## JVM 内存模型 

 ## 个推微服务实践 ### 基于OpenResty和Node.js 平台研发总监 俞锋锋 2017-04-16   个推专注消息推送多年，拥有庞大的数据体系和深入的洞察能力。 ## ## 什么是微服务 ## 单体服务架构的缺点   数据库 单体服务架构，一个服务包，共享代码和数据。其缺点： 开发成本高 可维护性差 技术选型困难 伸缩性差 ## 微服务架构的定义 ![Image](/uploads/documents/0/6/9/9/069932

如何使用 docker 部署一个 beego 项目 作者：xhaoxiong 原文链接：https://ld246.com/article/1526210600840 来源网站：链滴 许可协议：署名-相同方式共享4.0国际(CC BY-SA 4.0)

理解 Docker

Docker 帮助你为应用程序创建一个单独的可部署单元。这个单元，也 被称为容器，包含该应用序需要的所有东西。它包括代码（或者二进制文件）、runtime（运行环境）、系统工具盒系统库。所有必需的资源打包成一个单元将确保无论应用程序部署到哪里都有完全相同的环境。这也有助于维一个完全相同的开发和生产配置，这在以前是很难追踪的。

一旦开始，容器的创建和部署将自动完成。它消除了一大类问题。这些问题主要是由于文件没有步或者开发和生产环境之间的差异导致的。Docker id="相比于虚拟机的优势">相比于虚拟机的优势

容器提供了与虚拟机相似的资源分配和隔离优势。然而，相同之处仅此而已。

一个虚拟机需要它自己的客户操作系统而容器共享主机操作系统的内核。这意味着容器更加轻量且需要更少的资源。从本质上讲，一个虚拟机是操作系统中的一个操作系统。而另一方面的容器则更是操作系统中的其它应用程序。基本上，容器需要的资源（内存、磁盘空间等等）比虚拟机少很多，且具有比虚拟机快很多的启动时间。

李泽辰，Gitee 主编 李涛，APUS董事长兼CEO 2023年12月发布 设计：张琪 ## LLM 技术报告 大语言模型（LLM）技术作为人工智能领域的一项重要创新在今年引起了广泛的关注。 LLM 是利用深度学习和大数据训练的人工智能系统，专门设计来理解、生成和回应自然语言。这些模型通过分析大量的文本数据来学习语言的结构和用法，从而能够执行各种语言相关任务。以 GPT 系列为代表，LLM 以其在自 以其在自然语言处理领域的卓越表现，成为推动语言理解、生成和应用的引擎。 LLM 在多个领域都取得了令人瞩目的成就。在自然语言处理领域，GPT 系列模型在文本生成、问答系统和对话生成等任务中展现出色的性能。在知识图谱构建、智能助手开发等方面，LLM 技术也发挥了关键作用。此外，它还在代码生成、文本摘要、翻译等任务中展现了强大的通用性。 本报告从技术人视角出发，将深入探讨 LLM 技术的背景、基础设施、应用现状，以及相关的工具和平台。 ## LLM Tech Map ## 大模型 ➢ 备案上线的中国大模型 知名大模型 知名大模型应用 LLMOps 大模型聚合平台 ## 工具和平台 ➢ 开发工具 插件、IDE、终端代码生成工具 ## AI 编程 ## 算力 ## 基础设施 向量数据库 数据库向量支持 ➢ 大模型框架、微调 (Fine Tuning) ➢ 大模型训练平台与工具 ## LLM Agent

RUST CHINA CONF 2023 第三届中国 Rust 开发者大会 王俊吉 6.17-6.18 @Shanghai ## Outline ## RustBelt - Rust 的形式化语义模型 Background Rust Semantics • RustBelt Project • Type System • Rust Types Overview • The own Predict

## 用Golang ## 写一个操作系统 复睿：李四保 ## 自我介绍 ● 开发过银行设备 ● 同花顺移动证券 ● 前后参与创立过多家公司 用Golang写了一个云操作系统  ## 自我介绍 ● 多个行业 电力、石化、银行、证券、广电、电商 电力、石化、银行、证券、广电、电商 ● 多种职业 研发、产品、运营、公司运营 ● 喜欢各种宗教 ● 喜欢在虚无中创造一个世界  ## 结缘Golang ● 牛B的作者 ● 曾经的痛点 ● 上帝般的手法  ## 来份硬菜：用Golang写一个操作系统 ● 程序员 VS 码农

