健康资讯 #电子资料库##学习心得#
怪不得现在人工智能这么多人弄，单内部的处理硬件核心NPU，都这么详细。看着不怎么复杂的，单个模块也能看懂，结合起来，就成了这么复杂的架构和处理流程。
这让我想起之前听的一个播客说的，计算机处理没有什么是加一层解决不了的，实在不行就再加一层。现在我们看到的，都不知道加了多少层咯。
【原子能院输运模型比较研究取得阶段性进展】近期，由原子能院核物理研究所研究员张英逊作为共同通讯作者完成的综述性文章《中能重离子碰撞的输运模型比较研究》发表于核物理和粒子物理研究的国际顶级期刊《粒子物理与核物理进展》上，期刊影响因子为12.425。文章第一作者为德国教授Hermann Wolter，来自国内外的50余位学者共同参与完成。文章系统介绍了当前国际上各类知名的输运模型及其最新进展，被国际同行评价为未来输运理论模型研究领域的重要参考文献，对于促进输运理论研究的可持续发展具有重要理论价值。
输运模型是基于输运理论建立的模型，可用于描述所研究系统中物质输运、动量转移、能量耗散等多种非平衡的物理现象，是研究重离子碰撞的重要理论。其可靠性不仅对通过重离子碰撞来理解原子核的反应机制、核物质在高温高密下的性质以及有效核力的适用范围等具有重要意义，还对利用输运模型研究重离子辐射效应、辐射防护与设计具有重要价值。而要提高模型的预测能力及其获取物理量的可靠性，必须明确现有理论模型的可靠性、适用范围等，以对输运模型的进一步发展提供理论支撑。
为共同探索并解决模型差异问题，从而提高模型的可靠性，由中国、美国、意大利、日本、韩国等国的40多家单位专家组成的国际输运理论组，开展了输运模型比较研究。自2009年开始，张英逊即作为组内核心成员参与到该国际合作中，有力推动了研究工作的顺利开展。目前，理论组已经对模型中平均场处理、碰撞项处理等两个核心模块给出了推荐的解决方案，并在物理学国际顶尖学术期刊《物理评论C》上陆续发表了一系列关于模型比较的重要研究论文。
来源：2022.12.5中国原子能科学研究院微信
DPU计数据处理模块。[赞][赞][赞]
鲜枣课堂鲜枣课堂官方账号有了CPU和GPU后，我们为什么还需要DPU?
07:17【开源资讯】Python数据计算工具 PyMiner v2.1.0 Beta 发布！LGPL协议生效
PyMiner 是一个类似MATLAB的，但基于python的GUI数据计算工具，通过集成ipython和工作空间、编辑器、绘图、应用插件开发系统、统计和模型相关内容，用户可以在统一的界面程序中的完成数据科学家相应的工作，包括导入外部csv/excel/MATLAB/SPSS/STATA/SAS数据，或者从MYSQL/ORACLE数据库导入数据，并通过python代码或交互式操作进行数据处理，快速绘图、以及工作空间的数据管理等多样化功能。
2020-02-10，PyMiner v2.1.0 Beta 发布发布，以下是其更新内容：
更新说明：
1、底层技术架构从PyQt5迁移到pyside2；
2、优化完善新建项目；
3、优化完善多语言设置；
4、代码编辑器从QScintilla 改为使用pyside2重新构建；
5、新增数据统计模块-生成数据功能；
6、优化完善高分屏支持；
7、优化完善了主题切换功能；
8、新增了其他数据处理模块；
9、主程序新增在线更新功能。
此外，需要注意的是从V2.1.0版本开始，PyMiner的开源协议从GPL变更为LGPL，项目的开源协议将变得更加开放，对商业方面的使用也会更为宽松。
panicparse是一个解析Go程序crash dump程序，协助你调试并行处理时的崩溃和死锁问题
