已来到 “后云原生时代” 的我们，如何规模化运维？

SOFAStack SOFAStack 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1k累计阅读 1.1k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄7年
关注
原创 最新推荐文章于 2026-09-23 10:26:55 发布 1k 阅读 AI 写同款· GEO 优化 ›
云原生运维最佳实践：GitOps 与自动化监控 本文系统阐述了云原生运维的变革与实践，重点介绍了GitOps、容器优化、可观测性体系等核心技术。通过ArgoCD实现声明式配置管理，结合Prometheus、ELK、Jaeger构建监控体系，并探讨了自动化运维、高可用架构及安全防护等关键策略。案例分析展示了金融与电商领域的成功实践，指出未来云原生运维将向AI驱动方向发展，实现从"保障运行"到"加速创新"的转变，为数字化转型提供核心支撑。 阅读详情

图片

文｜李大元 （花名：达远）

Kusion 项目负责人

图片

来自蚂蚁集团 PaaS 核心团队，PaaS IaC 基础平台负责人。

本文 4331 字 阅读 11 分钟

PART. 1 后云原生时代

距离 Kubernetes 第一个 commit 已经过去八年多了，以其为代表的云原生技术早已不再是什么新技术，而是现代化应用的“标配”。现代化应用依赖的基础服务远不止 Kubernetes 一种，稍微复杂点的应用往往会同时使用到 Kubernetes 生态云原生技术、IaaS 云服务、企业内部自建系统等各种异构基础设施，可能还会有多云、混合云的部署需求，我们已经进入到了 ”后云原生时代”，只针对 Kubernetes 的运维工具早已不能满足我们的诉求。

图片
更复杂的是，在企业内部，这些服务一般是由不同团队维护的，一次规模化运维需要多个团队的成员互相配合才能完成，但是 App Dev、Platform Dev、SRE 各个团队之间缺少高效的协作方式。技术自身的复杂性加上低效的团队协作，使得 “后云原生时代” 的规模化运维难度有了指数级的提高。

PART. 2 规模化运维的问题一直都在

复杂异构基础设施的规模化运维，这并不是后云原生时代特有的问题，自分布式系统诞生以来，一直都是一个难题，只是在后云原生时代，这个问题变得更加困难。十多年前业界提出了 DevOps 理念，无数企业基于此理念构建了自己的 DevOps 平台，希望解决此问题，但在实际落地的过程中往往不尽人意，Dev 团队和 Ops 团队之间如何合作？职责如何划分？几十人的平台团队，如何支持几万工程师的运维诉求？底层基础设施复杂多样，能力日新月异，如何快速让一线 Dev 享受到技术红利？这些问题一直没有得到很好的解决，最近又有人提出了 DevOps 已死，Platform Engineering 才是未来的说法。抛开概念定义，无论是 DevOps 还是 Platform Engineering，本质上都是企业规模化运维这同一命题下的不同理念，我们更需要的是一个符合技术发展趋势，能解决当前问题的解决方案。

PART. 3 传统架构不再适用

在传统的运维思路中，解决上述问题的方法一般是构建一个 PaaS 平台，例如我们早期的蚂蚁 PaaS 平台，他是一个 Web 控制台，有 UI 界面，用户（通常是 App Dev 或 SRE）通过 UI 交互可以完成诸如发布、重启、扩缩容等操作。在技术实现上大体可以分为三部分，一个前端系统，提供用户交互的能力，作为系统入口；中间是一个后端系统，对接各个基础设施；底层是各个基础设的 API。这种架构运行了近十年，一直运行的很好，既有用户友好的交互界面，又可以屏蔽基础设施复杂性，而且各个团队之间还职责分明，但是到了如今后云原生时代，这种架构不再适用，暴露出有两个致命缺点， “费人” 、 “费时” 。

