第七篇:Web架构及其演进

已于 2023-07-31 02:50:13 修改
阅读量5k 收藏
点赞数 2
分类专栏： Python实战 文章标签： 自然语言处理 人工智能 语言模型 编程实践 开发语言 架构设计
于 2023-07-31 01:07:25 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/universsky2015/article/details/132014262
版权
本文详细探讨了Web架构的发展历史、基本概念、关键组件和应用场景，包括静态网站、动态网站、网络社区的演变，以及微服务、Serverless、边缘计算和区块链等演进趋势。同时，分析了Web架构面临的扩展性、成本、可靠性、安全性、可用性等挑战。
摘要由CSDN通过智能技术生成

作者：禅与计算机程序设计艺术

1.简介

Web架构及其演进作为IT界的一个重要的分支之一，自20世纪90年代末开始蓬勃发展，现已成为影响力巨大的研究热点。本文将从计算机网络、网站开发、数据库、缓存、CDN、云计算、安全等方面，详细探讨Web架构的发展历史、基本概念、关键组件、典型应用场景以及其发展趋势与挑战。并结合实际案例，对Web架构进行完整而系统地阐述。

作者简介

张少鑫，博士，中国科学院自动化所博士后，曾就职于微软亚洲研究院，目前任职于国立台湾大学电子信息工程系助理教授兼研究员。2007年加入微软中国区总部担任软件工程师，主攻Windows系统应用开发，之后历任WAP组长、T-Systems中国区项目经理、首席软件工程师等职务。2013年起，接替WAP组长职务，于国立台湾大学建筑系获得建筑工程学士学位。2014年至今任职于国立台湾大学电子信息工程系教授、讲座教师。他的研究兴趣主要集中在计算机网络与系统安全，主要研究方向包括网络安全、Web架构、分布式系统、云计算、物联网等领域。本系列文章为作者所撰。