1.支持Go1.13-G 1.18 stack trace
2.支持全部go模块
3.支持竞争检测
4.HTML导出结果
5.高性能解析
6.采用了webstack.SnapshotHandler处理器
7.将原始stack dump压缩50%以上，但依旧可以更好地便于阅读
8.去掉重复的goroute栈
9.参数显示为指针ID，而不是原始指针值
10.将stdlib-only栈放置在最底部显示
11.如何可以的话，它可以解析到源文件，用以增强结果输出
项目地址: GitHub - maruel/panicparse: Crash your app in style (Golang)
A股东数西算最具爆发潜力和翻倍潜力的八大细分领域龙头股：
一，浙大网新
ZH12数据中心项目第1个模块已正式投入运营，尚未正式签订数据中心服务协议，第2个模块处于第三方验证测试阶段。公司拥有数据中心、网络平台、云计算平台、数据中台、城市大脑等完整云计算基础设施资源，具备云迁移、云平台部署、数据应用服务等技术能力；公司参与亚运会安防心脏钱江世纪城指挥中心等项目。
浙大网新，总市值71.41亿，涨幅9.97%，现价6.95，动态市盈率95.02倍，技术面五日线之上，我心向阳
二，科华数据
公司被确定为腾讯定制化数据中心项目的中选单位。公司与国网综合能源服务集团签训战略合作协议、双方拟围绕光伏逆变器、储能变流器及系统集成、新能源项目合作开发、数据中心等展开合作，并以业务合作为基础，推动双方最终实现股权合作。公司主营业务为信息设备用UPS电源、工业动力用UPS电源的生产与销售，在UPS不间断电源以及微模块数据中心市场两大业务板块上稳居国内第一超过20年。
科华数据，总市值151.3亿，涨幅2.92%，现价32.77，动态市盈率39.89倍，技术面年线之上，我心向阳
三，先进数通
公司旗下全资子公司泛融科技涉及隐私计算相关技术、解决方案研发。公司主要面向大中型金融、互联网企业，提供数据中心IT基础设施建设服务，其中也包含部分公司客户建设的互联网数据中心。公司与华为在金融行业建立了广泛的合作关系，涉及金融交易云、大数据、云数据中心建设等公司业务的各个领域。
先进数通，总市值57.68亿，涨幅3.88%，现价18.76，动态市盈率51.81倍，技术面30日线之上，我心向阳
四，首都在线
公司与庭宇科技合作协议，庭宇科技是国内领先的边缘云服务提供商，为公司客户提供高性能、低成本的边缘算力;CDS首云与紫金云深度合作，打造西部科学计算及人工智能超算数据中心；公司是一家覆盖全球目是国内少数能同时提供IDC和云服务的互联网数据中心服务提供商，已在全球搭建了云网一体化云平台，公司是一家覆盖全球的互联网数据中心服务提供商，在全国60余个数据中心部署超过3000个机柜。
首都在线，总市值77.55亿，涨幅19.99%，现价16.63，动态市盈率336.9，技术面五日线之上，我心向阳
五，网宿科技
提供IDC+液冷节能解决方案，关注高品质、绿色数据中心服务。提供托管空间租用、托管带宽租用、数据中心托管服务及企业级互联网通信整体解决方案等服务。公司子公司绿色云图自主研发的液冷技术，能够为企业提供更节能、高效的液冷数据中心建设及改造方案。
网宿科技，总市值155.4亿，涨幅5.13%，现价6.35，动态市盈率82.5倍，技术面年线之上，我心向阳
六，数据港
公司深度绑定互联网头部大客户，截至2021年数据港已连续11年为大客户提供双--数据中心运维保障服务。公司主营业务为数据中心服务器托管服务，根据客户规模和要求不同区分为批发型和零售型数据中心服务，并形成以批发型数据中心服务为主，零售型数据中心服务为辅的经营模式。
