数据不一致，不同渠道口径不一致，缺少对杂乱指标的统一管理； 数据反馈形式不友好，缺少数据可视化的形式，无法呈现趋势，继而影响业务人员对多维、降维、对比等情况的进一 步分析操作。 因此团队提出将运营专题数据产品化，首先分析面临的一些问题和挑战。 挑战 挑战 ① 服务业务能力 数据模式是需求驱动导向，这就导致数据最初只支持了少数团队，而更多有个性化需求的业务团队就无法 被支持。 ② 存储、计算、研发成本 起，同时划分不同活动主题，按事件再向上聚合，做专题的数据支撑，统一数据出口。然后通过多维预计 美团点评运营数据产品化应用与实践 - 美团技术团队 算引擎对事实数据进行预计算，构建数仓与应用的管道，从而节省计算成本，并且提升了数据互通和消费 的效率，最后建设统一的数据服务中台，搭配不同端的Web应用。通过丰富的可视化效果，及多样的分 析对比操作，快速、全面地支撑运营业务。 以下为整个产品的功能模块图： 图1 运营专题整体功能模块图 运营专题整体功能模块图 如图所示，运营专题数据的产品化，根据需要解决的问题划分了多个不同的层次，每一层除其需要面对的 核心问题外，还有其领域内其它功能模块的抽象和扩展，下面将会按照层次划分逐一介绍各个模块。 数据仓库层 数据仓库层 美团点评运营数据产品化应用与实践 - 美团技术团队 数据生产和消费的基础平台，是整个数据产品化过程中最核心的角色。数据仓库的模型建设，不但影响产 品化的难易程度及可行性，更

C++ 5.C++11 起的多线程编程：从 mutex 到无锁并行 6.并行编程常用框架： OpenMP 与 Intel TBB 7.被忽视的访存优化：内存带宽与 cpu 缓存机制 8.GPU 专题： wrap 调度，共享内存， barrier 9.并行算法实战： reduce ， scan ，矩阵乘法等 10.存储大规模三维数据的关键：稀疏数据结构 11.物理仿真实战：邻居搜索表实现 pbf 位时代过去了） 至少 2 核 4 线程（并行课…） 英伟达家显卡（ GPU 专题） 软件要求： Visual Studio 2019 （ Windows 用户） GCC 9 及以上（ Linux 用户） CMake 3.12 及以上（跨平台作业） Git 2.x （作业上传到 GitHub ） CUDA Toolkit 10.0 以上（ GPU 专题） 第 0 章：从并发到并行 摩尔定律：停止增长了吗？ • 1*3=3 秒 结论：改进后的并行扫描的时间复杂度为 O(logn) ，工作复杂度为 O(nlogn) 。 可见，并行后虽然降低了时间复杂度，但是以提升工作复杂度为代价！ 更多细节，敬请期待 GPU 专题，我们会以 CUDA 为例详细探讨两全方案。 封装好了： parallel_scan 第 3 章：性能测试 案例： map 与 reduce 的组合 测试所花费时间： tbb::tick_count::now()

C++ 5.C++11 起的多线程编程：从 mutex 到无锁并行 6.并行编程常用框架： OpenMP 与 Intel TBB 7.被忽视的访存优化：内存带宽与 cpu 缓存机制 8.GPU 专题： wrap 调度，共享内存， barrier 9.并行算法实战： reduce ， scan ，矩阵乘法等 10.存储大规模三维数据的关键：稀疏数据结构 11.物理仿真实战：邻居搜索表实现 pbf 位时代过去了） 至少 2 核 4 线程（并行课…） 英伟达家显卡（ GPU 专题） 软件要求： Visual Studio 2019 （ Windows 用户） GCC 9 及以上（ Linux 用户） CMake 3.12 及以上（跨平台作业） Git 2.x （作业上传到 GitHub ） CUDA Toolkit 10.0 以上（ GPU 专题） 关于作者 • 我是 Taichi 编译器的贡献者之一（

C++ 5.C++11 起的多线程编程：从 mutex 到无锁并行 6.并行编程常用框架： OpenMP 与 Intel TBB 7.被忽视的访存优化：内存带宽与 cpu 缓存机制 8.GPU 专题： wrap 调度，共享内存， barrier 9.并行算法实战： reduce ， scan ，矩阵乘法等 10.存储大规模三维数据的关键：稀疏数据结构 11.物理仿真实战：邻居搜索表实现 pbf 位时代过去了） 至少 2 核 4 线程（并行课…） 英伟达家显卡（ GPU 专题） 软件要求： Visual Studio 2019 （ Windows 用户） GCC 9 及以上（ Linux 用户） CMake 3.12 及以上（跨平台作业） Git 2.x （作业上传到 GitHub ） CUDA Toolkit 10.0 以上（ GPU 专题） 第 0 章：汇编语言 x64 架构下的寄存器模型 通用寄存器：

