所示，需要收集较多的由真人书写的 0~9 的数字图片，为了便 于存储和计算，通常把收集的原始图片缩放到某个固定的大小(Size 或 Shape)，比如 224 个 像素的行和 224 个像素的列(224 × 224)，或者 96 个像素的行和 96 个像素的列(96 × 96)， 图片样本将作为输入数据 x。同时，还需要给每一张图片标注一个标签(Label)信息，它将 作为图片的真实值?，这个标签表明这张图片属于哪一个具体的类别，一般通过映射方式 格、粗细等丰富的样式，使得数据集的分布与真实的手写数字图片的分布尽可能地接近， 从而保证了模型的泛化能力。 图 3.2 MNIST 数据集样例图片 现在来讨论图片的表示方法。一张图片包含了ℎ行(Height/Row)，?列(Width/Column)， 每个位置保存了像素(Pixel)值，像素值一般使用 0~255 的整形数值来表达颜色强度信息， 例如 0 表示强度最低，255 表示强度最高。如果是彩色图片，则每个像素点包含了 1]形状的张量)。图 3.3 演示 了内容为 8 的数字图片的矩阵内容，可以看到，图片中黑色的像素用 0 表示，灰度信息用 0~255 表示，图片中越白的像素点，对应矩阵位置中数值也就越大。 28行28列 图 3.3 图片的表示示意图① ① 素材来自 https://towardsdatascience.com/how-to-teach-a-computer-to-see-with-

import numpy as np import tensorflow as tf import random as rn # 以下是 Python 3.2.3 以上所必需的， # 为了使某些基于散列的操作可复现。 # https://docs.python.org/3.4/using/cmdline.html#envvar-PYTHONHASHSEED # https://github.c 数组。如果从本地框架张量馈送（例如 TensorFlow 数据张量）数据，x 可 以是 None（默认）。 • y: 目标（标签）数据的 Numpy 数组（如果模型只有一个输出），或者是 Numpy 数组的列 表（如果模型有多个输出）。如果模型中的输出层被命名，你也可以传递一个字典，将输 出层名称映射到 Numpy 数组。如果从本地框架张量馈送（例如 TensorFlow 数据张量）数 据，y 可以是 layers.UpSampling2D(size=(2, 2), data_format=None) 2D 输入的上采样层。 沿着数据的行和列分别重复 size[0] 和 size[1] 次。 参数 • size: 整数，或 2 个整数的元组。行和列的上采样因子。 • data_format: 字符串，channels_last (默认) 或 channels_first 之一，表示输入中

Enterprise Linux 上，安装 httpd-tools 软件包即可使 用该实用程序。 流程 流程 1. 创建或更新含有用户名和散列密码的平面文件： OpenShift Container Platform 4.13 认证 认证和授 和授权 权 28 该命令将生成散列版本的密码。 例如： 输 输出示例 出示例 2. 继续向文件中添加或更新凭证： 7.1.3.2. 使用 使用 Windows 先决条件 先决条件 能够访问 htpasswd.exe。许多 Apache httpd 发行版本的 \bin 目录中均包含此文件。 流程 流程 1. 创建或更新含有用户名和散列密码的平面文件： 该命令将生成散列版本的密码。 例如： 输 输出示例 出示例 2. 继续向文件中添加或更新凭证： 7.1.4. 创建 htpasswd secret 要使用 htpasswd 身份提供程序，您必须定义一个包含 ldaps:// URL 时，此项必须设为 false，因为这些 URL 始终会尝试 使用 TLS 进行连接。 RFC 2255 URL，指定要使用的 LDAP 主机和搜索参数。 注意 注意 要将用户列在 LDAP 集成的白名单中，请使用 lookup 映射方法。在允许从 LDAP 登录 前，集群管理员必须为每个 LDAP User 创建一个 Identity 对象和用户对象。 其他 其他资 资源

验证您是否安装了 LokiOperator。访问 Operators → Installed Operators 页面，并查找 "LokiOperator." i. 确保 LokiOperator 列在所有 Status 为 Succeeded 的项目中。 1.9.4. 程序错误修复 在此次更新之前，cluster-logging-operator 使用集群范围的角色和绑定来建立 Prometheus 仪表板在控制台中可用。(LOG-2163) 在此次更新之前，对指标仪表板的更改不会部署，因为 cluster-logging-operator 无法正确比较 包含仪表板的现有和修改后的配置映射。在这个版本中，为对象标签添加唯一的散列值可解决这 个问题。(LOG-2071) 在此次更新之前，OpenShift Logging 仪表板没有正确显示表中的 pod 和命名空间，这会显示在 最后 24 小时收集的生成容器。在这个版本中，pod 记录转发到错误的索 引。在这个版本中，收集器使用正确的配置来解决这个问题。(LOG-2160) 在此次更新之前，带有大量命名空间的集群会导致 Elasticsearch 停止服务请求，因为命名空间列 表达到最大标头大小限制。在这个版本中，标头只包括命名空间名称列表，从而解决了这个问 题。(LOG-1899) 在此次更新之前，OpenShift Container Platform Logging

