gydtep

深度学习的威力来自于用适量的并行非线性步骤对非线性数据进行分类或预测的能力。从原始输入数据到数据的实际分类的过程中,深度学习模型学习输入数据的分层特征。每一层从前一层的输出中提取特征。

gydtep

我们先以离线的方式对所有历史图片进行机器学习分析，将每一幅图片（或者图片里分割出来的人物）抽象成高维向量特征，然后将所有特征构建成高效的向量索引，当一个新查询（图片）来的时候，我们用同样的机器学习方法对其进行分析并产出一个表征向量，然后用这个向量在之前构建的向量索引中查找出最相似的结果，这样就完成了一次以图片内容为基础的图像检索。

gydtep

目前，对于非训练的检索方法，能较方便的支持全内存索引的在线动态新增和查询，然而面对即时落盘、内存不足、在线向量动态更新和删除等要求，操作成本很大，满足不了实时性。

gydtep

另一方面，电子邮件服务器可能需要大量存储，低延迟和良好的吞吐量，但它可能不需要非常苛刻的IOPS配置文件。

gydtep

对于运维而言也是一样的，开发的时候也需要考虑到可运维性，比如在开发的时候就需要考虑如何在服务实际上下线的时候做到平滑且不丢失数据，同时这样的设计也需要和运维系统进行深刻的对接，这样才能非常可靠、非常安全地连接起来，提升运维的效率。

gydtep

简化基础设施的管理和运维
下图更多地是从如何构建高可用应用的角度来展现。这里将应用的模块分为四个方面：包括基础设施、运行时、数据和应用。基础设施层就是需要处理与机器相关的操作，比如故障处理。运行时则需要做应用资源隔离、流控等。数据层主要需要和数据库、缓存相关，比如如何设计数据库表结构，如何设计缓存策略，如何实现负载均衡，如何保证不会出现横向扩展瓶颈。

gydtep

代码文本不是简单的二维平面结构，看懂一段代码需要反复地通过定义与引用的跳转，才能将代码深层次的逻辑和片段影响范围理解透彻。

gydtep

用户对代码的浏览场景主要集中在代码评审和主干分支的代码浏览，所以我们目前主要支持两种场景的语法服务。语法服务接收来自代码平台的事件消息，如代码推送事件，评审的创建、更新、合并、关闭、重新开启事件，来触发语法服务构建。

gydtep

语法服务响应

如前言的示例，用户在使用语法服务时，主要有以下三个请求：

每次打开文件获取所有的可点击高亮词
点击高亮词获取对应的定义与引用列表
点击定义和引用实现跳转

gydtep

我来阿里之前在做一个CRM的系统。刚开始前几年一直在做CRM系统的业务，后来我要解决很多业务的问题，要把它抽象出来，去做业务问题下面基础的平台。再后来发现基础平台的要解决更彻底，还要做下面的中间件。来阿里之前我做过业务，做过业务的开发平台，也做过开发平台下面的中间件。