三八妇女节来了，眼看着一年又快过去四分之一。年后的招聘旺季，很多女生考虑换工作或者跳槽，但是女生在选择工作的时候，怎么才能一不小心就成为白富美呢？下面云唯IT实训小编今天就来给各位女神们送福利了！

不知从何时起有那么一个不成文的理论：女生不适合做IT。在很多人看来，IT is a men’s world，女生学IT是件匪夷所思的事情。在传统的思维当中，女生只适合从事像教师、会计、公务员等稳定的职业。然而，这一莫名其妙的观念和理论随着正在被渐渐打破，IT行业男女比例已逐渐趋向均衡。但这并不代表就没有性别歧视，观念并非那么容易打破，它潜移默化的影响着所有人，包括你自己。那么作为女生的你该如何在IT界立足，又如何走的长远呢？

一、 选对方向还得努力

在你决定从事IT之前，请问问你的内心是否真的热爱计算机，这份职业是不是能够让你离梦想的距离更近。任何行业的出类拔萃都抵不过两个字：“兴趣”。如果你对这一个行业有万分兴趣，相信无论需要付出多大的艰苦努力，你也乐在其中。

二、要有成为女汉子的气魄（在工作上就好啦）

专业技能不必多说，想要在一个行业中出类拔萃，就必须有过硬的本领，而在IT，技术就是一切。切不要尚未学习就觉得自己技不如人。

正所谓术业有专攻，IT行业也分很多种类：云计算、UI、web前x、java、php网络营销……想要精通全部并非一年半载能做成的。仔细想想看自己对哪方面感兴趣，然后具有针对性的进行从入门到精通的学习。

不过，无论是哪个领域，可以多关注当下比较火的云计算。主要有以下几方面原因：

1、云计算成为了IT圈的新贵

云计算这几年一直比较火，是未来的发展趋势。生活中的每个角落的每个细节背后都有着云服务的支持，手机，掌上电脑，平板机都离不开云计算技术支持。未来生活方方面面离不开云技术，学门技术走偏天下都不怕。

2、巾帼不让须眉，女孩子可以更优秀

云计算方向女孩匮乏，俗话说物以稀为贵。在满是程序员的世界里，云计算的女工程师作为国宝大熊猫一样的存在着。全公司技术部里挑个年薪30w-40w左右的男朋友，不仅有面子而且不用担心劈腿。

3、惬意，只在8小时内谈工作

云计算工程师工作相对IT其他方向比较轻松，不会担心为了成家有小孩经常加班的情况。偶尔加加班领导也很nice的，不会让女生做啥重活累活。

4、自我价值层层加码，你就是自己的优乐美

除了做技术方向，云计算也是女孩转作管理的岗位的最佳途径。技术做到一定程度，有机会升到管理岗位就不愁做技术不断学习了！

5、爱它胜过爱自己

当然，云计算最大的特质在于它好玩。在这个世界里，你就是上帝，可以随心所欲的发挥，不用担心几天没关机就矫情，即使出了问题，你也能耐下性子排查问题，比男朋友好解决多了，不是么？云唯IT实训云计算欢迎大家来学习，你就是下一个白富美。

云唯IT实训官网：yunweiplus

本文出自我的公号：程序员江湖。

江湖路险，你我同行。

Java开发工程师一般负责后端开发，当然也有专门做Java Web的工程师，但是随着前后端的分离，越来越多的Java工程师需要往大后端方向发展。

今天我们就来介绍一下Java后端开发者的书单。

首先要感谢一下江南白衣大大的后端书架，让我在初学阶段读到了很多好书，直到现在都印象深刻。

我在两年的学习历程中看了很多的书，其中不乏XXX入门到精通，XXX王者归来，XXX指南什么的。

虽然这类书确实毛病很多，但是作为非科班的我来说，当时还是看的津津有味。直到后来我看到一些优秀的书籍，以及白衣哥的书架，我才逐渐认识到看一些精品书籍的好处。

所以我们今天就从这些精品书籍中挑选一些优秀书籍来推荐给大家，当然其中有一些书我自己也没有时间看完。

接下来我们按照后端技术栈各个部分的内容来推荐书籍。

网络

1 TCP/IP卷一

这本其实我刚开始没看太懂，可能是当时太水的原因，但是一般是大牛力荐的书。

2 计算机网络：自顶向下

这本从应用层讲到物理层，感觉这种方式学起来更轻松，我比较推荐小白看这本。

3 图解HTTP和图解TCP/IP

相较于前两本大厚书，这两本书更加亲民，小白可以买来看看，还是很适合入门的。

4 计算机网络

没错，就是这本教材，作为非科班选手自己看这本书，那叫一个欲仙欲死啊，看完就忘记了。

操作系统

1 深入理解计算机系统

这本书不是严格意义上的操作系统书籍，而是对计算机基础和操作系统做了一个串联，可以解决你很多对于计算机的疑惑，并且对操作系统有一定理解。

其实这本书还是很厚的，有一定难度，建议有一些基础后再看。

2 现代操作系统

这本书其实我没怎么看，比较详细地讲解了操作系，但是也是大家都比较推崇的书，还是那句话，很厚，慎看。

3 Linux内核设计与实现

当你对操作系统有一定理解以后，这本书将为你打开学习Linux内核的大门，当然在此之前你得有一定的c语言开发能力，以及对Linux的了解。反正，我现在还没开始准备好看这本书。

4 Unix网络编程

这两本书的厚度绝对让你感到绝望，其实就是讲解了Unix内核是如何实现网络通信的，其中涉及到很多网络，操作系统的知识，并且你要熟悉c语言。总之，这是一本奉为网络编程神书的存在，不过我等新手还是拿他压压泡面就好了。

网上有很多博客会参照该书的内容，可以去看看它们。

数据结构与算法

不瞒你说，由于我非科班，所以算法基础比较差，数据结构是考研时跟着天勤考研指南学的，学习算法也是一路坎坷，举步维艰。还是分享几本比较靠谱的书吧。

1 算法导论

你问我是不是认真的，我就是说说而已，这本书我买来没看过。

2 数据结构与算法（Java版）

这本书对于初学者来说还是比较友好的，当然学Java的看这本。

3 算法图解，啊哈算法

这两部书籍非常适合学习算法的入门，前者主要用图解的形式覆盖了大部分常用算法，包括dp，贪心等等，可以作为入门书，后者则把很多常用算法都进行了实现，包括搜索，图，树等一些比较高级的常用算法。

4 剑指offer

这本书还是要强烈推荐的，毕竟是面试题经常参考的书籍，当然最好有前面基本的铺垫再看，可能收获更大，这本书在面试之前一般都要嚼烂。

5 LeetCode

这不是一本书，是一个题库，算法么，终究还是要靠刷题来提升熟练度的。

Java基础

1 Java编程思想

这本书也是被誉为Java神书的存在了，但是对新手不友好，适合有些基础再看，当然要选择性地看。我当时大概只看了1/3

2 Java核心技术卷一

这本书还是比较适合入门的，当然，这种厚皮书要看完还是很有难度的，不过比起上面那本要简单一些

Java进阶

1 深入理解JVM虚拟机

这本书是Java开发者必须看的书，很多jvm的文章都是提取这本书的内容。JVM是Java虚拟机，赋予了Java程序生命，所以好好看看把，我自己就已经看了三遍了。

2 Java并发编程实战

这本书是Java 并发包作者写的书，所以非常权威，但是比较晦涩难懂，我看的云里雾里的，大家可以按需选择。

3 Java并发编程艺术

这本书是国内作者写的Java并发书籍，比上面那一本更简单易懂，适合作为并发编程的入门书籍，当然，学习并发原理之前，还是先把Java的多线程搞懂吧。

4 Effective Java

这本书和Java编程思想一样被称为神书，主要讲的是Java的一些优化技巧和规范，没有一定开发经验的人看这本书会觉得索然无味，不知所云，所以，先搁着吧。

5 Java性能调优指南

说到JVM调优，可能会有很多的面试题浮现在你的脑海里，这本书比较权威地讲解了Java的性能调优方法，不过我还没怎么看，有空好好看看。

6 Netty权威指南

Netty是基于NIO开发的网络编程框架，使用Java代码编程，其实这本书也可以放在网络或者Java Web部分。不过NIO属于JDK自带的一部分，是必须要掌握的，而对于Netty，大家如果学有余力的话也可以看看。

