谈谈 Go 服务稳定性建设 万俊峰Kevin kevwan@github About me go-zero 作者 • 阿里云MVP • 腾讯云TVP • ArchSummit 明星讲师 • GopherChina 主持人&金牌讲师 • 极客时间 Go 专题出品人 • 腾讯云开发者大会讲师 TOC 稳定性的定义 Go 服务稳定性手自 稳定性的度量 Go 服务监控告警 Go Go 服务排障 稳定性定义 可用性 正确性 延迟 ’ alt=‘OCR图片’/> Go 服务稳定性手段 需求合理性 技术方案简洁性 code review 单元测试 自动化回归 稳定性手段 正确性（涉及到钱的服务） 幂等 至少一次 保序 浮点精度 (decimal) 正确性校验机制 稳定性度量 可用性 时间纬度 时间纬度 请求成功率 稳定性度量 正确性（涉及到钱的服务） 财务对账系统 安全风控 稳定性度量 时延 Average P50 P99 P99.9 ’ alt=‘OCR图片’/> Go 服务监控告警 具 • Prometheus • 基础指标需要自动上报 • 业务指标按需上报（但要使用便捷） • OpenTelemetry • 链路不能断 • 消息、电话 • 普通告警消息

## PyTorch ## RNN训练难题 主讲人：龙良曲  ## Simple Yet? Nothing is straightforward. ![Image](/uploads/documents/a/b/d/0/abd0d93

[Image](/uploads/documents/a/3/b/b/a3bbe1f6675c3cec959e1f224b976c60/p1_2.jpg) PYTHON 30th ## 使用Python训练和部署低精度模型 (TensorFlow版) 张校捷 2019/9/21 ## 目录 >> 低精度的概念和意义 TensorFlow的FP16模型 >> TensorRT的FP16/Int8模型 n_lists.h  ## FP16训练模型精度 Table 1: ILSVRC12 classification top-1 accuracy. |Model|Baseline|Mixed Precision|Reference|

17-6.18 @Shanghai Rust China Conf 2023 # Rust OS 开源操作系统训练营的教与学 李明 清华大学 2023-6-17 ## 1 Rust OS 开源训练营的起因和发展 ## 鹏城实验室 PENGCHENG LABORATORY ## 开源操作系统训练营的起源（2020年） |30|||| 训练营过去三年的发展情况 2020年 ~ 2022年 • 2020年 • 夏季训练营 2020.7.1 ~ 8.31 • 2021年 CSCC 全国大学生计算机系统能力大赛 • 夏季训练营 2021.7.1 ~ 7.31 2022年 CSCC 全国大学生计算机系统能力大赛 • 夏季训练营 2022.7.3 ~ 8.31 • 秋冬季训练营 2022.10.16 Hub of OS Kernel ## 2023 开源操作系统训练营 • 2023.05.27：在5月底前完成第二阶段 rCore OS 实验的全部内容，排行榜分数达到500分（满分）或类似的能力证明的同学，可联系李明老师了解详情，参加内容丰富的线下实习计划。实习地点在北京/济南。 ·2023.05.07：部分已经完成训练营第二阶段训练的同学，可联系李明老师，与全国的学生/工程师一起参加各种有趣挑战性的小项目

## 七 牛AI训练业务的K8S实践 袁晓沛 七牛容器云负责人 ## QCon 全球软件开发大会 10⽉17-19⽇上海·宝华万豪酒店  扫码锁定席位 ## 九 折即将结束 团购还享更多优惠，折扣有效期至9月17日 扫描右方二维码即可查看大会信息及购票 扫描添加E小欧， 邀您进入EGO会员预报名群 立即报名 TECHNOLOGY EGO ## TABLE OF CONTENTS AI训练的业务情况 AI训练的痛点 为什么用K8S 基于K8S的AI训练 一次踩坑经历 接下来的工作 ## AI训练流程 ![Image](/uploads/documents/1/e/a/e/1eae6abc6c8389e508255ddf048c8d7f/p6_1 创建 训练样本集 Name 供训练任务高速读取 resize, shuffle, stats 训练参数 ServingGate 开放 API 访问 私有 API 访问 按版本访问 启动训练 模型推理 API AppName, AppVersion 一键部署 分阶段发布 分布式、容器化 发布 启动评测 独立评测任务ID 容器化 评测参数 ## AI训练迭代 原始数据

项目进阶实战》视频课程 快速上手篇：动手训练模型和部署服务 ## 目录 - TensorFlow 2 开发环境搭建 - 使用 tf.keras.datasets 加载数据 - 使用 tf.data.Dataset 加载数据 - 使用 tf.keras.Model 管理模型 - Fashion MNIST 数据集介绍 - 使用 TensorFlow 2 训练分类网络 TensorFlow activation=tf.nn.softmax)(x) model = tf.keras.Model(inputs=inputs, outputs=outputs) #### 使用 tf.keras.Model 训练模型 In [5]: model.fit(x_train, y_train, epochs=5) ## 保存和加载 h5 模型 ## 保存为 h5 模型 In [11]: model.save("mnist_model 完成，项目Z未完成| |102|项目Z|2023年12月15日|10000|10000|项目Z完成，项目A未完成| |103|项目A|2023年12月15日|||| 使用 TensorFlow 2 训练分类网络 ## Get Fashion MNIST dataset from tensorflow Import keras import tensorflow as tf fashion_mnist