機器人的... 一天...

掃文資訊 All the 1152 articles from dockone.io 產品技術多方平衡，企業級容器 PaaS 如何滿足使用者的多樣化需求？ @  dockone_io   2018-12-28 17:40 CST: +0800 5G下的微服務架構：擁抱NFV，Istio 1.1將支援多網路平面 @  dockone_io   2018-12-28 16:13 CST: +0800 大家都在說的Service Mesh，你何時需要它？ @  dockone_io   2018-12-28 13:10 CST: +0800 Kubernetes API 與 Operator：不為人知的開發者戰爭（上） @  dockone_io   2018-12-28 10:55 CST: +0800 Kubernetes的未來在於虛擬機器——而非容器 @  dockone_io   2018-12-27 13:19 CST: +0800 在Kubernetes叢集上部署和管理JFrog Artifactory @  dockone_io   2018-12-26 13:50 CST: +0800 Jenkins,我都不用手動配置 @  dockone_io   2018-12-25 14:54 CST: +0800 【Kubernetes安全系列第一篇】為什麼Kubernetes安全這麼難？ @  dockone_io   2018-12-24 12:24 CST: +0800 深入淺出Kubernetes網路：容器網路初探 @  dockone_io   2018-12-22 11:30 CST: +0800 Kong 1.0通用（GA）版本正式釋出！ @  dockone_io   2018-12-21 20:31 CST: +0800 深入理解分散式事務 @  dockone_io   2018-12-21 15:01 CST: +0800 Kubernetes在宜信落地實踐 @  dockone_io   2018-12-21 14:45 CST: +0800 DockOne微信分享（一九六）：聚美優品雲平臺實踐 @  dockone_io   2018-12-21 12:34 CST: +

我到目前為止，有兩次很長時間的咳嗽，而且屢醫無效，第一次發生在年輕時，幸得媽媽看到香港已故名醫江一葦的著作，得一藥方"桂圓參蜜膏"(A藥方)，一飲治之！ 這幾年又斷斷續續咳嗽了很長時間，服用"桂圓參蜜膏"也不見效，又幸媽媽的一位晨運客告知一藥方"阿膠治久咳"(B藥方)，服用數次即見效！ 個人經驗，A藥方可能適合年輕咳嗽的朋友，我公司有一個美國來的年輕女孩，剛到香港即咳嗽到停不了，吃西藥無效，我剛好有藥方A的藥，給她服用兩次即見效！我現附上圖片，給各位參考！ B藥方則可能適合中老年人的咳嗽，而咳嗽帶有白色泡痰，而痰又似白色透明膠水的，喉嚨痕癢而咳嗽者可試服，由於我伴隨有失眠心悸的問題，所以又加了心脈飲，如你沒有心悸失眠，可只用北芪煲水沖服阿膠！ B藥方:阿膠5克，北芪10克，如有心悸失眠再加(黨參10克， 麥冬10克 五味子5克 )煲水沖服阿膠。 A藥方請參考圖片！ 現將此兩方獻上，希望幫到咳嗽很久的朋友！

