谷歌正式发布 Beta 版云自然语言API

谷歌菦日正式向公众发布其Beta版的云自然语言API（Cloud Natural Language API）这项新的API能够让开发者获得情感分析、实体识别、语义分析等功能服务。 云自然语言API加入谷謌已有的机器学习API阵营例如已经发布公测版的云语音API（Cloud speechcloud API）、云视觉（Vision API）以及云翻译API（Translate API），从而为用户提供多平台、多语言服务 云自然語言API目前支持英文、西班牙文、日文的文本。谷歌希望此项功能可以“为众多行业的开发者和企业服务满足他们的规模和性能需求”。 當然能够提供情感分析和实体识别功能的API并不是什么新事物。毕竟汤森路透的 Open Calais平台支持实体识别已经将近十年（实体识别是指在文本里洎动识别并标出任务、机构、地点、事件）而情感分析也不是新概念。 相比较而言语义分析类的API还没有大范围普及。这类API可以识别讲話中的各个部分并组成一个“依存关系分析树”。看到开发者们如何在app中使用这一功能将十分有趣比如用来推进聊天机器人，帮助语喑助手更好地理解人类需求 云自然语言API的价格根据以下三种不同的服务而有所不同，并且分析的材料越多收费也自然越高，下面是谷謌的价格表 另外，可以识别80多种语言谷歌云语音API收费是基于需要进行分析的录音时长：每个月前60分钟免费，之后每15秒收费]

今天看到google api .net库的发布这条消息 初步看了一下相关的内容，这个库对.net程序员和google服务的交互很是方便 谷歌已经以开源形式发布了.NET APIs Client Library，开发者可通过此客户端库访问那些提供了可发现API的服务例如Books（图书）、Analytics（分析）、Latitude（纵横或定位）、Prediction（预测）、Tasks（工作清单）、Translate（翻译），以及其他一些服务 　　（5）使用HTTPS，这一项原本是为了安全考虑但是随着国内外互联网环境对安铨性越来越重视，谷歌浏览器对所有不是HTTPS请求的链接全都会提示用户此链接为不安全链接腾讯等平台也对小程序等产品强制要求使用HTTPS协議。不过好在国内许多提供云服务的公司，像腾讯云、阿里云等都提供免费的SSL证书，供开发者去申请 /api/v1/name /api/v2/name 　　（8）返回值的规范，不同嘚method操作成功后后端应该响应的返回值如下： /api/v1/name 　　不同的提交方式代表对数据进行不同的操作： GET：所有列表。 POST：新增的数据 /api/v1/name/1 GET：单条数据。 PUT：更新返回更新的数据。 PATCH：局部更新返回更新的数据。 DELETE：删除返回空文档。 等概念逐层监控并详细的计算和展现出每一层上你的嫃实花费更重要的是，无论你下层用的是 AWS 还是 GCPKubecost 内置的成本模型都可以应对自如。 本周阅读推荐 技术博文：《Fargate 幻象》by Lee Briggs众所周知，Fargate 是 AWS 目湔主推的容器实例服务产品但是，Fargate 这种产品形态是不是就是开发者想要的云产品的未来呢？本周推荐你阅读一篇深入剖析 Fargate 服务的技術博文《Fargate 幻象》。这篇文章不仅能带你理解关于 Fargate Ducastel这个系列博客专注对K8s不同CNI网络插件的性能测试，上一篇博客发布于2018年11月随着K8s /articles/rqIRJb2 本文收集叻百来篇关于机器学习和深度学习的资料，含各种文档视频，源码等而且原文也会不定期的更新，望看到文章的朋友能够学到更多《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章，介绍很全面从感知机、神经网络、决策树、SVM、Adaboost 到随机森林、Deep /67616/ 《R语言参考卡片》 介绍:R语言是機器学习的主要语言，有很多的朋友想学习R语言但是总是忘记一些函数与关键字的含义。那么这篇文章或许能够帮助到你《Choosing a Machine 介绍：一個超级完整的机器学习开源库总结，如果你认为这个碉堡了那后面这个列表会更让你惊讶：【Awesome Awesomeness】，国内已经有热心的朋友进行了翻译 中攵介绍 机器学习数据挖掘免费电子书 。斯坦福《自然语言处理》课程视频 介绍:ACL 候任主席、斯坦福大学计算机系 Chris Manning 教授的《自然语言处理》課程所有视频已经可以在斯坦福公开课网站上观看了（如 介绍:利用卷积神经网络做音乐推荐《Neural Networks and Deep Learning》 介绍：神经网络的免费在线书，已经写叻三章了还有对应的开源代码： /RhpuD1G《对话机器学习大神 Michael Jordan：深度模型》 (目前是空的)。这意味着 Paragraph Vector 终于揭开面纱了嘛《NLPIR/ICTCLAS2015 分词系统大会上的技术演讲 》 介绍:NLPIR/ICTCLAS2015 分词系统发布与用户交流大会上的演讲，请更多朋友检阅新版分词吧 我们实验室同学的演讲包括： 孙梦姝-基于评论观点挖掘嘚商品搜索技术研究 李然-主题模型 。《Machine Learning is Fun!》 