Windows 系统慢?这并非技术原因

摘要:一直以来,众多Linux拥簇者坚信Linux要比Windows更块,真的是这样吗?开发者Marc Bevand以及另一名声称参与了Windows NT内核开发的微软员工承认了这件事实,但同时表示这并非技术原因。

slow-pc (1)

开发者 Marc Bevand 在 Hackernews 发了一篇短帖,简要解释了 Windows 运行速度为何比其它系统慢。随后,一位声称参与 Windows NT 内核开发的微软员工进行了回复,从公司内部管理和人才流失两个方面进行了解释。但由于某种原因,这篇回复被删除了。

Marc Bevand 认为此回复很有价值,在获得该员工的许可后,他在个人博客发表了这篇回复。该员工认为,从许多方面来说,Windows 比其它系统慢,而且差距还在加大。

我们偶尔会看到一些天真的人试图去改善问题。这些人几乎总是失败。我们能够改善系统性能而且去做的时候,是因为特别情况,那些有能力分配资源的人相信这会影响到商业目标,但是这种工作是西西弗斯式的。在系统级的性能改进上,没有正式或非正式的项目。我们开始关心安全的时候,是因为 SP3 之前的 Windows XP 对自身生意是一种生存上的威胁。我们的低性能对于自身生意没有生存上的威胁。

无论是项目主管、测试人员还是产品经理,对于外部补丁都是公开的敌对态度。他们没有动力去接受来自外部的一些变革,“你永远能找到理由说‘不’,你很少有动力去说‘是’”。另外,员工们很少有动力去寻求改变,只有做出重大的改进,才能够获得领导关心或者有升职的可能,“增量改进只能让人们厌烦,而且对你的职位不利。” 因此,员工们在经过一段时间后,都学会了按部就班工作,不再去想着创新了。

除了管理上的原因,另一个原因是公司很难留住人才,“Google 和其它大公司不断挖走我们最好、最有经验的开发者,而我们雇佣了刚出校门的年轻人来替代他们”。 这些人通常很聪明,但是他们不了解系统的具体细节,更重要的是,对于那些已经在运作的东西,他们不想做出任何改变。当他们想要改善系统的时候,更倾向于增加新东西而不是改善已有的东西,结果是许多旧功能无法得到改进。

综合起来,这位员工认为,微软并不缺乏真正一流的开发者,而且 NT 内核在许多方面都比 Linux 要好,但是这些人不断退休,或者去了其它公司,而且很少有人能够代替他们。“我们用来凑人数的是那些朝九晚五有孩子的人、急着取悦人的 H-1B 持证者,以及被 Google 抛弃的人。偶尔,我们能够召来能人,就像是犯了个错,但是这并不够。还在思考我们为什么落后?腐败已经进驻了。”

该员工的回复引起了非常多的关注,以至于他自己有些担忧。于是,他联系了 Marc Bevand,并且发表了一篇声明,以详细解释自己文章的各种失当之处。他表示,“所有这些事情已经超出控制了。我太严酷了,而且我并未想要将其当做某种大规模的揭秘,这只是一些抱怨。对于那些微软外部的人在政体研究上的胃口,我并不赞同。我应该更加深入地思考我的帖子。对于这份误导人的所谓内部印象,我希望做出道歉”。

或许该员工的抱怨过于主观,但是其提到的问题,其实已经有过报道,比如《名利场》曾有一篇文章,认为微软的管理体制扼杀了创新萌芽。在科技行业竞争日益激烈的时候,微软或许已经到了正视问题,做出激进改变的时刻了。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 支持向量机非线性回归通用MATLAB程序解析 #### 一、概述 本文将详细介绍一个基于MATLAB的支持向量机(SVM)非线性回归的通用程序。该程序采用支持向量机方法来实现数据的非线性回归,并通过不同的核函数设置来适应不同类型的数据分布。此外,该程序还提供了数据预处理的方法,使得用户能够更加方便地应用此程序解决实际问题。 #### 二、核心功能与原理 ##### 1. 支持向量机(SVM) 支持向量机是一种监督学习模型,主要用于分类和回归分析。对于非线性回归任务,SVM通过引入核技巧(kernel trick)将原始低维空间中的非线性问题转换为高维空间中的线性问题,从而实现有效的非线性建模。 ##### 2. 核函数 核函数的选择直接影响到模型的性能。本程序内置了三种常用的核函数: - **线性核函数**:`K(x, y) = x'y` - **多项式核函数**:`K(x, y) = (x'y + 1)^d` - **径向基函数(RBF)**:`K(x, y) = exp(-γ|x - y|^2)` 其中RBF核函数被广泛应用于非线性问题中,因为它可以处理非常复杂的非线性关系。本程序默认使用的是RBF核函数,参数`D`用于控制高斯核函数的宽度。 ##### 3. 数据预处理 虽然程序本身没有直接涉及数据预处理的过程,但在实际应用中,对数据进行适当的预处理是非常重要的。常见的预处理步骤包括归一化、缺失值处理等。 ##### 4. 模型参数 - **Epsilon**: ε-insensitive loss function的ε值,控制回归带宽。 - **C**: 松弛变量的惩罚系数,控制模型复杂度与过拟合的风险之间的平衡。 #### 三、程序实现细节 ##### 1. 函数输入与输出 - **输入**: - `X`: 输入特征矩阵,维度为(n, l),其中n是特征数量,l是样本数量。 - `Y`: 目标值向量,长度为l。 - `Epsilon`: 回归带宽。 - `C`: 松弛变量的惩罚系数。 - `D`: RBF核函数的参数。 - **输出**: - `Alpha1`: 正的拉格朗日乘子向量。 - `Alpha2`: 负的拉格朗日乘子向量。 - `Alpha`: 拉格朗日乘子向量。 - `Flag`: 标记向量,表示每个样本的类型。 - `B`: 偏置项。 ##### 2. 核心代码解析 程序首先计算所有样本间的核矩阵`K`,然后构建二次规划问题并求解得到拉格朗日乘子向量。根据拉格朗日乘子的值确定支持向量,并计算偏置项`B`。 - **核矩阵计算**:采用RBF核函数,通过`exp(-(sum((xi-xj).^2)/D))`计算任意两个样本之间的相似度。 - **二次规划**:构建目标函数和约束条件,使用`quadprog`函数求解最小化问题。 - **支持向量识别**:根据拉格朗日乘子的大小判断每个样本是否为支持向量,并据此计算偏置项`B`。 #### 四、程序扩展与优化 - **多核函数支持**:可以通过增加更多的核函数选项,提高程序的灵活性。 - **自动调参**:实现参数自动选择的功能,例如通过交叉验证选择最优的`Epsilon`和`C`值。 - **并行计算**:利用MATLAB的并行计算工具箱加速计算过程,特别是当样本量很大时。 #### 五、应用场景 该程序适用于需要进行非线性回归预测的场景,如经济预测、天气预报等领域。通过调整核函数和参数,可以有效应对各种类型的非线性问题。 ### 总结 本程序提供了一个支持向量机非线性回归的完整实现框架,通过灵活的核函数设置和参数调整,能够有效地处理非线性问题。对于需要进行回归预测的应用场景,这是一个非常实用且强大的工具。
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