客户问题： •资源利用率低：虚拟化模式弹性能力差，平台容量按最高业务峰值设计（300VM，4C8G），日常负荷下平台利用率<30%（一半时间利用 率<10%），造成资源极大浪费 •升级耗时长、易出错：APP迭代需求快，如新游戏上线、特性增强等，每周2~3次补丁发布，需手工操作，升级工作耗时2小时，效率低 •新业务上线周期长：开发、测试、验收、生产割裂，无法实现端到端的自动化，新需求上线需要2周时间 程运营效率 实验环境配置复 杂，基础运维工作 繁多 为闲置资源付费，无 法做到真正Pay as Use 实验效果评估粗 糙，实验数据易丢 失。 挑战 基于云容器引擎的解决方案 实验环境秒级恢 复，无需感知底层 自动评估实验效 果、保存实验数据 充分利用资源，平 台成本降低20% 收益 • 基于容器镜像上线和扩容快，秒级伸缩 • 基于容器更细粒度共享，提升资源利用率 CCE集群

主要的无监督学习方法 6 1.无监督学习方法概述 主要算法 K-means、密度聚类、层次聚类 聚类 主要应用 市场细分、文档聚类、图像分割、图像压缩、聚类分析、特征学习或者词 典学习、确定犯罪易发地区、保险欺诈检测、公共交通数据分析、IT资产 集群、客户细分、识别癌症数据、搜索引擎应用、医疗应用、药物活性预 测…… 7 1.无监督学习方法概述 聚类案例 1.医疗 医生可以使用聚类算法来发现疾病。以甲状 腺疾病为例。当我们对包含甲状腺疾病和非 甲状腺疾病的数据集应用无监督学习时，可 以使用聚类算法来识别甲状腺疾病数据集。 8 1.无监督学习方法概述 聚类案例 2.市场细分 为了吸引更多的客户，每家公司都在开发易 于使用的功能和技术。为了了解客户，公司 可以使用聚类。聚类将帮助公司了解用户群 ，然后对每个客户进行归类。这样，公司就 可以了解客户，发现客户之间的相似之处， 并对他们进行分组。 9 1 • 如果有两个高度重叠的数据，那么它就 不能被区分，也不能判断有两个簇； • 欧几里德距离可以不平等的权重因素， 限制了能处理的数据变量的类型； • 有时随机选择质心并不能带来理想的结 果； • 无法处理异常值和噪声数据； • 不适用于非线性数据集； • 对特征尺度敏感； • 如果遇到非常大的数据集，那么 计算机可能会崩溃。 27 3.密度聚类和层次聚类 01 无监督学习概述

用 案 例 。 主 要 的 執 行 階 段 選 項 為 Containerd、Kata Containers及CRI-O。 Containerd是高階容器執行階段，可管理完整的容器生命週期，提供簡易性、強健 性及可攜性。Containerd可視為業界標準的容器執行階段，也是上游Kubernetes 的預設選項。Canonical Kubernetes及Rancher均支援Containerd。 GKE。這類範本系統通常缺 乏彈性，以及程式碼化應用程式管理的重複性，因此可能增加維護成本。 14.原生AWS/GCP/Azure整合 如果Kubernetes發行版本無法在目標基礎架構執行，那麼簡易的多雲部署就沒有什 麼用處。Canonical Kubernetes、OpenShift及Rancher都能與以下三種主要的公 有雲原生整合：Amazon Web Services(AWS)、Google 於 位 在 Kubernetes 的應用程式，只要 Kubernetes 發行版本支援即可。 Canonical Kubernetes、OpenShift及Rancher均支援GPU加速。不過如 果是在邊緣環境，MicroK8可提供GPU加速，但K3並未提供此項功能。 18.安全性 Canonical Kubernetes是在不可變容器中執行，因此開箱後可立即提供卓越的安全 性，此外也會針對

