Google Bigtable 中文版Abstract1 Introduction2 Data Model3 API4 Building Blocks5 Implementation5.1 Tablet Location5.2 Tablet Assignment5.3 Tablet Serving5.4 Compactions6 Refinements7 Performance Evaluatio

爬虫概论

ChatGPT在技术路径上采用了“大数据+大算力+强算法=大模型”路线，又在“基础大模型＋指令微调”方向探索出新范式，其中基础大模型类似大脑，指令微调是交互训练，两者结合实现接近人类的语言智能。ChatGPT应用了“基于人类反馈的强化学习”的训练方式，用人类偏好作为奖励信号训练模型，促使模型越来越符合人类的认知理解模式。在大数据、大模型和大算力的工程性结合下，ChatGPT展现出统计关联能力，可洞

这么多类型的芯片，各有各的优势，也各有各的不足，协同工作才能发挥最大的效率。我们可以清晰的发现，负责计算的绿色部分占比很小，占比最多的是橙色的存储单元和黄色的控制单元，因此CPU虽然可以应对各种计算，但其最擅长的并不是计算，而是控制和管理。除了CPU、GPU、NPU，我们还听说过大脑处理器BPU、智能处理器IPU、知识处理器KPU等等，其实26个字母可能早就被用完了，除了我们刚才重点介绍的几种类型

一、概念知识图谱是一种数据结构，把世界上的知识组织成实体与实体之间的关系。1.1 关系规则（Schema）知识图谱首先要定义一个系统的关系规则，关系规则定义了不同类别实体之间可以处在的关系。如父子关系1.2 关系（Relationship）依据定义的关系规则，知识图谱就可以实例化描述世界上千万的父子关系。类似的也可以定义夫妻关系、雇佣关系、位置关系等二、知识图谱的优点知识图谱作为更高阶的结构化数据

The Google File System中文版摘要1. 简介2.设计概述2.1设计预期2.2 接口2.3 架构2.4 单一Master节点2.5 Chunk尺寸2.6 元数据2.6.1 内存中的数据结构2.6.2 Chunk位置信息2.6.3 操作日志2.7 一致性模型2.7.1 GFS一致性保障机制2.7.2 程序的实现3. 系统交互3.1 租约（lease）和变更顺序3.2 数据流3.3

一、前言最近用到了XGBoost模型，总结一下。二、原理参考朋友的博客，个人感觉总结的很到位：http://reset.pub/2017/04/01/xgboost/三、参数解读参考：https://xgboost.readthedocs.io/en/latest/parameter.html3.1 常规参数boostergbtree 树模型做为基分类器（默认）...

1. KS检验Kolmogorov-Smirnov检验是基于累计分布函数的，用于检验一个分布是否符合某种理论分布或比较两个经验分布是否有显著差异。单样本K-S检验是用来检验一个数据的观测经验分布是否符合已知的理论分布。两样本K-S检验由于对两样本的经验分布函数的位置和形状参数的差异都敏感，所以成为比较两样本的最有用且最常用的非参数方法之一。检验统计量为：，其中Fn（x）为观察序列值，F（x）为理论

模拟机准备

一般集群包含多个节点，每个节点都用装系统的方式创建节点的话，比较费时费力。创建好一个模板机后可以通过VMware的克隆功能进行复制克隆虚拟机，克隆的虚拟机跟模板机一模一样，此时还不能直接用克隆机，因为克隆机和模板机的ip是一样的，需要修改克隆机的ip，必要时还需要修改克隆机的主机名。“快照”是虚拟机磁盘文件（VMDK）在某个点及时的副本。系统崩溃或系统异常，你可以通过使用恢复到快照来保持磁盘文件系