ChatGPT，Google Bard，Meta 的 LLaMA 以及亚马逊的 Bedrock 等）在我们的讨论中占据重要地位。更广泛来说，大语言模型可以应用于从 内容生成（文本、图片和视频）、代码生成到总结概述和翻译等各种问题。通过自然语言的抽象层，这些大模型 成为了强大的工具库，被诸多信息工作者广泛使用。我们讨论了大语言模型的各个方面，包括自托管式大语言 模型，相较云托管的大语言模型，它支持更多的定制和管 是一个全自动的本地化平台，它支持特定上下文的翻译。我们的团队在 ETL 流程或开发工作流中使用 Lokalise API 来翻译可本地化的内容。 Lokalise 支持多种文件格式的可本地化字符串。一个值得强调的方面是它 支持上传整个文件，其中每个键 - 值对都被视为单独的记录并被翻译。在底层，我们利用了 Lokalise 与 Google MT 的集成来处理翻译。 Lokalise 的 Web 界 界面提供了便捷的访问方式，供人工审阅员验证翻译结果，或者根据 需要简化、重新表达翻译内容。在过去，我们曾介绍过类似的工具，例如 Phrase。我们的团队在使用 Lokalise 方面有很好的体验，建议您评估该平台是否适用于协作翻译工作流程。 30. Orca 试验 Orca 是一个专有的云安全平台，用于识别、优先级排序和修复安全风险和合规问题。它支持主流的云提供商和 混合设置。Orca

•图像滤波与降噪 •图像增强 •风格迁移 •三维重建 •图像检索 •GAN 12 深度学习-CV典型应用案例 翻译 传统翻译采用人工查词的方式，不但耗时长 ，而且错误率高。图像识别技术(OCR)的出 现大大提升了翻译的效率和准确度，用户通 过简单的拍照、截图或划线就能得到准确的 翻译结果。 体育赛事 计算机视觉还有助于比赛和策略分 析、球员表现和评级，以及跟踪体育 节目中品牌赞助的可见性。 机科学、数学等领域的交叉学科。自然语 言处理，是指用计算机对自然语言 的形、音、义等信息进行处理 ，即对字、词、句、篇章的输入、输出、识别、 分析、理解、生 成等的操作和加工。自然语言处理的具体表现形式包括机器 翻译 、文本摘要、文本分类、文本校对、信息抽取、语音合成、语音识 别等。 可以说，自然语言处理就是要计算机理解自然语言，自然 语言处理机制涉及 两个流程，包括自然语言理解和自然语言生成 ，自然语言理解是让计算机把 基于规则的方法 2008 • 深度学习 未来 深度学习入门-NLP（自然语言处理） 19 深度学习入门-NLP（自然语言处理） 1.短文本相似 2.文本分类 3.QA机器人 4.语义标注 5.机器翻译 6.…… 20 2020 2013 2017 2019 2018 • ELECTRA • ALBERT • GPT-3 • BERT • GPT • ELMo 2014 • word2vec

81 Managing Compute Resources for Containers（管理容 器的计算资源） 译者按：本节中，笔者将request翻译成最⼩需求，limit翻译成最⼤限制。由于出现的次数太多，故⽽绝⼤多数地 ⽅直接不翻译了，⼤家可以当做术语来阅读。 指定 Pod 时，可选择指定每个容器需要多少CPU和内存（RAM）。当容器指定了最⼩资源需求时，Scheduler可对Pod resources (alpha feature) （不透明的整数资 源（alpha特征）） 废弃通知：从 Kubernetes v1.8 开始，该特性已被 deprecated 。 既已废弃，就没有翻译的必要了。多抱半⼩时⽼婆吧。该功能的替代品是Extended Resources。 Extended Resources（扩展资源） Kubernetes 1.8版引⼊了Extended Resources。Extended 101 Taints and Tolerations 译者按： Taints：在本⽂中根据上下⽂，有的地⽅直接叫Taints，有的地⽅翻译成“污点”或者“污染”。 Tolerations：在本⽂中根据上下⽂，有的地⽅直接叫Tolerations，有的地⽅翻译成“容忍”或“容忍度”。 here 描述的节点亲和性是⼀个Pod属性，使⽤它可将Pod吸引到⼀组Node（作为优选或硬性要求）。Taint功能相反，

