Numerals（数字） 整数和实数常量可以用十进制的阿拉伯数字序列来表示，数字之间不能有逗号或空格，但它可以有 一个前缀“+”或“-”来表示正负。它的数值默认为正（所以，67258 和+67258 是相等的），并且必须 位于预先定义的实数或整数类型的最大值之内。 带有小数点或指数符号的数字表示实数，而其它数字表示整数。当 E 或 e 出现在实数中时，它表示 10 的几次方。比如，7E-2 taken to be negative numbers in a manner consistent with 2's complement integer representation. 关于实数和整数类型的更多信息，请参考数据类型、变量和常量。关于数字常量的数据类型，请参 考真常量。 Labels（标签） 标签是一个不超过 4 位的阿拉伯数字序列，也就是从 0 到 9999，打头的 Object Pascal 的内置函数，它是语言的一部分。例如，表达式（X+Y）由变量 X 和 Y（X、 Y 称为运算数或操作数，operand，）通过“+”运算符计算而得。当 X 和 Y 表示整数或实数时，（X+Y） 返回它们的和。运算符包括：@ not ^ * / div mod and shl shr as + - or xor = > < <> <=

以上图表为演示数据，并非公司真实数据 框架 / 构建工具饼图 Chair 1.3.* Chair 1.4.* Chair 1.5.* Rodhog Webpack Umi Others * 以上图表为演示数据，并非公司真实数据 构建时健康度 ‣ 构建成功率 ‣ 错误收敛 ‣ 构建耗时 / 阶段耗时 ‣ 产物大小 成功率折线图 * 以上图表为演示数据，并非公司真实数据 0% 25% 周 第 6 周 构建耗时折线图 * 以上图表为演示数据，并非公司真实数据 0 秒 75 秒 150 秒 225 秒 300 秒 第 1 周 第 2 周 第 3 周 第 4 周 第 5 周 第 6 周 构建错误原因饼图 应用名不一致 依赖安装错误 运行时版本过低 其它 * 以上图表为演示数据，并非公司真实数据 构建耗时阶段甘特图 构建耗时案例 ‣ 构建耗时连续几周稳步上涨

CONTENTS 低精度的概念和意义 TensorFlow的FP16模型 TensorRT的FP16/Int8模型 总结 1 低精度的概念和意义 实数的16-bit半精度浮点数和8-bit定点数表示 使用低精度的意义 深度学习模型中实数的表示 FP32: E8M23 FP16: E8M7 FP16: E5M10 Int8 (TPU, tf.bfloat16) (tf.float32) SSD-RN50-FPN-640 2.5X speedup FP16浮点数（E5M10）的表示范围 FP16模型的训练方法 Int8模型的推断过程 2 TensorFlow的FP16模型 实数的16-bit半精度浮点数和8-bit定点数表示 使用低精度的意义 TensorCores适用条件 1. 卷积：K（输入通道），C（输出通道） 2. 通用矩阵乘法（GEMM）：MxK，KxN，（M，N，K）

float64 两种（没有 float 类型），默认是 float64 。 Go还支持复数。它的默认类型是 complex128 （64位实数+64位虚数）。如果需要小一些的，也有 complex64 (32位实数+32位虚数)。复数的形式为 RE + IMi ，其中 RE 是实数部分， IM 是虚数部分， 而最后的 i 是虚数单位。下面是一个使用复数的例子： 字符串 Go中的字符串都是采用 UTF-8

