弹性计算双周刊 第 8 期

【最新动态

6月25日,由LFAsia, LLC主办的全球开源顶级盛会LinuxCon + ContainerCon + CloudOpen(LC3)在北京国家会议中心召开。来自国内外的开发人员、架构师、系统管理员、DevOps专家、商业领袖等数千名专业人士汇聚一堂。

a8539366960611d398da122383812b5253fe47ff

阿里云研究员褚霸在大会当天同多位业界资深大咖同台时交流表示,阿里发展到今天,计算能力转化为普化的能力并且形成数据在云上,纵然极具挑战,但是也在不断增强阿里的技术能力,促进经验的积累。

阿里云ECS弹性计算作为计算能力的基础,今年做的最重要的2件事

第一,在芯片和软硬件一体化系统层面不断的挑战创新,比如我们推出的弹性裸金属服务器(神龙)以及自研异构计算高密度FPGA板卡AliFPGA等。第二,基于阿里云近些年在云原生领域积累的经验,产品创新的同时持续优化用户体验,在提升计算能力的同时驱动各行业真正的步入智能时代。

LC3会议飞天技术汇专场关于弹性计算精彩分享回顾

在备受业界关注的LC3会议飞天技术汇专场上,阿里云弹性计算团队分享了人工智能应用性能加速、热迁移、virtio-blk的加速qcache等议题,同时还对提升虚拟机性能提出了新的思考。高级技术专家昀龙带来了人工智能服务极致加速的分享。通过不同的应用优化案例提出了若干针对AI场景的解决方案。例如,在一个CTR预估训练场景中, 通过GPU分布式训练性能优化,性能大约可提升至原来的14倍。祝犁、徐权、识义分享了自动化管控和运维大规模的云服务器,完美的直通设备的热迁移方案,PV timer for KVM等TOPIC。

ECS 按量付费高配默认权限从 4 vCPU 提升到 8 vCPU 

【产品资讯】

1、当我们谈论企业级存储市场时,我们谈论(做)了什么

APSARA Block Storage是依托于阿里云弹性计算块存储服务,针对企业级市场的诉求孵化出来的一个全新的产品以及传统IT基础设施云化的解决方案。源自于公共云多年锤炼的块存储技术与服务能力,生来具备秉异的基因,但又支持更为灵活的部署方式,使其青出于蓝而胜于蓝。

2、AutoScaling 生命周期挂钩功能

AutoScaling 生命周期挂钩功能提供了更加灵活地管理伸缩组内 ECS 实例生命周期的能力,通过该功能可以在伸缩组发生弹性扩张和弹性收缩活动时,通过将伸缩活动挂起的方式执行自定义操作。弹性伸缩服务正在快速地发展,后续会有更多的新功能新特性推出,感谢您的一路陪伴。

【工程实践】

1、创建 ECS 支持使用镜像预设密码

什么是镜像预设密码 如果您的一个 ECS 实例设置了密码(用于远程登录 ECS),则通过该实例制作的快照进而通过该快照创建出来了一个自定义镜像,该镜像即被认为 镜像中预设了密码。若您使用该自定义镜像来创建新的 ECS,则新创建的ECS的密码值就会是镜像中预设的密码。

2、代码整洁之道(二)优雅注释之道https://yq.aliyun.com/articles/603241

本文先总结了注释在编程中的最佳实践场景并举例进行了说明,然后就不同编程语言提供了一些注释模版及规范相关的实践tips。关于注释我个人的认知是:注释即代码,注释即文档,写好注释一个工程师必备的素质之一,在整洁代码前提下,更少的注释是跟高的追求。

3一张表看懂ECS云服务器规格的升降配

阿里云ECS规格种类丰富,可以升降配到底有什么规格?购买实例后,您可以通过升降配功能重新升级或降级资源的配置,但是到底那些是可以变更,哪些又不支持呢?一张表看懂ECS云服务器规格的升降配,清晰,简洁。

4包年包月实例和按量实例均已支持入门级变配企业级规格

目前ECS控制台在升降配-升级配置中,支持经典网络实例进行跨系列的迁移升级,从入门级实例升级到企业级实例规格。 现在,包年包月实例的降低配置和按量计费的实例的变更实例规格也已支持从入门级变配到企业级规格。

5扫盲人工智能的计算力基石--异构计算

带领入门读者了解CPU,GPU,FPGA,ASIC和异构计算的一些基本概念和优缺点,希望帮助入门者和爱好者建立基本的芯片概念

【下期预告】

1、下期看点:弹性伸缩赋能云产品,支持EMR计算集群伸缩

2、发布时间:2018年7月11日

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. **长短记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长依赖关系,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