首页 推广中心文章正文

徐州丰县定向融资计划

推广中心 2020年05月06日 20:14 109 山西商会网
买【徐州丰县定向融资计划】┃/享/┃/全/┃/国/┃/最/┃/高/┃/返/┃/点/┃【1%-10%】

【合同面签】【返点现结】
点此处进入官网查看项目详情
----------------------以下项目是当天新闻资讯----------------------------------------------------------
4月28日,成都东部新区正式获批,这是继高新区、天府新区之后,成都再次“上新”,成都东部新区成为省级新区!

这是一座怎样的新区?从管理范围到发展目标,从城市风貌到产业布局,太多人对它报以好奇。刚刚,《成都东部新区总体方案》(简称《总体方案》)出炉,揭开面纱,深度解读东部新区的“庐山真面目”。

           

▲成都“东进”效果图

>>管理范围

920平方公里,位于成渝发展主轴

红星新闻记者注意到,此次《总体方案》明确管理范围,在成渝发展主轴和成德眉资连接地带核心区域,成都东部新区覆盖920平方公里。

东部新区的管理范围由两部分组成,一部分包括简阳市所辖的13个镇(街道)所属行政区域,分别是海螺镇、芦葭镇、董家埂镇、壮溪镇、玉成街道、草池街道、石板凳街道、福田街道、养马街道、石盘街道所属全部行政区域及高明镇、三岔街道、贾家街道所属部分行政区域,面积729平方公里,现有常住人口54.2万人,2019年地区生产总值165亿元。

另一部分包括天府新区简阳片区191平方公里(包括空港新城范围内的丹景街道全域和三岔街道部分区域,及现由简阳市管理的武庙镇全域和高明镇、贾家街道部分区域),委托成都东部新区集中统一管理。

为什么是这920平方公里?这里区位优势明显。西邻成都经济技术开发区,南接四川天府新区,北靠成都国际铁路港,是成渝发展主轴上的极核。

这里山水资源丰富。毗邻龙泉山城市森林公园,拥有贯通全域的沱江水系和三岔湖、龙泉湖、龙马湖等多个湖泊以及丰富多样的浅丘地形地貌特色,具有建设美丽宜居公园城市示范区的良好生态本底。

这里产业加速集聚。民航飞行学院、成都体育学院、吉利大学和天府奥体公园等重大功能性、标志性、引爆性项目加快推进,先进汽车科创空间、民航科技创新示范区等重大产业化项目已开工建设。

现在,东部新区对标雄安新区,高起点规划、高标准建设、高质量发展、高水平治理,向未来之城进发。

           

▲东部新区天际线

>>空间布局

“双城一园、一轴一带”

《总体方案》明确,东部新区将构建“双城一园、一轴一带”的空间布局。

“两城”即空港新城和简州新城。

空港新城依托成都天府国际机场,集聚航空经济、国际金融、国际商贸、国际消费、科技创新、国际教育和文化交往功能,建设成为引领航空枢纽经济的强大引擎、支撑内陆开放的高端平台、汇聚全球创新人才的价值高地。

简州新城集聚创新研发、智能制造、商务办公、特色文创功能,建设以成都东部新区铁路枢纽站为核心的成渝地区双城经济圈开放创新服务平台,以新经济为引领的商业商务、生活服务、文化教育中心,以先进汽车产业为支撑的现代制造基地。

           

▲空港新城的街区和楼宇

“一园”即天府奥体公园。

天府奥体公园立足独特的山水生态资源优势,按照满足举办国际顶级赛事和建设高品质公园城市的复合功能需求,聚焦体育竞赛、体育文化、体育旅游、体育贸易、体育康养五大产业,建设展现成都特色的世界赛事未来城。

“一轴”即沱江发展轴。

提升沱江、绛溪河生态品质,增强生态、景观、文化、水源等功能,沿江(河)布局大型城市公园、重大公共服务设施,推动形成拥江发展新格局,打造城市核心生态骨架、景观廊道、重大城市功能集聚的城市发展轴。

“一带”即金简仁产业带。

集聚航空服务、航空制造、创新研发、新能源及智能网联汽车、数字经济、国际教育等现代产业,并南北延伸,辐射带动简阳城区、淮州新城、德阳凯州新城、眉山东部新城产业发展,形成龙泉山东侧先进制造产业带的核心支撑,打造成都东部新区核心产业联动带。