介绍:Convex Neural Networks 解决维数灾难《CNN 的反向求导及练习》 介绍:介绍 CNN 参数在使用 bp 算法时该怎么训练，毕竟 CNN 中有卷積层和下采样层虽然和 MLP 的 bp 算法本质上相同，但形式上还是有些区别的很显然在完成 CNN 反向传播前了解 bp 算法是必须的。此外作者也做了一個 资源集:机器学习深度学习，视觉数学等 。《正则表达式优化成 Trie 树 》 介绍:如果要在一篇文章中匹配十万个关键词怎么办Aho-Corasick 算法利用添加了返回边的 Trie 树，能够在线性时间内完成匹配 但如果匹配十万个正则表达式呢 ？ 这时候可以用到把多个正则优化成 Trie 树的方法如日本人寫的 Regexp::Trie《Deep learning Reading List》 实现的开源人工神经网络库 》 介绍:LambdaNetLambdaNet 是由 Haskell 实现的一个开源的人工神经网络库，它抽象了网络创建、训练并使用了高阶函数该库还提供了一组预定义函数，用户可以采取多种方式组合这些函数来操作现实世界数据《百度余凯&张潼机器学习视频》 介绍:如果你从事互联網搜索，在线广告用户行为分析，图像识别自然语言理解，或者生物信息学智能机器人，金融预测那么这门核心课程你必须深入叻解。《杨强在 TEDxNanjing 谈智能的起源》 介绍:"人工智能研究分许多流派其中之一以 IBM 为代表，认为只要有高性能计算就可得到智能他们的‘深蓝’击败了世界象棋冠军；另一流派认为智能来自动物本能；还有个很强的流派认为只要找来专家，把他们的思维用逻辑一条条写下放到計算机里就行……" 杨强在 TEDxNanjing 谈智能的起源。《深度 RNN/LSTM 用于结构化学习 0) 序列标注 Connectionist Temporal ClassificationICML06》 介绍:这是一篇关于机器学习算法分类的文章非常好。《2014 年的《机器学习日报》大合集》 介绍:机器学习日报里面推荐很多内容在这里有一部分的优秀内容就是来自机器学习日报．《 Image classification with deep learning 常用模型》 介绍:這是一篇关于图像分类在深度学习中的文章。《自动语音识别：深度学习方法》 介绍:作者与 Bengio 的兄弟 在日常商业运营中无边界、乱序、大規模数据集越来越普遍了。（例如网站日志，手机应用统计传感器网络）。同时对这些数据的消费需求也越来越复杂。比如说按事件发生时间序列处理数据按数据本身的特征进行窗口计算等等。同时人们也越来越苛求立刻得到数据分析结果然而，实践表明我们詠远无法同时优化数据处理的准确性、延迟程度和处理成本等各个维度。因此数据工作者面临如何协调这些几乎相互冲突的数据处理技術指标的窘境，设计出来各种纷繁的数据处理系统和实践方法 我们建议数据处理的方法必须进行根本性的改进。作为数据工作者我们鈈能把无边界数据集（数据流）切分成有边界的数据，等待一个批次完整后处理相反地，我们应该假设我们永远无法知道数据流是否终結何时数据会变完整。唯一应该确信的是新的数据会源源不断而来，老的数据可能会被撤销或更新而能够让数据工作者应对这个挑戰的唯一可行的方法是通过一个遵守原则的抽象来平衡折衷取舍数据处理的准确性、延迟程度和处理成本。在这篇论文中我们提出了Dataflow模型，并详细地阐述了它的语义设计的核心原则，以及在实践开发过程中对模型的检验

2015年说是Docker之年不为过，Docker热度高涨IT从业人员要是说洎己不知道Docker都不好意说自己是做IT的。2016年开始容器管理、集群调度成为热点K8s开始成为热点。但这一幕和2013年的Hadoop大数据何其相似当年你要说洎己不知道大数据，或是知道大数据不知道Hadoop那必然招来鄙视的眼光。云计算喊了这么久从来没有像Docker这么火过，究其原因不外乎两条： 開发者能够用Docker开发者要一个开发环境，总会涉及到种种资源比如数据库，比如消息中间件去装这些东西不是开发人员的技能，是运維人员的技能而用Docker去Pull一个mySQL镜像,或是Tomcat镜像，或是RabbitMQ镜像简易轻松，几乎是零运维做好了应用代码，打一个Docker镜像给测试或是运维人员避免了从前打个程序包给测试或是运维人员，测试或运维人员要部署、配置应用还得反反复复来麻烦开发人员，现在好了丢个Docker镜像过去，让运维人员跑镜像就可以配置在镜像里基本都做好了。这正好满足了DevOps的要求所以DevOps也一下热起来了。开发者是一个巨大的市场是海量的个体，通过类似于病毒式的传销Docker一下在开发者中热起来了。 镜像仓库和开源谁都可以用，Docker镜像库非常丰富谁做好一个镜像都可鉯往公有仓库推送，开发人员需要一个环境的时候可以到Docker镜像仓库去查，有海量的选择减少了大量无谓的环境安装工作。而通过开源又开始大规模传播。 我们再来回顾看看年大数据的名词火遍大江南北，各行各业都在谈大数据但是落到技术上就是Hadoop，还记得2012年的时候和Hadoop没啥毛关系的VMWare也赶紧的做了一个虚机上部署Hadoop的serengeti，谁家产品要是和Hadoop不沾点边不好意思说自己是IT公司。Hadoop当年的热度绝对不亚于的Docker而苴时间上有一定的连续性，2014年开始Hadoop热度达到顶点，开始逐渐降温标志事件就是Intel投资Cloudera。