图片

举一个常见的例子，网络团队为其负责的 Loadbalancer（负载均衡器）开发了一种新的负载算法，需要提供给用户使用。

在上述架构下，整个工作流程是这个样子：

1.网络团队开发好能力，提供出 API；

2.PaaS 后端通过编码对接底层 API，进行互联互通，屏蔽复杂性，提供面向用户的更高级别 API；

3.PaaS 前端根据新功能修改 UI，利用后端 API 把能力透出给最终用户。

这里存在一个问题，即使一个再小的功能，也需要 PaaS 后端和前端修改代码，整个流程下来最快也要一周才能上线，而且涉及的基础设施团队越多，效率越低。这个问题在十年前并不算是一个问题，但是在今天就是一个很大的问题，一个后云原生时代的现代化应用，使用三个云原生技术（Kubernetes + Istio + Prometheus），两个云服务（Loadbalancer + Database），一个内部自建服务，已经是一个很常见的形态了，复杂应用只会依赖的更多。如果每个基础设施都由 PaaS 团队硬编码对接一遍，PaaS 团队的人再扩大十倍也不够用。

图片

“费人”讲完了，我们再看看“费时”的问题。上面例子里的一个小功能，需要进行两次跨团队的协作，一次基础设施和 PaaS 后端，另一次是 PaaS 后端与 PaaS 前端。团队协作是一个很难的问题，有时候比技术本身还要难。应用的架构已经很复杂了，如果要做一次规模化运维，一次运维 100 个应用，这要和多少个团队沟通协作？要花费多少时间？没有好的协作机制，这就变成了一个不可能完成的任务。

PART. 4 探索与实践

我们在蚂蚁集团内部进行了近两年的探索，kustomize、helm、argoCD、Terraform 这些常见的工具我们都实践过，甚至还为一些工具自研了一些辅助系统，但结果并不尽人意。这些工具要么太局限于 Kubernetes 生态，运维不了其他类型的基础设施，要么就是支持了异构基础设施，但对于 Kubernetes 生态支持的不友好，无法发挥出云原生技术的优势，而且只是运维工具的升级对于团队协作效率几乎没有提升，我们需要一套更加体系化的方案。

回到问题本身，针对“费人”、“费时”的问题，我们提出两个思路：

1.能否不让 PaaS 做中转，而是由 App Dev 通过一种高效自助的方式，使用到互联互通的各种基础设施能力？

2.能否构建一个中心化的协作平台，用技术的手段规范大家的行为，标准化的进行沟通？

从技术的角度来看，PaaS 平台需要提供灵活的工具链和工作流，基础设施所有能力都通过模块化的方式暴露出来，App Dev 利用这些平台的基本能力，自己组合、编排来解决自己的问题，过程中不需要平台层的参与。并且整个过程中涉及的所有团队，都使用统一的语言和接口进行交流，全程无需人工参与。

PART. 5 我们的实践

图片

经过在蚂蚁内部 PaaS 平台近两年的探索与实践，沉淀出一套端到端的完整方案， 取名为 KusionStack，目前已经开源。试图从统一异构基础设施运维与团队协作两个角度解决传统 PaaS “费人”、“费时”的问题。

整个体系主要分为三个部分：

1.Konfig：Git 大库，是多团队协作的中心化平台，存放着各个团队的运维意图；

2.KCL：蚂蚁自研的配置策略 DSL，所有团队间交流的工具；

3.Kusion：KusionStack 引擎，负责所有的运维操作。

Platform Dev 通过 KCL 定义好基础能力模型，App Dev 通过 import、mixin 等语言特性在应用配置模型（AppConfig）里复用这些预定义好的能力，快速在 Konfig 里描述运维意图。AppConfig 是一个精心设计过的模型，只暴露 App Dev 需要关心的属性，屏蔽基础设施的复杂性。

永远不要低估基础设施的专业性与复杂性，即使已经成为云原生技术标准的 Kubernetes，对普通用户来说依然有很高的门槛，一个 Deployment 就有几十个字段，再加上自定义的 labels、annotations 就更多了，普通用户根本无法全部理解。或者说普通 AppDev 不应该去了解 Kubernetes，他们需要的只是发布，甚至不需要关心底层是不是 Kubernetes。

