快速

《时尚芭莎》前执行主编于小戈，没有推广经费，没有百万级粉丝，在百位圈内好友的支持下，创立“大眼睛买买买商店”。联手品牌家族从直播到销售，500+欧美小众尖货入驻，月交易破千万。

依靠有赞小程序起死回生，小程序转化是原文链接的500倍

于小戈说，4万粉丝6个月卖出6000万流水，我们的小程序的销售转化比是原文链接的500倍。小程序激活了订阅号内容沉淀积累的沉默潜在消费力。选择大于努力，我很庆幸，在我快破产时，改变我们这家小公司生死的转机是微信和有赞小程序。

 

于小戈表示，传统货架式电商已死，当下最有机会的是拥有新的流量获取方式和微信千亿级战场的新渠道品牌以及拥有新的故事和人群标签的新产品品牌。而电商核心本质的竞争力是信任经济，因此，于小戈坚持只做一件事：不卖品牌，不卖爆品，只卖解决方案。

有赞是最好用的小程序电商解决方案，一键接入快速开店

一开始，于小戈的电商小程序没有用有赞的后台，一个月2000万流水系统就崩溃了，还经常会出现商品错发漏发等情况，给用户造成非常不好的体验。就在这时，有赞解决了她的燃眉之急。当初搭建的4个不同的电商小程序，如今也只有有赞搭建的小程序依然挺立到现在且月流水过千万。于小戈说，小程序在电商领域还不成熟，有赞是最好用的小程序技术解决方案。

自小程序上线以来，有赞便帮助商家快速对接，将沉淀5年的电商交易技术实力、每秒5万单的订单处理能力赋能小程序，给商家强大、稳定的服务。有赞让商家一键接入小程序，即使是不懂开发代码的商家，也能拥有自己的小程序。

有赞CEO白鸦表示：接下来有赞小程序将快速对标微商城的800多项功能，将积累多年的电商能力赋予小程序，在社交网络为商家提供信用背书。未来会有更多人可以通过有赞小程序交出百万、千万甚至超过亿元的成绩单。

 

如果说前50年是AI的潜伏期，那么，2017就是人工智能的全面爆发年。我们在各行各业都可以看到AI的身影，包括各厂商推出的自研AI算法，以及满屏的基于AI的智能化探索和研究，无可否认的是，人工智能技术已经渗透到生活的各个领域当中。那么，在AI技术实际落地的过程中，会遇到什么样的瓶颈?基于深度学习的框架这么多，企业该如何选择最适合自己的那一条道儿?

12月9日UCloud收官战，聚焦AI技术的落地实践，通过高可用的异构AI计算平台构建过程、如何流程化地生产和发布AI产品、及深度学习性能优化工具和实现等内容分享，为开发者在快速落地AI应用和产品上提供了一些可用的方法和途径。

美团丁雪涛：美团配送智能网络规划系统

美团配送已承担日千万级单量的配送，为上百万商家和千万级用户提供服务。这其中如何建立配送网络的规划工具和规划策略至关重要，不过，仅仅依靠人工来对百万级别的网络进行调整，不但效率低成本高，而且标准不一。来自美团的资深技术专家丁雪涛，就美团配送网络的总体设计和规划、商家配送范围的策略和算法演进、区域规划的策略等内容展开了深入分享。

美团的整个配送网络整体设计包括三个核心概念：取件范围、送件范围以及配送范围。取件范围就表示加盟商的势力范围，每一个商家对应一个独立的配送团队，势力范围即配送小哥能够为哪些地方取件，送件范围的目的是为配送团队规划一个整体可以到达用户的地;配送范围是指商家的配送范围，只有在这个配送范围内的用户才可以看到这样一个商家。

那么，美团怎样规划取件范围和配送范围呢?在取件范围的规划上，美团以效率、体验和公平为基准点，制定了生成划分方案，即基于聚类和多目标优化，来生成候选划分方案，通过迭代反馈，将生成的候选方案输入到仿真系统，通过真实历史订单骑手配置来模拟配送过程，得出效率和体验评估报告。

在配送范围的规划上，美团首先将配送场景划分为常规配送范围、恶劣天气范围、闲时配送范围、新商家范围等等，通过block决策、导航路线画图、中间指标、商家推荐、机器学习预估多种技术手段，分析出不同场景下最优的配送范围。

UCloud宋翔：构建商用AI平台的挑战与思考

随后，UCloud高级研发工程师宋翔，结合UCloud在AIPaaS产品研发过程中遇到的问题，以及AI平台构建过程中的挑战与解决方案，为现场参会者深入讲解了如何构建一个高可用的异构AI计算平台。