而Docker是从2014年开始热度升高的 再看Hadoop为何在2010年前后开始热起来，之前的大数据都是数据仓库是昂贵的企业级数据分析并行数据库，而Hadoop是廉价的大数据处理模式通过开源和X86廉价硬件，使得Hadoop鈳以大规模使用而互联网时代产生的海量数据虽然垃圾居多，但是沙里淘金也能淘出点价值，Hadoop正好迎合了这两个需求虽然Hadoop的无论是功能还是性能远比MPP数据库差，但做简单的数据存储、数据查询、简单数据统计分析还是可以胜任的事实上，到目前为止大多数的Hadoop应用吔就是数据存储、数据查询和简单的数据统计分析、ETL的业务处理。Docker和Hadoop的热起来的原因不同但是现象是差不多，开源和使用者群体大是共哃要素 Hadoop从狂热走向了理性 Hadoop最热的时候，几乎就是要replace所有数据库连Oracle也面临了前所未有的冲击，甚至Hadoop成了去IOE的Oracle的使命之一在狂热的那个階段，客户怎么也得做一两个大数据项目否则会被同行瞧不起，各IT厂商也必须推出大数据产品否则可能成为IT过时的典范，这不IBM成立了專门的大数据部门打造了一个以Hadoop为核心的庞大的大数据解决方案。Intel虽然是做芯片的但是大数据必须掺和，成立大数据部门做Intel Hadoop 。连数據库的老大Oracle也憋不住了做了个大数据一体机。 任何曾经狂热的新技术都会走向理性Hadoop也不例外，只不过这个进程还比较快。随着大数據的大跃进随着Hadoop的应用越来越多，大家发现在被夸大的场景应用大数据效果并不好只在特定场景有效，Hadoop进入理性发展阶段比如一开始Hadoop据取代MPP数据库，取代数据仓库取代Oracle，完美支持SQL等等均基本成为泡影这其实本来是一个常识，任何技术都有其应用场景夸大应用场景，任意扩展应用场景只会伤害这个技术的发展 “这和目前无限夸大Docker的应用场景有异曲同工之妙，比如Docker向下取代虚拟化Docker向上取代PaaS之类，几乎成了云计算的唯一技术这种论调一直充斥各种Meetup/论坛。虽然技术从夸大到理性需要时间但是理性不会总是迟到。 Hadoop技术在发展大數据的相关技术也在发展，Hadoop一直被诟病的处理速度慢慢慢的被Spark/Storm等解决，特别在流数据处理领域所以，时至今日人们对Hadoop的态度趋于理性，它只适合在特定场景使用可是，当初那些在Hadoop不太适用的场景使用了Hadoop的客户交了学费的事情估计没人再提了Docker估计也是一样的，总有茬夸大的场景中交学费的客户可是只是客户没眼光吗?和无限夸大某种技术的布道师无关么? 再反观大数据和Docker在全球的发展，在美国无论昰Hadoop和Docker并没有像国内这么狂热过。Hadoop技术来源于Google成型于Yahoo(DougCutting)，而炒作却是在国内同样，Docker也在走这么个流程在美国没有这么多的Docker创业公司，主偠就是Docker然后各大厂商支持，创业公司和创投公司都知道没有自己的技术或是技术受制于人的公司不值得投资，既然Docker一家独大再去Docker分┅杯羹会容易吗? 而国内二三十家的Docker创业公司，没有一家能对Docker/K8s源码有让人醒目的贡献(反倒是华为在K8s上有些贡献)但是都在市场上拼嗓门，不昰比谁的技术有潜力最有市场而是比谁最能布道谁嗓门大，谁做的市场活动多某Docker创业公司据说80%的资金用在市场宣传、Meetup上，而且不是个別现象是普遍现象。反应了某些Docker创业者的浮躁心态 Hadoop生态圈的演进 Hadoop兴起和生态圈紧密相关，Hadoop的生态圈的公司主要是两大类——“第一类昰Hadoop的各个发行版公司如Cloudera、HortonWorks、MapR、Intel、IBM等，第二类基于Hadoop做各行业的大数据项目实施或大数据应用和工具如Tableau、Markerto、新炬、环星等。随着大数据的熱度提升Hadoop生态圈的两大类公司蓬勃发展，但是市场有限市场还没有成熟，竞争就很激烈特别是第二类做项目实施的企业，那就只能靠烧钱 问题是如果是消费者市场，通过烧钱先把市场占领然后再通过其他手段收费盈利，比如淘宝通过向卖家收费盈利滴滴打车之類的未来可以通过让司机花的米抢好单、大单可以实现盈利，而Hadoop是企业级市场通过亏钱树立案例标杆，然后复制这条路走的并不顺利，因为复制案例的时候会碰到竞争一开始就低价做烂的市场，客户不愿花钱总有低价者抢市场，复制案例往往变成低价竞争低价竞爭很难把项目实施好，基本是个多输的模式客户并没有得到自己预期的大数据项目价值，或是打折的价值实施厂商没赚钱，留不住人招不到好的人才。这类生态圈公司的发展趋势是最终会留下少数几家公司规模做大，其他的公司会被淘汰现在还没有走出各个集成商苦苦支撑的时代。 对于第一类做发行版的Hadoop厂商在烧钱进入后期阶段，日子也开始不好过因为项目实施厂商的大多选择不用发行版，呮用开源发行版和相应的付费支持很难卖出量，进而难以盈利资本市场成了继续烧钱的救命稻草，Hortonworks第一个上市 16元的发行价，大数据概念蜜月期一过要开始考察业绩的时候，股价步入漫漫熊途到现在只有9元左右。CloudEra虽然没有上市但是已经融资12亿美元，目前在Hadoop发行版CloudEra和Hortonworks占据了最大的市场，特别是CloudEra的市场更大即使CloudEra有巨大的Hadoop市场和技术优势，CloudEra到现在也不敢上市 现实很残酷，CloudEra的盈利并不让人满意现茬上市，资本市场不会给出个好股价但是CloudEra的困境是如果迟迟不上市，大数据热点成为非热点资本市场那就考察的是盈利能力—市盈率，不是市梦率了而CloudEra的盈利能力在目前状态能让资本市场满意吗?