CeresDB Rust 生产实践 任春韶 CeresDB 核心开发者 蚂蚁集团技术专家  CeresDB 介绍  Rust 生产实践 - Tokio Preemption - Future Cancellation 目录 CeresDB – 历程 2018.02 2018.10 2019.02 ~ 2020.11 2021.9  自研存储引擎  1.0.0 版本发布

Python的智能问答之路 张晓庆 目录 CONTENTS 智能问答简介 QA快速实践 Python开发的利与弊 总结展望 1 智能问答简介 智能问答领域分类、举例、应用场景 智能问答领域分类 [Duan 2017] 智能问答举例-Community QA • 数据结构化 Ø 用问答对的方式进行知识表示 Ø 知识点：由若干个问题（相似问）、以及 能回答这些问题的答案组成

《Java 应用与开发》课程讲义 中国海洋大学信息科学与工程学院 王晓东 2018 年 9 月 目 录 1 Java 技术概述及开发环境 3 1.1 Java 技术概述 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.1.1 Java 发展简史 . . . . . . . . . . . . . . . . . . 中国海洋大学信息学院计算机系 第 2 页 / 共 306 页 � 1 � Java 技术概述及开发环境 基本信息 课程名称： Java 应用与开发 授课教�： 王晓东 授课时间： 第一周 参考教材： 本课程参考教材及资料如下： • 陈国君主编，Java 程序设计基础（第 5 版），清华大学出版社，2015.5 • Bruce Eckel, Thinking . . . . . . . 中国海洋大学信息学院计算机系 第 8 页 / 共 306 页 � 2 � Java 语言基础与流程控制 基本信息 课程名称： Java 应用与开发 授课教�： 王晓东 授课时间： 第一周 参考教材： 本课程参考教材及资料如下： • 陈国君主编，Java 程序设计基础（第 5 版），清华大学出版社，2015.5 • Bruce Eckel, Thinking

Rust编程语言 核心优势和核心竞争力 庄晓立，北京，QCon2016 liigo@qq.com 2016-4-23 新人分享新语言 2015年5月Rust语言刚刚发布1.0版本 2013年末我开始关注Rust，但尚未深入实践 在重大场合正式演讲这是人生第一次 2016年春节至今认真准备讲稿近三个月 如有错误或纰漏，敬请谅解！ 感谢臧秀涛主编盛情邀请！ Rust 安全、高效、并发的系统编程语言 i（类型是i32）被copy到新的线程（逐字节拷贝）。 Ownership（所有权） Owns Owns 所有权转移 Move, Transfer Ownership 产权证 产权证 最后一任主人(所有者) 负责把资源带入坟墓(销毁) Ownership（所有权） pub struct Vec { ptr: Unique, cap: usize,

云原生监控体系建设 秦晓辉 快猫星云 联合创始人 个人介绍 秦晓辉，常用网名龙渊秦五、UlricQin，山东人，12年 毕业自山东大学，10年经验一直是在运维研发相关方向， 是Open-Falcon、Nightingale、Categraf 等开源软件 的核心研发，快猫星云联合创始人，当前在创业，为客 户提供稳定性保障相关的产品 个人主页：https://ulricqin.github.io/ • controller-manager 在 Kubernetes 架构中，是负责监听 对象状态，并与期望状态做对比，如果状态不一致则进行 调谐，重点关注的是各个controller的运行情况，比如任 务数量，队列深度 • controller-manager出问题的概率相对较小，进程层面没 问题大概率就没问题 • 采集方式可以参考 categraf 仓库的 k8s/deployment.yaml，大盘可以参考

ClickHouse 应用实践 丁晓坤 & 熊峰 一切以用户价值为依归 2 • Clickhouse 的部署与监控管理 • Clickhouse 的应用实践 iData 目录 部署与监控管理 一切以用户价值为依归 3 1 4 部署与监控管理 1 高内存，廉价存储： 单机配置: Memory128G CPU核数24 SATA20T，RAID5 万兆网卡 一切以用户价值为依归

匹配，但二者的主要 的实体成分相似（主体成分为品牌 +POI 形式），正确的识别出 Query/Doc 中的实 体成分有助于相关性的判断。微软的 MT-DNN[33] 已经证明基于预训练模型的多任 务 Fine-tuning 可以提升各项子任务效果。由于 BERT Fine-tuning 任务也支持命 名实体识别（NER）任务，因而我们在 Query-Doc 相关性判断任务的基础上引入 Query 模型裁剪：通过模型剪枝减少参数的规模。 算法 < 53 ● 低精度量化：在模型训练和推理中使用低精度（FP16 甚至 INT8、二值网络） 表示取代原有精度（FP32）表示。 在 Query 意 图 分 类 任 务 [2] 中， 我 们 基 于 MT-BERT 裁 剪 为 4 层 小 模 型 达 到 了 上线要求。意图分类场景下 Query 长度偏短，语义信息有限，直接裁剪掉几层 Transformer Twin-Structured BERT Models for Efficient Retrieval.” arXiv preprint arXiv: 2002.06275 [22] Pandu Nayak. [23] 帅朋、会星等 .WSDM Cup 2020 检索排序评测任务第一名经验总结 [24] Blei, David M., Andrew Y. Ng, and Michael I. Jordan. “Latent