AppConfig 经过编译后会生成多个异构基础设施的资源，通过 CI、CLI、GUI 等方式把数据传输给 KusionStack 引擎。引擎是整个体系的核心，负责所有运维操作，是运维意图真正生效到基础设施的地方。他通过统一的方式对接异构基础设施，并对这些资源进行校验、编排、预览、生效、观测、健康检查等一系列操作。

值得一提的是，整个过程对运维 Kubernetes 资源非常友好。使用过 Kubernetes 的同学都知道，由于其面向终态、自调和的特点，apply 成功并不代表资源已经可以用，需要等资源调和成功后才能提供服务，如果调和失败了，还需要登陆到集群中，通过 get、describe、log 等命令查看具体报错，整个过程十分繁琐。

我们通过技术的手段对这些操作进行了简化，把调和过程中的重要信息以用户友好的方式透露出来。下面的动图是一个简单的示例，当命令下发后，可以清晰的看到所有资源及其关联资源调和过程，直到资源真正的可用。

图片

整个体系有如下几个特点：

1.以应用为中心

  • 应用全方位配置管理，包括计算、网络、存储等所有与应用有关配置；

  • 应用全生命周期管理，从第一行配置代码到生产可用。

2.统一运维“后云原生时代”应用的异构基础设施

  • Kubernetes 友好的工作流，为 Kubernetes 资源提供可观测性、健康检查等高阶能力，释放云原生技术红利；

  • 复用 Terraform 生态，统一的工作流运维 Kubernetes、Terraform 多运行时资源。

3.规模化协同平台

  • 灵活的工作流，用户可利用平台的基本能力，自己组合、编排来解决自己的问题；

  • App Dev 和 Platform Dev 关注点分离，底层能力迭代无需平台介入，直接供 App Dev 使用；

  • 纯客户端方案，风险“左移”，尽早发现问题。

PART. 6 一切才刚刚开始

这套体系经过近两年的探索，已广泛应用在蚂蚁多云应用交付运维，计算及数据基础设施交付，建站运维，数据库运维等多个业务领域，目前 400+ 研发者直接参与了 Konfig 大库代码贡献，累计近 800K Commits，其中大部分为机器自动化代码修改，日均 1K pipeline 任务执行和近 10K KCL 编译执行，全量编译后可产生 3M+ 行的 YAML 文本。

不过，这一切才刚刚开始，后云原生时代也才刚刚到来，我们把这套系统开源的目的也是希望邀请业内各方的力量，一起构建一个符合技术发展趋势，能真正解决当下企业规模化运维这个难题的解决方案。蚂蚁 PaaS 团队还有很多经过内部规模化验证的技术沉淀，后续也会开源出来，只有我们远远不够，真诚地邀请大家一起来玩。

| 相关链接 |

Kusion：

https://github.com/KusionStack/kusion

KCL：

https://github.com/KusionStack/KCLVM

Konfig：

https://github.com/KusionStack/konfig

官网：https://kusionstack.io

PPT：KusionStack：“后云原生时代” 应用模化运维解决方案

https://kusionstack.io/blog/2022-kusionstack-application-scale-operation-solution-in-the-post-cloudnative-era/

了解更多…

KusionStack Star 一下✨：
https://github.com/KusionStack/kusion

本周推荐阅读

从规模化平台工程实践，我们学到了什么？

KusionStack 开源有感｜历时两年，打破“隔行如隔山”困境

Go 代码城市上云——KusionStack 实践

KusionStack 开源｜Kusion 模型库和工具链的探索实践

收录于
SOFA

当前文章被收录于：

SOFA
20 篇文章 1 人学习
订阅专栏 查看详情
标签
#运维 #云原生 #devops
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
从Live2D到Unreal Engine：2D与3D虚拟数字人核心技术实现路径解析 本文深入解析了从Live2D到Unreal Engine的2D与3D虚拟数字人核心技术实现路径，涵盖技术选型、制作流程与优化技巧。通过对比2D骨骼动画与3D建模渲染的差异，结合实战案例，帮助开发者根据项目需求选择合适方案，提升虚拟数字人的交互体验与视觉效果。 阅读详情

相关推荐

Anaconda详细安装及使用教程（带图文）

Anacond的介绍 Anaconda指的是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。因为包含了大量的科学包，Anaconda的下载文件比较大（约531 MB），如果只需要某些包，或者需要节省带宽或存储空间，也可以使用Miniconda这个较小的发行版（仅包含conda和Python）。 Conda是一个开源的包、环境管理器，可以用于...

