知鸦日报2023-08-17

如今，AI的应用已经遍布各个行业，运用的方式也越来越丰富，越来越多的人尝试将AI参与进自己的工作流程中。

不过在此之前，我们做项目需求的时候也需要评估项目是否适合使用AI辅助，毕竟AI的功能不是万能的，有些地方也存在着它暂时的“硬伤”。

这次我们将以一个活动运营海报需求为案例，分享如何运用AI工具Stable Diffusion对其进行辅助设计（本篇案例使用的是秋叶版本Stable Diffusion）。

Make Keyboard Great Again.

第一，从一张不规则的照片中抠出只带有人脸的正方形图像；

第二，找到最适合的扩大比例，对人脸进行外扩，得到以人脸为中心，四周均有空隙的一张标准证件照。

When Zuul was designed and developed, there was an inherent assumption that connections were effectively free, given we weren’t using mutual TLS (mTLS). It’s built on top of Netty, using event loops for non-blocking execution of requests, one loop per core. To reduce contention among event loops, we created connection pools for each, keeping them completely independent. The result is that the entire request-response cycle happens on the same thread, significantly reducing context switching.

There is also a significant downside. It means that if each event loop has a connection pool that connects to every origin (our name for backend) server, there would be a multiplication of event loops by servers by Zuul instances. For example, a 16-core box connecting to an 800-server origin would have 12,800 connections. If the Zuul cluster has 100 instances, that’s 1,280,000 connections. That’s a significant amount and certainly more than is necessary relative to the traffic on most clusters.

As streaming has grown over the years, these numbers multiplied with bigger Zuul and origin clusters. More acutely, if a traffic spike occurs and Zuul instances scale up, it exponentially increases connections open to origins. Although this has been a known issue for a long time, it has never been a critical pain point until we moved large streaming applications to mTLS and our Envoy-based service mesh.

政采云的搜索服务是基于 Elasticsearch 的在线分布式搜索，为内部业务提供结构化和非结构化数据的多条件检索，支撑政采云PC端、APP端、小程序端的搜索能力。

这篇文章与读者朋友们好好聊一聊共识这个技术领域，期望能够让大伙儿对共识协议的前世今生以及这些年的技术演进有个大体了解。

Undo日志在InnoDB中起着重要的作用，保证着事务的原子性，解决崩溃恢复的问题，满足隔离性要求等。InnoDB中undo日志的结构是什么样的、这些undo日志是如何组织起来的、为满足事务原子性InnoDB中undo是如何实现的？针对这些问题，本文分两部分展开介绍：第一部分undo日志的结构和组织；第二部分Undo日志作用及实现。本文的侧重点是InnoDB中undo日志是如何组织及实现的，对主要点进行介绍，一些细节步过多展开。

针对地址标准化服务中的深度学习模型开展了推理性能优化工作。通过高性能算子、量化、编译优化等优化手段，在精度指标不降低的前提下，AI模型的模型端到端推理速度最高可获得了4.11倍的提升。

本文介绍了vivo容器团队基于 Prometheus等云原生监控生态来构建的容器集群监控体系，在业务接入容器监控的过程中遇到的挑战、困难，并分享了相应的应对策略和优化方案。

商家后台前端代码目前代码量达到十万级，每个迭代团队需要在同一仓库中迭代几十个需求，在日渐庞大的巨石应用下如此活跃的迭代，开发效率与构建效率上给我们带来了一些挑战。

本文主要介绍了强化学习（Reinforcement Learning，RL）的基本概念以及什么是RL。

当下的前端开发中，webpack，rollup，vite等构建打包工具大家应该都用的飞起了。它们都基于一个非常重要的概念 - 前端模块化。在这篇文章中，我们将聊聊前端模块化的发展历程以及主流的一些方案。

随着需求的不断迭代，项目代码的复杂度也会越来越高，“屎山”也一天一天慢慢的堆积起来，对于游戏业务的账号订单流程也是如此。游戏订单类型由原来的俩种增加到了现在的七种，早就已经到了需要重构的地步。但是由于牵涉流程长、影响范围大、平时需求排期也比较紧张，所以便无法抽出大量的时间去进行重构。

京东竞速榜作为大促期间的行业排行榜标杆，数据准确性非常重要；本文讲述了京东竞速榜实时数据验证方案演进过程，提出了一种新的数据自动化对比方案，可作为大数据海量配置实时离线数据对比的方案参考。

数据脱敏，指对某些敏感信息通过脱敏规则进行数据的变形，实现敏感隐私数据的可靠保护。这样就可以在开发、测试和其它非生产环境以及外包环境中安全地使用脱敏后的真实数据集。在涉及客户安全数据或者一些商业性敏感数据的情况下，在不违反系统规则条件下，对真实数据进行改造并提供测试使用，如身份证号、手机号、卡号、客户号等个人信息都需要进行数据脱敏。是数据库安全技术之一。

无论是简单的FC、CNN、RNN、LSTM模型，还是当下最火的大模型依赖的Transformer模型，都是基于梯度下降和反向传播进行训练。没有人能证明为何通过这样的训练能让模型中参数自动自洽，我们只是知道通过这样去构造模型确实行之有效。

野生菌，云南人自己的专属VR。