JavaWeb

0 深入JavaWeb技术内幕

这本书是Java Web的集大成之作，涵盖了大部分Java Web开发的知识点，不过一本书显然无法把所有细节都讲完，但是作为Java Web的入门或者进阶书籍来看的话还是很不错的。

1 How Tomcat Works

Java Web很重要的一部分内容就是Tomcat，作为应用服务器，Tomcat使用Java开发，其源代码和架构设计都是经典之作。

这是一本讲解Tomcat基本原理的书籍，很好地通过剖析源码来讲解Tomcat的内部结构和运行机制，但是需要一定的基础才能够看懂，我还没看这本书，日后再拜读。

2 Tomcat架构解析

和上面这本书类似，主要讲解Tomcat原理和架构，，要看懂这本书的话，前提是你要对Java基础，NIO以及设计模式有所了解。这本书我也还没看。

3 Spring实战

这本书适合作为Spring的入门书籍，把Spring的概念，使用方式等内容都讲的比较清楚。并且也介绍了Spring MVC的部分内容，Spring框架还是更注重实践的，所以跟着书上的内容去做吧。

4 Spring源码深度解析

学会Spring基础后，可以花点时间看看这本讲源码的书了，这本书对于新手来说不太友好，主要也是因为Spring的代码结构比较复杂，大家也可以看一些博客来完成对源码的学习。

5 Spring MVC学习指南

本书是一本Spring MVC的教程，内容细致、讲解清晰，非常适合Web开发者和想要使用Spring MVC开发基于Java的Web应用的读者阅读。但是由于出的比较早，所以不太适合现在版本。

6 Maven实战

Maven是Java Web开发中不可缺少的一部分，如果想要全面了解其实现原理的话，可以看看这本书。

数据库

0 数据库原理

数据库原理应该是教材吧，这本书作为数据库入门来说还是可以的，毕竟不是专门做DB的，看大厚书用处不大，这本书把数据库的基本概念都讲完了。

1 sql必知必会

这本书主要是讲解sql语句怎么写，毕竟数据库最重要的一点就是要熟练地使用sql语句，当然这本书也可以当做工具书来使用。

2 深入浅出MySQL

这本书适合作为MySQL的学习书籍，当你有了一定的MySQL使用经验后，可以看看它，该书从数据库的基础、开发、优化、管理维护和架构5个方面对MySQL进行了详细的介绍，讲的不算特别深，但是足够我们使用了。这本书我也只看了一部分。

3 MySQL技术内幕：innodb存储引擎

看完上面那本书以后，对MySQL算是比较熟悉了，不过对于面试中常考的innodb引擎，还是推荐一下这本书把，专门讲解了innodb存储引擎的相关内容。我还没有细看，但是内容足够你学好innodb了。

4 高性能Mysql

这本书可以说是很厚了，更适合DBA拜读，讲的太详细了，打扰了。

5 Redis实战

和MySQL一样，学习Redis的第一步最好也是先实战一下，通过这本书就可以较好地掌握Redis的使用方法，以及相关数据结构了。

6 Redis设计与实现

该书全面而完整地讲解了 Redis 的内部运行机制,对 Redis 的大多数单机功能以及所有多机功能的实现原理进行了介绍。这本书把Redis的基本原理讲的一清二楚，包括数据结构，持久化，集群等内容，有空应该看看。

分布式

0 分布式Java应用

这本书是淘宝大牛写的书，主要讲的就是使用rpc来构建分布式的Java应用，讲了很多基础的东西，可以作为入门书籍，不过这本书我之前没有遇到，所以没看过。

1 大型网站技术架构

这本淘宝系技术指南还是非常值得推崇的，可以说是把大型网站的现代架构进行了一次简单的总结，内容涵盖了各方面，主要讲的是概念，很适合没接触过架构的同学入门。看完以后你会觉得后端技术原来这么博大精深。

2 大型分布式网站架构设计与实践

这本书与上面一书相比更倾向于实践，主要讲的是分布式架构的一些解决方案，但是如果你没有接触过相关的场景，可能会看的云里雾里。

3 分布式服务框架原理与实践

上面那本书讲的是分布式架构的实践，而这本书更专注于分布式服务的原理讲解和对应实践，很好地讲述了分布式服务的基本概念，相关技术，以及解决方案等，对于想要学习分布式服务框架的同学来说是本好书。

4 大型网站系统与Java中间件开发实践

话说这些书的名字真实够长的。这本书也是阿里系出品，主要讲的是大型网站系统以及使用的相关中间件，毕竟阿里是中间件大户，所以很多中间件对应用再网站系统中，对于想学习这方面技术的同学来说可以一看。

5 从Paxos到Zookeeper分布式一致性原理与实践

说起分布式系统，我们需要了解它的原理，相关理论及技术，这本书也是从这个角度出发，讲解了分布式系统的一些常用概念，并且带出了分布式一哥zookeeper，可以说是想学分布式技术的同学必看的书籍。

6 大规模分布式存储系统

这本书是阿里巴巴oceanbase核心开发大佬写的书，讲的是分布式存储相关的原理和解决方案，该书不是很厚，如果想做存储方向的同学可以看看。

云计算

云计算方面的内容主要是我在实习阶段接触的，如果只是应用开发方向的话这块不懂也罢。主要还是看个人兴趣。

1 OpenStack设计与实现

OpenStack是基于KVM技术的一套私有云生态。这本书很好地讲解了OpenStack的一些基本原理，包括各个组件的设计与实现，比起另一本《OpenStack王者归来》简单易懂的多。当然，前提最好是你对Linux内核和网络有所了解。

2 docker入门与实践

docker是现在应用部署的主流方案了，所以了解一下还是挺有必要的，这本书作为入门书籍足够让你会使用docker了。

3 kubenetes权威指南

kubenetes是docker的集群解决方案，也是一个微服务的解决方案，所以这本书涉及的内容非常多，需要有网络，操作系统以及docker相关的基础。我看这本书的时候可以说是非常晕的。

大数据

和云计算一样，大数据方面的内容也不算是Java后端技术栈所需要的，但是这也能为你加分，并且让你跟大数据开发的岗位沾点边，何乐而不为。

1 大数据技术原理与应用

作为大数据方面的一本教材，厦大教授写的这本书还是非常赞的，从最基础的原理方面讲解了Hadoop的生态系统，并且把每个组件的原理都讲得比较清楚，另外也加入了spark，storm等内容，可以说是大数据入门非常好的一本书了。

2 Hadoop实战

这本书很厚，我买的时候大概看了一遍，一头雾水。所以建议先看上面那本书，再来看更加进阶的书籍，否则可能就是浪费时间了。

3 Hadoop权威指南

这本书主要对Hadoop生态中组件进行详细讲解，有点太详细了，如果不是做大数据方向的话，可以不看。

其他：

1 Git权威指南

Git是现在大公司主流的代码协同工具，如果你想要了解其底层原理，可以看看这本书。

2 重构

这本书主要介绍的是代码重构的一些指导思想和最佳实践。有重构需求的同学可以看看。

3 - n

其他方面的书籍就太多了，比如软件�...

