在学习深度学习的核心思想时,我们采取的通用方法一般如图2.1所示。无论开发什么类型的机器学习模型,最终都回归到这个基本模型。输入数据传递给模型,经过多个非线性层进行过滤,最后一层包含分类器——决定该对象所属的种类。
就我个人而言是非常喜欢创新，我很少去做那种没有技术含量的工作，但这不是说我拿到的工作都是有技术含量的，而是遇到没有技术含量的，就创新一下，让他变得有技术含量。
这个算法的核心优势是可实时，性能消耗低，降噪能力也有所增强，但语音损伤比较严重，经过分析，认为原因主要有三个：
网络结构以1D卷积为主，同时加入了res结构，在每一个blocks中实现了三个卷积单元，通过调整kernel size实现不同维度的特征提取，将不同blocks连接起来，达到推进抽象特征的深入过程
IT的可观测性技术一直在不断的发展中，从广义的角度上讲，可观测性相关的技术除了应用在IT运维的场景外，还可以应用在和公司相关的通用场景以及特殊场景中。
对于Logs、Traces、Metrics，其中Logs和Traces的格式和查询特点非常相似，我们放到一起来分析，推导的过程如下：
• Logs/Traces：
• 查询的方式主要是通过关键词/TraceID进行查询，另外会根据某些Tag进行过滤，例如hostname、region、app等
上述的分析方式都有对应的适用场景，我们很难用一种语法/语言去实现所有的功能并且具有非常好的便捷性（虽然通过扩展SQL可以实现类似PromQL、关键词查询的能力，但是写起来一个简单的PromQL算子可能要用一大串SQL才能实现）
此外，图像检索还有一个必不可少的要素就是特征提取，通常包括：全局特征、局部特征、辅助特征等，主要是针对不同任务特点进行相应的优化
针对文本信息，我们使用BERT对牌匾的OCR结果进行编码，将其作为辅助特征，并与视觉特征融合后进行度量学习。
数据是非常重要的，因为模型很难做到完美，总是会存在Corner case，而解决Corner case的一个非常高效的手段就是针对性补充数据。补充数据的关键是如何挖掘Corner case以及如何自动标注