部分，主要介绍神经网络的核心理论和共性知识，让读者理解深 度学习的本质；第 10~15 章为模型算法应用部分，主要介绍常见的算法与模型，让读者能够 学有所用。 在本书中编写时，很多英文词汇尚无法在业界找到一个共识翻译名，因此作者备注翻译 的英文原文，供读者参考，同时也方便读者日后阅读相关英文文献时，不至于感到陌生。 尽管每天都有深度学习相关算法论文的发布，但是作者相信，深度学习的核心思想和基 础理论是共通的。本书 超人的智力水平， 如在围棋上 AlphaGo 智能程序已经击败人类最强围棋专家之一柯洁，在 Dota2 游戏上 OpenAI Five 智能程序击败世界冠军队伍 OG，同时人脸识别、智能语音、机器翻译等一项 项实用的技术已经进入到人们的日常生活中。现在我们的生活处处被人工智能所环绕，尽 管目前能达到的智能水平离通用人工智能(Artificial General Intelligence，简称 AGI)还有一 2019 OpenAI Five ResNet 2015 2014 VGG GooLeNet 2015 Batch Normalization 德州扑克 Pluribus 2019 机器翻译 BERT 2018 TensorFlow 发布 2015 PyTorch 0.1 发布 2017 2018 PyTorch 1.0 发布 图 1.9 深度学习发展时间线 1

. 354 9.4.3 双向循环神经网络的错误应用 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 356 9.5 机器翻译与数据集 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 357 9.5.1 下载和预处理数据集 人们与智能手机的日常互动就可以涉及几种机器学习模型。 现在，假如需要我们编写程序来响应一个“唤醒词”（比如“Alexa”“小爱同学”和“Hey Siri”）。我们试 着用一台计算机和一个代码编辑器编写代码，如 图1.1.1中所示。问题看似很难解决：麦克风每秒钟将收集大 约44000个样本，每个样本都是声波振幅的测量值。而该测量值与唤醒词难以直接关联。那又该如何编写程 序，令其输入麦克风采集到的原始音频片段 上，许多重要的任务可以清晰地描述为，在给定一组特定的可用数据的情况下，估计未知事物的概率。比如： • 根据计算机断层扫描（Computed Tomography，CT）肿瘤图像，预测是否为癌症； • 给出一个英语句子，预测正确的法语翻译； • 根据本月的财务报告数据，预测下个月股票的价格； 监督学习的学习过程一般可以分为三大步骤： 1. 从已知大量数据样本中随机选取一个子集，为每个样本获取真实标签。有时，这些样本已有标签（例如，

附录三：Docker 命令查询 359 Dockerfile 最佳实践 本附录是笔者对 Docker 官方文档中 Best practices for writing Dockerfiles 的理解与翻译。 一般性的指南和建议 容器应该是短暂的 通过 Dockerfile 构建的镜像所启动的容器应该尽可能短暂（生命周期短）。「短暂」意味 着可以停止和销毁容器，并且创建一个新容器并部署好所需的设置和配置工作量应该是极小 以上版本中，你可以使用 多阶段构建 来减少所构建镜像的大小。 避免安装不必要的包 为了降低复杂性、减少依赖、减小文件大小、节约构建时间，你应该避免安装任何不必要的 包。例如，不要在数据库镜像中包含一个文本编辑器。 一个容器只运行一个进程 应该保证在一个容器中只运行一个进程。将多个应用解耦到不同容器中，保证了容器的横向 扩展和复用。例如 web 应用应该包含三个容器：web应用、数据库、缓存。 如果容器互相依赖，你可以使用 问答主页：https://stackoverflow.com/search?q=docker 附录五：资源链接 369 Docker 中文资源 Docker 问答录（100 问） Docker CE 变更日志中文翻译 附录六：Docker 中文资源 370

VirtualMachineInstance CR 包含 evictionStrategy: LiveMigrate，且虚拟 机实例(VMI)不支持实时迁移，则 VMI 将不会更新。 流程 流程 1. 要在默认编辑器中打开 HyperConverged CR，请运行以下命令： 2. 编辑 HyperConverged CR 的 workloadUpdateStrategy 小节。例如： 可用于执行自动化工作负载更新的方法。可用值为 69 注意 注意 您可以通过编辑 HyperConverged CR 的 spec.liveMigrationConfig 小节来配置 实时迁移限制和超时。 3. 若要应用您的更改，请保存并退出编辑器。 7.5. 批准待处理的 OPERATOR 更新 7.5.1. 手动批准待处理的 Operator 更新 如果已安装的 Operator 的订阅被设置为 Manual，则当其当前更新频道中发布新更新时，在开始安装前必 有关部署和启用机器健康检查的详情，请参阅部署机器健康检查。 有关安装程序置备的基础架构的详情，请参阅安装程序置备的基础架构概述。 自定义存储配置集 10.2. 编辑虚拟机 您可以使用 web 控制台中的 YAML 编辑器或命令行上的 OpenShift CLI 来更新虚拟机配置。您还可以更 新 Virtual Machine Details 屏幕中的参数子集。 10.2.1. 在 web 控制台中编辑虚拟机 您可以使用

