去伪存真看云计算

采用云计算,系统越复杂,边际成本越低;不采用云计算,系统越复杂,边际成本越高。从这个意义上来说,采取云计算,实质是在转变生产方式。(文/姜奇平)  现在许多行业或者服务都打着云计算的旗号,但并不是所有的都是云计算,去伪存真看云计算,就是要抓住云计算真正的内核,  云计算实际有两个重要方面,缺一不可,不可偏废,一是集中计算,一是分布式计算,云计算是以特定方式融合二者的历史产物。忽视任何一点,都会有严重片面性。  现在许多“伪云计算”,倒不一定是说了完全不沾边的事情,而是把云计算的某个侧面,或历史上的某个局部来源,夸大为云计算的主流,而产生误导。  为此,在这里打算仅就云计算最核心的内涵,进行一番辨析。  1)集中计算分几种情况,与云计算既有联系,又有区别: 第一种,也是最典型的集中计算是大型主机,如IBM的S/360。相当多的人把云计算说成是集中计算,这并不全面。因为云计算显然不等于大型主机。云计算的应用,并不集中于大型主机内部,而是分散在集中计算和存储的外部计算节点上。  第二种,是主从机结构,服务器是主从机结构中的集中的一方,以后互联网的WEB模式,就是主从机结构的一种。主从机结构和WEB都不等于云计算,这是因为,它们的控制权位于主机(服务器);从机虽然分散存在,但没有控制权,不是以用户为中心的。  第三种是网格计算,网格计算本质上仍是集中计算。它表面上虽然具有利用分布计算资源的特征,但由于要解决的是巨大而单一的计算问题,从应用角度看,并不是分布式的。把云计算理解为网格计算,显然会漏算由节点方(应用方)提出任务这一点。  2)分布式计算,同样与云计算既有联系,又有区别:  第一种,WEB出现前的互联网(WWW出现前的互联网),如阿帕网,就是典型的分布式计算,并不需要服务器作为计算中心。仅有分布式计算,并不等于云计算,因为云计算还有集中存储和计算的部分。  第二种,P2P,即无须经由服务器,一台计算机与另一台计算机直接相联。其重要特点是对等,没有主从之分。在可管理的P2P模式下,虽然可以经过服务器,但不同于主从机结构处,在于它也可以不通过服务器,而主从机结构不通过服务器是不可以的。云计算不同于P2P之处,在于它必须以集中计算和存储作为分布式计算的互补方面。  第三种,协同计算,可以认为是P2P形式的推广,从点对点,发展到群组协作,即时消息、SNS等,都可以是基于协同计算和并行计算的。协同计算已非常接近云计算,但仍有不同,例如SOA(面向服务架构)可以复用服务模块,但这可能只是发生于应用之间,必须将这些可复用资源移向独立于应用的云服务器中,才算云计算。  现有许多云计算的定义,都往往偏向上述情况中的某一边,因此显得似是而非。需提醒的是,业内人士谈云计算往往有特定语境,比如说云计算建设要加强集中计算和分享。结合具体所指,可能并没有错,因为它可能是指云计算基础设施或平台本身建设,也可能是针对大企业的云端业务。但听的人往往听错,以为这就是云计算的全部,体会不到分布式计算和应用端的存在。这就造成误导和误解。  这种情况并不可怕,消除误解就会搞明白。但还有一种情况就不同了。一些大企业在搞云计算时,以传统的网格计算、主从机的旧理念,把云计算纳入排斥分布式计算的集中计算的轨道,那就属于内行的传统与保守了。目前对于集成的理解,就有这种实际问题存在。  3)集中与分散的联接  现有对云计算的定义中,许多都忽略了两个基本点之间的联接方面的内涵。实际上,二者的联接,是云计算的精髓所在。这种内涵,也是从历史中一步步发展出来的。有几个概念,值得特别注意:  第一,分享(或共享)。现在所有的云计算,都会提到分享。这主要是指在云中分享可复用的资源,也包括点对点之间的分享。分享是与工业化格格不入的概念。工业企业经济是在排除分享的前提下建立起来的;可分享的东西,属于政府用税收提供的公共产品。但在云计算中,分享完全可以是市场行为。之所以会这样,是因为有两种情况与工业经济相比发生了变化,一是生产资料从物质和资本,变成了数据,从不可复用,变为可复用;二是出现了基础业务与增值业务之间的交叉补贴,分享可以获得回报(例如免费模式)。这样就造成集中的部分分享,而分散的部分回报。其中,数据资源可复用性,正是云计算中的集中,采用分享模式的基础;而集中业务与分散业务之间的关联,是分享可以成立的模式基础。  第二,虚拟化。虚拟化是云计算的重要特征。工业生产方式是集中,农业生产方式是分散。历史上从来没有解决好二者的矛盾。虚拟化在协调二者关系上,走出了新路。早在大型主机时代,虚拟化的思想就被提出了。但那时并没有端的应用可供施展。到了云计算中,虚拟化在云的集中与端的分散之间,起到关键联接作用。实际是在技术上,把资本专用性的框框打破了。在实体经济中,要素具有刚性,难以自由流动,固定资产的投资,经常成为沉没成本,造成巨大闲置和浪费。  在云计算中,虚拟化实际上将要素的刚性,变为了柔性。这对于应用端、增值端的边际投入,固然没有造成直接的改变,但对集中于云端的可分享资源来说,却是一种巨大的社会节约。相当于从事同样生产的固定成本(如初始固定投入)凭空节省了许多。社会可以把固定成本转化为可变成本,集中于必要的增值业务,为用户创造更多价值。  第三,效用计算。效用计算实际是租赁的概念。由于资源可复用而生产要素可以虚拟化,在产权上带来的一个合理变化,就是资源配置可以“变拥有为控制(使用)”,把所有权与使用权分开,对生产要素不必拥有所有权,而以租赁的方式,控制使用权即可。在云计算中,以这种方式,实现的是云一方的所有权与端一方的使用权的自然联接。这造成公有制与私有制之间一种奇妙混合:在云的方面,基础设施(I)、平台(P)和软件(S)——相当于工业时代的道路、厂房和设备——是“公有”的;在端的方面,增值业务和边际投入是“私有”的,而“公”、“私”之间以一定比例分成(如三七分成)。  第四,开放API(应用程序接口)。人们在定义云计算时,很少把API考虑进去。实际上,在集中与分散之间,离开了API相联,一切都变得不可行。因此可以说,API是云计算的关键——或者说,起到云与端联接作用的机制,是云计算的关键。在工业经济条件下,API是不存在的。即使在云计算出现之前的互联网经济中,API也经常是封闭的或不起实质作用的。例如在SOA中,共用模块并没有独立出来以API形式,由独立第三方(象云那样)提供。许多谈论云计算的人,都没有把资源共享到云端后,如何与终端计算联接的问题,当作云计算内涵的一个重要方面来认识。  我个人认为,云计算从更深的意义上,是以提高效能(即报酬递增)为目标取向的。许多人仅仅从效率(包括节省成本)来谈云计算可以解决什么问题,没有充分到位。可以倒着证伪一下,提高效率,也可以是报酬递减,但那样的话,云(I、P、S)与非云(实体基础设施、厂房和设备)就没有区别了。可见不谈效能,就无法把真正的区别总结出来。真正的区别在于效能(效率的变化率,即“越……越……”):采用云计算,系统越复杂,边际成本越低;不采用云计算,系统越复杂,边际成本越高。从这个意义上来说,采取云计算,实质是在转变生产方式。作者:sunny_yuner

 



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