代码帮 186万+

云计算时代运维的反思

近日，Yelp的SRE工程师Dmitriy Samovskiy发表了一篇标题为《新时代的运维》的文章，文章中他简要介绍了在云计算大环境下，运维工作重心和角色的变化。其实在...

weixin_37098404的博客 362

从理论到实践：使用Sigrity SystemSI完成DDR4信号完整性仿真全流程解析

本文详细解析了使用Sigrity SystemSI完成DDR4信号完整性仿真的全流程，从核心挑战到实战操作。文章深入探讨了DDR4信号完整性问题，介绍了SystemSI工具链的演进与分工，并提供了从前期准备到高级技巧的详细指南，帮助工程师有效解决DDR4设计中的信号完整性问题。

weixin_30505225的博客 511

云时代，运维面临的挑战与机遇

上云，已经成为了企业势不可挡的选择。云计算所拥有的“软件定义一切”的特性，推动了敏捷弹性、DevOps、智能运维和基础设施即代码等自动化运维趋势，给企业研发运维体系的进一步升级带来机会，也给企业架构师与运维工程师带来了新的挑战。 企业上云带来哪些好处？ 企业上云最主要的驱动力是在IT成本方面的巨大优势。云厂商的价格在逐年下降，这对很多企业形成了巨大的诱惑力。一些入门级的云服务器配置，一年的价格都在千元之内，中小企业面对这样的低价很难不动心。企业自己买一个机器放在托管机房，再加上人力维护成本，花费估计是云

LinkSLA的博客 2272

游戏经济数值模型的搭建过程——以标准卡牌游戏为例

一、总体规划 1.玩家分类 首先我们按照下表对玩家进行分类 付费能力即为充值额度；充值行为比如购买月卡/购买钻石；消费行为比如用钻石抽卡 在这里我们假设玩家是理性的，即玩家会以追求更高的性价比为目标进行充值与消费（即小R会优先买首冲+月卡，而不是买一个无用的无属性皮肤） 不同类型玩家之间的差异，实际上就主要由这些行为的差异而决定。 注：早期游戏制作的时候，活跃程度也是区分玩家类型的一个重要依据。不过目前现在游戏中有各种手段抹平了不同活跃玩家的差异（体力限制，活跃时间长的收益递减）..

dudu3332的博客 4228

Jev模型入门：从API接入到本地部署的完整实践指南

大模型的应用方式正从单一聊天窗口转向复杂的自动化工作流，而推理模型因具备指令跟随与结构化输出能力，成为构建Agent和数据处理管线的关键组件。Jev作为面向通用场景的推理模型，不仅提供了OpenAI兼容的API接口，还支持本地量化部署，兼顾隐私、可控性与长期成本。本文从模型定位出发，明确Jev与基座模型的差异，随后介绍密钥管理、API调用、参数调优，并深入演示基于Ollama与llama.cpp的本地部署流程，包括GGUF模型文件与chat template的匹配要点。针对实践中的常见问题，如密钥泄露、ma

weixin_29057237的博客 359

突破规模化运维瓶颈 SREWorks云原生数智运维平台揭秘

一套规模化运维的流水线——交付、监测、管理、控制、运营、服务。

科技很有意思 604

概率论与数理统计基础概念与重要定义汇总

文章目录一、随机事件和概率1：互斥，对立，独立事件的定义和性质。2：概率，条件概率和五大概率公式3：古典型，几何型概率和伯努利试验 一、随机事件和概率 1：互斥，对立，独立事件的定义和性质。 互斥事件\color{red}\textbf{互斥事件}互斥事件 事件A和B的交集为空，A与B就是互斥事件，也叫互不相容事件。也可叙述为：不可能同时发生的事件。如A∩B为不可能事件（A∩B=Φ），那么称事件A与事件B互斥，其含义是：事件A与事件B在任何一次试验中不会同时发生。 则P(A+B)=P(A)+P(B)（这个公

csyifanZhang的博客 1万+

干货！看云原生时代阿里云的四个“最”