大数据已经被炒的很热了，但通过我多年从事数据相关工作的经验，这个行业目前已经逐渐成熟了，每天我们在互联网都要存留大量的信息，但如何收集、整理这海量的信息，并产生价值，已经是各行各业都在探索的重要课题，且不说在海量数据中挖掘用户需求，预测未来的市场导向，就连政府的政务数据也要云计算、大数据。但是目前大数据工程师的人才缺口非常大，现在投身大数据领域绝对是绝佳的时机。但但从技术角度来看，有一定难度，大数据需要很多种基础理论知识与编程框架、分布式服务器等来支撑，这也是使得一个大数据工程师的人才要比做应用开发、做业务系统编程的人才缺的多。所以我们通过多年的经验，来设置大数据工程师学习路线，希望能让童鞋们更容易的踏上这条路！

如果有编程背景这是最好的了，会节省很多学习时间，更容易理解。因为大数据环境比较复杂，并不像学习编程软件一样，机器安装一下，跟老师敲几行代码就可以了，但大数据可就要麻烦多了，至少要准备好虚拟化的集群环境，然后又要安装部署各种计算框架，所以需要有耐心，有一定解决问题的能力，坚持不懈，才有可能学好大数据。我推荐的学习步骤是:打好基础，理解为主。多动手实践，一定自己搭建出编程环境。后面再不断的学习spark、python、storm、云计算等相关课程，慢慢自己的头脑中会形成一套知识体系，对大数据的理解也会越来越透彻！

首先是基础入门，大数据包含的知识面非常广泛涉及很多技术，我根据自己多年工作经验与自己收集整理的课程做的设置。基础进阶，重点是从Java语言学起，然后是对Linux的学习，统计学的学习。大数据包含几个部分一是数据的采集与处理，二是大数据的应用，第一部分依靠分布式、云计算与一些处理特殊情况，数据处理的技术框架组成，这里重点是hadoop分布式框架，spark框架。分别解决大数据存储问题。同时对于关系数据库对大量数据的处理也需要学习，毕竟很多大型商业系统的业务数据还是由传统的关系数据库进行管理的。最后，再linux与java上我也加入了深入学习的课程。供同学提高编程能力与水平。这套课程比较适合伴随职业生涯慢慢学。不适合填鸭式学习。不能当电视剧看，没意义。

大数据的Java基础 14课

大数据的linux基础 21课

大数据的统计学基础 15课

Hadoop数据分析平台 17课

Hadoop2.X大数据平台 14课

Scala语言入门 5课

大数据平台Spark入门与精通 10课

Maven教程 15课

Linux文本编辑器VIM 6课

Git权威指南 8课

大数据平台Storm入门到精通 15课

大数据C、C++基础 14课

Linux运维 56课

MYSQL高级性能优化与架构 16课

Oracle11g海量数据架构设计 13课

javaEE+Hadoop大数据

中级进阶这部分重点在于大数据的数据处理的技术应用，storm对于大数据的实时数据分析，像微博实时榜单这种应用，需要storm。etl工具可以从多种数据源，大数据、关系库、文本等多种数据源抽取数据并统一加载。同时学习数据仓库架构与研发流程的课程，学习数据仓库的技术，对数据的整理与应用提出了一套方法论，通过OLAP的维度模型来处理各种数据应用需求，BI与数据接口等。同时学习mahout是做数据挖掘应用的深度学习的框架。还有Nosql的数据库,Redis与Mongodb技术，用于第三方数据抓取的编程语言Python,与分布式内存处理技术的spark框架与scala语言。并且设置的一些实战课程。未来课程内容也会不断更新

Python网络程序开发 12课

Storm大数据开发 8课

Storm应用实战18课

Hadoop应用开发实战案例 15课

数据仓库全流程开发详解 15课

ETL开发之Kettle 15课

NoSQL与NewSQL数据库引航 19课

MySQL数据库运维 15课

大数据之Scala语言 5课

Redis技术详解 26课

Mongodb技术详解 18课

Oracle职业直通车 26课

Mahout数据挖掘 28课

Docker大讲坛指引未来的云计算 10课

Spark纯实战大讲坛 5课

高级实战这个阶段的重点是深入学习、源码解析与实战，源码解析是希望能更深入的理解开源框架对解决实际问题的编程模型，同时很多大公司在对这些开源框架的应用上并不是直接拿来使用，因为标准版本可能无法解决这种大公司的一些特殊业务需求，都是对源代码进行二次开发，升级改造，重写等来满足自己的业务需要，所以大牛是要有改编能力的。百度就是这样干的，最好的例子就是咱们发货用的云盘，就是。同时数据挖掘、机器学习也是非常重要的大数据应用，阿尔法狗就是利用这个技术打败李世石的。openstack企业私有云是很多大企业内部都要用到的云服务技术，企业的内部应用目前也都是奔着SAAS，软件及服务的方式来实现，所以企业内部的大数据技术也是非常必要的。

Hadoop源码解析与开发实战 43课

大数据HBase源码解析与开发实战 26课

大数据Hive源码解析与开发实战 24课

大数据Hadoop数据挖掘实战

Zookeeper入门到精通 8课

Flume应用开发实战 12课

Mahout入门与项目实战 20课

大数据之机器学习 11课

大数据之Linux内核探秘 13课

深入浅出Hive企业级架构优化 7课

Storm的集群搭建实战 8课

OpenStack企业私有云实战培训课程 12课

Nutch相关框架 20课

基于大数据的推荐系统设计 9课

大数据挖掘下的机器学习 11课

更多深度文章，请关注云计算频道：https://yq.aliyun/cloud

【导言】目前人工智能非常火爆，而深度学习则是引领这一火爆现场的“火箭”。于是，有关“深度学习”的论文、书籍和网络博客汗牛充栋，但大多数这类文章都具备“高不成低不就”的特征。对于高手来说，自然是没有问题，他们本身已经具备非常“深度”的学习能力，如果他们想学习有关深度学习的技术，直接找来最新的研究论文阅读就好了。但是，对于低手（初学者）而言，就没有那么容易了，因为他们基础相对薄弱，通常看不太懂。

于是，我们推出深度学习的入门系列。在这个系列文章中，我们力图用最为通俗易懂、图文并茂的方式，带你入门深度学习。我们都知道，高手从来都是自学出来的。所以，这个深度学习的入门系列，能带给你的是“从入门到精通”，还是“从入门到放弃”，一切都取决你个人的认知。成就你自己的，永远都是你自己，是吧？

好了，言归正传，下面开始我们的正题。

1.1什么是学习？

说到深度学习，我们首先需要知道，什么是学习。

著名学者赫伯特·西蒙教授（HerbertSimon，1975年图灵奖获得者、1978年诺贝尔经济学奖获得者）曾对“学习”给了一个定义：“如果一个系统，能够通过执行某个过程，就此改进了它的性能，那么这个过程就是学习”。

大牛就是大牛，永远都是那么言简意赅，一针见血。从西蒙教授的观点可以看出，学习的核心目的，就是改善性能。

其实对于人而言，这个定义也是适用的。比如，我们现在正在学习“深度学习”的知识，其本质目的就是为了“提升”自己在机器学习上的认知水平。如果我们仅仅是低层次的重复性学习，而没有达到认知升级的目的，那么即使表面看起来非常勤奋，其实我们也仅仅是个“伪学习者”,因为我们没有改善性能。