数据港，总市值126.3亿，涨幅10.00%，现价38.40，动态市盈率91.31倍，技术面五日线之上，我心向阳
七，浪潮信息
公司2021年前三季度，实现营收 462.5 亿元，同比增长 1.64%，实现归母净利润 13.5 亿元，同比增长 114.98%，财务费用显著减少、资产减值损失减少、存货明显提升。龙头地位依旧。根据公司 21 年中报援引 Gartner 最新数据，2021 年 Q1 浪潮通用服务器全球市占率 10.2%，继续保持全球第三。人工智能、大数据、5G 等技术的快速推广，对高并发处理的需求不断提升，服务器行业景气度长期向好。
浪潮信息，总市值483.9亿，涨幅5.78%，现价33.29，动态市盈率26.87倍，技术面年线之上，我心向阳
八，美丽云
全国最大的数据中心云计算企业之一，作为国内领先的新一代大型自然冷却绿色数据中心，“美利云中卫数据中心”采用自然风冷模式降温，能源效率（PUE）可达1.1，居国际领先水平，与传统大型数据中心制冷方案相比，全年节能率超过60%。目前已有金山，美团，字节跳动等等企业入驻，未来还将与上海电力建设超大型数据中心。公司预计明年将底彻底打开双主业模式，IDC收入占比将达到50%。
美丽云，总市值50.55亿，涨幅9.98%，现价7.27，动态市盈率264.9倍，技术面五日线之上，我心向阳
分析盘面及个股逻辑，不构成任何买卖依据，市场没有一夜暴富，也不要指望一笔或者几笔操作就能达到人生巅峰，所分享的逻辑和思路，请根据自己的方式做判断，切勿刻舟求剑。
最后祝点赞关&注的天天吃肉！！！
etcd是一个可靠的分布式KV存储产品，由CoreOS公司开发，其底层使用Raft算法保证一致性，主要用于共享配置和服务发现。本书主要从源码角度深入剖析etcd，首先介绍etcd的背景知识，如何搭建源码环境及相关的命令。接着从基本的Raft协议开始介绍，帮助读者了解Raft协议的背景、如何处理各种异常场景及相关扩展。然后分析etcd-raft模块对Raft协议的实现，同时介绍etcd自带的raftexample示例，帮助读者了解etcd-raft模块的基本使用方法。本书还介绍HTTP编程基础和etcd-rafthttp模块的工作原理及具体实现，以及etcd中如何处理WAL日志文件及快照数据文件，并且详细分析etcd的底层存储，对v2版本和v3版本的存储都做了详细的介绍。最后重点介绍etcd服务端和客户端的相关内容，etcd服务端会组装并协调前面介绍的各个组件，并且在它们的基础上扩展出了更多的功能，此外还详细分析v2和v3两个版本客户端的具体实现。
相互依赖网络中靶向损伤后集体神经元活动的动态鲁棒性抽象的在过去的几十年中，有关社会、技术和生物系统结构的数据的可用性为管理其正确运作和稳健性的机制提供了重要的见解。这些机制基于系统成分之间相互作用的复杂主干，包括拓扑和动力学方面。在这里，我们分析了由两层相互作用的神经元单元组成的相互依存的网络，并探索了当这些合成文化受到目标攻击或失败形式的损害时它们的稳健性。我们的结果表明，这些网络的功能不会随着损坏而单调下降，相反，当所经历的损坏足够大时，它们能够增加其活动水平。介绍从蠕虫C. elegans到人脑，自然形成的神经元回路具有以模块化组织为特征的解剖结构，从某种意义上说，神经元群（从几十个到数百万个）倾向于在其群体内更紧密地连接比网络的其余部分。