源码中包含四种多路复用函数库epoll、select、evport、kqueue。在程序编译时会根据系统自动选择这四种库其中之一。下面以epoll为例，来分析Redis的I/O模块的源码。Redis网络事件处理模块的代码都是围绕epoll那三个系统方法来写

虚拟机网卡被分成前半段和后半段，彼此之间存在对应关系。前半段在虚拟机上通常表现为eth0、eth1等接口，后半段是物理主机上是一个虚拟接口，通常表现为vnet0、vnet1，与网桥关联。任何时候guest1发往eth0的报文都发往vnet0，guest2发

Nginx负载均衡的时候，其实Nginx是七层负载均衡，后续我们还会涉及到LVS，是四层负载均衡，七层和四层是什么概念呢？这就必须提到网络模型。网络模型是计算机网络基础的一部分内容，一般大学计算机系都会讲到此知识点，并且会作为考点；其实在面试过程中有时候也

叶磊（稻农）阿里巴巴高级技术专家。本文整理自《CNCF x Alibaba 云原生技术公开课》第 25 讲，点击直达课程页面。

生产中经常遇到一些IO延时长导致的系统吞吐量下降、响应时间慢等问题，例如交换机故障、网线老化导致的丢包重传；存储阵列条带宽度不足、缓存不足、QoS限制、RAID级别设置不当等引起的IO延时。在实际的业务处理过程中，一般来说IO比较混杂，比如说读写比例、IO

在《手写数字识别——手动搭建全连接层》一文中，我们通过机器学习的基本公式构建出了一个网络模型，其实现过程毫无疑问是过于复杂了——不得不考虑诸如数据类型匹配、梯度计算、准确度的统计等问题，但是这样的实践对机器学习的理解是大有裨益的。在大多数情况下，我们还是希

通过物理手段将设备连接在一起,传输0/1电信号(比特流).

本文首发于我的公众号 Linux云计算网络，专注于干货分享，号内有 10T 书籍和视频资源，后台回复「1024」即可领取，欢迎大家关注，二维码文末可以扫。上一篇文章我们详细介绍了 macvlan 这种技术，macvlan 详解，由于它高效易配置的特性，被用

GAN则是在学习从随机变量到训练样本的映射关系，其中随机变量可以选择服从正太分布，那么就能得到一个由多层感知机组成的生成网络，网络的输入是一个一维的随机变量，输出是一张图片。从而需要尽可能的让自己的输出像真实样本，而则尽可能的将不是真实样本的情况分辨出来。

建立了细胞类以及BP网络类.BP神经网络为3层结构:输入层,隐藏层,输出层.

最近略有闲暇时间，于是对Redis进行了一些学习，学习途径除了官方文档还有Redis源代码，我看的版本是2.8.13，Redis源码总行数不到5W行，不同组件拆分非常细致，阅读起来也很清晰。这篇博客主要介绍我对Redis网络层架构以及线程模型的一些了解，希

现在把早上看到的云计算和分布式计算，网格计算，并行计算的概念对比分析一下。其实是要了解云计算，但是这几个名字叫得容易把问题搞混。并行计算或称平行计算是相对于串行计算来说的；所谓并行计算可分为时间上的并行和空间上的并行。从程序和算法设计人员的 角度来看，并行

随着DOS Network Beta版本的积极开发和不断完善，我们正在探索启动DOS网络的方法，想分享关于这个主题的最新想法。首先，为了保障协议安全性和网络价值，任何基于权益抵押的系统都需要质押足够的代币。以Cosmos，Tezos，Polkadot，Ca

可以得到一份calico官方提供的v3.1版本calico的部署模板。当然里面都是社区的镜像，我们可以替换成本地镜像.建议到网易云的景象中心下载，很多其他的国内镜像仓库都不做维护了。calico以ipip模式部署完毕后，node上会有一个tunl0的网卡设

人工神经网络，借鉴生物神经网络工作原理数学模型。由n个输入特征得出与输入特征几乎相同的n个结果，训练隐藏层得到意想不到信息。人工神经网络模型，多层神经元结构建立，每一层抽象一种思维过程，经多层思考，得出结论。神经网络每一层有每一层专做事情，每一层神经元添加

UDP及UDP使用场景传送数据之前不需要先建立连接，直接向目标机器发送数据。远地主机在收到 UDP 报文后，不需要给出任何确认。TCP 及TCP 使用场景面向连接的服务。TCP 不提供广播或多播服务。TCP 一般用于文件传输、发送和接收邮件、远程登录等场

谷歌提出了一种新型CNN网络EfficientNet，该网络具备极高的参数效率和速度。[ 导读 ]谷歌提出了一项新型模型缩放方法：利用复合系数统一缩放模型的所有维度，该方法极大地提升了模型的准确率和效率。目前，该模型的代码已开源。谷歌研究人员在一篇 ICM

谷歌提出了一项新型模型缩放方法：利用复合系数统一缩放模型的所有维度，该方法极大地提升了模型的准确率和效率。谷歌研究人员基于该模型缩放方法，提出了一种新型 CNN 网络 EfficientNet，该网络具备极高的参数效率和速度。目前，该模型的代码已开源。卷积

核心思想是在风格迁移解开网络中的使用多个重叠的局部判别器，实现人类面部图像之间局部细节风格迁移达到虚拟化妆与卸妆的效果，实现对戏剧性化妆风格的高频细节迁移。已经存在这种类型网络大部分只能对特定区域进行迁移，比如眼睛/嘴纯，无法应用到人脸其它区域，特别是当妆

然而，大量工作证明：当我们面临复杂问题的时候，完全抛弃领域知识是非常不明智的策略。其中，Deep Unrolling为我们提供了一种结合知识与数据的有效手段。本次报告主要向大家汇报一下基于Unrolling的深度学习方法，其在计算机视觉领域的各种应用，以及