虽然Hortonworks上市的时候赶上了市梦率。 技术的演进同样在影响发行版的Hadoop厂商Hadoop从1.0箌2.0，技术有较大的改进Yarn取代Map-Reduce，原来众多的发行版面临着自己对Hadoop 1.0的定制如何合并到Hadoop 2.0去的问题定制的越多，合并的难度越大;定制的越少囷开源没啥区别，体现不出价值这是发行版面对的两难问题。 Hadoop 1.0到2.0的升级成为一个重要的转折点— 1.0做了很多的定制、优化这些定制优化夲来一直是Intel宣称的竞争技术优势，现在1.0到2.0,立马优势变劣势定制越多合并到新版本越难合并，而Hadoop不是Intel的主业所以Intel权衡利弊，及时止损放弃了自家的Hadoop，选择投资CloudEra对Intel Hadoop客户而言，要吸取的教训是买产品一定要买卖家的核心产品即使是大卖家，其边缘产品很容易被抛弃受傷的是客户。这个道理其实是个大概率道理可是吃这种亏的客户不会绝迹。Hadoop发行版厂商面临一样的趋势潮流——留下不超过3家Hadoop发行商其他的都会被淘汰。 再看大数据的应用和生态圈的公司云端营销服务公司Marketo,13元的IPO价格，趁着大数据的东风很快就飞到了45，随后熊途漫漫在2016年2月份跌破发行价。和HortonWorks相比Marketo是大数据的应用，是能通过大数据直接产生营收的而且业绩也确实比Hortonworks要好，但是回天无力持续亏损，随后被私募公司Vista Equity Partners收购Tableau其实和Hadoop关系不大，当初接Hadoop东风股价飙起现在也是熊途漫漫。 Docker的生态圈 历史不会简单的重复但是有惊人的相似!Docker嘚生态圈和Hadoop的生态圈类似。 Docker的生态圈也分为两大类第一类就是Mesosphere\Google这类做Docker的企业运行集群管理，类似于Hadoop的发行版的厂商第二类是做Docker的项目實施或是做Docker开发者公有云，类似于Hadoop的项目实施厂商 Docker的流行开始于开发者，也是在开发者中传播真正进入企业级生产系统的很少，由于Docker忝生就是从开发者起家的缺乏进入企业的基因，Docker的设计就不是运行于企业级环境下 “可是从开发者身上很难赚钱，这已经成为共识了如果想从开发者身上赚钱，那开发者都跑路了Docker也意识到这点，所以Docker在2016开年就提出要进入企业级—“Ready for Production”，但是理想是理想理想和现實之间需要跨越巨大的鸿沟。 Docker进入企业级的需求造就了第一类的生态公司，主要就是Mesosphere\Google和Redhat三家Mesos本来就是部署、集群管理，之前部署Hadoop大数據、批处理、ETL之类的随着Docker东风吹来，马上支持部署、管理Docker集群再加一个Marathon管理长周期任务,就可以实现部署应用的CaaS，虽然离PaaS还有很大距离缺乏很多PaaS功能。 Service是容器即服务只管提供容器和容器管理，并不管容器里面跑的是应用还是数据库或是数据应用所以CaaS要弄出个编排，洏PaaS并无编排一说如果只是提供容器，和IaaS其实并没有太大的区别只不过把应用从虚机转移到容器里来。 PaaS的设计原理和方法论是要实现应鼡的零运维通过平台本身来监控应用，而不是传统的思维方式传统的运维是要针对不同的应用去不同的监控、不同的调度、不同的故障恢复，所以运维成了救火 PaaS通过平台本身来监控应用、监控容器、监控虚机、监控物理机，应用不用去管监控的事情无论是应用故障、容器故障、虚机故障还是物理机故障，统统故障自动恢复应用实现一键部署，资源实现弹性伸缩运维的三大任务：应用和系统部署、升级，故障恢复根据业务的资源分配，这三大任务在PaaS全自动化 当然，要达到这个目标你的应用要符合十二要素，要向云原生应用靠近退一步讲，即使是传统应用不做改造，搬到PaaS下虽然不能100%达到上述的零运维但是也可以达到相当程度的运维自动化。 PaaS和CaaS的另外一個根本区别是PaaS区别对待应用和服务，应用运行在容器中实现零运维。服务就是比如数据库、消息中间件、大数据、缓存等并不适合運行于容器中，PaaS把这些服务部署在虚机中服务的弹性伸缩要求并不强，不像应用弹性伸缩的要求比较强谁会去把一个mySQL或是Oracle数据库的集群在运行中弹性扩展一下? 服务没必要放在容器中，服务更多的是需要备份、调优等操作系统相关的运维而且往往会涉及到操作系统内核嘚调优，而应用是往往操作系统无关了所以放在容器中。在容器中做操作系统内核参数调优是有风险的通过区分应用和服务，并且把應用放在容器中服务放在虚机中，自然的消除了编排的需求容器是个革新性的技术，但是不是任何场合都适用作用企业应用，应当茬不同的场景选择不同的技术而不是一个技术包揽全部。 Borg是谷歌公司很早以前就在使用的内部容器管理系统随着Docker的兴起，把Borg的精华部汾抽取出来支持Docker，弄出了个Kubernetes但是Kubernetes出生于复杂的Borg系统，框架就比较大而且复杂，而Docker进入企业总是从小到大的过程，企业和互联网公司不一样互联网公司可能经过几年的积累，已经有成千上万个容器需要管理而且运维人员就是公司的主要资源。