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

箱镜像，换句话说，就是除了制作镜像的人知道执行过什么命令、怎么生成的镜像，别人根 本无从得知。而且，即使是这个制作镜像的人，过一段时间后也无法记清具体在操作的。虽 然 docker diff 或许可以告诉得到一些线索，但是远远不到可以确保生成一致镜像的地步。 这种黑箱镜像的维护工作是非常痛苦的。 而且，回顾之前提及的镜像所使用的分层存储的概念，除当前层外，之前的每一层都是不会 发生改变的 Docker Hub 上提供了官方镜像，国内各大容器云服务也基本都提供了相应的支持。 Debian 系统简介 图 1.24.3.1 - Debian 操作系统 Debian 是由 GPL 和其他自由软件许可协议授权的自由软件组成的操作系统，由Debian 计划 （Debian Project）组织维护。Debian 计划是一个独立的、分散的组织，由 3000 人志愿者组 成，接受世界多个非盈利组织的资金支持，Software 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

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 地方式发布，希望一方面能够帮助初学 者快速上手深度学习算法，另一方面也能汇聚众多行业专家们的力量，修正测试版中的谬误 之处，让本书变得更为完善。 本书虽然免费开放电子版，供个人学习使用，但是未经许可，不能用于任何个人或者企 业的商业用途，违法盗版和销售，必究其法律责任。 龙龙老师 2021 年 10 月 19 日 预览版202112 配 套 资 源 ❑ 提交错误或者修改等反馈意见，请在 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

. 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 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， ，模型可能就需要拥有 “记忆”功能。比如，我们该如何处理视频片段呢？在这种情况下，每个视频片段可能由不同数量的帧组成。 通过前一帧的图像，我们可能对后一帧中发生的事情更有把握。语言也是如此，机器翻译的输入和输出都为 文字序列。 再比如，在医学上序列输入和输出就更为重要。设想一下，假设一个模型被用来监控重症监护病人，如果他 1.3. 各种机器学习问题 27 们在未来24小时内死亡的风险超

config/samples/ 包含自定义资源的示例。 api/ 包含 Go API 定义。 controllers/ 包含 Go API 的控制器。 hack/ 包含实用程序文件，如用于构建项目文件的许可证标头的文件。 main.go Operator 的主要程序。实例化一个新管理器，它会在 apis/ 目录中注册所有自定义资源 定义（CRD），并启动 controllers/ 目录中的所有控制器。 objects 在 UI 中隐藏不用于用户操作的 CRD。 注解 注解 描述 描述 具有 具有 OpenShift Container Platform 许可 可证要求的 要求的 CSV 示例 示例 具有 具有 3scale 许可 可证要求的 要求的 CSV 示例 示例 其他 其他资源 源 CRD 模板 初始化所需的自定义资源 设置建议的命名空间 使用默认节点选择器设置建议的命名空间 标签应用到命名空间。 控制器检查 ServiceAccount 对象权限，以便在每个命名空间中使用安全性上下文约束。安全性上下文约 束 (SCC) 根据其字段值映射到 Pod 安全配置集，控制器使用这些翻译配置集。Pod 安全准入 warn 和 audit 标签被设置为命名空间中的最特权 pod 安全配置集，以防止在创建 pod 时显示警告和日志记录审计 事件。 命名空间标签基于对命名空间本地服务帐户权限的考虑。

管理员的人数由您选择的支持级别所决定。对于免费支持，客户只有在注册产品后才能提交 SR。 许可证管理员：许可证管理员负责接收和管理软件产品许可证、VMware 的更新及升级，并且是续订 支持协议的联系人。 要从以上角色中添加、修改或删除某人，请将以下信息发送到 ts-sales@vmware.com： • 公司名称 • 您的姓名 • 管理员类型（支持管理员和 / 或许可证管理员） • 添加、修改或删除 • 技术联系人的地址、电话和电子邮件 VMware Converter 均提供了按事件支持。按事件支持不包括产品更新或升级。 我们还为拥有多个许可证的 VMware Workstation 和 VMware Fusion 用户提供站点支持和升级定购服务。 该计划允许您将所有 Workstation 或 Fusion 支持合同合并为一个合同。所有许可证均可享受工作时间 支持。这样，您将只收到一张发票，所有续订都将在同一天进行，而且将收到所有更新和升级。 许用户继续使用软件 的情况。 • 严重性 4 适用于表面问题，包括文档资料、一般使用问题和产品增强建议或修改建议中的错误。 提交支持请求 有几种方法可访问 VMware 支持服务。访问方法因许可证类型、支持服务和产品而异。 基于 Web 的支持 如果您有未使用的按事件支持 SR，可以在我们的网站上提出 SR。要请求在线支持，请访问 http://www.vmware.com/support，单击“Submit