1.2什么是机器学习？

遵循西蒙教授的观点，对于计算机系统而言，通过运用数据及某种特定的方法（比如统计的方法或推理的方法），来提升机器系统的性能，就是机器学习。

英雄所见略同。卡内基梅隆大学的TomMitchell教授，在他的名作《机器学习》一书中，也给出了更为具体（其实也很抽象）的定义[1]：

对于某类任务（Task，简称T）和某项性能评价准则（Performance，简称P），如果一个计算机程序在T上，以P作为性能的度量，随着很多经验（Experience，简称E）不断自我完善，那么我们称这个计算机程序在从经验E中学习了。

比如说，对于学习围棋的程序AlphaGo，它可以通过和自己下棋获取经验，那么它的任务T就是“参与围棋对弈”；它的性能P就是用“赢得比赛的百分比”来度量。“类似地，学生的任务T就是“上课看书写作业”；它的性能P就是用“期末成绩”来度量”

因此，Mitchell教授认为，对于一个学习问题，我们需要明确三个特征：任务的类型，衡量任务性能提升的标准以及获取经验的来源。

1.3学习的4个象限

在前面的文章中[2]，我们已提到，一般说来，人类的知识在两个维度上可分成四类（见图1）。即从可统计与否上来看，可分为：是可统计的和不可统计的。从能否推理上看，可分为可推理的和不可推理的。

图1人类知识的4个象限

在横向方向上，对于可推理的，我们都可以通过机器学习的方法，最终可以完成这个推理。传统的机器学习方法，就是试图找到可举一反三的方法，向可推理但不可统计的象限进发（象限Ⅱ）。目前看来，这个象限的研究工作（即基于推理的机器学习）陷入了不温不火的境地，能不能峰回路转，还有待时间的检验。

而在纵向上，对于可统计的、但不可推理的（即象限Ⅲ），可通过神经网络这种特定的机器学习方法，以期望达到性能提升的目的。目前，基于深度学习的棋类博弈（阿尔法狗）、计算机视觉（猫狗识别）、自动驾驶等等，其实都是在这个象限做出了了不起的成就。

从图1可知，深度学习属于统计学习的范畴。用李航博士的话来说，统计机器学习的对象，其实就是数据[3]。这是因为，对于计算机系统而言，所有的“经验”都是以数据的形式存在的。作为学习的对象，数据的类型是多样的，可以是各种数字、文字、图像、音频、视频，也可以是它们的各种组合。

统计机器学习，就是从数据出发，提取数据的特征（由谁来提取，是个大是大非问题，下面将给予介绍），抽象出数据的模型，发现数据中的知识，最后又回到数据的分析与预测当中去。

1.4机器学习的方法论

这里稍早说明的一点的是，在深度学习中，经常有“end-to-end（端到端）”学习的提法，与之相对应的传统机器学习是“DivideandConquer（分而治之）”。这些都是什么意思呢？

“end-to-end”（端到端）说的是，输入的是原始数据（始端），然后输出的直接就是最终目标（末端），中间过程不可知，因此也难以知。比如说，基于深度学习的图像识别系统，输入端是图片的像素数据，而输出端直接就是或猫或狗的判定。这个端到端就是：像素-->判定。

再比如说，“end-to-end”的自动驾驶系统[4]，输入的是前置摄像头的视频信号（其实也就是像素），而输出的直接就是控制车辆行驶指令（方向盘的旋转角度）。这个端到端就是：像素-->指令。

就此，有人批评深度学习就是一个黑箱（BlackBox）系统，其性能很好，却不知道为何而好，也就是说，缺乏解释性。其实，这是由于深度学习所处的知识象限决定的。从图1可以看出，深度学习，在本质上，属于可统计不可推理的范畴。“可统计”是很容易理解的，就是说，对于同类数据，它具有一定的统计规律，这是一切统计学习的基本假设。那“不可推理”又是什么概念？其实就是“剪不断、理还乱”的非线性状态了。

图21个人+个人1=？

在哲学上讲，这种非线性状态，是具备了整体性的“复杂系统”，属于复杂性科学范畴。复杂性科学认为，构成复杂系统的各个要素，自成体系，但阡陌纵横，其内部结构难以分割。简单来说，对于复杂系统，1+1≠2，也就是说，一个简单系统，加上另外一个简单系统，其效果绝不是两个系统的简单累加效应，而可能是大于部分之和。因此，我们必须从整体上认识这样的复杂系统。于是，在认知上，就有了从一个系统或状态（end）直接整体变迁到另外一个系统或状态（end）的形态。这就是深度学习背后的方法论。

与之对应的是“DivideandConquer（分而治之）”，其理念正好相反，在哲学它属于“还原主义（reductionism，或称还原论）”。在这种方法论中，有一种“追本溯源”的蕴意包含其内，即一个系统（或理论）无论多复杂，都可以分解、分解、再分解，直到能够还原到逻辑原点。

在意象上，还原主义就是“1+1=2”，也就是说，一个复杂的系统，都可以由简单的系统简单叠加而成（可以理解为线性系统），如果各个简单系统的问题解决了，那么整体的问题也就得以解决。比如说，很多的经典力学问题，不论形式有多复杂，通过不断的分解和还原，最后都可以通过牛顿的三大定律得以解决。

经典机器学习（位于第Ⅱ象限），在哲学上，在某种程度上，就可归属于还原主义。传统的机器学习方式，通常是用人类的先验知识，把原始数据预处理成各种特征（feature），然后对特征进行分类。

然而，这种分类的效果，高度取决于特征选取的好坏。传统的机器学习专家们，把大部分时间都花在如何寻找更加合适的特征上。因此，早期的机器学习专家们非常苦逼，故此，传统的机器学习，其实可以有个更合适的称呼——特征工程（featureengineering）。

但这种苦逼，也是有好处的。这是因为，这些特征是由人找出来的，自然也就为人所能理解，性能好坏，机器学习专家们可以“冷暖自知”，灵活调整。

1.5什么是深度学习？

再后来，机器学习的专家们发现，可以让神经网络自己学习如何抓取数据的特征，这种学习的方式，效果更佳。于是兴起了特征表示学习（featurerepresentationlearning）的风潮。这种学习方式，对数据的拟合也更加的灵活好用。于是，人们终于从自寻“特征”的苦逼生活中解脱出来。

但这种解脱也付出了代价，那就是机器自己学习出来的特征，它们存在于机器空间，完全超越了人类理解的范畴，对人而言，这就是一个黑盒世界。为了让神经网络的学习性能，表现得更好一些，人们只能依据经验，不断地尝试性地进行大量重复的网络参数调整，同样是“苦不堪言”。于是，“人工智能”领域就有这样的调侃：“有多少人工，就有多少智能”。

因此，你可以看到，在这个世界上，存在着一个“麻烦守恒定律”：麻烦不会减少，只会转移。

再后来，网络进一步加深，出现了多层次的“表示学习”，它把学习的性能提升到另一个高度。这种学习的层次多了，其实也就是套路“深了”。于是，人们就给它取了个特别的名称——DeepLearning（深度学习）。

深度学习的学习对象同样是数据。与传统机器学习所不同的是，它需要大量的数据，也就是“大数据（BigData）”。

有一个观点，在工业界一度很流行，那就是在大数据条件下，简单的学习模型会比复杂模型更加有效。而简单的模型，最后会趋向于无模型，也就是无理论。例如，早在2008年，美国《连线》（Wired）杂志主编克里斯﹒安德森（ChrisAnderson）就曾发出“理论的终结（TheEndofTheory）”的惊人断言[5]：“海量数据已经让科学方法成为过去时（TheDataDelugeMakestheScientificMethodObsolete）”。

但地平线机器人创始人（前百度深度学习研究院副院长）余凯先生认为[6]，深度学习的惊人进展，是时候促使我们要重新思考这个观点了。也就是说，他认为“大数据+复杂模型”或许能更好地提升学习系统的性能。