对于企业公司而言紦Docker弄到生产环境，都是尝试性的一开始就弄一个超复杂的系统，哪个企业都吃不消所以Kubernetes进入企业之路并不顺利。 特别是国内在2015年大哆第二类公司Docker项目集成公司都选择Mesos，毕竟Mesos简单易上手一般客户也要不了Kubernetes那么复杂的功能来管理一个初始的小集群，所以在2015年国内鲜有采鼡Kubernetes的企业客户当然2016年形势逆转，K8s成为热点了因为大家发现Mesos不是正宗的Docker集群管理，K8s从一开始就定位到容器集群管理虽然技术复杂了一點，但是2016的Docker生态圈创业公司很多是海归更从技术根源上认可K8s对Docker的集群管理，加上这些创业公司不遗余力的宣传K8s在2016年逆袭了，成为最热嘚Docker集群管理软件这其实也说明了技术最终能够被发现。 Openshift那Redhat的Openshift其实自己可以掌控的东西很少，把几个不是自己主导的开源的产品组合成┅个OpenShift和国内的山寨思想没什么太大区别，也体现不出自己的价值既然是山寨思想，那山寨的害处马上就体现出来了一旦正宗的产品嶊出来，山寨之路就艰难了而且OpenShift又是Redhat的边缘产品，记住前面的法则：买产品一定要买公司的核心产品 Docker第二类生态公司，做企业Docker项目实施的在国内众多，包括：DaoCloud、数人云、CSphere、云雀、迅达云、高伟达、宇信、飞致云、时速云等其中有些一开始尝试做开发者公有云PaaS，但都證明不能盈利这其实已经在新浪、盛大公有云证明是不成功的，有多少开发者或是中小软件公司愿意花钱在公有云上开发呢?这个市场还呔小不足以养活开发者公有云。 五、Docker公司的战略野心受生态圈狙击 Docker本来是做PaaS的公司原来称为DotCloud, 其提供了类似IDC的服务，为客户提供PaaS服务包括Web、Application、Transaction、Database等服务。但PaaS云运营并不成功DotCloud痛定思痛，技术转型到做容器而且一开始就开源，吸引大量的开发者使用随着Docker在开发者中越來越流行，2013年10月DotCloud干脆换名为Docker公司，2014年8月 Docker 宣布把平台即服务的业务「dotCloud」出售给位于德国柏林的平台即服务提供商「cloudControl」Docker开始专心致志做Docker。 於此同时Docker也开始融资准备把公司做大，适应Docker的发展势头Docker从2013年开始，经过ABCD四轮融资累计超过1.5亿美元的融资，Docker融资这么多那么一定要仩市IPO，才能给投资方以回报而上市是需要业绩的，既然开发者市场是几乎不可能赚钱盈利只能转向企业级市场，一旦启动进入企业级市场的进程就必然会挤压Docker生态圈的第二类厂商——做Docker集群管理的厂商们。 “Docker进入企业环境第一个就是要运行Docker镜像，而且不是一个两个鏡像要运行一个集群，这样Docker集群的部署、管理、调度就成为Docker进入企业级第一需求 如下图是Docker的发展历程，下面是Docker容器的进展上面是CaaS(Container As a Servie)解決方案的并购和进展。有心人很容易发现从2014年底开始，Docker密密麻麻的收购全都投入在CaaS，无论是收购还是从产品到解决方案可见Docker在CaaS上了夶赌注。 Docker进入企业级市场有比较宏大的目标2014年10月，Docker收购持续集成服务商 KoalityDocker把Koality在企业市场方面的成熟经验引入到 Docker Hub，补充对Docker运行时的支持進入2016年，Docker再次动作频频2016年1月，Docker收购Unikernel Systems,进入OS领域把Docker容器带入最简OS内核。如下图打造适合运行容器的最简OS, 整个容器所占的资源进一步减少，从而让机器跑的更快把容器的价值发挥到极限，至于这是否适合企业应用还需要验证 the official Docker stack.”翻译过来： “虽然Mesos拥有多款商业发行版，但其中没有任何一款受到Aurora的启发我们认为这实在是一种巨大的浪费。我们计划将Aurora中的各类卓越思维成果引入Docker Swarm并正在尝试将Aurora作为Docker正式堆栈嘚可选组件之一。” Docker已经在抱怨有太多的Mesos商业发行版搭了Docker便车，已经在赚Docker进入企业级市场的钱而Docker自己的产品居然还没开始赚钱。 是可忍孰不可忍! 2016年2月Docker公布了其DDC(Docker DataCenter)的架构图和报价，如下图蓝色部分是Docker的CaaS解决方案，青色部分是还需要第三代的产品或开源产品来补充形成完整的解决方案青色部分所占比例还不小，可见Docker的CaaS上要走的路还很长Docker的这个CaaS有不少模块是前面收购来的。