稀疏分组全连接GwEN 深度兴趣网络DIN 兴趣演化模型DIEN 用户兴趣Life-long建模MIMN ’ alt=‘OCR图片’/> 精准定向广告排序算法创新之旅 大规模MLR 稀疏分组全连接GwEN 深度兴趣网络DIN 兴趣演化模型DIEN 用户兴趣Life-long建模MIMN ’ alt=‘OCR图片’/> 大规模MLR一一赋予模型非线性能力 Mixture 分而治之的思想 模型复杂度可控（分片数） 任意强的非线性拟合能力 适合大规模化高纬度数据 训练数据 例子：分类问题 线性模型（LR） 分片线性模型 MLR https://arxiv.org/abs/1704.05194 ’ alt=‘OCR图片’/> 精准定向广告排序算法创新之旅 大规模MLR 稀疏分组全连接GwEN 深度兴趣网络DIN 兴趣演化模型DIEN 用户兴趣Life-long建模MIMN 享受算力&数据红利、模型capacity爆增 ’ alt=‘OCR图片’/> 基于Embedding&MLP范式的模型改进 User Behaviors Candidate Ad Context Features 基于Embedding&MLP通用范式下的创新方法 DNN DeepFM PNN Wide&Deep 兼容已有的代数式先验，增加模型拟合能力 人工特征设计

b/126bfe1465ea2bfc007e1620c0f37e48/p1_1.jpg) PostgreSQL ## Apache ShardingSphere(Incubating) 云架构演化 Juan Pan panjuan@apache.org JD Digits ## Sharding Sphere ![Image](/uploads/documents/1/2/6/b/1 Kenneth发表的论文Sagas。 ## 参考地址： https://www.cs.cornell.edu/andru/cs711/2002fa/reading/sagas.pdf ## Saga工作原理 Saga模型把一个分布式事务拆分为多个本地事务，每个本地事务都有相应的执行模块和补偿模块（TCC中的Confirm和Cancel）。当Saga事务中任意一个本地事务出错时，可以通过调用相关的补偿方法恢复之前的事务，达到事务最终的一致性。

## Apache ShardingSphere (Incubating) ## 云架构演化 京东数科-张亮 (email: zhangliang@apache.org) 京东数科-潘娟 (email: panjuan@apache.org) # 未来架构 从服务化到云原生 张亮 吴晟 敖小剑 宋净超 著 ![Image](/uploads/documents/7/a/6/a/7a6a3 Kenneth发表的论文Sagas。 ## 参考地址： https://www.cs.cornell.edu/andru/cs711/2002fa/reading/sagas.pdf ## Saga工作原理 Saga模型把一个分布式事务拆分为多个本地事务，每个本地事务都有相应的执行模块和补偿模块（TCC中的Confirm和Cancel）。当Saga事务中任意一个本地事务出错时，可以通过调用相关的补偿方法恢复之前的事务，达到事务最终的一致性。 Sharding-JDBC Sharding-Proxy Sharding-Sidecar Apache ShardingSphere ↓↓↓ 云原生 无中心 零侵入 ## ShardingSphere云架构演化 单体式架构 分布式微服务 云原生架构 Sharding-JDBC Sharding-Proxy Sharding-Sidecar ## JDBC&Proxy ![Image]

## JVM 内存模型 

## Uber 派单系统 &运维演化 ## 李宁 Uber核心流稳定性负责人 ## 极客邦科技 会议推荐2019  QCon ## 全球软件开发大会 大会：5月6–8日 培训：5月9–10日 北京 QCon !

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

## 从0到1，移动政务服务小程序系统架构演化 Dolphin 刘道平 数字广东/粤省事产品中心 系统架构师 ## 极客邦科技 会议推荐2019  ## QCon 北京 ## 全球软件开发大会 大会：5月6–8日 培训：5月9–10日 0496/p4_1.jpg) ## 目录 一、移动政务应用服务现状与痛点 二、一个特殊的移动政务应用项目 三、政务服务小程序平台研发过程 四、政务服务小程序平台架构演化 五、政务服务系统架构小结与思考 ## 1、 当前政务移动应用APP发展情况 ## 1、 功能单一 大多政务服务APP功能单一，仍以政务信息发布为主，缺乏实用的网上办事和便民服务。仅有 ## 3 少填少报、少跑快办 ## 目录 一、移动政务应用服务现状与痛点 二、一个特殊的移动政务应用项目 三、政务服务小程序平台研发过程 四、政务服务小程序平台架构演化 五、政务服务系统架构小结与思考 ## 4、 一个特殊的移动政务应用项目 1 时间紧：1月启动，5月上线 4 需求多：公积金、社保、出入境、交管等服务很多，需要梳理 ![Image]

## 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 #### 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 device = "cuda"