1.6“恋爱”中的深度学习

法国科技哲学家伯纳德﹒斯蒂格勒（BernardStiegler）认为，人们以自己的技术和各种物化的工具，作为自己“额外”的器官，不断的成就自己。按照这个观点，其实，在很多场景下，计算机都是人类思维的一种物化形式。换句话说，计算机的思维（比如说各种电子算法），都能找到人类生活实践的影子。

比如说，现在火热的深度学习，与人们的恋爱过程也有相通之处。在知乎上，就有人（jackyyang）以恋爱为例来说明深度学习的思想，倒也非常传神。我们知道，男女恋爱大致可分为三个阶段：

第一阶段初恋期，相当于深度学习的输入层。妹子吸引你，肯定是有很多因素，比如说脸蛋、身高、身材、性格、学历等等，这些都是输入层的参数。对不同喜好的人，他们对输出结果的期望是不同的，自然他们对这些参数设置的权重也是不一样的。比如，有些人是奔着结婚去的，那么他们对妹子的性格可能给予更高的权重。否则，脸蛋的权重可能会更高。

图3恋爱中的深度学习

第二阶段热恋期，对应于深度学习的隐藏层。在这个期间，恋爱双方都要经历各种历练和磨合。清朝湖南湘潭人张灿写了一首七绝：

书画琴棋诗酒花，当年件件不离他。

而今七事都更变，柴米油盐酱醋茶。

这首诗说的就是，在过日子的洗礼中，各种生活琐事的变迁。恋爱是过日子的一部分，其实也是如此，也需要双方不断磨合。这种磨合中的权重取舍平衡，就相等于深度学习中隐藏层的参数调整，它们需要不断地训练和修正！恋爱双方相处，磨合是非常重要的。要怎么磨合呢？光说“520（我爱你）”，是廉价的。这就给我们程序猿（媛）提个醒，爱她（他），就要多陪陪她（他）。陪陪她（他），就增加了参数调整的机会。参数调整得好，输出的结果才能是你想要的。

第三阶段稳定期，自然相当于深度学习的输出层。输出结果是否合适，是否达到预期，高度取决于“隐藏层”的参数“磨合”得怎么样。

1.7小结

在本小节，我们回顾了“机器学习”的核心要素，那就是通过对数据运用，依据统计或推理的方法，让计算机系统的性能得到提升。而深度学习，则是把由人工选取对象特征，变更为通过神经网络自己选取特征，为了提升学习的性能，神经网络的表示学习的层次较多（较深）。

以上仅仅给出机器学习和深度学习的概念性描述，在下一个小结中，我们将给出机器学习的形式化表示，传统机器学习和深度学习的不同之处在哪里，以及到底什么是神经网络等。

1.8请你思考

（1）在大数据时代，你是赞同科技编辑出生的克里斯﹒安德森的观点呢（仅需简单模型甚至无模型），还是更认可工业界大神余凯先生的观点呢（还是需要复杂模型）？为什么？

（2）你认为用“恋爱”的例子比拟“深度学习”贴切吗？为什么？

（3）为什么非要用“深度”学习，“浅度”不行吗？

写下你的体会，祝你每天都有进步！

参考文献

[1]TomNitchell.曾华军等译.机器学习.机械工业出版社.2002

[2]张玉宏.云栖社区.AI不可怕，就怕AI会画画——这里有一种你还不知道的‘图’灵测试，2017.4

[3]李航.统计学习方法.清华大学出版社.2012.3

[4]BojarskiM,TestaDD,DworakowskiD,etal...

当企业随着业务的扩展，使用的资源越来越多的时候，如何高效的去管理一个或数个庞大的资源集群，使运维工作变得更加容易简单，灵活?

成都达内小编今天讲解的内容主要从云资源自动化管理工具谈起，通过工具来体现云计算在企业级解决方案中相对于传统运维的巨大优势，内容包括：云资源分组归类，隔离与授权，如何使用高效的运维工具(监控告警，自动伸缩)等等。

1传统运维中的那些坑

不知道群里各位有没有之前接触过传统 IT 运维的工作?运维工程师，其实，在以前工程师的体系里是相对比较苦逼的工种。不止是因为薪水比别的工程师低一点，还体现在:

运维工程师操作的是线上系统，平时压力特别大，需要 7x24 小时维护系统正常运行。

平时老板和领导眼里存在感比较低，只有哪天系统挂了，老板才会突然想起运维工程师。

我以前有一些朋友做运维工作，其中有一个特别好的朋友在新浪做过四、五年运维工程师，现在正在自己创业。我们交流时，他说现在做运维和以前做运维完全是两个时代的事情，创业也变得更简单了。

他具体说了这几个方面：

一是相对容易融资，只要东西做得靠谱一点。

二是现在创业主要是轻资产的模式，最大的资本投入是人，只要有人就可以。(甚至不需要租办公室，办公室、办公设备可以由第三方创业服务商提供租赁，财务，法务，人力等工作也有专业的外包团队来解决。)

三是 IT 运维模式的改变(从传统运维到云计算，极大降低成本)，也是今天的话题。

现在创业团队中的运维不需要像以前一样，在做一个产品之前，就要先买几百台服务器。100 台服务器，这个数量对大公司来说不是特别大的数字，但是对于一个初创企业来说，几百万的投入决策也许就决定着团队的生死问题。

而且，服务器买来以后还需要进行繁琐的配置。(我的朋友经常自己编译新版本的 FreeBSD，想象一下，把 100 台服务器放在面前，挨个装操作系统。100 台服务器，装操作系统就要一个下午或者更长的时间。)装完后把这 100 台服务器放在机房里，挨个塞到机架上，插上网线、电源线、硬盘，把机器跑起来。

是不是很辛苦?

但是即使是这样，也没有结束，当产品真正上线后需要做的事情更多。比如 A 部门做了一个产品，它需要一些服务器，给他分配了 1-10 号服务器。过一段时间，B 部门也需要服务器部署产品，给 B 部门分配 11-20 号服务器，这些都得记录下来(很多公司是拿个小本子或者 Excel 文件记录)。

但是，当公司的业务规模随着产品的发展越来越大，开发人员越来越多，产品线越来越长，甚至运维团队本身也有老人离职，有新员工入职，资源的管理会变得异常复杂，特别艰难。

最后可能会出现什么情况呢?

第一，每个部门使用的资源控制和管理变得很困难(复杂的申请和交付流程);

第二，资源混用， 有时候同一台服务器可能被多个团队使用，上面跑不同的业务。到最后具体每台服务器，上面跑了什么业务，都无法清楚的记录。

想象下，假如您的公司出现一台设备，但是你不知道是做什么用途的，该怎么办?

正常情况，肯定会跑到公司沟通群里喊：“谁在使用这个设备?”

但是当公司很大的时候，运维工程师肯定没法这么做(如果运维工程师自己都不知道某个机架上的某个服务器跑什么业务，业务部门更不知道了，对吧?)所以，传统的IT运维工作其实是相当辛苦的。

2云时代的运维的七种武器

但是，随着2012年后云计算的兴起，运维工程师开始逆袭了，不再是以前的苦逼状态，现在大家坐在办公室里喝着咖啡，随手就把运维的活给完成了。

那么云计算到底通过哪些方式来改变我们的运维工作呢?(或者说从我们青云的角度如何来看待云资源的管理?)今天主要给大家分享两个方面的东西：

一是如何做资源的分组隔离与授权;

二是提供什么样自动化运维工具，让大家更方便的管理这些资源。

下面我们先来谈一谈资源的分组隔离与授权：标签、子帐号、资源协作。

2.1标签

如上图，标签，比较容易理解，给一部分资源绑定一个标签。比如 A 团队用了 10 台服务器，给这 10 台服务器绑定一个标签。B 团队用另外的服务器，给它绑定一个标签。

给同一个资源绑定多个标签可以实现资源的多维度管理。比如说有一些资源用来做测试，给他绑定测试环境的标签，有些资源是线上环境，给它绑定生产环境的标签，还有其他预发布等另外维度的标签。

这些标签都在云系统中记录，永远不会丢失，不会出现之前(用本子或者 Excel 来记录)那种管理混乱的问题。

2.2子帐号

子账号也是一个给资源做分组的工具。刚才的标签也可以做分组， 有什么区别?

