## 如何向Go官方提交代码 蒙卓  hi@mzh.io ## 自我介绍 后端工程师，主要写Go • 业余搞Go官方库开发 ● 主要喜欢折腾ARM/MIPS 性能优化 ● 第一个中国Go 官方MIPS64 builder 维护者

## HIPPY 前终端统一方案 Hippy-Vue 设计和实现 ## 背景介绍 传统移动端开发模式，无法满足业务精细化运营需求，急需寻找一种高性能、跨平台、动态发布的开发解决方案。 Web Native 前终端一体化 开发效率高 开发效率低 开发效率高 支持多平台 无法跨平台 支持双平台 可动态发布 发布复杂 可动态发布 体验差 体验好 体验好 能力弱 能力强 [Image](/uploads/documents/e/3/8/7/e38755a0f1cdd83bbadd0dad3e36d981/p3_6.jpg) |城市|高楼群围墙|高楼群围墙中空区以山墙最底部，一般围墙应朝同一方向设置围墙|| |---|---|---|---| |level|挡风墙|挡风墙上横跨挡风墙以挡风墙上侧向|| |方向及标高|高架|高架|高架| |标准要求|构建记录|构建记录|| |标高要求|高程值|高程值|| x5 内核团队提供支持 ## 项目架构 Hippy SDK 采用三层设计，其中： - JavaScript 层：提供业务代码运行时的前端上下文环境； • Native Framework 层：负责前终端通讯与 JavaScript VM，并提供 Native 相关模块； • Portable UI 层：提供基础 UI 组件与布局计算框架，并负责渲染至目标平台； ![Image](/uploa

[Image](/uploads/documents/6/c/d/1/6cd1be2509fa58020b09359e1cd56628/p1_2.jpg) ## 欢迎来到 PyCon 【成都站】，向伟大的 Pythonista们致敬！ PYTHON 30th PyCon China 组委会 _晁倩/Queena ## 与 PyCon China 结缘 2016 志愿者参与 2017 会务执行 社区合作伙伴 PYTHON 30th  ## 向伟大的 Pythonista们致敬！ PyCon China 2020见！ 微信公众号：PyChina ![Image](/uploads/documents/6/c/d/1/6cd1be2509

反向传播算法 隐藏层 输出层  ## 前向传播： 计算 $ z^{[1]} $ ， $ a^{[1]} $ ，再计算 $ z^{[2]} $ ， $ a^{[2]} $ ……，最后得到loss function。 ### 4. 反向传播算法 /e/2/1/7e21f8a2992a11261e2d760639aa8695/p21_1.jpg) 这是五个隐藏层的神经网络，隐藏层和输出层一共是六层，因此我们称这个是六层的神经网络。 ## 前向传播 第一层需要计算 $ z^{[1]} = w^{[1]}x + b^{[1]} $ $ a^{[1]} = g^{[1]}(z^{[1]}) $ (x可以看做 $ a^{[0]} $ g^{[2]}(z^{[2]}) $ 以此类推， 第四层为 $ z^{[4]} = w^{[4]}a^{[3]} + b^{[4]}, \quad a^{[4]} = g^{[4]}(z^{[4]}) $ 前向传播可以归纳为多次迭代 $ z^{[l]} = w^{[l]}a^{[l-1]} + b^{[l]}, \quad a^{[l]} = g^{[l]}(z^{[l]}) $ 。 ![Image

output。 ## 例如：  它是一个简单的前馈神经网络，它接受一个输入，然后一层接着一层地传递，最后输出计算的结果。神经网络的典型训练过程如下： 1. 定义包含一些可学习的参数(或者叫权重)神经网络模型； 2. 在数据集上迭代； 3. 通过神经网络处理输入； GPU 上运行、导出、加载等。 - nn.Parameter：一种变量，当把它赋值给一个Module时，被自动地注册为一个参数。 - autograd.Function：实现一个自动求导操作的前向和反向定义，每个变量操作至少创建一个函数点，每一个Tensor 的操作都会创建一个接到创建Tensor 和编码其历史的函数的Function 节点。 ## 重点如下： · 定义一个网络 - 处理输入，调用 0x7f417c5f34f0=""> ## 反向传播 调用 loss.backward() 获得反向传播的误差。 但是在调用前需要清除已存在的梯度，否则梯度将被累加到已存在的梯度。 现在，我们将调用 loss.backward()，并查看 conv1 层的偏差（bias）项在反向传播前后的梯度。 net.zero_gra

[Image](/uploads/documents/4/2/c/4/42c4fbcf187df0f624a5e70022348082/p19_1.jpg) 模型管理也是一样，我们在平台上实现了模型的配置化上线、卸载、上线前的验证、灰度、独立的打分测试、Debug信息的返回等等。同时支持在平台上直接修改模型配置文件，平台可以实现模型多版本控制，一键回滚等。配置皆为实时生效，避免了手动上线遇到问题后因处理时间过长而导致损失的情况。 要包括以下几个方面。 ## 被迫“消失”的 Listwise 特征 前面说到，系统架构设计中没有“银弹”。在采用了无状态分布式的设计后，请求会分片。所以 ListWise 类型的特征就必须在打分前算好，再通过接口传递给 Augur 使用。在权衡性能和效果之后，算法同学放弃了这一类型的特征。 当然，不是说 Augur 不能实现，只是成本有些高，所以暂时 Hold。我们也有设计过方案，在可量化的收益高于成本的时候，我们会在 训练、一键 Fork、一键上线的能力。与公司其他的训练平台不同，我们通过完善的在线预估框架倒推离线训练的需求，进而构建了与在线无缝结合的搜索实验平台，极大地提升了算法同学的工作效。 未来，我们也会向大家介绍产品级别的一站式搜索实验平台，敬请期待。 ### 6. 未来展望 在统一了搜索的在线预估框架后，我们会进一步对 Augur 的性能 & 能力进行扩展。 未来，我们将会在检索粗排以及