云原生已经成为 IT 领域最热的词之一。到底有多火，大家感受一下： 2015 年在旧金山召开的首届 KubeCon 只有 200 余参会者，而今年第二次在中国举办的KubeCon迎来了3000+现场观众，遍布全球的线上关注开者则更是不计其数。Gartner最近发布报告表示云原生时代已来，在未来三年中将有75%的全球化企业将在生产中使用容器化的应用。 作为云原生技术与应用的领先企业，阿里云在今年的...

阿里云云栖号 1435

最新CobaltStrike4.8/CobaltStrike4.9、CS4.9/CS4.8、 Windows/Linux/Mac版下载

Cobalt Strike是一款基于java的渗透测试神器，常被业界人称为CS神器。自3.0以后已经不在使用Metasploit框架而作为一个独立的平台使用，分为客户端与服务端，服务端是一个，客户端可以有多个，非常适合团队协同作战，多个攻击者可以同时连接到一个团队服务器上，共享攻击资源与目标信息和sessions，可模拟APT做模拟对抗，进行内网渗透。 Cobalt Strike集成了端口转发、服务扫描，自动化溢出，多模式端口监听，win exe木马生成，win dll木马生成，java木马生成，

weixin_43167326的博客 7972

Unity必学：Protobuf-net预编译实战

本文深入解析Unity项目使用Protobuf-net Precompile的必要性。作为高效跨平台序列化方案，Protobuf-net解决了Unity工程在网络同步、存档系统中的性能瓶颈，特别是针对iOS等AOT平台的兼容问题。通过预编译模式，将运行时反射转为静态代码生成，显著提升移动端性能表现，支持协议平滑升级，已成为大厂项目的标配方案。文章从原理、实践到多平台适配，全面展示了这一"序列化发动机"如何支撑现代Unity项目的数据传输需求。

本博客聚焦游戏开发技巧、创业实战心得及大学热门课程干货。这里既有技术深度，也有思维广度，无论你是开发者、创业者还是高校学子，都能在这里找到适合自己的成长之路！ 495

微服务井喷时代，我们如何规模化运维？

随着云原生技术发展及相关技术被越来越多运用到公司生产实践当中，有两种不可逆转的趋势：1、微服务数量越来越多。原来巨型单体服务不断被拆解成一个个微服务，在方便功能复用及高效迭代的同时，也给运维带来了不少挑战：成本问题：服务及基础资源依赖的生命周期该如何运转？如何防止孤儿资源存在，防止资源浪费？如何提升资源利用率？效率问题：单元化服务如何快速高效部署？服务梳理及批量搭建责任归属：面对数量级倍增的服务及...

DiDi_Tech的博客 3247

【肌电处理】肌电信号EMG积分肌电值+均方根值+中值频率+平均功率频率【含Matlab源码 3386期】

肌电信号EMG积分肌电值+均方根值+中值频率+平均功率频率 完整的代码，方可运行；可提供运行操作视频！适合小白！

订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份； 823

2026云原生AI规模化趋势预测：DeepSeek在K8s集群中的部署与运维实战

摘要： 2026年云原生AI将面临算力需求激增（预测达5000EFLOPS）与资源利用率低的双重挑战。本文以DeepSeek在K8s集群的实践为例，提出三层混合调度架构和GPU虚拟化方案（MIG/vGPU），结合RoCE网络优化和定制Operator实现高效部署。通过LSTM预测扩缩容、CRIU灾难恢复等关键技术，显著提升训练稳定性（中断事件恢复率100%）。量化成本优化策略（Spot实例竞价算法）和模型蒸馏技术（内存降低78%）进一步降低TCO。

qinzhenyan的博客 1281

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

云原生行业应用崛起，从“可用”到“好用”有多远？

云原生与数字化转型正在相互促进。根据中国信通院发布的《云计算白皮书》，2020年我国云原生在金融、制造、服务业等行业的应用快速崛起，行业数字化转型的带动效应初步显现。另一方面，采用云原生架构的生产集群规模显著提升，但规模化应用带来的安全、性能和可靠性等问题仍需考虑。如何破除这些用户侧的顾虑，让云原生成为行业IT架构的重要组成部分真正发挥价值？网易数帆轻舟云原生平台负责人冯...