标签功能只是局限于本身一个账号体系下的资源做维度上的划分。

子账号则适合一个相对比较大的公司，它有多个部门，包括 A 部门、B 部门、C 团队、D 团队，他们分别负责单独的产品线，需要自己单独管理资源，这种情况下可以给他开一个子账号，让他自己创建和管理资源。

子账号之间资源完全隔离，但可以共享主账号的余额和资源，只要给主账号充足够的余额，子帐号自己就不需要关心充值等问题。后期还可以通过导出消费记录来预估和核算每个部门每个月大概花多少钱，用了多少资源。

2.3资源协作

资源协作是刚提供的新功能，这个功能会把资源管理的权限更细致化，上面这个截图就是在资源协作中，把一些资源授权给某个用户的操作。

适合什么场景呢?

一个公司的两个部门，平时大家做不一样的工作。如果有一天需要相互合作： A 部门有一个任务，B 部门的某个同事可能更擅长，需要他帮助完成。那么， A 部门把相应的资源授权给 B 部门的同事，他在上面做开发部署，当他完成后，再把给他的权限收回。这是一个协作的过程，所有的资源仍然管控在 A 部门名下， B 部门的同事只是个协作的关系。

公司跟外包团队合作， 和上面同理， 可以把资源部署在公司自己的环境下，授权给外包团队来使用和操作。

上面讲到我们如何管理资源。下面我们来谈一谈青云提供的几种自动化运维工具：监控告警，自动伸缩，定时器，Open API。

2.4监控告警

作为一个工程师，我们平时非常关心资源的状态(尤其是线上环境)。

服务器并不是放在机房就没事了，服务器跟孩子一样，它也会生病、闹脾气，需要时刻关注它的状态。作为运维工程师，一般部署完资源之后，还要给它写配套的监控程序，不同的公司会根据不同的需求写监控程序，然后根据监控得来的数据调整和优化系统。

以前运维部门都有个专门做这个事情的岗位： 运维开发，一帮小伙每天写代码，开发适合自己的监控系统、告警系统。来到现在云计算的时代，云计算提供的服务都是统一的标准，所需要的监控告警等运维工具基本上是差不多的，所以，青云QingCloud 作为云计算服务提供商，直接帮助大家把这个事做完了。

在青云，所有服务在发布之前，我们都会给它加相应的监控告警。并且所有的 IaaS 资源、PaaS 资源，不同的资源监控指标不一样。比如主机，一般我们比较关心它的 CPU、内存、硬盘有没有写满，如果是数据库，可能更关心数据库的连接数是多少，公网 IP 关心进出流量的带宽是多少等等。

我们提供的监控告警也有很多其他更细化的配置(比如生效时间，触发频率)，为大家提供更多的选择。

另外，不管是有 2、3 台服务器，还是 50、100 台服务器，并不需要挨个去配置告警服务，我们支持一个监控告警策略，可以批量绑定到多个资源上。(如果后面需要调整监控指标，只需要改策略，点击修改后，所有绑定的资源都会得到相同的更新。)

我们还提供了监控告警的历史记录。因为并不是仅仅在出现故障的时候触发告警就可以了，在一段时间之后，我们也需要根据一周或是一个月的告警历史做分析，分析这些服务器会在什么时间点，因为哪个监控的指标发生告警，通过分析这些数据，就可以知道资源瓶颈容易出现在什么地方，然后做相应的调整。

2.5自动伸缩

接下来是一个大家更感兴趣的话题，那就是自动伸缩，因为它可以帮大家节省非常多的钱。

如果是传统的 IT 运维，一般产品上线前就需要提前预备资源。假如有一家提供 xx 服务的公司，平时的业务量需要 10 台主机， 那上线前就买 10 台服务器。

但是有个问题： 如果有一天公司的运营部门或是市场部门做推广、抢购等线上活动，用户量会突然上升，到时候可能需要 30 台主机，怎么办?

财务比较宽松的公司，一开始 30 台主机就准备好， 提前购买放在机房，平时 10 台主机开机，应付平时的压力。等到活动开始时，打开另外 20 台主机，30 台主机一起上，应该能解决问题，对吧?

但是又有问题了：

有时候的推广活动可能会出现 30 台主机都不够用的情况;

平时很多机器闲置在机房，浪费资源(也浪费钱)。

但是在云上情况就不一样了，只要根据当前的业务按需创建主机既可(如果需要 5 台主机就申请 5 台)绑定自动伸缩的策略，等到搞活动的时候，随着流量上涨，伸缩策略会自动根据上涨的情况添加所需要的主机(比如流量上涨 10Mbps，自动加 2 台主机，如果流量还上涨再加 2 台，如果还不够再加 10 台)。

自动伸缩这个工具让云计算相对于传统的运维无论是从经济上，还是从效率上都更加有意义，不需要为了很多不必要的资源提前买单，也节能环保。

青云目前提供自动伸缩的方式，尽量以最简单的方式提供给大家。只需要在控制台上点两下鼠标，配置几个参数就可以了。

事实上青云系统会根据自动伸缩的策略在后端生成一个 Python 脚本，青云有专门的服务器来运行这些脚本，帮助大家做自动伸缩。

未来会考虑支持让用户自己上传脚本，一些高级用户平时遇到的情况跟普通用户不太一样，有特殊的伸缩需求，那么可以自己配置伸缩脚本，变得更加灵活。

2.6定时器

以前做运维工程师的时候，做得最多的就是备份。每周、每天备份，每小时备份核心数据。工程师特别讨厌人工操作，因为能用代码、脚本实现的，为什么要用人工?

所以青云提供定时器功能，只要配置好时间周期，它可以定期执行操作或者触发一些行为。

再举个场景： 假如有一个测试服务器，可能不是每天都会使用，只有上班的时候才会用来做测试。那么可以配置一个定时器，如果早上 8:30 上班，配置 8:25 自动开机，如果是 6:30 下班，6:35 自动关机。

这台测试服务器每天只开 8 个小时，也就是上班时间。甚至不用管它，因为它会自动开关机。每天 8 小时，相对于之前开机 24 小时，可以节约 3 倍的成本。

2.7API

如果我们上面提供自动化运维的工具依然不能满足运维的需求(如果你有一些特殊的运维需求)，那么可以试一下我们提供的 300 多个 Public API。

通过 300 多个公开的 API，基本上可以管理和操作青云所有的资源(我以前做过前端工程师，青云的控制台 100% 基于 API 实现，如果觉得它不好用或是有自己偏好，完全可以自己根据 API 写一个控制台)。

CLI 和 SDK 是 Public API 的封装，通过这两个东西可以让 API 用起来更加简练。官方提供 Python 版本的 SDK，例如像创建主机这种操作，只要调用库中的一个方法就可以。

很多公司或是技术能力比较强的公司，一般以前都有自己的运维系统，也可以通过 API 的方式把青云和自身的运维系统做融合、对接，在运维系统上操作，底层控制青云的资源。

上面这些讲解，主要是想把我们对于自动化运维的理解和思路分享给大家。

随着区块链技术的兴起，很多新型创业公司正试图利用区块链衍生技术开发软件破坏现有的云计算行业。和云计算技术相比，区块链能够更有效地利用冗余的计算容量，保证敏感数据的安全，并通过 “自托管”来实现计算能力的去中心化。区块链和云计算之间究竟有什么关系吗?以下是千锋老师分享的一些资料，希望可以给你带来一定指引。

区块链是什么?

