Pants: Python工程化 必备构建工具 主讲人： 沈达 – 比图科技数据工程师 Pants 2 https://www.pantsbuild.org 面向任意规模代码仓库的高性能、可扩展、用户友好的构建系统。 由 主要实现 用 定义构建 对 支持最好 Pants 1 诞生于推特 Pants 2 涅槃重生 由Toolchain赞助 人生苦短，我用Python 用户 JupyterLab

PYTHON技术交流 我们的幸运⅔ 沈崴 幸运⅔ 幸运⅔ 120,000,000 幸运⅔ 幸运⅔ 26,000 | 3,00,000 幸运⅔ 幸运⅔ 幸运⅔ THANK YOU wilhelmshen wilhelmshen wilhelmshen

58集团技术专场 技术架构快速规划与落地 沈剑 58集团技术专场 关于 我 � “架构师之路”作者 � 高级工程师 � 技术委员会主席、高级架构师、技术学院优秀讲师 � 技术委员会主席、技术总监 � 本质：程序员 58集团技术专场 目录-技术架构体系建设 问题 实践 总结 1. 服务化 2. 监控平台 3. 调用链跟踪 4. 服务治理 58集团技术专场 一、初创公司技术架构体系建设

深度学习下的图像视频处理技术 沈小勇 优图X-Lab视觉AI负责人 专家研究员 自我介绍 自我介绍 2006.9 – 2012.7 浙江大学数学系本科硕士 2012.8 – 2016.6 香港中文大学博士 2016.6 – 2017.5 香港中文大学 Research Fellow 2017.5 – 现在 腾讯优图X-Lab 视觉AI负责人，专家研究员 个人主页：http://xiaoyongshen

北京海致星图科技有限公司 2023-06-18 沈游人 数据库与大数据专场 海致简介—企业级知识图谱开创者 专业顶尖技术团队支撑 超 700 人团队，其中 80% 为技术人员，创始团队在完成全球第一个中文知 识图谱网站研发后，探索知识图谱技术在企业领域的应用。 2021 年，海致院 士专家工作站成立，站内清华大学计算机博士生占比达 90% 以上。 企业级数据解决方案专家 为建行、 毫秒级响应） • 海致图平台产品服务于金融、政府行业有大量业务经验积累（接近客户需求） • 现有开源产品无法满足要求（受限于基础架构设计，优化性能有限） 新一代分布式图数据库需具备的特性 特性 信 雅 达 • 高可用 • 一致性（事 务） • 高性能 • 低资源消耗 • 易用 • 功能丰富 AtlasGraph 关键特性 云原生 Cloud-Native Graph Database

构建强⼀一致性分布式数据库 TiDB 沈泰宁 R & D Engineer @ PingCAP ⾃自我介绍 ⾃自我介绍 • 沈泰宁 • R&D Engineer @ PingCAP • Maintainer • rust-prometheus • grpc-rs • … ⽬目录 • What is TiDB? • How to test? What is TiDB? Single

3 RepVGG 和 RepOpt 结构示意图 2.1.2 RepOpt 版本的 PTQ 我 们 实 现 了 RepOpt 版 本 的 YOLOv6s 网 络（YOLOv6s_repopt）， 达 到 了 与 YOLOv6s_repvgg 一致的浮点精度 42.4%（300 epochs），两个版本的网络结构在 部署阶段保持一致。我们首先分析了 YOLOv6s_repopt 模型的数据分布特征。 推荐系统中经典的召回范式有两类：基于标签构建倒排索引的显式召回和基于模型端 到端建模用户兴趣的隐式召回。在隐式召回中，历史交互行为建模对于准确刻画用户 兴趣非常关键。电商场景中，用户与商家、商品之间的交互关系适合通过图网络来表 达。相较于传统模型，图神经网络可以构建用户与商品间的多种交互关系，然后借助 高阶网络结构的传递性合理扩充用户行为的丰富度，将用户行为、用户基础属性和商 品的内容属性等各种异质信息在统一的框架中进行融合，带来更大的效果空间。 破， 驱动业务持续发展；重视人才培养，具备完善成熟的培养机制，帮助成员快速成长。 116 > 2022年美团技术年货 美团搜索粗排优化的探索与实践 作者：晓江 所贵 李想 曹越 培浩 肖垚 达遥 陈胜 云森 利前 1. 前言 众所周知，在搜索、推荐、广告等大规模工业界应用领域，为了平衡性能和效果，排 序系统普遍采用级联架构 [1,2]，如下图 1 所示。以美团搜索排序系统为例，整个排序