本文结构

1.背景介绍
2.基本概念术语说明
3.核心算法原理和具体操作步骤以及数学公式讲解
4.具体代码实例和解释说明
5.未来发展趋势与挑战
6.附录常见问题与解答

</

了解本专栏 订阅专栏 解锁全文 超级会员免费看
AI天才研究院
关注
专栏目录
订阅专栏
Java Web网站架构的技术演进.docx
10-14
Java Web网站架构的技术演进是一个复杂且持续发展的过程，它涉及到多个层次的优化和改进，以适应不断增长的用户需求和系统负载。最初的架构通常是一个简单的单体结构，所有的组件，包括文件、数据库和应用程序，都...
人人网工程师谈移动Web开发架构.pdf
08-07
这意味着开发者在设计移动Web架构时需要考虑终端设备的技术演进。 2. 手机操作平台的多元化：目前主流的手机操作系统有Symbian、Android、iOS、MTK、Windows Mobile和Windows Phone 7。每个平台都具有不同的特性和...
金融级移动架构的演进之路.pdf
09-26
1. **架构演进**： - 支付宝的移动端架构经历了从单一应用（独木舟）到复杂集成（战列舰），再到微服务化（航空母舰）的转变。这一演变过程旨在提高系统的灵活性、稳定性和扩展性。 2. **架构分层**： - 将架构...
RESTful Web Services中文高清版.pdf.zip
07-25
7. **版本控制**：在服务演进过程中，版本控制非常重要。可以使用URI路径、请求头或者媒体类型来隐式或显式地指定API版本。 8. **错误处理**：良好的错误处理机制是RESTful服务的关键组成部分。错误信息应以标准...
基于Python的自然语言处理系列（59）：MultiRetrievalQAChain 实现
不想宅的冷同学
11-11 572
是 LangChain 提供的一种方法，允许我们使用多个不同的检索器（Retriever），并在不同的数据源之间自动选择最相关的检索器。无论是文本文档、个人信息还是不同主题的资料，系统都可以智能地判断最合适的回答来源，并高效地返回相关信息。设置不同的数据源名称、描述和相应的Retriever，以便系统在查询时进行选择。},},本文介绍了如何利用来构建一个多数据源的问答系统。在此系统中，用户的查询可以被路由到最相关的数据源，从而生成更准确和上下文相关的回答。通过设置多个Retriever。
bert-base-uncased使用
m0_56065966的博客
11-09 573
轻松学习bert-base-uncased使用
动手学深度学习69 BERT预训练
最新发布
weixin_42831564的博客
11-13 89
3亿参数 30亿个词在输入和loss上有创新两个句子拼起来放到encoder–句子对cls-class分类sep-seperate 分隔符 分开每个句子 告诉是哪个句子 两个句子给不同的向量位置编码不用sin cos， 让网络自己学习bert–通用任务encoder 是双向的，两个方向的信息都可以看到预测mask是谁。改动：让模型在做微调的时候不要看到mask就做预测。
解读Nature：Larger and more instructable language models become less reliable
ZJQ的博客
11-11 339
创新点 多维度分析可靠性：论文不仅关注了模型输出的正确性，还考虑了避免性和提示稳定性等多个维度，从而更全面地评估了LLMs的可靠性。 实验设计：论文通过设计一系列精心控制的实验，包括对不同难度级别的任务进行评估、使用多种提示变化来测试模型稳定性等，为深入理解LLMs的可靠性提供了有力证据。 提出改进建议：基于实验结果和分析，论文提出了改进LLMs可靠性的建议，如通过训练时加入难度一致性和避免性相关的损失函数、使用拒绝选项或外部AI监督等方法来增强模型的可靠性。
基于大语言模型意图识别和实体提取功能；具体ZK数值例子：加密货币交易验证；
ZJQ的博客
11-13 77
多项式 P(x)：代表交易金额的多项式。为了简化，我们假设交易金额是一个常数，比如 100 个加密货币单位。因此，我们可以定义 P(x)=100（注意，这里 P(x) 实际上是一个常数多项式，但不影响我们说明多项式承诺的概念）。多项式 Q(x)：代表一个随机掩码多项式，用于保护交易金额的隐私。模型（即交易发起者）选择一个随机多项式 Q(x)，比如zkLLM的原理核心在于将非算术操作转换为可验证的零知识证明形式。
速通LoRA：《LoRA: Low-Rank Adaptation of Large Language Models》全文解读
逐梦苍穹的博客
11-11 478
速通LoRA：《LoRA: Low-Rank Adaptation of Large Language Models》全文解读
【科普小白】LLM大语言模型的基本原理
longxiaotian718的博客
11-09 1214
大语言模型：LLM（Large Language Models），是试图完成文本生成任务的一类 ML（Machine Learning，机器学习）模型。LLM 使计算机能够处理、解释和生成人类语言，从而提高人机交互效率。为了做到这一点，LLM 会分析大量文本数据或基于这些数据进行训练，从而学习句子中各词之间的模式和关系。这个学习过程可以使用各种数据源，包括维基百科、Reddit、成千上万本书，甚至互联网本身。
自然语言处理在客户服务中的应用
qq_36287830的博客
11-09 1298
自然语言处理是一门计算机科学和人工智能的交叉学科，旨在让计算机能够理解、解释和生成人类的自然语言。自然语言处理的核心任务包括文本分类、情感分析、实体识别、机器翻译、对话系统等。通过自动摘要技术，可以生成简洁明了的文档摘要，帮助用户快速了解文档的主要内容。
大语言模型理论基础
https://github.com/zm50
11-10 986
你好，我是醉墨居士，我们接下来对大语言模型一探究竟，看看大模型主要的核心的概念是什么LLM（大语言模型）采用了Transformer架构，其中比较重要的部分有tokenizer，embedding，attention训练流程：预训练 -> 微调 -> RLHF（基于人类反馈的强化学习）训练方式：分布式训练，数据并行，流水并行，张量并行高效推理能力。
“嵌入”在大语言模型中是解决把句子转换成向量表示的技术
JellyAI的博客
11-13 715
这段话要优化吗？““嵌入”是一种将句子、单词或其他语言单位转换为向量表示的技术。这个向量通常位于高维空间中，它以一种能够表达相似性的方式编码出文本的含义或上下文。嵌入层的作用就在于把离散的语言符号（如单词或句子）转换成连续的向量，使得模型能更好地理解和处理语言之间的关系。其实我们人类的大脑也是这样干的，只是我们自己无法感知而已，我们最终得到的就是某个“记忆”，可以供人类随时使用的“记忆”也就是特征，所以让人工智能来识别人类说话中包含的情绪也只是将整句话转换成了向量后才能通过计算得到结论。
NLP自然语言处理：深入探索Self-Attention——自注意力机制详解
shiming8879的博客
11-09 1122
这意味着，第 (i) 个元素的输出向量 (b_i) 是所有输入元素的值向量 (v_j) 通过对应的注意力权重 (\hat{\alpha}_{i,j}) 加权后得到的。通过softmax函数，每个 (\alpha_{i,j}) 被转换成 (\hat{\alpha}_{i,j})，表示第 (i) 个元素对第 (j) 个元素的相对关注权重。k)，和(W^v)）线性映射为查询向量（Query vector，(q)）、键向量（Key vector，(k)）和值向量（Value vector，(v)）。
MatSci-LLM ——潜力和挑战以及大规模语言模型在材料科学中的应用
知来者逆的博客
11-10 1029
大规模语言模型的出现正在从根本上改变技术开发和研究的方式。大规模语言模型不仅对自然语言处理领域产生了重大影响，而且对许多相关领域也产生了重大影响，例如从文本生成图像的计算机视觉（Zhang 等人，2023 年）。因此，将大规模语言模型的能力融入各行各业的工作正在加速进行。例如，医疗保健（He 等人，2023 年）、法律（Dahl 等人，2024 年）、金融（Wu 等人，2023 年a）和软件工程（Fan 等人，2023 年）领域的任务自动化。其中值得一提的是将大规模语言建模应用于材料科学。
LLM - 计算 大语言模型(LLM) 从头开始(ab-initio) 训练的初始 Loss 值 教程
Mystra
11-13 629
在训练模型时，观测很多指标，在这些指标中， Loss 是最重要的指标，训练模型的核心，就是观察 Loss 值计算的是否正确。尤其是在模型越来越大时，训练时经常要做一些 Tensor Parallelism 或者 Pipeline Parallelism。判断是否正常训练，需要判断 Loss 是否符合预期，以防止白白浪费算力。
SMoA: 基于稀疏混合架构的大语言模型协同优化框架
deephub
11-13 3769
在大语言模型(LLM)快速发展的背景下，研究者们越来越关注如何通过多代理系统来增强模型性能。传统的多代理方法虽然避免了大规模再训练的需求，但仍面临着计算效率和思维多样性的挑战。本文提出的稀疏代理混合(Sparse Mixture-of-Agents, SMoA)框架，通过借鉴稀疏专家混合(Sparse Mixture-of-Experts, SMoE)的设计理念，有效解决了这些问题。
应对高并发：MySpace的三代网站架构演进
1. 第一代架构：单一数据库与Web服务器集群 MySpace初期采用两台Web服务器和一台数据库服务器的简单架构。随着用户数量的增长，他们通过增加Web服务器来分摊负载。然而，当用户达到五十万时，数据库成为了瓶颈。 2....
评论 18
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

AI天才研究院

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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