区块链(Blockchain)是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链的特征是去中心化、开放性、自治性、信息不可篡改、匿名性，可分为公有区块链(PublicBlockChains)、行业区块链(ConsortiumBlockChains)和私有区块链(privateBlockChains)三类。

区块链和云计算是什么关系?

1、区块链技术和应用的发展需要云计算、大数据、物联网等新一代信息技术作为基础设施支撑，同时区块链技术和应用发展对推动新一代信息技术产业发展具有重要的促进作用。

2、云计算服务具有资源弹性伸缩、快速调整、低成本、高可靠性的特质，能够帮助中小企业快速低成本地进行区块链开发部署。

3、与云计算技术不同的是，区块链不仅是一种技术，而是一个包含服务、解决方案的产业，技术和商业是区块链发展中不可或缺的两只手。

4、云计算与区块链技术结合，将加速区块链技术成熟，推动区块链从金融业向更多领域拓展，比如无中心管理、提高可用性、更安全等。

专业人士认为，如果无服务器计算能够实现将敏感数据保存在其所有者手中而不是存储在第三方基础架构内的承诺，并且运行速度比云更快，那么该行业可能就会看到一个转折点，而这需要时间去检验。目前我国云计算产业已进入高速发展阶段，高端云计算开发人才需求紧迫，如何成为高薪高职的精英成为人们面临的首要问题，越来越多的人选择参加培训机构。

　　于Linux和Windows，一直有人争论。其实这两个是完全不同的东西。对于现代的大型或者超级运算，基本上都是Linux/Unix的天下。Linux多年来取得的成绩是毋庸置疑的。

　　1、 Linux系统有大量的拥护（用户）者

　　Linux系统是大数据、云计算等IT技术必选的开源系统，而现在又是大数据时代，我们要紧跟时代脚步，你还在原地踏步吗？

　　2、 企业渴望Linux人才

　　各大招聘信息显示，Linux系统处于饥饿状态，Linux系统招聘职位约6000多，但每天招聘数量还在刷新最高纪录，你还在犹豫？

　　3、 薪资波动你的心跳

　　这是一个高薪的职业，一般Linux工程师薪资在5000-30000之间，甚至可以更高，招聘网站一搜即知，，你还不心动？

　　4、 就业方向亮瞎眼

　　Linux系统架构师、Linux运维工程师、计算机系统集成工程师、售前售后工程师、Linux系统管理员、MySQL DBA、系统监控工程师、存储工程师等，这么多高薪职位向你招手，你还不赶紧的？

　　课课家推出Linux从入门到精通视频教程，关注课课家教育的小伙伴有福了，赶紧来学习吧！采用线上教学，老师会一遍讲解，一遍操作演示。另外，要是学生有疑问，还能找老师解决。不论你是不是想学Linux还是对Linux有兴趣，又或者是你已经从事了Linux这一块的工作了，但是还想对自己的专业技术进行提升的人员都可参与！还等什么?来学习吧！

Linux云计算运维工程师的薪资基本都在万元起步，比传统Linux工程师的普遍薪要高一些。Linux从入门到精通怎么学？千锋的形式新颖不落俗套的职场实践课贯穿学习始终。杨老师——中国第29位红帽认证架构师也会亲自授课，分享自己的经验。课上采用案例式教学，通俗易懂，课下强化训练，学与练交叉进行强化记忆。

学习的过程中经常会遇到什么问题呢？

1、 文档

文档及其不足是今年最大的痛点之一。尽管开源的方式产生了优秀的代码，但是制作高质量文档的重要性在最近才走到了前列。随着越来越多的非技术用户采用 Linux 和开源软件，文档的质量和数量将变得至关重要。如果你想为开源项目做出贡献，但不觉得你有足够的技术来提供代码，那么改进文档是参与的好方法。许多项目甚至将文档保存在其仓库中，因此你可以使用你的贡献来适应版本控制的工作流。

2、 软件/库版本不兼容

我对此感到惊讶，但软件/库版本不兼容性屡被提及。如果你没有运行某个主流发行版，这个问题似乎更加严重。我个人许多年来没有遇到这个问题，但是越来越多的诸如 AppImage[3]、Flatpak[4] 和 Snaps 等解决方案的采用让我相信可能确实存在这些情况。我有兴趣听到更多关于这个问题的信息。如果你最近遇到过，请在评论中告诉我。

3、 UEFI 和安全启动

尽管随着更多支持的硬件部署，这个问题在继续得到改善，但许多用户表示仍然存在 UEFI 和/或安全启动(secure boot)问题。使用开箱即用完全支持 UEFI/安全启动的发行版是最好的解决方案。

4、 弃用 32 位

许多用户对他们最喜欢的发行版和软件项目中的 32 位支持感到失望。尽管如果 32 位支持是必须的，你仍然有很多选择，但可能会继续支持市场份额和心理份额不断下降的平台的项目越来越少。幸运的是，我们谈论的是开源，所以只要有人关心这个平台，你可能至少有几个选择。

5、 X 转发的支持和测试恶化

尽管 Linux 的许多长期和资深的用户经常使用 X 转发(X-forwarding)，并将其视为关键功能，但随着 Linux 变得越来越主流，它看起来很少得到测试和支持，特别是对较新的应用程序。随着 Wayland 网络透明转发的不断发展，情况可能会进一步恶化。

对比去年的遗留和改进

视频（特别是视频加速器、最新的显卡、专有驱动程序、高效的电源管理）、蓝牙支持、特定 WiFi 芯片和打印机以及电源管理以及挂起/恢复，对许多用户来说仍然是麻烦的。更积极的一点的是，安装、HiDPI 和音频问题比一年前显著降低。

Linux 继续取得巨大的进步，而持续的、几乎必然的改进周期将会确保持续数年。然而，与任何复杂的软件一样，总会有问题。

docker 是Linux下面的容器技术，是目前最火的开源技术之一，在大数据，云计算的时代中，我们的docker也渐渐的将在虚拟化技术上面进一步发展。如果现在你还不知道docker， 那你就out了。接下来我们就一起来“Docker 从入门到放弃”吧

一，为什么要用 Docker？

Docker 是一个能够把开发应用程序自动部署到容器的开源引擎。它由Docker公司的团队编写，基于Apache 2.0开源协议授权。它提供了一个简单、轻量的建模方式，使开发生命周期更高效快速，鼓励了面向服务的架构设计。Docker 项目的目标是实现轻量级的操作系统虚拟化解决方案。 Docker 的基础是 Linux 容器（LXC）等技术。在 LXC 的基础上 Docker 进行了进一步的封装，让用户不需要去关心容器的管理，使得操作更为简便。用户操作 Docker 的容器就像操作一个快速轻量级的虚拟机一样简单。

Docker 的特点：

1，更快速的交付和部署

2，更高效的虚拟化

3，更轻松的迁移和扩展

4，更简单的管理

容器技术与传统虚拟机性能对比：

Docker与虚拟机建构对比

Docker 容器本质上是宿主机上的一个进程。Docker 通过 namespace 实现了资源隔离，通过 cgroups 实现了资源的限制，通过写时复制机制（copy-on-write）实现了高效的文件操作。

Docker有五个命名空间：

进程、网络、挂载、宿主和共享内存

为了隔离有问题的应用，Docker运用Namespace将进程隔离，为进程或进程组创建已隔离的运行空间，为进程提供不同的命名空间视图。这样，每一个隔离出来的进程组，对外就表现为一个container(容器)。需要注意的是，Docker让用户误以为自己占据了全部资源，但这并不是”虚拟机”。