うになっています。 なぜこのようなPromiseの機能とは相反するメソッドが、多くのライブラリで実装されている かについては 次のようなPromiseの失敗例を見ていくと分かるかもしれません。 沈黙したエラー Promiseには強力なエラーハンドリング機能がありますが、 (デバッグツールが上手く働か ない場合に) この機能がヒューマンエラーをより複雑なものにしてしまう一面があります。 これは、then には2つの側面があることがわかりました。 • done の中で起きたエラーは外へ例外として投げ直す • Promise chain を終了するという宣言 then or catch? と同様にPromiseにより沈黙してしまったエラーについては、 デバッグツー ルやライブラリの改善等で殆どのケースでは問題ではなくなるかもしれません。 また、 done は値を返さないことでそれ以上Promise chainを繋げることができなくなるた

うになっています。 なぜこのようなPromiseの機能とは相反するメソッドが、多くのライブラリで実装されている かについては 次のようなPromiseの失敗例を見ていくと分かるかもしれません。 沈黙したエラー Promiseには強力なエラーハンドリング機能がありますが、 (デバッグツールが上手く働か ない場合に) この機能がヒューマンエラーをより複雑なものにしてしまう一面があります。 これは、then には次の2つの側面があることがわかりました。 • done の中で起きたエラーは外へ例外として投げ直す • Promise chain を終了するという宣言 then or catch? と同様にPromiseにより沈黙してしまったエラーについては、 デバッグツー ルやライブラリの改善で問題となるケースは少なくなっています。 また、 done は値を返さないことでそれ以上Promise chainを繋げることができなくなるた

工智能算法。接下来我们将介绍人工智能、机器学习、深度学习的概念以及它们之间的联 系与区别。 1.1.1 人工智能 人工智能是让机器获得像人类一样具有思考和推理机制的智能技术，这一概念最早出 现在 1956 年召开的达特茅斯会议上。这是一项极具挑战性的任务，人类目前尚无法对人脑 的工作机制有全面、科学的认知，希望能制造达到人脑水平的智能机器无疑是难于上青 天。即使如此，在某个方面呈现出类似、接近甚至超越人类智能水平的机器被证明是可行 6 章详细介绍交叉熵损失函数，这里 仍然使用均方误差损失函数来求解手写数字识别问题(机器学习的做法是多种多样的，不要 迷信某种做法，理解了算法思想即可随意变通)。对于?个样本的均方误差损失函数可以表 达为： ℒ( ,?) = 1 ? ∑ ∑ (?? (?) − ?? (?)) 2 10 ?=1 ? ?=1 只需要采用梯度下降算法来优化损失函数得到?和?的最优解，然后再利用求得的模型去 循环迭代多次后，就可以利用学好的模型??去预测未知的图片的类别概率分布。模型的测 试部分暂不讨论。 手写数字图片 MNIST 数据集的训练误差曲线如图 3.11 所示，由于 3 层的神经网络表 达能力较强，手写数字图片识别任务相对简单，误差值可以较快速、稳定地下降，其中， 把对数据集的所有样本迭代一遍叫作一个 Epoch，通常在间隔数个 Epoch 后测试模型的准 确率等指标，方便监控模型的训练效果。