例如，在哺乳动物的大脑中，视觉皮层和感觉运动区域构成了两个重要的模块单元，它们作为专门的电路运行，并在需要时与其他模块和大脑的其余部分共享信息。此外，这些模块存在于结合了二维和三维特征的物理环境中，具有继承的发展线索和布线成本限制。尽管这种模块化组织是信息处理和功能性能的核心，但模块本身的拓扑结构及其互连性对于塑造灵活而稳健的神经系统至关重要。需要灵活性来平衡专业化和全脑整合，同时需要稳健性来确保扰动或损坏不会严重损害电路的可操作性。要了解模块化神经元电路的稳健性，需要考虑的一些重要方面是节点中心性和网络拓扑以及它们与内在神经元动力学和噪声的相互关系。鉴于神经元系统固有的复杂性，大脑研究已与神经元培养的体外实验和数值模拟相结合]. 这些探索旨在研究两种主要情况下损伤的影响：(i) 有针对性的攻击，即中枢神经元的删除，以及 (ii) 故障，即随机选择的神经元的删除。通过这些方法，可以探索神经元网络在经历单元移除时的行为，即随着损伤的进展，并提供重要信息以理解和模拟神经系统疾病。最近，Faci-Lázaro 等人。实施了用于构建合成神经元培养物的生物现实空间模型，并以数值方式探索了它们对攻击和失败的反应。观察到的主要结果之一是，由文化空间嵌入引起的神经元之间的度量相关性与触发自发活动的噪声放大机制密切相关。此外，随着文化破坏的加剧，他们发现网络动态发生了从整体文化到碎片化的转变。这种转变与网络活动水平的下降和上升行为有关，这是一种令人惊讶且显然违反直觉的现象。在目前的工作中，我们的目标是更好地理解构成前一个转变的机制以及节点中心性对合成模块化文化行为的影响。我们的工作受到大脑模块化的复杂性和 Yamamoto 等人最近的体外实验的启发。和 Barral 等人。他设计了小型模块化或分层神经元培养物，并研究了神经元群体之间不同耦合强度的系统集体动力学。为此，我们通过使用标准合成图模型，特别是 Erdös–Rényi (ER) 和 Barabási–Albert (BA) 模型，来表示神经元之间的互连，而不是生物学上现实的模型，从而构建更简单的文化。因此，通过部分放弃受生物学启发的模型的准确性，我们获得了复杂性降低的简单图形模型提供的物理直觉，其属性在文献中众所周知并具有特征。文章继续如下。昆虫。 2我们介绍了合成模块化网络的结构以及这些图组合形成具有可调相关性的简单相互依赖网络的方式。昆虫。 3我们描述了神经元动力学模型，如参考文献。，遵循 Izhikevich 的描述。昆虫。 4我们研究了合成培养物在受到不同损伤过程时的行为，最后，在第 1 节中。 5我们总结了获得的结果。结构模型我们的 in silico相互依赖的神经元培养物是根据具有层的多层模型设计的，其中每一层代表神经元网络中的一个模块。每层包含个节点，并构建为有向图，遵循 Erdös–Rényi (ER) 或 Bárabasi–Albert (BA) 拓扑。我们考虑了多层结构中两层具有相同拓扑结构的情况，因此得到的多层网络要么是 ER-ER 要么是 BA-BA，总共有 2 N个节点。为此，连接概率p大号= 2否= 250ER 模型的初始连接数以及BA 模型的新节点m和。这里是每一层的平均连通性。有向链接而互连，其中f是层间链接的所需部分。讨论认识神经元网络的基本结构特性是充分理解其行为的基础。为此，在这项工作中，我们使用了两个研究最多且特征明确的模型来构建我们的合成培养物，即 Erdös-Rényi 和 Barabási-Albert 模型。与它们一起，我们创建了 ER-ER 或 BA-BA 的合成双层培养物，随机或通过考虑程度相关性相互连接，并研究了它们对攻击和失败的反应。我们观察到，一旦文化经历了足够的破坏（针对目标攻击为），它就会体验其活动的爆发以及平均雪崩的减少尺寸。
