这两天正好也在看吴军的大学之路,我在想,要是大学时代我就看到了这本书,或许我的大学生活会被改写。书籍的好处,我觉得有三处:
翻译自:https://jakevdp.github.io/blog/2016/08/25/conda-myths-and-misconceptions/ 译者:taopanpantao 链接:http://blog.csdn.net/taopanpantao/article/details/53982752 我试着尽可能简洁,但如果你想要跳过这篇文章,并得到讨论的要点,你可以阅读每个标题以及下面的摘要。 神话#1:Conda是一个发行版,不是一个软件包管理器 现实:Conda是一个包管理器;Anacond
当所有的人都在关注ChatGPT,当所有的公司都在涌入到ChatGPT的赛道时,我们应当做的,或许是摒弃ChatGPT的迷思,从而找到一条客观而理性地看待ChatGPT的方式和方法。 透过他们对于ChatGPT的迷思,我们可以非常明显地感受到,他们对于ChatGPT的认识,依然还停留在一个万能的,无所不能的存在的层面上。 从这样一个角度来看,摒弃对于ChatGPT的迷思的另外一个表现,就是要让它回归到初级且原始的发展阶段,就是要让它回归到并不完善的发展层面上。 因此,摒弃ChatGPT的迷思的另外一个主要方面,就是要告别传统的逻辑和思维,真正用一种全新的逻辑和思维来看待ChatGPT,并且找到一条全新的发展新模式。 ChatGPT,并非拷贝互联网 对于ChatGPT的迷思的一个主要方面,就是仅仅只是简单地将它看成是互联网的简单拷贝和复制,仅仅只是将它看成是一个类似互联网式的存在。
etcd 使用 raft 协议保证各个节点之间的状态一致。根据 raft 算法原理,节点数目越多,会降低集群的写性能。这是因为每一次写操作,需要集群中大多数节点将日志落盘成功后,Leader 节点才能将修改内部状态机,并返回将结果返回给客户端。但是根据 etcd 分布式数据冗余策略,集群节点越多,容错能力(Failure Tolerance)越强。所以关于集群大小的优化,其实就是容错和写性能的一个平衡。
AI测试的迷思 在讨论AI测试时,通常存在两种理解: 第一种是利用AI辅助当前的软件测试,例如使用AI系统学习测试分析和测试设计,进而自动生成测试用例并自动化实现这些测试用例。
经过大佬指点,错误的原因在于,两者定义维度的时候不一致,bit [255:0] mem_fmap_in [2048];和bit [255:0] mem_fmap_in [2047:0];的索引顺序是不一致的,如果将我定义时的代码改成下面的一种,都能避免错误。
对我而言,Golang 中的 Context 一直是谜一样的存在,如果你还不了解它,建议阅读「快速掌握 Golang context 包,简单示例」,本文主要讨论一些我曾经的疑问。
一般都会说两个都重要,这很讨巧,也是事实,但是在当前这个时间窗口里,笔者认为逻辑更重要,因为这是个短暂的务虚阶段,逻辑与实操如同人的两条腿,走路总是会交替前进的,目前是逻辑该先迈出一步,因为好多人都说搞不懂啥是数字化,也就更说不清啥是数字化转型。
之前花了好几篇来跟大家讲思维层面的困惑,希望大家平时多讨论,多反思,好形成自己企业可以在内部达成一致的数字化认识,这样才能凝聚大家的行动,“上下同欲者胜”,这是自古以来的道理了,而一线员工对数字化的认知确实会决定企业最后数字化转型的成果,这也是从信息化过程中就已经得出的结论了,如果说“让听得见炮火的人做决定”这件事不是哪个行业现阶段都能充分做到的,那“让听得见炮火的人提需求”则是我们从信息化、移动互联网走向数字化时,很多传统企业需要弥补的。我们很多系统的功能上线时、数据平台应用推广时,总有很多不理想之处,而这些不理想之处,往往来自于对一线的需求缺乏足够的理解和采集。
数据是人了解世界的一种方式,所以缺乏物理实体的互联网企业无疑更具优势。而对于传统企业来说,数据基础薄弱,缺乏数据分析人才,无法实现精细化管理等问题都是横在大数据应用前的鸿沟。
当年最早做信息化的企业到底是从趋势还是价值的角度看待信息化的?也许无从考证,但是,笔者的经验是,信息化最大的特点就是花费好算,价值不好算,这对数字化也一样。笔者自己从事的企业架构、业务架构工作更是如此,很多人觉得有价值,但从来没有人算清楚它的价值;很多人批评它,往往指向的就是不知道对企业的价值但很清楚企业的花费,尽管这些花费中相当一部分即便不搞企业架构也会换个方式花出去,并不会真的省下来。
已经不记得最初是从哪里获取的信息了,自己总有一个印象是递归的效率比循环差,因为递归有很大的函数调用开销,再加上递归可能存在的堆栈溢出问题(本文暂不考虑该问题),所以书写代码时还是尽量使用循环为好.
免费全网影视VIP视频vip会员免广告看电影! 若播放异常,刷新,更换接口尝试哦!