模块化。模型被理解为由独立的、完全可配置的模块构成的序列或图。这些模块可以以尽 可能少的限制组装在一起。特别是神经网络层、损失函数、优化器、初始化方法、激活函 数、正则化方法，它们都是可以结合起来构建新模型的模块。 • 易扩展性。新的模块是很容易添加的（作为新的类和函数），现有的模块已经提供了充足 的示例。由于能够轻松地创建可以提高表现力的新模块，Keras 更加适合高级研究。 • 基于 Python 实现。Keras metrics=['accuracy']) 如果需要，你还可以进一步地配置你的优化器。Keras 的核心原则是使事情变得相当简单， 同时又允许用户在需要的时候能够进行完全的控制（终极的控制是源代码的易扩展性）。 model.compile(loss=keras.losses.categorical_crossentropy, optimizer=keras.optimizers.SGD(lr=0 output]) layer_output = get_3rd_layer_output([x])[0] 同样，你可以直接建立一个 Theano 或 TensorFlow 函数。 注 意， 如 果 你 的 模 型 在 训 练 和 测 试 阶 段 有 不 同 的 行 为 （例 如， 使 用 Dropout, BatchNormalization 等），则需要将学习阶段标志传递给你的函数： get_3rd_layer_output

目标的进展程度，使用大语言模型来思考接下来该做什么，然后采取行动，并理解何时已经实现了目标。这通 常被称为思维链推理，而且实际上是可行的。我们的团队实现了一个作为自主代理的客户服务聊天机器人。如 果机器人无法达成客户的目标，它会认识到自己的限制并将客户引导到人工处理。这种方法显然仍处于早期发 展阶段：自主代理通常存在高失败率和高昂的 AI 服务费用，至少有一家 AI 初创公司已经从代理为基础的方法转 Copilot 内联辅助功能的一个强大的补充。应用在 IDE 内的聊天界面，提高了常见信息检索的可发现 性，并且与开放式编辑器上下文的集成使得对错误的研究或请求聊天协助执行与焦点代码相关的任务变得轻而 易举。 57. Insomnia 试验 自从 Postman 在 2023 年 5 月宣布将逐渐淘汰具有离线功能的 Scratch Pad 模式以后，需要将 API 工作区数据 从第三方服务器上 使用率等滞后指标，更加推荐使用队列深度等领先指标。 KEDA 能支持不同的事件源，并提供了一个包含 50 多种自动缩放器的工具箱，可用于各种云平台、数据库、消 息系统、遥测系统、CI/CD 系统等。我们的团队报告称，KEDA 的易集成性使他们能够继续在 Kubernetes 中运 行微服务的全部功能，否则可能会考虑将一些事件处理代码转移到无服务器函数中。 60. Kubeconform 试验 Kubeconform 是一个用来验证

工 程 师 负 责 ， 与 开 发 人 员 沟 通 安 全 问 题 ， 产 生 大 量 沟 通 成 本 传 统 安 全 检 查 编 码 和 测 试 之 后 ， 安 全 工 程 师 才 介 入 ， 如 果 发 现 问 题 ， 又 需 要 研 发 修 复 和 重 新 测 试 ， 严 重 影 响 效 率 传 统 安 全 流 程 强 调 上 线 前 解 决 一 切 问 题 ， 某 一 环 节 堵 塞 影 响 统计 分析 物联网数据存储和查询 将车联网数据、设备监控数据、客流分析管控数据、交通数据、传感器数据实时 写入HBase中，分析结果输出到用户的监控前端系统展示，实现物联网数据的实时 监控分析。 优势 易接入： 轻松对接消息系统、流计算系统 高并发： 满足千万级并发访问 存算分离： 按需分别订购计算与存储，成本低、故障恢复快 利用HTAP模式，可以将查询和分析合并 起来，更加节约成本，并提高了性能

master 主机之间的通信。 3.3.1. 通过 OpenStack 使用 PCI 透传向 etcd 节点提供存储 要为 etcd 节点提供快速存储以便 etcd 在大规模稳定，使用 PCI 透传将非易失性内存表达(NVMe)设备直 接传递给 etcd 节点。要使用 Red Hat OpenStack 11 或更高版本进行设置，请在存在 PCI 设备的 OpenStack 节点上完成以下内容。 1 指标，则必须为新的 Cassandra pod 创建一个 持久性卷(PV)， 然后才能扩展 OpenShift Container Platform metrics Cassandra Pod 的数量。但是，如 果 Cassandra 部署有动态置备的 PV，则不需要这一步。 9.4.2. 扩展 Cassandra 组件 Cassandra 节点使用持久性存储。因此，无法使用复制控制器进行缩放或缩减。 扩展

