关联提供了不同交互类对象间的连 接 剩余的关系则相关于分类本身的描述 而非它们的实例 � 概括关系将双亲分类 超类 的一般化描述和更具体的孩子分类 子类 联系起来 概 括通过增量的声明方便了对分类的表述 增量的声明添加至从祖先继承而来的描述 继承 机制从使用概括关系的增量描述中构造分类的完整描述 概括和继承允许不同的分类共享 通用的属性 操作和关系 而无需重复 � 实现关系将说明与实现联系起来 接口是无实现的行为说明 原有的使用 ���������������� 操作的代码无需修改 双亲类中的多态 操作可无实现 而由孩子类提供具体实现 这种不完全的操称为抽象操作 � 概括的另一个目的是共享对祖先的描述 允许对元素进行增量描述 这被称之为继承 继承是一种机制 通过该机制 类对象的描述由该类和它祖先中的声明所组成 继承允许 描述的被共享部分只被声明一次 且为多个类共享 而不是在每个使用它的类中重复 这 种共享减少了模型的尺寸 文字串可被放置在标 注中或附加在依赖符号上 图��� 显示了一些约束 � � � 实例 实例 实例 实例� 实例是具有标识的运行实体 它可以与其它运行实体区分 它在任何时刻具有值 值会 随时间根据操作发生变化 � 模型的目的是描述系统可能的状态和行为 模型是对潜在可能性 可能存在的对象集合 对象可能经历的行为历史的陈述 静态视图定义和限制了运行系统可预料值的配置 动态 视图定义了运行系统从一个配置迁移至另一个配置的可能途径

SIG成员在AI顶会IJCAI 上分享分布式协同AI论文 Sedna斩获中国信通院云边协 同应用创新大赛最佳创新奖 ✓ 数据集管理 ✓ 模型管理 ✓ …… 基础框架 ✓ 协同推理 ✓ 增量学习 ✓ 联邦学习 ✓ 终身学习 训练推理框架 ✓ 主流AI框架 ✓ 模块算法 ✓ 可扩展算法接口 ✓ …… 兼容性 项目地址：https://github.com/kubeedge/sedna 面向AI开发者和应用开发者, 暴露边云协同AI功能给 应用 Cloud Edge Local Controll er KubeEdge Cloud Node Edge Node 增量训练 管理 数据集管理, 模型管理, 状态同步 协同推理 管理 联邦学习 管理 Local Controller Worker Worker Worker 边侧推理 Lib APP运行，识别难例，上传到云上标注服务中 ① 业务APP开发者：开发时使用边云AI Lib库, 集成边云协同增量学习功能 ② 部署业务APP，启动增量学习 ④ 人工定期介入，对样本进行标注。 ⑤ 系统基于任务知识库，自动增量训练产生新模型 ⑥ 更新边缘模型 边云协同增量学习： 小样本和非同分布下，模型越用越聪明 ① 开发者：导入边缘AI Lib库, 开发边云协同联邦学习程序。

年年来，研究的重点放在数字化业务管理理的组织治理理与 动态投资组合管理理，最⼤大化投资成效。 2016年年翻译出版了了著作《精益企业》。 演进式架构 让架构可以快速跟上业务发展与技术⽣生 态变化，并保持稳定 变化 tech ecosystem business ux everything changes all the time! 当事物在以不不可预期 的⽅方式持续改变时， 怎么可能进⾏行行有效的 supports guided, incremental change across multiple dimensions. 演进式架构⽀支持 在各个架构设计维度上， 沿着特定⽅方向进⾏行行频繁增量量式变更更。 guided 沿着特定⽅方向（guided）的演进 guided 架构“适应性函数 （Architectural Fitness Functions）” 对⼀一些架构特征提供客观的⼀一致性评估。 Contract Correlation IDs Chaos Monkey incremental change “架构量量⼦子（architectural quantum）”是⼀一个可独 ⽴立变化并部署的单元组件，其具有⾼高功能内聚性， 包含⼀一个系统正常⼯工作所需的所有结构要素。 Checkout component component component database component

