一、Benchmark简介Benchmark是一个评价方式，在整个计算机领域有着长期的应用。正如维基百科上的解释“As computer architecture advanced, it became more difficult to compare the performance of various computer systems simply by looking at their

在网上看到一篇关于深度学习的贴子，写的比较好，特转来与大家分享，感谢原作者Tel-Aviv大学深度学习实验室的Ofir同学写了一篇如何入门深度学习的文章，顺手翻译一下，造福大家。人工神经网络最近在很多领域（例如面部识别，物体发现和围棋）都取得了突破，深度学习变得炙手可热。如果你对深度学习感兴趣的话，这篇文章是个不错的起点。如果你学过线性代数，微积分，

K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。对于聚类问题，我们事先并不知道给定的一个训练数据集到底具有哪些类别（即没有指定类标签），而是根据需要设置指定个数类标签的数量（但不知道具体的类标签是什么），然后通过K-means算法将具有相同特征，或

随着计算机领域技术的高速发展，电子商务时代的普及，个性化的推荐系统深入生活应用的各个方面。个性化推荐算法是推荐系统中最核心的技术，在很大程度上决定了电子商务推荐系统性能的优劣。而协同过滤推荐是个性化推荐系统应用最为广泛的技术，协同过滤推荐主要分为基于用户的协同过滤推荐、基于项目的协同过滤推荐和基于模型的协同过滤推荐。一、根据目标用户推荐1、大众行为的推荐引擎：基于系统所

学习时正好碰到这两个方法，就查阅相关资料，并通过程序实现，进行区别一下：sleep()：正在执行的线程主动让出CPU（然后CPU就可以去执行其他任务），在sleep指定时间后CPU再回到该线程继续往下执行。注意：sleep方法只让出了CPU，而并不会释放同步资源锁！！！wait()：则是指当前线程让自己暂时退让出同步资源锁，以便其他正在等待该资源的线程得到该资源进而运行，只有调用了noti

上一篇讲解了推荐算法的分类，这里电影推荐系统具体分析一下第一步：建立用户电影矩阵模型        如表1所示，协同过滤算法的输入数据通常表示为一个m*n的用户评价矩阵Matrix，m是用户数，n是电影数，Matrix[ij]表示第i个用户对第j个电影的评价：第二步：发现兴趣相似的用户        这一阶段，主要完成对目标用户最近邻居的查找，通过计算目标用户与其他用户

        之前学习过kafka，但在项目中用的时候，发现还有一些点特别需要注意，这里全部总结一下：1、Kafka是一个【消息订阅-发布系统】        由消息生产者（Producer）和消息消费者（Consumer）组成，Producer将消息推送（Push）到Kafka集群，Consumer从Kafka集群中将消息拉取（Pull）下来。客户端和服务端通过TCP协议进行通信。...

今天在学习Kafka（参考文献）的时候，看到由于Kafka是基于JVM的，而Java对象占用空间差不多是数据的两倍并且随着堆中数据量的增加垃圾回收越来越困难，因此如果把数据缓存在内存中会带来严重的GC性能影响。        对磁盘的随机读写速度是100k/s，但采用6块7200转的SATA RAID-5磁盘阵列的线性写速度差不多是600MB/s，加上操作系统read-ahead（读的时候成块

在前面的章节讲述了Windows下Kafka的运行，以及Kafka知识点总结一、知识点总结二。这里通过搭建服务器，实践编程的角度，进一步理解Kafka原理。一、安装配置JDK        参见http://www.cnblogs.com/a2211009/p/4265225.html，笔者以第一种方式安装，便于后面通过 apt-get upgrade 方式方便获得jdk的升级//添加

在Kafka实战章节，我们写的例子都是Kafka的高级消费实例，可以看到在消息消费者的程序中，我们只需要指定zookeeper、及消费群组的groupId即可实现从消息队列中消费消息，屏蔽了大量的底层细节：如消息的偏移量等信息都不在程序中维护。Kafka的高级消费实例，满足以下几点规则：（1）同一个消费群组中，如果线程数大于Topic分区数，那么一些线程永远接收不到消息；（2）同一个消