加入收藏 | 设为首页 | 会员中心 | 我要投稿 唐山站长网 (https://www.0315zz.cn/)- 科技、建站、经验、云计算、5G、大数据,站长网!
当前位置: 首页 > 站长资讯 > 动态 > 正文

什么是PostgreSQL?

发布时间:2021-02-06 12:22:40 所属栏目:动态 来源:互联网
导读:传统的IT架构、IT系统处理能力、需求开发周期在很大程度上限制了商业模式和业务形态的推陈出新。面对海量的数据增长,IT要求更加实时、更加灵活、更加智能,要求超低时延、迅速扩容、敏捷开发,要求平台化、开放化。金融机构如何从线上服务变成技术架构和业

传统的IT架构、IT系统处理能力、需求开发周期在很大程度上限制了商业模式和业务形态的推陈出新。面对海量的数据增长,IT要求更加实时、更加灵活、更加智能,要求超低时延、迅速扩容、敏捷开发,要求平台化、开放化。金融机构如何从线上服务变成技术架构和业务流程的“真正在线化”,成为了诸多企业思考的命题。恒生电子在长期的行业实践中也开辟出了一条独有的技术升级之路,从以单体C++开发为主的CRES,到云原生技术为主的JRES,再到如今完整的数字化金融基础设施LIGHT,每一次进阶都裹挟在时代的洪流中,惊心动魄又坚实笃定。

组件化、微服务是IT架构转型的必然趋势

毕马威曾发布报告指出,未来企业将重点致力于解决从传统信息化到数字化的转变,包含从“烟囱系统,重复开发”到“共享沉淀服务化能力”;从“数据孤岛”到“数据智能决策”等核心IT能力的转变。

许欣芃认为,在金融业的数字化转型中,“网络协同”和“智能数据”是主要的两个方面。金融机构普遍属于信息化程度比较高的企业。为满足各业务部门不同的IT需求,重复建设、数据孤岛现象屡见不鲜。而要真正拥抱数字化转型,他提到“最核心的第一是技术积累,第二是换个视角看业务”。

在技术方面,组件化、微服务是打破数据孤岛的有力手段。组件化将业务开发中经常复用的部分抽取出来单独封装,在需要的时候再引入使用。这种松耦合、模块化的特征对于开发效率的提升显而易见。而微服务则是相对传统的单体架构而言,随着业务的爆炸性增长,应用系统规模不断增大,单体架构的弊端就将愈发凸显——开发效率低、持续迭代难、扩展先天不足、系统可靠性差等等。比起这种单体巨石型的架构,微服务将大型单体应用按照业务功能设计拆分成多个能独立运行、职能单一的服务,这不仅简化了开发与维护,加快了迭代速度,而且能实现动态编排,极大地提高系统的利用率。

在恒生的对外合作中,有购买组件需求的企业并不少见。许欣芃这样描述:有的企业可能自身开发人员不多,恒生可以提供一个平台作为运行底座,然后他们在上面进行个性化的开发,这一过程中可以购买恒生的业务组件;也有的企业本身有一套完整的技术架构,但他们看中了恒生在某一业务模块的能力,那么也会以购买组件的形式进行合作。对于未来,许欣芃猜想很可能不再有系统的概念,“未来主要交付的应该是组件和模型”。

在业务方面,要改变从业务部门需求来驱动IT建设的局面,而是要站在投资者视角思考业务逻辑。“在我看来,金融行业核心要解决的首先是对业务的思考,怎么让投资者能够快速获取到财富投资的价值或者增值。”而作为一个开发者,关键要思考如何打破业务与技术的隔阂。如何将服务与技术尽可能地合理抽象,将业务和底层尽可能隔离开来?如何进行开发设计能让业务方也能理解用好,提升沟通效率?这些都需要技术人员理解业务逻辑,拥有业务视野,洞察业务场景需求,在此基础上推动的数字化转型才不会浮于表面,而是真正触达痛点实现飞跃。

恒生LIGHT:开放灵动的行业级应用平台

恒生电子在今年推出了数字化金融基础设施LIGHT,涵盖了技术平台、技术社区、技术生态等等。从技术层面来看,恒生着力打造的是一个开放的金融级应用PaaS平台。LIGHT的诞生始于恒生电子对自身数字化进程的思考。

金融IT架构转型肯定不能一蹴而就。许欣芃回忆:”2016年左右,当云原生技术兴起时我们觉察到这一定是将来的趋势。传统系统要上云,改造不可避免。恒生面临的问题是大量的传统系统怎么拆分,比较幸运的是恒生所有的业务都是基于同样的技术架构做的。“

恒生电子的技术团队首先考虑的是能不能在技术架构上做统一拆分,然后做渐进式的迭代。在这一过程中,他们发现,回归到业务本身,其逻辑实质有一部分是不变的。原来的代码可以选择性采用,公共的逻辑也可以抽取出来,这无疑可以极大地提高开发效率。同时,恒生电子在对外交流合作中发现:其他金融从业机构的转型也面临很多相似的境遇。因此,”我们就想把自己的经验提炼到LIGHT平台上,和大家一起玩。“
 

  • 初始化:我们会对每一个 Block 的参数进行初始化,初始化每个参数的函数都是由 设定的 Initializer 决定的。
  • 前向传播:这一步将输入数据在神经网络中逐层传递,然后产生输出数据。
  • 计算损失:我们会根据特定的损失函数 Loss 来计算输出和标记结果的偏差。
  • 反向传播:在这一步中,你可以利用损失反向求导算出每一个参数的梯度。
  • 更新权重:我们会根据选择的优化器(Optimizer)更新每一个在 Block 上参数的值。

DJL 利用了 Trainer 结构体精简了整个过程。开发者只需要创建 Trainer 并指定对应的 Initializer、Loss 和 Optimizer 即可。这些参数都是由 TrainingConfig 设定的。下面我们来看一下具体的参数设置:

  • TrainingListener :这个是对训练过程设定的监听器。它可以实时反馈每个阶段的训练结果。这些结果可以用于记录训练过程或者帮助 debug 神经网络训练过程中的问题。用户也可以定制自己的 TrainingListener 来对训练过程进行监听。

(编辑:唐山站长网)

【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!

    热点阅读