要的事情说三遍） 工欲善其事，必先利其器。好的工具能够提升我们的工作效率，让我们能够专注上 层设计。仔细想想，AI 的出现不就是为了帮助我们改善工作方式和提高效率吗？只有好 好的运用 AI 工具，我们才能拥抱变化，不惧未来。 拓展学习 [3] X-GPT 带飞代码 0 代码基础的你做自动化！ https://mp.weixin.qq.com/s/0EOcvaDG1xP7nDvit-8v2g [4] 云端全链路测试技术全栈学习 另一种方法是通过数据库构造数据，缺点是直接修改数据库容易产生脏数据，全量导入 数据有评估和操作成本。“找”数是通过某种方式去查找已经存在的测试数据，一种方法 是通过数据库去查找可用数据，缺点是数据共用导致数据属性频繁变化，会相互影响； 另一种方法是通过找项目组或者是相关系统的对应开发人员配合提供，缺点是需要熟悉 38 《51 测试天地》七十四 www.51testing.com 各自模块，沟通成本高。这两 信贷长链路数据准备一般涉及范围广，完成一次流程往往要跨多个系统或者是模块， 对上下游系统间的合作需要高度的默契； 数据准备需要熟悉业务流程、熟悉业务接口和实现逻辑，对数据准备人员较高要求； 大部分情况下数据构造流程伴随着业务状态的变化，数据状态是不可逆的，只能按 需不断构造新的数据； 链路越长整体成本越高； 数据间依赖性强，往往需要做数据的串联，例如下一个请求的入参需要上一个请求 的返回值； 找谁造数、造什么样的数，时间往往都消耗在沟通上。

上，这表明芯片应用与 CPU 架构之间的关联性正在增强。历史上，在 PC 和互联网 时期，x86 架构芯片占据优势，而在移动互联网时期，ARM 架构芯片占据优势，今 后，在智能互联时期，CPU 架构格局也会随之发生变化。 近年来，国际上一种新兴的开源精简指令集架构 CPU（RISC-V），为全球芯片产 业创新发展提供了新的机遇。RISC-V 架构由美国加州大学伯克利分校计算机科学部 门于 2010 年发布， 验。2023 年 2 月，三人均完成全书所有章节的校对，并相互交换审阅意见，第 2 阶 段的翻译工作基本结束。 第 2 版译本的修订内容 我们对比了原书第 2 版相对于原书第 1 版的主要变化： • 新增了若干扩展的章节 • 卷首添加了数条赞语 • 前言的 “致谢” 中新增了对翻译版本的描述 • 新增了附录 B，介绍如何将 RISC-V 翻译到其他 ISA • 特权架构章节添加了一些图，包括异常中断相关 -V 版）》更 新到第二版，MIPS 指令集的归属也一再发生变化等 • 修正了若干错误 我们获得的原书 LaTeX 工程中已包含原书第 2 版新增扩展章节的部分初稿，但 在我们开展第 2 版译本的翻译工作时，原书作者尚未完成新增扩展章节的撰写。我们 讨论后决定，第 2 版译本的主要内容仍然基于原书第 1 版，但吸收了上述变化中除 新增扩展章节外的其他内容，同时通过脚注标注翻译工作开展时

..................................................................................... 13 1.2 模块化与增量型 ISA ............................................................................................. 边栏，是希望能在里面 放入一些有意思的评 论。比如，RISC-V 最初 是为加州大学伯克利 分校的内部研究和课 程开发的。外部人员的 使用使它变得开放。 RISC-V 架构师在开始 收到有关网上 ISA 课程 变化的投诉时就了解 到了来自外部的兴趣。 只有在架构师理解了 需求之后，他们才会尝 试把它变为一个开放 的 ISA 标准。 14 图1.2：x86指令集自诞生以来指令数量的增长 1.2 模块化与增量型 ISA 英特尔曾将其未来押在高端微处理器之上，但那时还需要很多年时间。为了对抗Zilog，英特尔开发了 一款过渡产品，并给它起名为8086。它本应该是短命的，没有任何继任者，但事情并非如此。高端处 理器姗姗来迟，等它最终出现时，它的性能并不如人意。因此，8086架构延续了下去——它变成32位 处理器，最终演变为了64位处理器。它的名称不断变化（80186,802

