资讯
- 2018年的5个人工智能趋势
在2018年人工智能会有什么进展?下面是我们观察到的:期待机器学习在方法、理解和教育方面会取得实质性的进展;在硬件方面的进步和更低的花费,将会带来更好的数据收集和更快的深度学习;我们会看到更多的自动化应用案例;人工智能社区将继续解决对于人工智能在隐私、伦理道德和责任方面的担忧。 - TensorFlow 1.6.0 版本发布
TensorFlow 1.6.0-rc0 发布了,TensorFlow 是谷歌的第二代机器学习系统,按照谷歌所说,在某些基准测试中,TensorFlow的表现比第一代的DistBelief快了2倍。 - Python 3.7 有何新亮点 ?
Python 3.7增添了众多新的类,可用于数据处理、针对脚本编译和垃圾收集的优化以及更快的异步I/O。Python这种语言旨在使复杂任务变得简单,最新版本Python 3.7已正式进入测试版发布阶段。Python 3.7的最终版定于2018年6月发布,但此后不会为Python 3.7版本添加任何新功能。
技术
- YARN中的CPU资源隔离-CGroups
CGroups(Control Groups)是Linux内核的一个资源隔离功能,限制/隔离/统计进程的资源使用,包括CPU/内存/磁盘IO/网络等资源。YARN中也集成了CGroups的功能,使得NodeManger可以对container的CPU的资源使用进行控制,比如可以对单个container的CPU使用进行控制,也可以对NodeManger管理的总CPU进行控制。 - 美团点评基于Storm的实时数据处理实践
本文将从目前主流实时数据处理引擎的特点和我们面临的问题出发,简单的介绍一下美团是如何搭建实时数据处理系统。计算引擎的完整性、数据的平滑处理以及计算策略等。
- 使用Dataflow模型和Apache Beam进行流数据处理的基础
无限数据流中的数据迟到是数据处理系统必须考虑的问题。水印(watermark)是一种用于解决迟到数据问题的概念。当数据处理系统接受到了一个水印时间戳时,它就会假设它不会再接收到比该时间戳更旧的消息。Google Dataflow模型以及对应的Apache Beam实现都鼓励用户为了能够更好地理解数据处理的方法,需要问自己四个问题:你在计算什么?事件时间(Event time)在哪里?什么时候进行处理?如何进行改进? - Dynamometer: Scale Testing HDFS on Minimal Hardware with Maximum Fidelity
Dynamometer是LinkedIn推出的一款开源HDFS性能评测工具。Dynamometer最初是为了解决HDFS集群扩展的性能瓶颈,旨在精确预测HDFS性能。Dynamometer能够创建HDFS集群,模拟NameNode和DataNode节点(内部称为"Dyno-HDFS", "Dyno-NN", and "Dyno-DN"),通过审计日志回放生产环境下真实的负载。本文主要介绍了Dynamometer诞生的背景、原理,以及在LinkedIn内部如何运用于HDFS新特性测试和NameNode调优。
欢迎入群技术交流!
版权声明:信息都是来自互联网,如果侵权,请联系我们,我们负责删除。
阿里云E-MapReduce团队出品