宋翔表示，目前，业界主流的AI算法和框架非常多，算法包括VCG、LSTM、RestNet、Fast-RCNN等等，而框架又有TensorFlow、Keras、Caffe、MXNet等，其组合种类更加让人眼花缭乱。那么，如何在繁杂的组合里选择合适的算法和框架?宋翔分享了AI平台构建需要考虑的五大要素：算法兼容性、平台扩展性、分布式话、纵向拓展、易用性，用户可以以这五大要素为基准点，根据平台构建的目的来搭配最适合的算法和框架。

基于以上五大要素，UCloud构建了自有的AI基础平台，里面包含AI训练和AI在线服务两大核心功能。如下图所示，最上层是训练日志和TensorBoard框架，下面接着就是图形化界面，这里面主要是完成一些基本的部署操作，右侧是PythonSDK接口，接入层下面即为平台核心的AITrain和AIService，最底层封装了所有的硬件和存储接入。这个平台看起来虽然简单，但基本上包含了AI商用平台的常用功能和接口，可以说是麻雀虽小，五脏俱全。

谈起AI平台的实现过程，宋翔表示，AI框架的构建最重要的两点就是保障平台的兼容性和可靠性。在兼容性上，UCloud采用了容器封装和数据接入两种方法实现环境的分离，将不同功能的AI框架、依赖环境、硬件设备、存储分隔开来，让不同的模块实现不同的功能。可靠性的实现上，UCloud主要采用负载均衡、请求调度算法优化、性能监控以及高可用的部署等方式，完成全局的弹性扩容。

值得一提的是，UCloud在GitHub开源了自身基于AI基础平台的公共镜像库和SDK，用户可以通过开源的SDK，将UCloud开源的镜像库打包成自身可以应用的镜像，开发者可以再本地镜像使用，也可以放在UCloud的在线服务或者说训练的平台，这些都是完全兼容的。感兴趣的同学也可以访问链接https://github.com/ucloud/uai-sdk/，进行深入了解和演练。

UCloud范融：如何轻装上阵玩转AI

在产品化AI服务的过程中，普遍都会遇到基础资源管理、使用、封装等等问题，如何提升AI产品研发效率，简化非核心业务的研发流程是各个公司最关心的问题之一。来自UCloud高级研发工程师范融，现场结合动手实践，详细分享了如何流程化地生产和发布AI产品，节省开发时间和成本。

本地开发AI之前，开发者需要提前配置基础的环境，包括CPU、GPU的支持，以及深度学习框架准备和科学计算库的加载等，基础环境配置完成之后，即可进行开发工作。下图为UCloudAI本地开发的整个过程，下层是基础环境的配置，上面白框是应用代码部分，这部分主要解决两个的问题，一个是数据的训练，一个是数据的预测。一般来说预测网络和训练网络是类似的，如果预测模型和预测程序不止在本地运行，则需要加一个Web服务框架。

为了简化应用代码的部署和构建过程，UCloud提供了一些开源的工具和框架(上图蓝色框架的所有内容)，包括辅助工具里面的代码打包和自动部署工具，开发者也可以在UCloud提供的SDK里面免费下载使用，省去许多部署烦恼。

AI本地训练虽然安全性比较高，但在资源申请和迭代开发方面具有一定的局限性，如字眼扩容较慢，多任务穿行是等待时间较长，调参困难等，范融认为，合理的将部分的AITrain放在云端实现，可以有效的完成云端资源的按需申请、多任务并行处理以及任务参数记录等工作。在数据的上云实践方面，UCloud提供了比较完善的工具和方法，用户只需通过代码改写、打包镜像、上传训练数据以及启动任务四个步骤即可轻松上云。

Intel何普江：深度学习性能优化工具及实践

UCloud的两位讲师分享了AI落地实践的一些平台构建思路和方法，来自Intel何普江，则现场分享了基于深度学习的性能优化工具和实践经验，包括在高性能计算库(MKL和MKL-DNN)和框架(Intel发行版Caffe)的使用、注意事项和一些经验，以及基于CPU的高效的RNN设计实现过程。

Intel数学核心函数库(MKL)是一套高度优化、线程安全的数学例程、函数，能加速加速机器学习、科学研究、工程、财务和设计等领域的数学处理，并提供了稠密及稀疏线性代数(BLAS,LAPACK,PARDISO),FFTs,vectormath,summarystatistics等支持，具有标准的API以及高度优化的特点，最大限度发挥多核核和SIMD指令的优势。