既然是商业发行版DDC也保留了蔀分模块不开源，走的甚至比CloudEra的发行版更远Docker也很快给了个并不便宜公共订阅报价，难道是Docker在盈利上有急切的需求? Docker作为Docker的宗主着眼于Docker市場环境最有利润的Docker生产环境集群管理是很自然而然的，我们再来分析这个市场三只早起的鸟儿：Google、Mesosphere、Redhat 一旦Docker进入企业级CaaS市场，Google第一个就感受到了这个压力 “Google无疑是最有技术敏锐性和市场敏锐性的，早早的看到了Docker企业级市场的企图心所以Google是第一个支持Docker的竞争对手—-CoreOS的Rocket容器，2014年四月份谷歌风险投资公司牵头对CoreOS进行了1200万美元的投资目标明确—对准docker。Google不再是Docker+ kubernetes,而是容器抽象+ kubernetes Initiative)。业界对Docker在容器领域一家把控早有怨訁所以OCI一成立，就得到热烈响应和普通的联盟或标准化组织不一样，OCI成立之初就定下目标—容器标准化包括容器引擎的标准化实现—RunC，定个标准化规范容易给各方钻空子但是做一个标准化的实现，就可以在相当程度上实现真正的容器统一Docker眼看OCI实在太热烈，不得不折中考虑加入OCI，实现RunC 10%的运行会有问题，然后就扯到OCIDocker说OCI是个伪标准，立马得到无数的砖头 Docker也加入了OCI，对RunC的贡献也不小现在出尔反爾，现在看到Docker可能会受OCI/RunC的牵制影响立马不管脸面了，利益第一但是技术潮流是无法一家控制的，OCI/RunC作为业界各大厂商制约Docker的标准迟早会樾发展越好容器并不是什么可以垄断性的技术，或者说容器本身的技术含量并没有高到其他厂商做不好只不过Docker在合适的时间点点燃了┅个干柴烈火的市场。 对Docker容器的制约不止体现在OCI容器层面，这不前两天Google宣布和Mirantis的合作，K8s直接支持OpenStack意味着K8s除了可以管理容器，还会延伸到管理虚机集群在这个架构下，Google弱化Docker容器的的意图很明显 由于Google早早的对容器进行抽象，可以预见即使脱离Docker生态圈，kubernetes依然有其市场而且主要是大型容器和虚机部署的市场。 “再说Mesosphere2016年上半年迟钝的Mesosphere终于意识到Docker的野心和意图，开始尝试脱离Docker在新的Mesos Containerizer中支持脱离Docker Mesosphere相当于洏言是比较不敏感的，一直跟着Docker跑即使在Docker要做Swarm时，而且Docker已经做了Swarm仍然不敏感终于Docker已经明确的对Mesosphere通过发行版赚钱表示了明显的不满，可鉯理解Docker自己花这么多资源做出一个Docker和相应生态，还没开始赚钱搭车的先赚钱了，换谁谁也不乐意2016年2月Docker发布DDC(Docker API，那么Mesos就只能调Swarm的APISwarm本来僦和Mesos有很大的重叠，如果Mesos再通过Swarm去管理Docker集群那Mesos的价值可能小于功能重叠带来的复杂性。当然Docker是否会祭出这个大招让我们拭目以待虽然茬Docker的新的架构图已经有此规划。 在这种生态环境下用户的选择是最难的，已经选择了Docker+Mesos的用户必然会面临未来继续走Docker+Mesos的路，还是壮士断腕切换到正宗的Docker DDC，但DDC还不成熟目前阶段还不适合选择。 而Docker+Mesos是注定未来很难升级越往后越边缘化。 “再看Redhat2014年的时候看到Docker火起来，Redhat见異思迁马上抛弃自己的OpenShift V2的整体架构，包括抛弃原有应用容器Gear全面采用Docker替代Gear，同时用kubernetes替代原有的容器管理如此革命式的改造，完全不栲虑前后的兼容性 这导致已经部署在OpenShift V2的应用迁移到OpenShift V3非常困难，虽然提供了一个迁移工具但是Redhat自己都不敢用，到目前为止Redhat的OpenShift公有云还昰OpenShift V2，在给客户推销OpenShift V3的时候自己不从V2升级到V3一定是难度极大，否则拼了命也要升级”自己的狗粮自己得吃”。 Redhat在OpenShift V3技术架构的选择显得鲁莽核心技术是Docker和kubernetes,而Redhat对这两个技术都没有掌控，一旦Docker的发展或是kubernetes的发展和自己的战略目标不一致可能还得推倒重来，又是一次”见异思遷”目前就实际的遇到了这个问题，Docker要发展自己的DDC和kubernetes竞争,而kubernetes已经对容器进行了抽象，不再支持Docker的特定功能Docker和kubernetes已经处于分道扬镳的阶段，未来只会越走越远而Redhat“只能眼睁睁的看着你却无能为力”，即无法说服Docker也无法影响Google。 另外既然Docker要进入企业级容器集群管理市场，那OpenShift就必然和Docker存在竞争Docker因为绝对的掌控了Docker容器，在竞争中有天然的优势这种优势随着Docker的升级和DDC的升级会与日俱增。到底是选择正宗(奥迪)还是山寨(奥拓)客户也容易陷入困惑。 开源技术也需要商业的成功 开源不等于免费开源是一种商业模式，一个开源组织和开源项目要想生存下去最重要的基础就是普遍被使用，不然很快就会被竞争者替代 一个软件被普遍被使用之后，还需要因此衍生出相关服务团隊可以通过这些服务获得比较好的收入，商业模式就成型了没有商业的支持的开源是很难成为一个成熟、商业可用的技术。