C++ 5.C++11 起的多线程编程：从 mutex 到无锁并行 6.并行编程常用框架： OpenMP 与 Intel TBB 7.被忽视的访存优化：内存带宽与 cpu 缓存机制 8.GPU 专题： wrap 调度，共享内存， barrier 9.并行算法实战： reduce ， scan ，矩阵乘法等 10.存储大规模三维数据的关键：稀疏数据结构 11.物理仿真实战：邻居搜索表实现 pbf 位时代过去了） 至少 2 核 4 线程（并行课…） 英伟达家显卡（ GPU 专题） 软件要求： Visual Studio 2019 （ Windows 用户） GCC 9 及以上（ Linux 用户） CMake 3.12 及以上（跨平台作业） Git 2.x （作业上传到 GitHub ） CUDA Toolkit 10.0 以上（ GPU 专题） 为什么需要模板函数（ template ） • 避免重复写代码。

C++ 5.C++11 起的多线程编程：从 mutex 到无锁并行 6.并行编程常用框架： OpenMP 与 Intel TBB 7.被忽视的访存优化：内存带宽与 cpu 缓存机制 8.GPU 专题： wrap 调度，共享内存， barrier 9.并行算法实战： reduce ， scan ，矩阵乘法等 10.存储大规模三维数据的关键：稀疏数据结构 11.物理仿真实战：邻居搜索表实现 pbf 位时代过去了） 至少 2 核 4 线程（并行课…） 英伟达家显卡（ GPU 专题） 软件要求： Visual Studio 2019 （ Windows 用户） GCC 9 及以上（ Linux 用户） CMake 3.12 及以上（跨平台作业） Git 2.x （作业上传到 GitHub ） CUDA Toolkit 10.0 以上（ GPU 专题） 温馨提示： 1. 会用到第二讲（ RAII 与智能指针）里的知识

C++ 5.C++11 起的多线程编程：从 mutex 到无锁并行 6.并行编程常用框架： OpenMP 与 Intel TBB 7.被忽视的访存优化：内存带宽与 cpu 缓存机制 8.GPU 专题： wrap 调度，共享内存， barrier 9.并行算法实战： reduce ， scan ，矩阵乘法等 10.存储大规模三维数据的关键：稀疏数据结构 11.物理仿真实战：邻居搜索表实现 pbf 位时代过去了） 至少 2 核 4 线程（并行课…） 英伟达家显卡（ GPU 专题） 软件要求： Visual Studio 2019 （ Windows 用户） GCC 9 及以上（ Linux 用户） CMake 3.12 及以上（跨平台作业） Git 2.x （作业上传到 GitHub ） CUDA Toolkit 10.0 以上（ GPU 专题） 从一个案例看 C++ 的历史 • 求一个列表中所有数的和：

轩 轸 轴 轵 轲 轥 轳 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輴 輴 輴 匱 匴 高 高 高级 级 级专 专 专题 题 题（ （ （卓 印 卥 卣 卩 卡 卬 協 卯 印 卩 卣 即 ） ） ） 匴 匵 匳 輱 輴 輮 輱 创建你自己的应用程序结构 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 輮 y i i 2 - f a k e r 輴 輵 輲 轃 轈 轁 轐 轔 轅 轒 輱 輳 輮 测试（轔 轅 轓 轔 轉 轎 轇） C h a p t e r 1 4 高 高 高级 级 级专 专 专题 题 题（ （ （S p e c i a l T o p i c s ） ） ） 1 4 . 1 创 创 创建 建 建你 你 你自 自 自己 己 己的 的 的应 应 应用 用 用程 程 程序 序 序结 u b . c o m / y i i s o f t / y i i 2 - a p p - a d v a n c e d 輴 輵 輳 輴 輵 輴 轃 轈 轁 轐 轔 轅 轒 輱 輴 輮 高级专题（轓 轐 轅 轃 轉 轁 轌 轔 轏 轐 轉 轃 轓 ） 接下来，真正的修改你的应用程序默认的目录结构和内容。 最后，更新 轒 轅 轁 轄 轍 轅 文件以符合你的模板。 1 4 . 1 . 3 发

银行业例行新闻发布会 �3 中国的正式出版物首次刊载与敏捷软 件开发相关的内容，是《程序员》杂 志2001年12月刊。这期杂志的“技术 专题”栏目用了5篇文章、12页篇幅， 较为系统地介绍了“代码重构”。 《程序员》2002年3月刊载了“极限编 程”技术专题。2002年7月，人民邮电 出版社翻译引进《极限编程》丛书。 这一系列出版物，标志着敏捷思想进 入中国软件业的视野。 1998年，信息产业部预测到2010年全国软