本文将结合 iLogtail 项目，从实践角度探讨一些常见设计模式的技术原理。

怎么才能很好的避免低级故障？以下规范在大型互联网公司经过了充分的验证，尤其适用于并发量大、数据量大的业务场景。

当代AI来势汹汹，本文从AI的特点、对研发的挑战、AI的应用工程和场景分化等剖析了AI时代的应用工程化架构演进之路。

本文希望能够通过总结过去自己对领域建模的一点粗浅经验给需要的同学能有些许启发，少走弯路。

本文将分享一下个人的判断经验，期望引起大家对判断本身的关注。此外，由于决策常常是动态的，风格和经历也各有差异，也的确只能 “仅供参考”。

我从2015年起至今2022年，在业务平台（结算、订购、资金）、集团财务平台（应收应付、账务核算、财资、财务分析、预算）、本地生活财务平台（发票、结算、预算、核算、稽核）所经历的业务系统研发实践的一个总结。

本文将从“样本处理”，“模型开发”，“实验管理”，“工具链及可视化“ 几个角度介绍基于 tranformers 库做的重新设计，并简单聊聊个人对“软件2.0”的看法。

视频时序动作定位（Temporal Action Localization，TAL）是视频理解领域一个重要的任务。这个任务需要对于给定的视频，识别出其中所有发生的动作，同时定位出每个动作发生的起始时间。视频时序动作定位的方法可以广泛应用于高光检测、行为监控以及短视频分析等领域。

在过去对这个任务的处理中，大多数方法或是建立整体的时序提议，再对其做分类和定位；或是直接对不同帧同等地进行预测。但事实上，我们发现视频中动作内部的帧是有不同重要性的。以图1为例，对于晾衣服动作，描绘“把衣服晾到衣架上”的帧对于识别出这个动作最重要，描绘“拿出衣服”的帧对于定位出这个动作的开始最重要。而一些例如转场或模糊的帧则不具有很高的重要度。

因此我们提出用动作敏感度来表征帧的重要度，提出动作敏感性学习（action sensitivity learning），对于每一帧的动作敏感度进行建模，并将学习到的敏感度应用于损失函数中，以促进模型更关注重要的帧，从而更好的训练。

三类代码协同模式，Git大神告诉你到底如何选。

通过本文作者想和大家简单讨论下大模型的局限以及真正的适用场景。‍

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。

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。

‍本文篇幅有些长，但是相比阅读各类书籍，理解和吸收，会大大节省时间，对于一些书中难以理解的部分做了改进。可能阅读本文需要一些软件方法的基础知识，才能更好理解和吸收。​希望文本对大家有帮助，当然这需要运用好“只字不差阅读”和“只字不差理解”。

什么是技术运营？作者分享了身为“技术运营”的工作心得​以及一些成长经验。