Keras 深度学习库时方 便本地查阅，下载最新 PDF 版本请访问: https://github.com/wanzhenchn/keras-docs-zh。 感谢 keras-team 所做的中文翻译工作，本文档制作基于此处。 严正声明：本文档可免费用于学习和科学研究，可自由传播，但切勿擅自用于商业用途，由 此引发一切后果贡献者概不负责。 The main reason of organizing rical_crossentropy', optimizer='rmsprop') 关于 KERAS 网络层 117 5.13 编写你自己的 Keras 层 对于简单、无状态的自定义操作，你也许可以通过 layers.core.Lambda 层来实现。但是 对于那些包含了可训练权重的自定义层，你应该自己实现这种层。 这是一个 Keras2.0 中，Keras 层的骨架（如果你用的是旧的版本，请你更新）。你只需要实

中兴通讯ServiceMesher 社区成立以来组织了一系列翻译活动，如： • Envoy 官方文档 • Knative 入门 • Istio 官方文档 1.1 版本和 1.4 版本 社区官网投稿情况： • 翻译文章：147 篇 • 原创文章：122 篇 /03 社区活动2019年 10 月31 日 正式开始 istio 1.5 官网文档的翻译。 2 个月 累计合并 PR 数超过 300 个。 个。 300+ 超过 60 人参与了官网的翻译。 60+ 持续时间 合并 PR 数 参与人数 20 万+ 翻译字数 累计翻译的文档中汉字数超过 20 万。 /04 Istio.io 社区化翻译活动Istio 官网本地化活动卓越贡献者 官余棚 @gorda 罗小东 @ilylia 于晓博 @yuxiaobo96 高国良 @gauliang /05 Istio 官网

监管机构保障成分清单的可信度 软件物料清单 • 软件物料清单（SBOM, Software Bill Of Material）是代码库中所有开放源代码和第三方组件的清单。 • SBOM能够列出管理这些组件的许可证，代码库中使用的组件的版本及其补丁程序状态。 云原生应用安全风险面 第三方组件 开源组件 应用安全 风险面 Web通用漏洞 SQL注入、命令执行、XXE、XSS等OWASP TOP10 业务逻辑漏洞 水平/垂直越权、短信轰炸、批量注册、验 证码绕过等 合规需求、安全配置 未能满足安全合规、未建立安全基线、敏 感数据泄漏 开源组件/闭源组件 CNNVD、CNVD、CVE等 开源许可风险 自研代码 容器环境镜像风险 软件漏洞、恶意程序、敏感信息泄漏、不安全配 置、仓库漏洞、不可信镜像 容器环境 开 发 模 式 ： 瀑 布 > 敏 捷 > D e v O p s 软件下载投毒、SDK/恶意代码污染、基础开源组件漏洞、商业许可证限制 Equifax信息泄露事件 SBOM概述 SBOM的作用 实施 SBOM 有助于揭示整个软件供应链中的漏洞与弱点，提高软件供应链的透明度，减轻软件供 应链攻击的威胁，驱动云原生应用的安全。 通过使用 SBOM 可以帮助企业进行漏洞管理、应急响应、资产管理、许可证和授权管理、知识产 权管理、合规性管理、基线建立和配置管理等。

1.Transformer介绍 Seq2Seq任务 Seq2Seq 任务指的是输入和输出都是 序列的任务，输出的长度不确定时采 用的模型，这种情况一般是在机器翻 译的任务中出现，将一句中文翻译成 英文，那么这句英文的长度有可能会 比中文短，也有可能会比中文长，所 以输出的长度就不确定了。 上图，输入的中文长度为4，输出的英文长度为2 6 1.Transformer介绍 Encoder-Decoder模型 息会被弱化，就好像记忆能力弱的人，记不住过去的事情是一样的。 10 2017年google的机器翻译团队在 NIPS上发表了Attention is all you need的文章，开创性地提出了 在序列转录领域，完全抛弃 CNN和RNN，只依赖Attention-注 意力结构的简单的网络架构， 名为Transformer；论文实现的 任务是机器翻译。 Transformer结构 Multi-Head Attention Transformer的训练 02 Transformer的工作流程 04 BERT 14 2.Transformer的工作流程 从宏观的视角开始 首先将这个模型看成是一个黑箱操作。在机器翻译中，就 是输入一种语言，输出另一种语言。 15 2.Transformer的工作流程 那么拆开这个黑箱，我们可以看到它是由编码组件、解码组件和它们之间的 连接组成。 16 2.Transformer的工作流程