內存內計算，下一代計算的新範式？ 2018-12-03  14:00:06  來源:半導體行業觀察 283  點擊 分享 最近，內存內計算成了熱門關鍵詞。 今年早些時候，IBM發布了基於相變內存（PCM）的內存內計算，在此之後基於Flash內存內計算的初創公司Mythic獲得了來自軟銀領投的高達4000萬美元的B輪融資，而在中國，初創公司知存科技也在做內存內計算的嘗試。 本文將對內存內計算的原理以及其市場前景做一些分析。 馮諾伊曼架構之痛 馮諾伊曼架構是計算機的經典架構，同時也是目前計算機以及處理器芯片的主流架構。 在馮諾伊曼架構中，計算／處理單元與內存是兩個完全分離的單元：計算／處理單元根據指令從內存中讀取數據，在計算／處理單元中完成計算／處理，並存回內存。 馮諾伊曼架構是經典的計算機體系架構，也構成了過去近一個世紀的計算機科學的基礎。 然而，馮諾伊曼架構在構建之初只是一個理論模型，在建立該模型時做了一個合理的假設就是處理器和內存的速度很接近。 當然，馮諾伊曼在當時沒有辦法預測到未來集成電路發展對於計算機造成的深遠變化。 計算機處理器的性能隨著摩爾定律高速發展，其性能隨著晶體管特徵尺寸的縮小而直接提升，因此在過去數十年中其性能提升可謂是天翻地覆，現在一顆手機中處理器的性能已經比30年前超級計算機中的處理器還要強。 另一方面，計算機的主要內存使用的是DRAM方案，DRAM是基於電容充放電實現的高密度存儲方案，其性能（速度）取決於兩方面，即內存中電容充放電的讀取／寫入速度以及DRAM與處理器之間的接口帶寬。 DRAM電容充放電的讀取／寫入速度隨著摩爾定律有一定提升，但是速度並不如處理器這麼快，另一方面DRAM與處理器之間的接口屬於混合信號電路，其帶寬提升速度主要是受到PCB板上走線的信號完整性所限制，因此從摩爾定律晶體管尺寸縮小所獲得的益處並不大。 這也造成了DRAM的性能提升速度遠遠慢於處理器速度，目前DRAM的性能已經成為了整體計算機性能的一個重要瓶頸，即所謂阻礙性能提升的“內存牆”。 除了性能之外，內存對於能效比的限制也成了傳統馮諾伊曼體系計算機的一個瓶頸。 這個瓶頸在人工智能應用快速普及的今天尤其顯著。 這一代人工智能基於的是神經網絡模型，而神經網絡模型的一個重要特點就是計算量大，而且計算過程中涉及

https://gist.githubusercontent.com/birjolaxew/31a964172b4bb1e775af/raw/efab215f08eb18c808ae9972bf65681b5c15e435/gistfile1.txt https://codepen.io/birjolaxew/post/cracking-captchas-with-neural-networks https://www.nist.gov/sites/default/files/documents/srd/nistsd19.pdf https://en.wikipedia.org/wiki/MNIST_database https://pjreddie.com/projects/mnist-in-csv/ http://yann.lecun.com/exdb/mnist/

Building a Wine Tasting Neural Network with Node.js by Valeri Karpov @code_barbarian March 09, 2018 One of the great perks of living in the San Francisco Bay Area is proximity to some amazing wine regions. Over the last couple years, I've visited vineyards in regions like Napa Valley, Sonoma Valley, Paso Robles, and even  Malibu . I recently ran into a  machine learning data set that has data on 6000 Portuguese wines  that includes a 1-10 quality rating, which seems like a great excuse to build a neural network that can predict the 1-10 quality rating based on factors like residual sugar and alcohol content. Effectively, this neural network attempts to match the wine palate of whoever put this data set together. Training a Neural Network with Brain.js Brain.js  is a simple npm module for building  neural networks , a common machine learning model that you might see in an  undergraduate AI class . The wine data can be downloaded  here . The file is a CSV that use

GPU-accelerated Neural Networks in JavaScript Sebastian Kwiatkowski Follow Mar 19 According to the  Octoverse 2017  report, JavaScript is the most popular language on Github. Measured by the number of pull requests, the level of JavaScript activity is comparable to that of Python, Java and Go combined. JavaScript has conquered the Web and made inroads on the server, mobile phones, the desktop and other platforms. Meanwhile, the use of GPU acceleration has expanded well beyond computer graphics and is now an integral part of machine learning. Training neural networks with deep architectures is a computationally intensive process that has led to state-of-the-art results across many important domains of machine intelligence. This article looks at the ongoing convergence of these trends and provides an overview of the projects that are bringing GPU-accelerated neural networks to the JavaScript world. Community logo for JavaScript An overview All projects li