VirtualMachineInstance CR 包含 evictionStrategy: LiveMigrate，且虚拟 机实例(VMI)不支持实时迁移，则 VMI 将不会更新。 流程 流程 1. 要在默认编辑器中打开 HyperConverged CR，请运行以下命令： $ oc edit hco -n openshift-cnv kubevirt-hyperconverged 第 第 5 章 章 更新 方法。 注意 注意 您可以通过编辑 HyperConverged CR 的 spec.liveMigrationConfig 小节来配置 实时迁移限制和超时。 3. 若要应用您的更改，请保存并退出编辑器。 5.3. 批准待处理的 OPERATOR 更新 5.3.1. 手动批准待处理的 Operator 更新 如果已安装的 Operator 的订阅被设置为 Manual，则当其当前更新频道中发布新更新时，在开始安装前必 有关部署和启用机器健康检查的详情，请参阅部署机器健康检查。 有关安装程序置备的基础架构的详情，请参阅安装程序置备的基础架构概述。 自定义存储配置集 8.2. 编辑虚拟机 您可以使用 web 控制台中的 YAML 编辑器或命令行上的 OpenShift CLI 来更新虚拟机配置。您还可以更 新 Virtual Machine Details 屏幕中的参数子集。 8.2.1. 在 web 控制台中编辑虚拟机 点相关字段旁的铅笔图标来编辑

OpenShift Container Platform 4.6 网 网络 络 72 1. 以具有 cluster-admin 特权的用户身份登录。 2. 生成默认项目模板： 3. 使用文本编辑器，通过添加对象或修改现有对象来修改生成的 template.yaml 文件。 4. 项目模板必须创建在 openshift-config 命名空间中。加载修改后的模板： 5. 使用 Web 控制台或 多网 多网络 络 87 流程 流程 1. 要编辑 CNO 配置，请输入以下命令： 2. 通过为您要创建的额外网络添加配置来修改您要创建的 CR，如下例所示。 3. 保存您的更改，再退出文本编辑器以提交更改。 验证 验证 运行以下命令确认 CNO 创建了 NetworkAttachmentDefinition 对象。CNO 创建对象之前可能会 有延迟。 其中： 您必须登录集群。 流程 流程 要在指定地址和/或路由选项的同时将 pod 添加到额外网络，请完成以下步骤： 1. 编辑 Pod 资源定义。如果要编辑现有 Pod 资源，请运行以下命令在默认编辑器中编辑其定义。 将 替换为要编辑的 Pod 资源的名称。 2. 在 Pod 资源定义中，将 k8s.v1.cni.cncf.io/networks 参数添加到 pod metadata

指定放置组内机器的网络性能的配置。 先决条件 先决条件 您在 AWS 控制台中创建了放置组。 注意 注意 确保您创建的放置组类型的规则和限制与预期的用例兼容。 流程 流程 1. 在文本编辑器中，为现有机器集打开 YAML 文件或创建新机器。 2. 编辑 providerSpec 字段中的以下行： 指定支持 EFA 的实例类型。 指定 EFA 网络接口类型。 指定区域，如 us-east-1a。 Container Platform 4.14 机器管理 机器管理 34 2 1 2 3 4 5 指定 userData.txt 作为新自定义 secret 的名称。 2. 在文本编辑器中，打开 userData.txt 文件，并在文件中找到最后的 } 字符。 a. 在紧接下来的行中，添加一个 , b. 在 , 之后创建一个新行并添加以下配置详情： 您要作为 ultra 磁盘附加到节点的磁盘的配置详情。 virtualizedTrustedPlatformModule 字段。 有关相关特性和功能的更多信息，请参阅 Microsoft Azure 文档中有关 Azure 虚拟机的受信任的启动 文 档。 流程 流程 1. 在文本编辑器中，为现有机器集打开 YAML 文件或创建新机器。 2. 编辑 providerSpec 字段下的以下部分以提供有效的配置： 启用 用 UEFI 安全引 安全引导和 和 vTPM 的有效配置示例