>>发展目标

到2025年,城市形态基本显现

《总体方案》明确发展目标:

——到2025年,城市形态基本显现,天府国际机场国际航空枢纽功能逐渐凸显,重大基础设施和公共服务设施基本覆盖新区,公共服务体系不断完善,绿色空间体系逐步健全,战略性新兴产业、现代服务业等加速集聚,法规治理和政策支撑体系全面建立。常住人口达到80万人,地区生产总值达到480亿元。

——到2030年,城市功能加快健全,科技创新能力明显增强,现代化产业体系基本形成,生态环境持续优化,公园城市品质显著提升,成德眉资同城化发展取得重大进展,成都国家中心城市功能的承载能力初步具备。常住人口达到110万人,地区生产总值达到1300亿元。

——到2035年,人城境业和谐统一的现代化城市基本建成,全球航空网络枢纽地位不断提升,成为国际门户枢纽城市的核心支点,新经济新动能形成支撑引领能力,辐射带动成渝相向发展的作用更加凸显,新发展理念引领高质量发展成效充分体现,集聚配置国际资源要素能力走在全国前列,基本建成美丽宜居公园城市示范区。常住人口达到160万人,地区生产总值达到3200亿元。

此外,《总体方案》还提出五大发展定位,明确主要任务。

红星新闻记者 钟茜妮

编辑 官莉


   优秀青年千玺谈向上的力量:我们这一代的自信,来源于祖国强大的底气_腾讯新闻

优秀青年千玺谈向上的力量:我们这一代的自信,来源于祖国强大的底气

陛下,您的Flash插件已过期,无法播放视频了
建议您……
      升级 Flash 插件    

按住画面移动小窗

X

           

作者 | Caleb Kaiser

译者 | 香槟超新星

出品 | CSDN(ID:CSDNnews)

封面图源自视觉中国

在软件工程的诸多领域内,生产用例是相当标准化的。以Web开发为例,要在Web应用中实现身份认证,你不会去创造一个数据库,自己写出散列功能,或者去设计一个新的认证方法。你会从几个明确定义的方法之中选一个,并利用标准的工具手段。

然而,对于机器学习来说,这种标准化还不存在。想要建立一个从模型训练到部署的一体化pipeline,团队不得不自己构建解决方案,基本上都是从零开始。

因此,该领域对于许多工程师来说都是触不可及的,而进一步,对于那些没有能力请专家的公司来说,也是如此。

但是,这种局面正在发生变化。模型的生产化正在变得越来越常规化。方法正在逐步标准化,工具的选择正在逐步成熟,到最后,非专业的ML工程师的也能搭建出软件了。

“将模型投入生产”是什么意思?

只要看一看你每天使用的那些软件,Gmail、Uber、Netflix,或者任何哪个你喜欢的社交媒体平台,你就会看到许多由机器学习驱动的功能:自动完成电子邮件,语音转文字,对象检测,ETA预测等。

           

虽然这些模型背后的数学是机器学习领域的科研人员要操心的事情,但能将其转化为产品的架构却应该为所有开发者所熟知:

从软件工程的角度来看,一个训练好的模型也只是一个API罢了,将模型投入生产意味着将其部署为一个微服务(microservice)。

注意:其他形式的模型部署(例如,对于没有连接到互联网的设备)也是存在的,但那不是本文的重点。

你想搭建出类似Gmail的Smart Compose这样的东西吗?把一个语言模型部署为web服务,用文本ping终端,然后在你的前端显示预测结果。你想实现一个像Facebook的推荐标签(Suggested Tagging)那样的东西吗?还是同样的流程:部署一个图像识别模型,然后就像使用其他web服务一样了。

但是,虽然用手比划着对别人说“把你的模型部署成微服务就好了”是很容易的,但如何做到却是个很有挑战性的问题。

不久前,想要部署一个实时推理模型,还需要先回答几个问题:

你要如何编写一个能从你的模型中生成预测结果的API?

将该API部署到生产中的最佳方式是什么?