13 1 2 3 4 5 6 7 8 9 pod 可以被“标上”一个或多个标签，然后使用这些标签在一个操作中选择和管理多组 pod。标签以 键/值格式保存在 metadata 散列中。 pod 重启策略，可能的值有 Always、OnFailure 和 Never。默认值为 Always。 OpenShift Container Platform 为容器定义了一个安全上下文，指定是否允许其作为特权容器来运 占功能。pod 优 优先 先级 级指明 指明 pod 相 相对 对于其他 于其他 pod 的重要程度，并根 的重要程度，并根 据 据这 这个 个优 优先 先级对 级对 pod 进 进行 行队 队列 列处 处理。 理。pod 抢 抢占允 占允许 许集群 集群驱 驱除或 除或抢 抢占 占较 较低 低优 优先 先级 级 pod，以便在合适的 ，以便在合适的节 节点 点 pod 上没有可用空 上没有可用空间时 抢占功能 占功能时 时， ，调 调度程序会根据 度程序会根据优 优先 先级 级来 来调 调度待 度待处 处理 理 pod，而待 ，而待处 处理 理 pod 会放在 会放在 调 调度 度队 队列中 列中优 优先 先级较 级较低的其他待 低的其他待处 处理 理 pod 的前面。因此，如果 的前面。因此，如果达 达到 到调 调度要求， 度要求，较 较高 高优 优先 先级 级的 的 pod 可能比 可能比

com/alibaba/RocketMQ 21 索引项）。 3. 遍历索引项列表迒回查询时间范围内的结果集（默讣一次最大迒回的 32 条记彔） 4. Hash 冲突；寻找 key 的 slot 位置时相当亍执行了两次散列函数，一次 key 的 hash，一次 key 的 hash 值叏模， 因此返里存在两次冲突的情冴；第一种，key 的 hash 值丌同但模数相同，此时查询的时候会在比较一次 key 的 hash

14 1 2 3 4 5 6 7 8 9 pod 可以被“标上”一个或多个标签，然后使用这些标签在一个操作中选择和管理多组 pod。标签以 键/值格式保存在 metadata 散列中。 pod 重启策略，可能的值有 Always、OnFailure 和 Never。默认值为 Always。 OpenShift Container Platform 为容器定义了一个安全上下文，指定是否允许其作为特权容器来运 规格中指定优先级类名称。优先准入控制器使 用优先级类名称字段来填充优先级的整数值。如果没有找到给定名称的优先级类，pod 将被拒绝。 2.9.2. 了解 pod 抢占 当开发人员创建 pod 时，pod 会排入某一队列。如果开发人员为 pod 配置了 pod 优先级或抢占，调度程 序会从队列中选取 pod，并尝试将 pod 调度到某个节点上。如果调度程序无法在满足 pod 的所有指定要 求的适当节点上找到空间，则会为待处理 MachineConfigPool CRD 以查看是否应用了更改。如果 Machine Config Controller 抓取到 更改，则 UPDATING 列会报告 True： 输 输出示例 出示例 更改完成后，UPDATED 列会报告 True。 输 输出示例 出示例 5.5. 使用 NODE TUNING OPERATOR 了解 Node Tuning Operator，以及如何使用它通过编排

X：矩阵 • X：张量 • I：单位矩阵 • xi, [x]i：向量x第i个元素 • xij, [X]ij：矩阵X第i行第j列的元素 集合论 • X: 集合 • Z: 整数集合 • R: 实数集合 • Rn: n维实数向量集合 • Ra×b: 包含a行和b列的实数矩阵集合 • A ∪ B: 集合A和B的并集 13 • A ∩ B：集合A和B的交集 • A \ B：集合A与集合B相减，B关于A的相对补集 随机变量X的标准差 • Cov(X, Y ): 随机变量X和Y 的协方差 • ρ(X, Y ): 随机变量X和Y 的相关性 • H(X): 随机变量X的熵 • DKL(P∥Q): P和Q的KL‐散度 复杂度 • O：大O标记 Discussions11 11 https://discuss.d2l.ai/t/2089 目录 15 16 目录 1 引言 时至今日，人们常用的计算 模型来处理“任意 22 1. 引言 长度的序列”或“固定长度的序列”。 回归 回归（regression）是最简单的监督学习任务之一。假设有一组房屋销售数据表格，其中每行对应一个房子， 每列对应一个相关的属性，例如房屋的面积、卧室的数量、浴室的数量以及到镇中心的步行距离，等等。每 一行的属性构成了一个房子样本的特征向量。如果一个人住在纽约或旧金山，而且他不是亚马逊、谷歌、微 软或Fa

资源监控治理 能力扩大至更加全面的场景化成本优化能力。首先，在云成本分账 场景下，二次分账技术可以对复杂的多云成本账单按照组织、系统、 时间等维度进行二次分账，使其与企业分账周期进行匹配，将零散 的云成本进行汇总并合理分配至每一个成本中心，提升云成本账单 在企业财务层面的可见性。其次，在云成本预测场景下，智能预测 技术结合企业云成本及资源使用和成本支出历史数据对未来云资源 费用情况进行智能化预测，通过机器学习、AI 水平 走在同类产品的前列。 工程模式方面，云计算助推应用从单点创新到体系化创新的突 破。云计算提供了数字时代的标准化沟通语言，软件、硬件等各领 域正持续围绕云生态演进，相互割裂的单领域维度的散点创新借助 云计算这一超级操作系统实现交融、互促、发展。云计算充分发挥 孵化器效用，激发并连接各领域的创新，各领域的创新又以云上服 务的形式反哺于云，生于云长于云的数字应用天然就能够享用云及

数据机房面临电量消耗巨大的问题 空调是数据机房中电量消耗最大的设备 空调为什么那么耗电？怎么优化节能？ 低效的 冷却装 置 服务主 机工作 发热 影响空 调耗电 量原因 建筑材料 隔热和散 热性能差 不够智能 的空调控 制系统 空调缺乏对整个环境 的全面感知 空调对温度的控制 存在延迟 多 维 感 知 温 度 预 测 控 制 2. 研究目标 对数据机房的温度进行预测 ⚫