开源作为⼀种标准加速云计算发展，尤其 K8s 迅速崛起给我们很多启示，作为⼀家云计算公司，阿 里巴巴也在 2018 年制定了⼀个全面开源，加速企业数字化转型，影响 100w 开发者的战略目标， 这个阶段的开源发生了本质的两个变化，第⼀更重视社区和生态建设，第二更注重自研、开源、商 业化三位⼀体，讲清开源的价值，能够持续投入开源，解决第⼀阶段难以持续的问题。 Nacos 也 是在这个大势下应运而生，并且快速成为国内首选。 和打标能力，为实现上层流量和服务灰度非常关键。 19 > Nacos 架构 内核层  插件机制：实现三个模块可分可合能力，实现扩展点 SPI 机制，用于扩展自己公司定制。  事件机制：实现异步化事件通知，SDK 数据变化异步通知等逻辑，是 Nacos 高性能的关键部分。  日志模块：管理日志分类，日志级别，日志可移植性（尤其避免冲突），日志格式，异常码+帮 助文档。  回调机制：SDK 通知数据，通过统⼀ 基本可以满足所有的 RESTful 服务的发现，此时服务的 IP 列表通常配置在 nginx 或者 LVS。后来出现了 RPC 服务，服务的上下线更加频繁，人们开始寻求⼀种能够支持动态上下 线并且推送 IP 列表变化的注册中心产品。 互联网软件行业普遍热捧开源产品，因为开源产品代码透明、可以参与共建、有社区进行交流和学 习，当然更重要的是它们是免费的。个人开发者或者中小型公司往往会将开源产品作为选型首选。

点分别表示该检测 算法在不同尺寸网络下（s/tiny/nano）的模型性能，从图中可以看到，YOLOv6 在精 度和速度方面均超越其他 YOLO 系列同体量算法。 图 1-2 展示了输入分辨率变化时各检测网络模型的性能对比，曲线上的点从左往右 分别表示图像分辨率依次增大时（384/448/512/576/640）该模型的性能，从图中可 以看到，YOLOv6 在不同分辨率下，仍然保持较大的性能优势。 升性能，但如何应用 2D 目标检测的蒸馏方法来辅助 YOLOv6 模型的量化，也需要 设计合理的方案在实际应用中进行检验。 18 > 2022年美团技术年货 图 1 多分支结构重参数化过程（A）结构变化（B）参数变化 （来源：[2]） 2. 量化方案实战 2.1 重参数化优化器 YOLOv6 网络中大量使用重参数化结构，在提高模型训练精度的同时能够显著降低 模型部署推理延时，但也带来了模型量化部署方面的难题。对重参数化网络的直接量 reduce_layer1.conv 无法直接输出为 INT8。 可以看出，对于同一个输出，输入到多路分支后为何 scale 不同的，原因是右边 的分支经过了 concat 操作，会导致输出的数据分布发生变化，再进行激活校准 （Activation Calibration）时，会得到的不同的最佳截断值 (Activaition Max）。 3.1.3 图结构优化 根据上面的分析，如果一个节点的输出

3.1 文件压缩和解压 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 473 13.3.2 增量压缩和解压 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 474 13.3.3 一次性压缩或解压缩 . . . . . . . . . . . 1309 24.1.8 Python 2.6 之后的变化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1309 24.1.9 Python 3.0 之后的变化 . . . . . . . . . . . . . . . . . . . . . . . . 值为零或负数将清空序列。序列中的 项不会被拷贝；它们会被多次引用，正如通用序列操作 中有关 s * n 的说明。 4.6.4 列表 列表是可变序列，通常用于存放同类项目的集合（其中精确的相似程度将根据应用而变化）。 class list([iterable]) 可以用多种方式构建列表： • 使用一对方括号来表示空列表: [] • 使用方括号，其中的项以逗号分隔: [a], [a, b, c] •

文件压缩和解压 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 506 13.3.2 增量压缩和解压 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 507 13.3.3 一次性压缩或解压缩 . . . . . . . . . . 1401 24.1.8 Python 2.6 之后的变化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1402 24.1.9 Python 3.0 之后的变化 . . . . . . . . . . . . . . . . . . . . . . . 值为零或负数将清空序列。序列中的项不 会被拷贝；它们会被多次引用，正如通用序列操作 中有关 s * n 的说明。 4.6.4 列表 列表是可变序列，通常用于存放同类项目的集合（其中精确的相似程度将根据应用而变化）。 class list([iterable]) 可以用多种方式构建列表： • 使用一对方括号来表示空列表: [] • 使用方括号，其中的项以逗号分隔: [a], [a, b, c] •