美媒人工智能AI代表了计算的优点

例如，考虑一次抛硬币-如果抛硬币四次而发生事件[尾巴，头，头，尾]。 如果您(或机器学习算法)要预测下一次硬币翻转，则可以确定地预测结果-系统包含高熵。 另一方面，具有事件[尾巴，尾巴，尾巴，尾巴]的加权硬币的熵极低，并且根据当前信息，我们几乎可以肯定地说下一个结果将是尾巴。

适用于数据科学的大多数情况都介于天文学的高熵和极低的熵之间。 高熵意味着低信息增益，而低熵意味着高信息增益。 可以将信息获取视为系统中的纯净性：系统中可用的纯净知识量。

决策树在其构造中使用熵：为了尽可能有效地将一系列条件下的输入定向到正确的结果，将熵较低(信息增益较高)的特征拆分(条件)放在树上较高位置。

 

从决策树到神经网络

TL; DR：熵是对系统中混沌的一种度量。 因为它比诸如准确性甚至均方误差之类的其他更严格的度量标准更具动态性，所以使用熵来优化从决策树到深度神经网络的算法已显示出可以提高速度和性能。

它在机器学习中无处不在：从决策树的构建到深度神经网络的训练，熵是机器学习中必不可少的度量。

熵源于物理学-它是系统中无序或不可预测性的量度。 例如，在一个盒子里考虑两种气体：一开始，系统的熵很低，因为这两种气体是完全可分离的。 但是，一段时间后，气体混合在一起，系统的熵增加。 有人说，在一个孤立的系统中，熵永远不会减小，没有外力，混沌就不会减弱。

 

峰值QPS和机器计算公式

原理： 每天80%的访问集中在20%的时间里，这20%时间叫做峰值时间

公式： ( 总PV数 * 80% ) / ( 每天秒数 * 20% ) = 峰值时间每秒请求数(QPS)

机器： 峰值时间每秒QPS / 单台机器的QPS = 需要的机器。

 

QPS达到50：一般的服务器就可以应付;

QPS达到100： 假设关系型数据库的每次请求在0.01秒完成(理想)，假设单页面只有一个SQL查询，那么100QPS意味着1秒中完成100次请求，但此时我们不能保证数据库查询能完成100次;

方案：数据库缓存层、数据库的负载均衡;

QPS达到800： 假设我们使用 百兆宽带，意味着网站出口的实际带宽是8M左右，假设每个页面是有10k，在这个并发的条件下，百兆带宽已经被吃完;

方案：CDN加速、负载均衡

QPS达到1000： 假设使用Redis缓存数据库查询数据，每个页面对Redis请求远大于直接对DB的请求;

Redis的悲观并发数在5W左右，但有可能之前内网带宽已经被吃光，表现出不稳定;

方案：静态HTML缓存

QPS达到2000： 文件系统访问锁都成为了灾难;

方案：做业务分离，分布式存储;

高并发解决方案案例

流量优化： 防盗链处理(把一些恶意的请求拒之门外)

前端优化： 减少HTTP请求、添加异步请求、启用浏览器的缓存和文件压缩、CDN加速、建立独立的图片服务器;

服务端优化： 页面静态化处理、并发处理、队列处理;

数据库优化： 数据库的缓存、分库分表、分区操作、读写分离、负载均衡

Web服务器优化： 负载均衡

高并发下的经验公式

通过QPS和PV计算部署服务器的台数

单台服务器每天PV计算

（编辑：阜新站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!