## 架构分层模型适配 有效防止架构腐化实践 吴雪峰@201811 DDCHINA ## CONTENTS 01 DDD分层参考架构 02 严纪律 防腐化 — 分层模型适配 03 分层模型适配实例 ## DDD分层参考架构 ## DDD分层参考架构 前端应用  给用户提供界面，关注用户交互和体验 为前端应用提供API服务，关注事务和分布式等技术性问题 领域模型和领域逻辑，关注业务概念。 访问外界系统（调用外界系统）的技术相关实现。 分层依据: 干系人和技术点 ## DDD分层参考架构 - 前端应用 前端应用 UX关注的层  ## 腐化案例: 亏空 大量技术术语业务人员完全看不懂领域模型和领域逻辑，关注业务概念。

AI agent, etc. 最新版本 Qwen1.5 有以下特点： • 6 种模型规模，包括 0.5B、1.8B、4B、7B、14B 和 72B； - 针对每种尺寸提供基础模型和 Chat 模型，并确保聊天模型按照人类偏好进行校准； • 对基础模型和 Chat 模型的多语言支持 - 基础模型和聊天模型都支持多种语言； - 支持工具调用、RAG（检索增强文本生成）、角色扮演、AI Agent 微信群。很期待见到你们！ ## 文档 ### 1.1 安装 要快速上手 Qwen1.5，您可以从 Hugging Face 安装 transformers 库，并使用 Qwen1.5 Collection 中的模型。我们建议您安装最新版本的 transformers 库，或者至少安装 4.37.0 版本。 #### 1.1.1 Pip 安装 pip install transformers -U #### 要快速上手 Qwen1.5, 我们建议您首先尝试使用 transformers 进行推理。请确保已安装了 transformers>=4.37.0 版本。以下是一个非常简单的代码片段示例，展示如何运行 Qwen1.5-Chat 模型，其中包含 Qwen1.5-7B-Chat 的实例： from transformers import AutoModelForCausalLM, AutoTokenizer

如何用GO开发一个区块链项目：ABitchain ’ alt=‘OCR图片’/> ABitchain 目录 区块链简单介绍 如何开发区块链 区块链遇见Go ’ alt=‘OCR图片’/> 区块链特征 1 去中心化 2 可信任的机器，防篡改分布式数据库 3 通过密码学构建账户体系 4 共识，P2P通信是交易基础 区块链数据形态 Genesis block 链ID初始代理数据初始挖矿数据其他规则 定时任务管理 01 NTP（Network Time Protocol，网络时间协议） 02 基于NTP时间定时任务： 定时洗牌 代理出块 节点数据同步 洗牌算法介绍 通过洗牌方式，得到一个固定的代理出块顺序 01 功能 02 设计目的 最大程度保证对等节点上，洗牌结果一致 代理池和投票机制 用户通过注册的方式成为代理候选人 实时选出获得投票最多的代理候选人 用户可以通过投票的方式，支持候选人

隐私安全：数据涉及到企业生产和经营活动安全，在边缘处理企业保密信息和个人隐私。 本地自治：不依赖云端的离线处理能力和自我恢复能力。 ## 边缘计算应用场景——智慧园区 ## 人脸检测 人脸检测模型 人流监控模型 周界检测模型 ## 模型和应用推送、应用管理、边缘设备托管 ## 人流分析 容器 容器 容器 ![Image](/uploads/documents/8/6/b/4/86b47a633c48 区运营效率，提高园区住户体验。 → 对监控视频智能分析，实时感知入侵、人流量大等异常事件，降低园区的人力成本。 端侧人脸抓取，视频分析在边缘侧执行。云端管理边缘应用全生命周期，无缝升级。云端AI模型训练，边缘侧推理。 ## 边缘计算应用场景——智能家居 智能电器控制 ## 摄像头 ![Image](/uploads/documents/8/6/b/4/86b47a633c48a80f107916bf84066a97/p7_1 。 → 云端推送边缘应用，实现应用全生命周期管理和边缘设备托管。 端侧涵盖多种智能设备，边缘侧就近处理隐私数据，回传必要数据到云端。 ## 边缘计算面临的挑战 当前的边缘计算领域主要面临以下五个挑战： → 协同：AI/安全等业务在云和边的智能协同、弹性迁移。 → 网络：云和边缘之间的网络可靠性和带宽限制。 → 管理：边缘节点的资源管理与边缘应用生命周期管理。 → 扩展：高度分布和大规模的可扩展性。