如何实现生产型Web服务所需要的所有基础设施功能?比如自动缩放、监控、负载均衡、滚动更新等等。

根据你模型的特性的不同(它是用什么框架训练出来的,需要多少算力和内存,能处理什么类型的数据等等),答案可能会有很大的差异。

这就是为什么大型科技公司有专门的ML基础设施团队,也是大多数初创公司在生产中用不起ML的原因。

而现在,上面的问题都有了标准答案。

要想从你的模型中生成预测,你就用你的框架所附带的服务库(TensorFlow/TF Serving,PyTorch/TorchServe)。要想把你的模型封装成API并部署,你需要使用一个模型服务平台(请容我无耻的插播一句:我参与Cortex的维护,它是我们的开源模型服务平台,地址:https://github.com/cortexlabs/cortex)。

现在,任何一个软件工程师拿到一个模型以后,无论这个模型是由他们的数据科学团队训练好的,还是他们微调以后的开源模型,又或者只是一个普通的预训练模型,都能够把它变成一个web服务投入生产了,而不需要非得成为机器学习或Kubernetes专家。

举例:文本生成并不是只有Gmail的Smart Compose能做到

如果你在过去几年中用过Gmail,你一定对Smart Compose很熟悉。在你输入邮件内容时,它负责让Gmail给出一些建议的回复。

           

虽然Google肯定是有一个复杂的需要大量投资的ML pipeline的,但如果你想搭建一些模仿Smart Compose功能的东西,你不需要Google那样的资源就可以做到。

这方面的一个例子:AI Dungeon,一款由ML驱动的choose-your-own-adventure游戏。(地址:https://aidungeon.io/)

           

从底层来看,AI Dungeon 是 OpenAI 的 GPT-2(一种最先进的语言模型)微调后的版本,被部署为 Web 服务的形式。用户将他们的词汇提交给模型微服务,然后它就会回复一个故事。

介绍一下,GPT-2是非常大的。一个训练好的模型超过5GB,进行一项预测能够完全占用GPU。在不久前,探索如何将其大规模地部署为微服务,是一个重大的基础设施项目。你需要:

将其托管到有足够空间/GPU来为预测服务的实例上。

配置autoscaling来处理任意数量的并发用户。

实施各种成本优化方案,以保持你的云计算总花销在可控范围内。

而这每个任务中都包含许多需要解决的子问题。你autoscale的时候,是应该依据内存利用率,还是依据队列中的请求数量?你是否能顺利地处理故障切换(failover),来让自己可以放心地通过现货实例来节省成本?

在谷歌,这些事情都是有ML基础架构团队负责的,而AI Dungeon则是仅由一位工程师独立打造出来的。

正如Nick Walton(AI Dungeon背后的工程师)在其关于将AI Dungeon扩展到超过100万用户的文章中所解释的那样,他所要做的就只是编写他的预测API,并让他的模型服务平台(Cortex)实现基础架构的自动化。(文章地址:https://medium.com/@aidungeon/how-we-scaled-ai-dungeon-2-to-support-over-1-000-000-users-d207d5623de9)

注:即使对那些不熟悉转移学习的人来说,AI Dungeon用很少的数据获得最先进的结果的故事也非常有趣。

设计模型应该是很有挑战性的。

而将它们投入生产则应该是很枯燥的。

几年前,生产型ML的瓶颈会限制AI Dungeon的产生。而现在,AI Dungeon只是众多ML原生创业公司中的一个。

比如说Glisten,它就将多个模型结合在一起,从而产出一个可以用来从图像中提取产品信息的API。

           

图源:Glisten.ai

尽管Glisten每月要处理各个公司成千上万的产品,但它也只是一家只有两人的初创公司而已。只有他们不需要基础设施团队,这一点才有可能实现。

而且,生产型ML的大众化并不仅仅只影响着初创公司。比如说,下面这位工程师,就决定在被隔离期间部署一个对话模型,并录下自己对着对话模型说话的视频,以此来打发时间。

           

视频地址:https://youtu.be/ZnjlV2-qD1c

这些只是工程师们正在着手的项目中的几个例子,他们的资源很少,而且通常也缺乏DevOps的专业知识。然而这些项目之所以重要,不仅仅是因为它们本身就很有趣,还因为它们代表了机器学习生态系统中的一个进步。

随着机器学习生产化问题的解决,ML科研人员和软件工程师之间的壁垒被打破了。研究方面的突破能更快地体现在产品的特性上。结果就是,我们所有人都会从中受益。

GitHub链接:

https://github.com/cortexlabs/cortex

https://towardsdatascience.com/production-machine-learning-isnt-hard-anymore-932bd91e138f

本文为CSDN翻译文章,转载请注明出处。


标签: 徐州丰县定向融资计划

山西商会网