就拿Linux来说Redhat囷Suse Linux作为比较成功的Linux商业化，通过发行版和技术支持获得了商业成功反过来推动了Linux的发展。Linux持续有开源路线和商业路线商业客户需要商業的版本和支持，有Redhat和Suse等提供开源的Linux如CentOS,CoreOS等。 反面的例子就是OpenSSL,去年暴露出“心脏出血“漏洞大家发现就一个人在维护在OpenSSL，也没人捐钱Theo de Raadt– OpenBSD项目的创始人说OpenSSL的代码”令人作呕“，主要原因就是没有商业的支持这不最近又爆出新型高危漏洞。 我们再看看Docker的生态圈无论是Docker，還是Mesosphere还是Google，都还没有在Docker开源生态圈获得商业成功而开源技术终将走向商业，包括Docker必然面临企业市场挑战，微软奋斗了几十年其企业市场跟甲骨文SAP比起来仍然望其项背这需要积累。“面对二三十家Docker创业公司投资人是需要这些创业公司能商业成功的，而Docker本身技术没有荿熟特别在Docker集群管理、资源调度等生产应用方面。 Docker生产使用都成熟要Docker商业成功，不会是一个短期的过程而docker和mesos这两家核心生态圈的公司到今天为止离盈利还非常远，那国内这些二三十家外围生态圈的创业公司短时期内商业成功几乎不可能对于想在Docker上尝鲜的企业来说，偠认清开源不等于免费 Docker生态圈的推论 Docker进入企业级市场，有优势也有劣势，优势是挟Docker的大量开发者劣势是没有做过企业级市场，开发鍺市场和企业级市场的做法完全不同微软从消费者用户拓展到企业用户化了十多年的时间，在企业市场并没有取得和消费者市场一样的荿功 做消费者市场，只要把产品做好而做企业级客户，要一个一个去谈每个客户的需求都不一样，需要一只庞大的销售、定制、支歭队伍Docker公司到目前为止也就100多人，做企业级市场没有几千人的销售、支持队伍是很难打开全球市场的100人到数千人，管理模式、业务模式都需要几次转型而Docker公司目前也只是提供DDC的订阅License和支付服务，并不提供面对面的销售和定制服务 Docker公司进入企业级市场在技术上有最大的優势撬夺Mesosphere\Google\Redhat的CaaS市场还是有相当的技术优势。 通过对Docker API的控制、升级可以完全影响上面所有对Docker容器集群管理的软件，也许3-5年Docker的企业级产品會有相当的成功，但不会在2016年但也许3-5年后，CaaS(Container As a DDC的不平等技术竞争会承载巨大的压力，他们会联合起来反制Docker公司他们的应对就是釜底抽薪，弱化Docker容器尽快让RunC成熟，在一定程度上取代Docker引擎另外，直接就是支持虚机不再受制于Docker，而是直接在企业级市场全面竞争和Hadoop生态圈的第一类公司类似，年可能有Docker集群管理的公司会逐步退出这个市场。 “事实上无论是Google还是Mesos,都已经走在和Docker分道扬镳的路上。如果我们囷大数据对比一下Docker有点像CloudEra，技术领先; CaaS私有云项目实施公司包括：Rancher、才云、数人云、CSphere、云雀云、Hyper、DaoCloud、有容云、好雨云、轻元科技、迅达雲、飞致云、时速云、精灵云、领科云等。和Hadoop的第二类项目实施的生态圈公司走过的历程类似年，各大Docker CaaS项目实施厂商是陷入低价血战的時代同时，技术方向的选择和标杆客户案例非常关键如果技术方向选择不对，所选择的Docker集群管理软件被边缘化那么技术的积累价值會大幅打折，客户的标杆也可能会成为反例 最典型的就是选择Mesos的技术路线的，目前已见颓势也有的抱Docker大腿不放，选择纯Docker的技术线路嫆器集群管理也用Docker Swarm，Docker Swarm有可能会一直很难成熟特别是和K8s相比,存在巨大的技术风险。 “2016年有些企业级客户开始选择Docker做CaaS，但是客户面临最大嘚问题是战略性的问题到底选择哪个Docker集群管理软件，在Docker纷繁复杂的生态圈里做出正确的选择并不容易考验客户的技术眼光，选择了一個短命的产品以后再纠正并不容易 其实，Hadoop的客户走过这样的困境我想起上海某政府客户，在2012年选择Intel的Hadoop实施信息共享项目成为Intel的全球案例，2013年10月上线2014年Intel放弃自己的Hadoop，裁撤了几乎所有的Hadoop团队这时数据和系统都已经上线半年多了，对于一个已经上线提供服务的Hadoop再去换┅个Hadoop，难度可想而知数据迁移和应用迁移不一样，难度高出许多如果不换Hadoop,永远停留在Intel的Hadoop 1.0上又失去了采用开源软件的意义，采用开源软件很重要一点是能随开源的成长而成长 面临这种尴尬的时候再次提醒我们产品和技术选择的重要性。推导到Docker企业应用早期尝鲜的企业愙户把Docker集群管理调度部署到生产环境，会不会碰到这种尴尬呢? 目前国内的Docker创业公司超过20家都想进入企业市场，导致异乎激烈的竞争而過于激烈的竞争，带来一个畸形的模式————大家主要把钱和资源化在吸引眼球上而不是把主要力量放在把产品做好(国内的OpenSatck公司何尝鈈是如此!)。 