题，我们尝试用鲁棒优化或是随机规划的思想。但是，如果基于随机场景采 样的方式，运算量又会大幅增加。所以，我们需要进行基于学习的优化，优 化不是单纯的机器学习模型，也不是单纯的启发式规则，优化算法是结合真 实数据和算法设计者的经验，学习和演进而得。只有这样，才能在性能要求 极高的业务场景下，快速的得到鲁棒的优化方案。 目前，美团配送团队的研究方向，不仅包括运筹优化，还包括机器学习、强化学习、 数据挖 实验在产品优化中的应用方法是：在产品正式迭代发版之前，为同一个 目标制定两个（或以上）方案，将用户流量对应分成几组，在保证每组用户特征相同 的前提下，让用户分别看到不同的方案设计，根据几组用户的真实数据反馈，科学的 算法 < 89 帮助产品进行决策。 互联网领域常见的 AB 实验，大多是面向 C 端用户进行流量选择，比如基于注册用户 的 UID 或者用户的设备标识（移动用户 IMEI 号 在接入下游推荐系统模型时，我们同样是复用了多模态实体编码和多模态图注意力机 制模块对目标实体进行表征，接入推荐系统模型当中。通过上述方法，我们在美团的 美食搜索场景和公开数据集 MovieLens 这两个真实数据集上进行了详尽的实验，结 果表明在这两个场景中 MKGAT 显著地提高了推荐系统的质量。 04 《S^3-Rec: Self-Supervised Learning for Sequential

9223372036854775807) 浮点类型 float32 IEEE-754 32位浮点型数 float64 IEEE-754 64位浮点型数 complex64 32 位实数和虚数 complex128 64 位实数和虚数 3. 字符串类型（string） 字符串就是一串固定长度的字符连接起来的字符序列。Go 的字符串是由单个字节连接起来的。 Go 语言的字符串的字节使用 UTF-8

bitstring(-0.0) "1000000000000000000000000000000000000000000000000000000000000000" 特殊的浮点值 有三种特定的标准浮点值不和实数轴上任何一点对应： Float16 Float32 Float64 名称 描述 Inf16 Inf32 Inf 正无穷 一个大于所有有限浮点数的数 -Inf16 -Inf32 -Inf 负无穷 typemax(Float32)) (-Inf32, Inf32) julia> (typemin(Float64),typemax(Float64)) (-Inf, Inf) 机器精度 大多数实数都无法用浮点数准确地表示，因此有必要知道两个相邻可表示的浮点数间的距离。它通 常被叫做机器精度。 Julia 提供了 eps 函数，它可以给出 1.0 与下一个 Julia 能表示的浮点数之间的差值： 793662034335766e-43 julia> eps(0.0) 5.0e-324 两个相邻可表示的浮点数之间的距离并不是常数，数值越小，间距越小，数值越大，间距越大。换 句话说，可表示的浮点数在实数轴上的零点附近最稠密，并沿着远离零点的方向以指数型的速度变 得越来越稀疏。根据定义，eps(1.0) 与 eps(Float64) 相等，因为 1.0 是个 64 位浮点值。 Julia 也提供了

RPC 链路 1-6ms 的 P99 延迟下降。 2. 将某项 Mesh 提供的治理功能进行同步 RPAL Call，对比同进程 Function Call 仅增加 200 ns 延迟。 业务真实数据 性能收益与业务展望 业务展望 1. 定制化场景深度优化： 同步 RPAL Call; 请求/响应 Zero Copy； 2. 业务进程与服务网格 IPC 性能优化： 结合用户态协议栈，实现网络

LBS平台 提供 坐标流、导航路径、空间索引 能力 打磨各类位置与导航策略场景 导航 算法特征 效果验证 产品技术创新驱动业务发展 精细化阶段：仿真平台 目标：构建线下模拟沙盘 思路：基于线上真实数据对配送全流程构建模拟场景，并对事件、数据模拟 仿真报告可视化 产品技术创新驱动业务发展 精细化阶段：特征平台 版本管理：缩短实验周期，灵活配置实验规则 实时特征：特征准实时加工、离线特征实时转化

手工编写应用服务的mock数据往往工作量巨大，尤其是对一些数据驱动的业务，比如电信营业厅的套餐开户、基金业 务中的基金购买等，手工制作这些mock数据费时费力。通过对线上（一般是测试环境）实际服务调用的真实数据的抓 取来制作mock数据能非常有效的降低Mock数据制作的工作量，同时还能提升Mock数据的质量。 1.定制现网数据抓取过滤器 2.定制抓取时间段 3.定制抓取数量 4.一服务一文件