华云数据,做中国云计算的扛旗者

640?wx_fmt=gif

今年4月份,Wells Fargo(富国银行)分析师透露了一份2017年全球全闪存阵列市场数据,并详细列举了全球主流全闪存阵列厂商各条产品线的销售情况,大数网针对这份市场数据进行了详细解读(详情请见文末链接)。近日,Wells Fargo(富国银行)分析师又透露了一份IDC 2018年第一季度全球全闪存阵列市场数据。根据透露的信息显示,本季度全球全闪存阵列存储营收同比大幅增长54.7%,首次超过纯磁盘阵列营收,厂商们的营收都呈现出增长的趋势,但细分到产品线则可以看出很多端倪。

640?wx_fmt=jpeg


DELL EMC、NetApp、HPE、IBM、Hitachi、Huawei、PureStorage这几家主流厂商都实现的营收增长,不过在市场份额上厂商表现各异,DELL EMC、NetApp、Huawei的份额得到提升,而HPE、IBM、Hitachi的份额则出现下滑。下面逐个解读:


DELL EMC在本季度全闪存阵列市场表现出色,营收同比大幅增长88.7%,市场份额也提升到34.2%,这要得益于VMAX和Unity(VNX)全闪存产品的销售大幅增长;本季度XtremIO的表现有所回暖,实现了48.2%的增长。不过从各条产品线的综合情况俩看,EMC在全闪存阵列领域的销售主力已经彻底变回VMAX和Unity了,DSSD和XtremIO未来产品线存在着一定的未知数。


NetApp表现也非常出色,营收同比大幅增长59.5%,市场份额进一步提上到26.1%。但是,NetApp四条产品线中有三条产品线出现了严重下滑,只有AFF A-Series系列获得了175.3%爆发性的增长,SolidFire、EF系列以及FAS全闪存系列营收全部都是大幅下滑。按照这种趋势,AFF-A系列将成为NetApp当之无愧的市场助理,其他三条产品线的全闪存产品前途则堪忧;尤其是SolidFire产品如果仍然延续这种下滑表现,那当初的收购将被证明是一次失败的行动。


640?wx_fmt=jpeg


HPE本季度表现一般,虽然营收实现了16.6%的增长,但是低于市场平均增长率,市场份额则从14.8%下滑到11.1%,3PAR全闪存产品实现了25.5%的营收增长,而Nimble Storage则出现了12.1%的下滑,看来Nimble的销售拖累了HPE本季度的整体表现。


PureStorage本季度营收大幅增长45.2%,不过市场份额则从11.9%下滑到11.2%,说明其他竞争对手表现更加出色。


IBM的表现差强人意,营收竟然只增长了1.7%,大幅低于市场平均增长率,市场份额也从8.5%下滑到5.6%。


Hitachi表现相对比较平稳,营收实现了39.9%的增长,市场份额则出现了小幅下滑。


华为本季度呈现出4790.9%的爆炸性增长,但市场份额只有1.1%,说明其基数还太小。


大数网观察

本季度,得益于全球存储市场的良好表现,全闪存阵列市场也得到了大幅增长,不过我们通过观察厂商们内部产品线表现,可以发现各个厂商未来的产品策略和方向。例如,DELL EMC正在以VMAX和Unity两条老产品线为主力在攻城掠地,而NetApp的新AFF-A系列产品线则已经彻底取得市场突破。因此,2018年应该是厂商们内部产品博弈和优势劣汰的一年,通过多个季度的产品在市场试水之后,最适合生产的产品线将会最终脱颖而出。另外,全闪存阵列市场玩家基本已经固定在上述七家公司,其他初创型公司是否能有突破还有待观察。


640?wx_fmt=jpeg


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