1\.背景1.1.惊人的性能数据最近一个圈内朋友通过私信告诉我，通过使用Netty4Thrift压缩二进制编解码技术，他们实现了10WTPS（1K的复杂POJO对象）的跨节点远程服务调用。相比于传统基于Java序列化BIO（同步阻塞IO）的通信框架，性能提升了8倍多。事实上，我对这个数据并不感到惊讶，根据我5年

一、前言Orm框架的本质是简化编程中操作数据库的编码，发展到现在，基本上就剩宣称不用谢一句sql的hibernate，一个是可以灵活调试动态sql的mybatis，两者各有特点，在企业级系统来发中可以根据需求灵活使用。发现一个有趣的现象：传统企业大都喜欢hibernate，互联网行业通常使用mybatis。hibernate特点就是所有的sq

目前市面上的面试题存在两大问题：第一，题目太旧好久没有更新了，还都停留在2010年之前的状态；第二，近几年JDK更新和发布都很快，Java的用法也变了不少，加上Java技术栈也加入了很多新的框架，比如SpringBoot、SpringCloud等，但类似的面试题却极少。相比与这些问题，我的这208道面试题，包含了以下4个特点

前言    从刚开始接触Mxnet这个框架到现在已经大概四个月了。Mxnet最吸引我的地方就是它提供了很多语言的接口，其中有Scala（myfavorite），这是我从Caffe转过来的原因之一。Mxnet是我第一个参与的开源项目，可以说这四个月来我学到了很多东西。  本文的其中目的在于介绍一下如何用MxnetScala包来

    AspectJ允许使用注解用于定义切面、切入点和增强处理，而Spring框架则可以识别并根据这些注解来生成AOP代理。Spring只是使用了和AspectJ5一样的注解，但并没有使用AspectJ的编译器或者织入器，底层依然使用SpringAOP来实现，依然是在运行时动态生成AOP代理，因此不需要增加额外的编译，也不需要AspectJ的织入器支持。

hadoop最主要的2个基本的内容要了解。上次了解了一下HDFS，本章节主要是了解了MapReduce的一些基本原理。MapReduce文件系统：它是一种编程模型，用于大规模数据集（大于1TB）的并行运算。MapReduce将分为两个部分：Map（映射）和Reduce（归约）。当你向mapreduce框架提交一个计算作业，它会首先把计算作业分成若干个

Hadoop技术原理总结1、Hadoop运行原理Hadoop是一个开源的可运行于大规模集群上的分布式并行编程框架，其最核心的设计包括：MapReduce和HDFS。基于Hadoop,你可以轻松地编写可处理海量数据的分布式并行程序，并将其运行于由成百上千个结点组成的大规模计算机集群上。基于MapReduce计算模型编写分布式并行程序相对简单，

作为Java程序员，无论是技术面试、项目研发或者是学习框架源码，不彻底掌握Java多线程的知识，做不到心中有数，干啥都没底气，尤其是技术深究时往往略显发憷。在JDK1.5以前，研发人员在面对线程频繁调度的场景，必须手动打造线程池，来节约系统开销（画外音：真是吃了不少苦头）。从JDK1.5开始，Java提供了一个Excu

前端是一个相对比较新的行业。但在这几年期间，随着W3C标准的不断更新以及node.js的兴起，基于node.js一系列的工具和诸多前端框架都参差不齐的浮出水面。!(https://oscimg.oschina.net/oscnet/9165c99372294cbfae3f1e75f5e18c23.png)大多数不了解前端的人转行前端，第一

TVM是一个开源深度学习编译器，可适用于各类CPUs,GPUs及其他专用加速器。它的目标是使得我们能够在任何硬件上优化和运行自己的模型。不同于深度学习框架关注模型生产力，TVM更关注模型在硬件上的性能和效率。本文只简单介绍TVM的编译流程，及如何自动调优自己的模型。更深入了解，可见TVM官方内容：文档:https://tvm.apach