关于人脑对信息的压缩和解压缩的一些想法
在昨天《人脑的存储过程和提取过程》一篇中，关于眼睛将画面投射在大脑的处理过程的“分析和猜想”。最终各色各样的画面会被拆解成一个又一个局部，加以分类管理、信息关联和标签设定。而这些局部又是作为想象力的基础元素和支撑模块。
关于想象力在具体操作上的细节。怎么可以如此丝滑地把完全无关联的元素组合拼接，这中间的过度细节如何实现，完全不得而知。最关键的一点，人工实现这样的缝合的实现方案，完全没有具体解决方案！
此处暂时不讨论这个难题，先绕开吧！
今天，我在思考的一个问题：大脑在拆分的过程中的信息处理方案。此处仅是个人猜想，仅代表个人想法！
大脑在拆分画面的时候，会先做
1. 过滤细微之处
2. 过滤模糊不清之处
3. 过滤边界余光之处
4. 过滤大脑无法高效衡量
比如看一张脸，脸上的毛孔个数会自动忽略，粗略被评估为毛孔过多或不多。
也就是说，人脑在处理画面的时候，会有意无意地删减掉大部分“无用信息”，只保留主要信息。而这些主要信息就会被自动分类打标签！
整个过程很明显就是一种有损压缩算法！大脑大刀阔斧地剪掉细枝末梢，保留主干！
此外，人还有一个方式，解决细微之处的信息丢失：视角聚焦，视野放大！
还是以人脸为例，如果把视角放大到毛孔。我们就可以认知到毛孔的结构，油脂、汗腺的分泌过程等。
这些细节就会被收纳进入大脑中，然后这样的微局部与之前的局部关联起来。让大脑中对世界的认知更加细致！
人脑在整理信息时，会从每一次视角和专注方向上处理眼前的画面。同一个画面可能第一次关注形状轮廓，第二次关注色彩分布，第三次关注动态变化……每一次的观察，得到同一种事物不同特征信息。于是这个事物的信息维度愈加丰满丰富。每次处理信息的方式都是趋向某一种角度信息的保留下的有损压缩。这样的压缩叠加在一起，不同特征让事物的各类特征得以补充完整。但因为人类生理认知的局限性，这样的不同维度是有限的。所以，最终的结果也必然是的大体上趋向事物本身。而这似乎就是盲人摸象的最好解释。每个人大脑中的的大象其实就是这个人认知的局限性的表现，抽象到大脑上即是信息的有损压缩了！
说了压缩，自然就有对应的逆操作：解压缩！而它似乎也很好理解。关联信息的组合补充。人脑在图像上处理能力着实强大！它可以将任意多个画面无缝组合。天然的抠图能力，可以将任何一个局部填补在一个他不应该存在的场景中，还顺便做了边界渐进式柔和过渡效果，避免它过于生硬。
而解压缩就是这种能力的一种最基本的体现，因为他只是将之前某一个画面中被拆分的元素按照之前的位置复原到原位，位置不一定也不会追求精准，就像一张蹩脚的拼图。至于中间那些没有对应元素的，自动被底画面或常识性画面填补。大脑里压根没有这样部分的信息，只能随意脑补了！而这似乎可以解释一个问题：距离产生美！因为距离远，人类对某一个画面细节的认知过少，随着时间推移，这个细节的认知画面会被淡忘甚至遗忘！于是在回想时，只能想清楚出大抵轮廓，细节被大脑用最近的认识的其他地方挪用过来弥补。于是最终的结果会缺少细节，只有轮廓。因为丢失了细节，这些细节中的差钱人意的地方被有意无意的模糊甚至美化了！
而这就是大脑对信息的解压缩过程！
于是，综上，就是我认知上的大脑对信息的处理过程以及处理完后的恢复过程。仅供参考！
话说回来，这个压缩过程，不同角度的压缩处理过程，不就是机器学习中的神经网络的卷积层处理吗？而不同的维度就类似不同卷积核呀！或许这就是卷积神经网络如果强大的原因，因为它和人脑的处理过程很是雷同！
～2022.8.21
网页链接