Docker 中的三个概念：镜像，容器，仓库

1、镜像（image）：Docker 镜像就是一个只读的模板，镜像可以用来创建 Docker 容器。Docker 提供了一个很简单的机制来创建镜像或者更新现有的镜像，用户甚至可以直接从其他人那里下载一个已经做好的镜像来直接使用。镜像是一种文件结构。Dockerfile中的每条命令都会在文件系统中创建一个新的层次结构，文件系统在这些层次上构建起来，镜像就构建于这些联合的文件系统之上。Docker官方网站专门有一个页面来存储所有可用的镜像，网址是：index.docker.io。

2、容器（ Container）：容器是从镜像创建的运行实例。它可以被启动、开始、停止、删除。每个容器都是相互隔离的、保证安全的平台。可以把容器看做是一个简易版的 Linux 环境，Docker 利用容器来运行应用。镜像是只读的，容器在启动的时候创建一层可写层作为最上层。

3、仓库：仓库是集中存放镜像文件的场所，仓库注册服务器（Registry）上往往存放着多个仓库，每个仓库中又包含了多个镜像，每个镜像有不同的标签（tag）。目前，最大的公开仓库是 Docker Hub，存放了数量庞大的镜像供用户下载。

Docker仓库用来保存我们的images，当我们创建了自己的image之后我们就可以使用push命令将它上传到公有或者私有仓库，这样下次要在另外一台机器上使用这个image时候，只需要从仓库上pull下来就可以了。Docker 仓库的概念跟 Git 类似，注册服务器可以理解为 GitHub 这样的托管服务。

二，安装 Docker

前提条件：Docker运行对内核要求比较高，因此一般建议直接在Ubuntu这样的平台运行。但作为一个容器标准，Docker也是支持其他如CentOS, Mac OS X, Windows等平台。目前Docker支持以下版本CentOS:CentOS 7(64位)CentOS 6.5(64位)及以后在运行CentOS 6.5及以后版本时，需要内核版本>=2.6.32-431，因为这些内核包含了运行Docker的一些特定修改。

Docker默认使用AUFS作为存储驱动，但是AUFS并没有被包括在Linux的主线内核中。CentOS中可以使用Device Mapper作为存储驱动，这是在2.6.9内核版本引入的新功能。我们需要先确认是否启用该功能:

CentOS 7安装

Docker RPM包已经包含在CentOS-Extra仓库中，所以我们可以直接使用Yum安装:

# yum install docker

CentOS 6.6安装

需要注意的是，CentOS6.6中，已经有一个同名docker的可执行系统程序包。所以Docker RPM包命名为docker-io，我们先卸掉docker。

# yum -y remove docker

第三步 Install Docker-IO

# yum -y install docker-io

这样完成了Docker的安装。

# /etc/init.d/docker start #启动docker 

# docker info #查看 docker 基本信息

三， Docker 基本操作

# docker search centos #搜索容器 

 # docker pull centos #下载容器 

 # docker images #查看当前存在的镜像 

 # docker run centos /bin/echo 'hello world' #运行一条命令后直接退出 

 # docker run --name mydocker -it centos /bin/bash #进入docker容器 

-t 选项让Docker分配一个伪终端（pseudo-tty）并绑定到容器的标准输入上， 

-i 则让容器的标准输入保持打开。 –name 使用一个自定义的名字 

# docker run -d --name mynginx nginx #启动nginx镜像，没有会自动pull 

 # docker stop bfd094233f96 #停止一个容器，根据容器 id 进行删除 

 # docker rm bfd094233f96 #删除一个容器 

 # docker attach d20f3dc6cd92 #进入一个正在运行的容器 

此命令不太好用，建议使用以下命令进入容器： 

[root@localhost docker]# docker inspect --format "{{.State.Pid}}" mynginx #获取容器pid 19769[root@localhost docker]# nsenter --target 19769 --mount --uts --ipc --net --pid #进入容器(推荐方法) 

 # docker run -d -p 91:80 --name mynginx2 nginx # -p 指定端口映射，将80映射为host的91

存储镜像：

# docker save -o ubuntu_14.04.tar ubuntu:14.04

载入镜像：

# docker load < ubuntu_14.04.tar 或者使用 

 # cat ubuntu.tar | docker import - test/ubuntu:v1.0

移除本地镜像：

# docker rmi training/sinatra

清理所有未打过标签的本地镜像：

# docker rmi $(docker images -q -f "dangling=true") 

其中 -q 和 -f 是 quiet，–filter 的缩写, 完整的命令其实可以写着下面这样，是不是更容易理解一点？

# docker rmi $(docker images --quiet --filter "dangling=true") 

注： 容器是否会长久运行，是和docker run指定的命令有关，和 -d 参数无关。

要获取容器的输出信息，可以通过 docker logs 命令。

# docker logs [container ID or NAMES]

删除容器：

# docker rm 默认并不会删除运行中的容器

有关容器和镜像的底层信息:

# docker inspect container/image

可以查看：容器实例的IP地址端口绑定列表特定端口映射的搜索

收集配置的详细信息

从容器内复制文件到指定的路径上：

docker cp container:path hostpath

使用Dockerfile来构建镜像：

docker build [options] PATH | URL 

–rm=true表示构建成功后，移除所有中间容器 

 –no-cache=false表示在构建过程中不使用缓存

原文地址：http://linuxprobe/docker-base-operater.html

时隔一年，第五季AWSome Day闪耀归来。同一个城市不同的时间，4月19日将登陆成都通威国际中心。一年一度的云计算课堂，人气爆棚，场场爆满。现场名额有限，先到先得，机会不容错过！

最新、最酷的AWS云计算技术及实践经验分享，这里都有！让每个学员都有自己的闪光点，来AWSome Day学习、充电，提升自我，创造非凡的成就，闪耀你的职场人生。

时间：2018年4月19日（星期四），08:30-18:00地点：成都通威国际中心地址：成都市高新区天府大道中段588号

AWSome Day是什么？

它是一场为时一天、结合教育与技术新知的云计算技术免费研讨会。是面向所有开发人员、IT技术人员、或技术/业务领域决策者必备的基础云计算课程。AWS专业级讲师将在现场带领您从入门到精通，由浅至深地打好云计算技术基础。一天时间、多节课程，轻松掌握AWS核心服务，让您从0到1启程云计算修炼之道。相信AWSome Day将是您快速入门云计算技术的必备宝典，会让您在此领域大有作为，帮助您成就非凡的自己。

AWSome Day讲什么？

AWSome Day是基于AWS云服务所设计的技术培训课程。2018 AWSome Day仍围绕着AWS核心服务展开。现场将为您带来经典技术架构以及客户案例分享，话题将涵盖云计算入门和AWS基础服务介绍，带您深入了解安全、数据库/大数据、管理及自动化等一系列服务，同时AWS的专业讲师也将分享AWS在IaaS、PaaS、SaaS等云计算平台上的升级与创新。

经过一天的课程，您可以实现什么？

>基本的云技术能力

>全面、深入的理解AWS云计算的核心服务

>与AWS团队及业界大咖面对面交流的机会

>所有参与者均有机会参与Kindle电子书抽奖

>获得AWSome Day官方培训结课证书

AWS诚挚邀请您的参与。会务组将审核您的注册信息，并于3个工作日内给您发送参会确认函。因座位有限，只有凭参会确认函方可进入会场。感谢您的理解，请您静候佳音。

关于AWS，更多请访问：

网站 aws.amazon/cn/

博客 aws.amazon/cn/blogs/china/