個Hello world demo，本demo基於motan 0.2.1版本 首先先去github下載原始碼（motan-manager報錯請忽略，eclipse的web Module不相容）： 選中motan下的pom.xml,進行編譯打包： 下載源碼編譯打包的目的有三個： 1）下載原始碼可以方便原始碼閱讀學習

This paper proposes KB-InfoBot—a dialogueagent that provides users with an entity from a knowledge base (KB) byinteractively asking for its attributes. All components of the KBInfoBot aretrained in an end-to-end fashion using reinforcement learning.