作为一个长期国家政策而言,所有人都应当从信念上去看待数字化,这是国家新发展理念的一部分,或者说重要实现策略。“纲要”是凝聚了众多人的智慧和调研形成的,其知识密度是需要一定时间去学习的,笔者认为,在叙述具体转型方向上,文中每一句都能够代表一个细分市场,蕴含大量市场机遇,是很多企业和个人可以努力的方向。而且,这也是目前唯一有保证的数字化转型方向,其他人的文章,包括笔者自己的,无论说的逻辑多么恰当,并没有人会为其实现做保证,但“纲要”注定是要居全国之力去实现的,不看他,你还想看啥呢?
全国一体化大数据中心协同创新体系算力枢纽实施方案》等对全社会数字化底盘构建意义重大的法规、文件也相继问世,加上各部委、各地区出台的“十四五规划”,面对国家如此快速地推进数字化建设,事实上,数字化转型已经不应当再用“迷思 但是企业架构作为一个企业级业务系统设计的构建方法论,从诞生之初就存在各种争议,对企业架构有迷思倒是正常的。既然数字化转型让企业架构又被“拎”起来一回,那索性笔者也在一篇文章里一起聊聊吧。 一、迷思的原因 为什么政策如此明确还是有很多企业会有疑问,搞不清什么是数字化呢?笔者认为,这是由于两个“双期叠加”造成的困扰。 但是这就造成了一个问题,因为很多企业信息化建设尚不充分,对信息化的理解、对企业应该信息化到什么程度尚未形成准确的认知,然后数字化的发展理念已经涌进了大脑,这确实会造成一定的迷思,甚至让企业产生可以忽略基础建设
Michel Guillet 来自提供数据可视化的 Juice Analytics 公司,他认为有些公司在跟大数据打交道时往往会陷入这三大迷思: 迷思1:内部的数据用户需要的是灵活性而非指南 去杂货店的时候你有没有遇到东西太多不知道该选什么的情况大数据也一样 迷思2:我们的客户没有要求 客户虽然未必直接要求数据产品,但是间接的表达是会有的。 迷思3:客户的数据我不能收钱 你卖的不是数据,而是合并进分析中的剖析、指标、算法和展示,这些提升了数据的价值。不要把数据产品定位为“容易访问裸数据”,而是可以解决问题的解决方案。
二、如何在思维层面破除迷思 迷思,顾名思义,首先就是思维层面的“迷”,这是看数字化的“姿势”问题,要破除对数字化认知的“迷思”应该先从思维层面开始。
云计算依然被多种迷思所困扰。这些迷思可能会减缓企业的发展速度、阻碍创新并引发恐慌。尽管在过去的五年中,云计算的普及度已显著提升,但一些自云计算诞生以来就已存在的迷思一直延续至今。 这样的环境理所当然地会充斥着各种迷思与误区。” Smith强调了首席信息官应注意的一些最危险、最具误导性的云计算迷思。 迷思一:云总是能够省钱 人们对云的一个普遍迷思是认为云总是能够省钱。 迷思四:把“首席执行官所说的话”当成云战略 这个迷思中的“首席执行官”可以替换为“首席信息官”、“董事会”或其他难以捉摸的人。许多公司至今仍没有云战略。 迷思九:企业正在撤离公有云 传统厂商一厢情愿地认为工作负载正在撤离云。如果这一迷思变成现实,那么它们就能从中获益。但现实情况是,大多数企业并未撤回云工作负载。 由于首席信息官和其他IT领导者正在制定2020年的云使用计划,深入了解关于云的迷思与实际情况将有助于您对云计算形成符合实际的期望。企业机构要想成功发挥云的众多优势,就必须消除这些迷思。
我们看到很多材料中都提到网络功能虚拟化(NFV)的重点都放在技术规格,以及技术如何融入ETSI MANO架构中。但我们有看到商用案例吗?我们需要记住的是,最终迁移到NFV将是业务的转型,而不仅仅是一个
最近伟创力被华为踢出其供应链的事情,想必大家的朋友圈都刷了屏。对于一家硬件公司来说,良好的供应链管理能够保证产品的质量和产能,进而保证企业服务其客户的能力。在全球化的浪潮下,小到一台手机,大到一部汽车,背后都是一整条产业链数百数千家公司竞争合作,最终共同完成成品。如果一家企业的供应链的某个环节出了问题,那么影响产能还算小事,影响到交付到客户手中的产品就非常麻烦了。好几年前我工作过的公司曾经遇到一个非常棘手的问题,我们的企业级防火墙产品在客户的生产环境总会莫名其妙地发生 crash,软件团队花了很多精力研究不同的 crash,无解,只好求助于硬件部门的同事,后来经过一番苦苦探索,发现问题出在某个版本的产品使用的供应商的某个批次的内存芯片上面。在大流量读写,环境温度的条件影响下,有一定几率产生 bit flip。出厂测试无法捕捉到这样的 bug,但客户的环境下就出现了。这种硬件出问题,往往只能召回和替换,因为都是 SoC,无法局部替换;但这个批次的硬件出货量太大,召回是不可能的,只好在软件上想办法。后来总算完美解决,否则会给我们造成巨额的亏损。