NetEaseResearch的博客 1094

假人有限元模型

假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用

带你走进云原生技术：云原生开放运维体系探索和实践

本文是云原生开放协同技术探索与实践一阶段的总结和综述。蚂蚁基础技术在过去3年多以来持续、深入推进全面的云原生化技术演进，我们将在线、离线计算资源装进了一台计算机，将服务体系通过 mesh ...

金融级分布式架构 1146

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

InfoQ专访：云原生时代，中间件应该如何“进化”？

云原生热度持续攀升，这一趋势也延伸了到中间件领域。借助云原生技术，中间件正在解决了自身的弹性、韧性、运维、交付等问题。同时，开发者使用中间件方式也越来越云原生化。

NetEaseResearch的博客 1236

2020 云原生 7 大趋势预测

简介： 17位专家、7大趋势、万字长文。 （作者排名不分先后） 作者：叔同、谷朴、不瞋、育睿、许晓斌、至简、典违、鲁直、改之、小剑、汤志敏、白慕、循环、文卿，喽哥、水鸟、神秀 过去的几年，是云原生技术和理念得到广泛接受的几年。在这个快速发展的领域，预测未来显得尤其困难，但是我们又有着一些坚定的信念，相信以开放创新为支撑的云原生领域会持续重塑软件生命周期，带来不断的价值。 2019，在众多...

阿里云开发者 1万+

从 Linux 到云原生：一位资深运维工程师的转型之路

在数字化转型的浪潮中，运维工程师的角色正从「系统管家」向「架构设计师」演进。本文以本人的十年运维历程为脉络，解析传统运维向云原生运维的转型路径，呈现电力、汽车行业的规模化实践与信创迁移的深度落地经验。

weixin_66855479的博客 977

双11 背后的全链路可观测性：阿里巴巴鹰眼在“云原生时代”的全面升级

导读：作为一支深耕多年链路追踪技术 (Tracing) 与性能管理服务 (APM) 的团队，阿里巴巴中间件鹰眼团队的工程师们见证了阿里巴巴基础架构的多次升级，每一次的架构升级都会对系统可观测性能力 (Observability) 带来巨大挑战，而这次的“云原生”升级，给我们带来的新挑战又是什么呢？ 云原生与可观测性 在刚刚过去的 2019 年 双11，我们再次见证了一个技术奇迹：这...

weixin_36969010的博客 868

深度 | 容器规模化落地企业的最佳途径

随着云原生时代的发展，传统 IT 基础设施加速云化，云原生化成为云上的必然趋势。作为云原生代表技术之一，容器技术可帮助企业提升 IT 架构的敏捷性，加速应用创新，帮助企业更加灵活地应对商业发展中的不确定性。疫情期间，在线教育、音视频、公共健康等行业出现了大幅度的增长。一些基于云计算和容器技术的公司，很好地把握住了业务快速增长的机遇，实现了自身的跨越式发展。 容器规模化落地已成为企业发展“必修课” 疫情加速了企业数字化的发展进程，低延时和高并发的线上场景频繁出现在企业日常经营中，业务创新的需求也在倒逼企业不.

阿里巴巴云原生的博客 1225
上一篇： Dragonfly 和 Nydus Mirror 模式集成实践
下一篇： Dragonfly 和 Nydus Mirror 模式集成实践
点赞 0
评论 0
书签 书签 1
SOFAStack
SOFAStack
博客等级 码龄7年 747粉丝 389原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值