MKL不同的是，MKL-DNN是一个开源的深度学习框架。下图为使用IntelMKL-DNN进行推理的过程，有两种方式可以实现这个过程，一种是训练好的模型，直接进入模型转换器，然后再用topo.txt(网络拓扑)生成Inference.cpp(基于MKL-DNN的Inference代码，在初始化的时候会加载weights.bin)，这套逻辑需要用到Intel自身的网络拓扑模型的中间表示形式。另外一种方式是待topo.txt生成后，再用简单的代码转换器，实现轻量级的InferenceFramework.cpp(轻量级Inference框架，可以解析topo.txt并加载weights.bin)。

caffe是一个清晰、可读性高、快速的深度学习框架，Intel发行版的Caffe同样也是开源框架，它基于BAIR/BVLCCaffe改进而来，Intel在BAIR/BVLCCaffe的基础上添加了流行检测网络的支持(如SSD)，同时，也支持多节点训练以及CAFFE、MKL2017和MKLDNN三种引擎。在RNN的优化上，何普江介绍到，Intel主要对高效的GEMM实现、一些小操作的合并、并行化元素级操作、合理的数据排布以及低精度表示上进行了系列改进实践，优化之后的CPU性能基本上可以比GPU高甚至高出不少。

写在最后

这次分享从平台、方法和工具等不同角度，全面诠释和讲解了开发者该如何从0开始快速落地AI产品。虽然目前人工智能技术整体都还处在探索阶段，不过相信大家定能从这次分享中吸取精华，有所收获，在并将其应用在未来的开发者之路上。UCan下午茶2017系列沙龙，在走过了北京、上海、深圳、广州等一线城市后，于美丽的杭州湖畔完美收官。

DoNews7月31日消息（记者赵晋杰）7月31日，荣耀Note10正式在北京发布。6.95英寸的超大尺寸，使其成为目前市面上屏幕最大的旗舰手机。此外，荣耀Note10还首次搭载了双Tubro技术方案和THENINE液冷散热系统，用以提升游戏体验。

6.95英寸荣耀Note10(左)对比6.21英寸小米8

荣耀Note10采用6.95英寸18.5：9全面屏，屏占比达到87%，正反均采用双面2.5D玻璃，机身厚度仅7.65mm，四周进行圆弧处理，使得单手握持仍不成问题。搭载麒麟970处理器，内置5000mAh电池，前置1300万像素，后置1600万像素彩色+2400万像素黑白镜头变焦双摄，双F1.8大光圈。

荣耀Note10正面屏幕并未采用异形全面屏设计，其高达87%的屏占比主要归功于荣耀Note10的两项工艺设计——前置摄像头嵌入边框和COF工艺。通过在手机顶部中框挖孔，荣耀Note10把前置摄像头嵌入中框中，从而最大限度减少前置摄像头所占空间，让手机顶部空间更加紧凑，增加了手机屏占比。另外，通过COF工艺，荣耀Note10把传统固定在底部玻璃上的屏幕IC，创新的移到了屏幕背部的FPC上，最大限度的释放了手机底部的空间，让手机底部所需空间更小，从而增加手机屏占比。

荣耀Note10此次更是可以称其为一部大屏旗舰游戏手机。其首次搭载了双Turbo技术方案，即GPUTurbo&CPUTurbo（Turbo键）。GPUTurbo，是一项软硬件协同的图形处理加速技术，由荣耀在今年6月出正式推出。简单来说，GPUTurbo打通了EMUI操作系统以及GPU和CPU之间的处理瓶颈，可以让图形处理效率提升60%，SoC能耗降低30%，有效缓解了Android手机固有的碎片化卡顿现象。

此次荣耀Note10还特意设计了独立的游戏Turbo按键，来对CPU进行加速。以《荒野行动》为例，游戏中，通过点击独立Turbo按键，屏幕会弹出Turbo加速、免打扰、亮彩模式、一键录屏等四大快捷操作。

CPUTurbo能够实现的一大“功臣”则是THENINE液冷散热系统。由2012实验室牵头成立专门的热设计攻关团队（连同双Turbo攻关团队一起组成攻坚项目组，代号大亚湾），历时6个月，报废了10000多根热管，最终打造形成了当前的THENINE液冷散热系统，成功将与MacBookAir液冷管直径（5mm）一样的D5液冷管塞进了仅有7.65mm厚的机身中。

纵穿荣耀Note10热区和冷区的液冷管全长113mm，使得极限场景CPU最高可降10°C。并且使得荣耀Note10具有9层立体散热，散热能力提升41%，能够把芯片产生的热量快速均匀分布到机身其他位置并迅速散发出去，打造出极致散热效果。

价格方面，荣耀Note10此次推出幻影蓝和幻夜黑两款配色，共有三个版本，其中6GB+64GB售价2799元，6GB+128GB售价3199元，8GB+128GB售价3599元。8月1日开始，荣耀Note10抢先发售。

除了荣耀Note10之外，当天还一同发布了荣耀MagicBook触屏版，其中Intel版本售价5699元，AMD锐龙版售价4599元。（完）