神秘!迅雷将推共享计算企业级新品

北京时间3月15日上午,迅雷(Nasdaq:XNET)正式公布了2017年第四季度及全年未经审计的财务报告。截止2017年12月31日,迅雷全年总营收约为2亿美元,较2016年增长43.2%。第四季度总营收约为8,240万美元,同比增长128.5%,环比增幅83.9%,是迅雷连续8个季度营收增长以来的最高增幅,也是迅雷自2014年上市以来的最高纪录。

其中,Q4在线广告收入约为780万美元,同比增长70.6%,环比增长36.0%;包括云计算在内的其他互联网增值服务收入约为5,190万美元,同比增长431.6%,环比增长184.1%。云计算收入同比增长517.2%,环比增长225.8%。

在取得翻倍的年度增长后,迅雷宣布将在近期把云计算业务场景,从CDN领域扩展至IaaS领域;同时玩客云系统也将进行更新,以优化产品体验。分析认为此举有利于巩固迅雷在云计算行业的创新引领者地位,并扩大在市场占有方面的优势。

共享计算的升级之作

共享计算是迅雷首创的一种云计算模式,其中理念与技术都极具创新色彩。推出之后,一度引发行业热议,并最终形成了共享计算浪潮。目前已有多家云计算企业,模仿迅雷的模式推出了自己的共享计算业务。

但任何一种技术,都必须要有落地的应用场景才可称实用,否则依然是空中楼阁。在共享计算领域,迅雷已经推出了商业化产品星域CDN。历经两年的市场检验,目前星域CDN得到了市场和用户的高度认同,在直播、点播等对流量需求巨大的行业,星域CDN以其出色的性能和高性价比,成为首选的CDN合作品牌,收获了以爱奇艺、小米、触手、熊猫直播、快手等众多头部品牌客户。

即将推出的新品,会为迅雷拓展更为广阔的市场,更重要的是,将为迅雷的共享计算带来更加丰富的应用场景。这无论是对共享计算当前业绩的提升,还是长远发展的推动,都有很大的好处。

区块链行业的引领者

另外迅雷还在财报中透露,目前迅雷已开发了区块链闪电网络技术平台,并开放给第三方合作伙伴,致力于创建更具竞争力的区块链产品应用。据行业人士分析,该项技术能够支撑百万级别的即时结算,弥补当前主流区块链技术计算力偏小、结算周期漫长的缺陷。目前迅雷玩客云生态系统已拥有百万级别的用户规模,如果考虑到以后3500万预约用户的转化,未来整个生态对算力有巨大需求。区块链闪电网络技术平台的推出,将解决这一难题,并帮助迅雷在区块链行业取得更明显的领先优势。

当前区块链行业发展还处于早期,市场绝大多数都是概念性项目,拥有真实技术能力的寥寥无几,底层技术上更是极度缺乏。行业及政府部门对这一现状均有清醒认识,并开始鼓励对区块链技术特别是底层技术的研发投入。日前央行行长周小川就曾对媒体公开表态,称在区块链发展上将重点放在核心技术的研发上。迅雷推出“区块链闪电网络技术平台”,正是对这一行业趋势的响应。

此外迅雷也是国内首家开拓区块链2C向应用的企业,旗下玩客奖励计划是国内第一个可落地的区块链大众化应用项目。闪电网络的推出,将有助于迅雷继续保持在区块链行业的领先优势,并推动国内区块链行业整体技术水平的提升,有助于我国在世界区块链技术竞争浪潮中取得优势地位。

如果说2017年迅雷的财报,还算一份成绩不错的市场“答卷”,那新公布的两项新产品,就是迅雷对未来战略的勾画。已取得的成绩已经属于过去,真正充满想象空间的,还是未来的诸多可能。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值