早在 1960 年代就已经被推导出了，但是 并没有应用在神经网络上。1974 年，美国科学家 Paul Werbos 在他的博士论文中第一次提 出可以将 BP 算法应用到神经网络上，遗憾的是，这一成果并没有获得足够重视。直至 1986 年，David Rumelhart 等人在 Nature 上发表了通过 BP 算法来进行表征学习的论文， BP 算法才获得了广泛的关注。 1982 年，随着 John GoogLeNet 系列、ResNet 系列、DenseNet 系列等。ResNet 系列模型将网络的层数提升至数 百层、甚至上千层，同时保持性能不变甚至更优。它算法思想简单，具有普适性，并且效 果显著，是深度学习最具代表性的模型。 除了有监督学习领域取得了惊人的成果，在无监督学习和强化学习领域也取得了巨大 的成绩。2014 年，Ian Goodfellow 提出了生成对抗网络，通过对抗训练的方式学习样本的 11 图 1.15 目标检测效果图 图 1.16 语义分割效果图 视频理解(Video Understanding) 随着深度学习在 2D 图片的相关任务上取得较好的效 果，具有时间维度信息的 3D 视频理解任务受到越来越多的关注。常见的视频理解任务有 视频分类、行为检测、视频主体抽取等。常用的模型有 C3D、TSN、DOVF、TS_LSTM 等。 图片生成(Image

与Numpy的ndarray类似。但深度学习框架又比Numpy的ndarray多一些重要功能：首先，GPU很好地支持加 速计算，而NumPy仅支持CPU计算；其次，张量类支持自动微分。这些功能使得张量类更适合深度学习。如 果没有特殊说明，本书中所说的张量均指的是张量类的实例。 2.1.1 入门 本节的目标是帮助读者了解并运行一些在阅读本书的过程中会用到的基本数值计算工具。如果你很难理解一 些数学概念或库函数，请不要 言，用于说明 我们的确定程度，并且它可以有效地应用于广泛的领域中。 2.6.1 基本概率论 假设我们掷骰子，想知道看到1的几率有多大，而不是看到另一个数字。如果骰子是公平的，那么所有六个结 果{1, . . . , 6}都有相同的可能发生，因此我们可以说1发生的概率为 1 6。 然而现实生活中，对于我们从工厂收到的真实骰子，我们需要检查它是否有瑕疵。检查骰子的唯一方法是多 次投掷并记录结果。对于每个骰子，我们将观察到{1 状态（如果阳性，则为1，如 果阴性，则为0）。在 表2.6.1中列出了这样的条件概率。 表2.6.1: 条件概率为P(D1 | H) 条件概率 H = 1 H = 0 P(D1 = 1 | H) 1 0.01 P(D1 = 0 | H) 0 0.99 请注意，每列的加和都是1（但每行的加和不是），因为条件概率需要总和为1，就像概率一样。让我们计算如 果测试出来呈阳性，患者感染HIV的概率，即P(H

与数字化服务商签订的服务合同 给予不超过合同金额 30%的支持。 2022.6 《上海市数字经济发展“十四五” 规划》 培育数据新要素，推动形成数字贸 易引领优势，大力发展云服务、数 字服务、跨境电子商务等数字贸 易；提升数字新基建，大力发展云 原生产业。 广东 （深圳） 2023.5 《深圳经济特区质量条例》 推动移动互联、大数据、云计算、 物联网等与各行各业相融合，催生 以往云服务交易方式多采用为使用者提供指定规格计算资源，使用 者先付费购买，后进行使用，在此模式之下，由于资源使用者对云 计算了解程度、使用程度参差不齐，易出现所购资源利用不充分， 闲置资源不能及时释放、调度等问题，从服务质量方面来看，易导 致使用成本高但使用效率低。随着云边端部署方式的发展，以及算 力调度、资源弹性伸缩等技术的成熟，目前资源提供方式开始从提 云计算白皮书（2023 年） 务和资源交付向云原生化价值赋能的升华。云计算已经越过了以技 术为核心，需求向下满足供给的发展阶段，走向以应用为核心，供 给向上满足需求的发展阶段。未来，云计算技术的关注点将持续上 移，松耦合、可组装、易操作的应用现代化能力将成为关注重点； 云计算的发展重心将从上云走向用云管云，成本优化、系统稳定性、 云原生安全将成为发展要点；云计算的兼容能力将会愈发提升，一 云多芯、一云多态将支撑云计算更好更快的适应于复杂的应用场景