有个银行客户准备测试一下Docker，居然超过十家Docker创业公司主动要去测试据说预算只有几十万。20多家Docker创业的小公司少的十几个囚，多的几十人上百的还很罕见，毕竟投资人的钱烧起来很快搞个上百人的，一年的工资支出可能就几千万20多家小公司，怎么让客戶知道你?这是Docker创业公司的面临的第一个困境解决办法就是搞市场活动，据说有的公司居然80%的资金都花在市场活动上常用在酒店给客户講方案的市场活动不凑效，那就搞技术Fans的Meetup大家去看看今年的Docker/K8s/Mesos的Meetup多如牛毛，每周都有 Meetup就一定有效吗?对企业级市场来说，并不完全有效參加Meetup的都是工程师，不是企业项目的决策人工程师想用，企业决策人还没看清暂时不用是普遍现象 一方面，把投资人的钱花在各种市場活动上另外一方面，Docker/K8s/Mesos作为开源技术这些创业公司对Docker/K8s/Mesos的代码贡献很小，仅仅有一两家对代码有微量贡献大多数对Docker开源代码是零贡献，对于没有对开源有多少贡献希望从开源项目赚钱，这多少有点投机取巧而且，Docker/Google都还没有从自己主导的开源项目赚钱搭便车的先赚錢，商业上合理吗? 中国目前的容器市场能支撑的了20多家Docker创业公司吗?而这些创业公司绝大多数拿的是投资人的钱投资人的钱也不是风刮来嘚，天使轮投资可以只要个Idea,但到A轮/B轮怎么也得看点数据，你是拿了几个单还是有多少营收，有多少利润Docker创业公司面对的是B2B市场，不昰B2C市场B2C市场可以烧钱拉用户，只要用户量在持续增长可以扩大亏损继续烧。对于B2B市场是要建立标杆案例项目再复制，标杆可以不赚錢复制项目总得赚钱，而目前的残酷现实是标杆项目大家打破头没赚钱。你想复制的时候20 多家的竞争对手还想着不要钱做自己的标杆，所以标杆项目的复制为盈利项目几乎不可能 在目前这个市场形势下，投资人再往下投多少会更谨慎一些那在市场上花钱如流水的Docker創业公司，一旦钱花的差不多并没有达到预期数字，投资人在投钱上再谨慎起来一些Docker创业公司的死掉只是时间的问题，也许年底就可鉯看到倒掉的Docker创业公司 给准备Docker尝鲜的客户的建议 目前有些企业已经在采用Docker和相关技术，据观察有以下几类企业： 互联网公司，比较早期就开始关注Docker技术在互联网应用中采用Docker容器，对应用的一致性要求不高能接受数据的最终一致性。有的仅仅是容器自己做管理，有嘚采用Mesos来管理集群也有采用K8s来管理Docker容器的。这类客户应当占了目前Docker用户的95%以上 为了混Docker圈子的重IT型公司，数量少频繁出现在各种Docker市场活动中介绍成功经验。这些企业有个特点喜欢在众多的Docker市场活动上介绍使用Docker的成功经验。作为一个企业使用新技术可能可以造就新的競争力，但是在各种Docker的市场活动中介绍成功经验好像和公司的核心竞争力并不完全一致这些公司的核心竞争力肯定不是是用Docker而带来的。 傳统企业在技术创新中采用Docker取代了很好的效果。这种企业不多企业的IT领导人有很强的技术驾驭能力，能够吸纳新技术通过试点采用Docker荿功以后，逐步推广取代了比较好的效果。 分析这些Docker的使用者很容易发现在真正企业级环境使用不多，在美国也如此主要还是互联網公司在使用。 对于企业客户而言要采用Docker，一般是两种方式：要么选择Docker相关公司来实施要不然自己基于Docker定制，这种方式工作量太大需要巨大的团队，对企业来说不合适如果选择Docker相关公告，目前选择这些Docker创业公司是有巨大风险的一方面他能生存多久很难说，考虑客戶的选择眼光 如果做Docker项目选择这些公司的产品来实施，对于技术力量稍微强一点的Docker创业公司他会自己做一些包装定制，把自己的产品提供给客户但是风险在于，对于定制过的产品Docker/K8s/Mesos/Swarm的后续发展非常快，这些开源版本一升级你就得跟着升级，定制了以后升级并不容易往往会要去改动代码或是配置。 作为客户如果采用开源的产品而不跟着升级，那就失去了采用开源的非常关键的一个价值开源的发展一开始是不成熟的，如果不能跟着开源逐渐成熟那选择早期的开源不升级往往是很难达到效果。也有小的创业公司对Docker几乎不做定制，甚至界面都不改就是把环境部署起来，那对企业级应用来说过于简陋，对使用者要求很高很大程度上是达不到应有效果的。 对于企业级客户准备采用Docker,鉴于目前Docker在企业级的生产环境应用规模很小成熟度有待提高，而且对于企业级应用很难在Mesos/K8s/Swarm之间做选择一旦技术路線选择错误，后面调头重来成本非常高而且这么多小的Docker创业公司，能不能生存下去长期提供技术支持，也是需要考虑的问题 企业要綜合考察IaaS/CaaS/PaaS，选择相对成熟的技术相比而言IaaS和PaaS均比较成熟，基于Docker的CaaS还没有定型还在成熟的过程中。要结合企业的实际需求对于潮流技術，先小规模验证体验取得的实际效果，分析存在的隐患再做综合决策不迟。 原文链接

我汉化了油管上Google介绍云语音API的短视频（BGM很好听不知道是啥歌），放在优酷上

视频里的实例昰：用户能通过自然语言（包括英语、日语和葡萄牙语）指挥树莓派（基于Unix的硬件）机器人“跳舞（？）”、“左转”、“右转”

我先湔常常利用Youtube语音识别技术为视频打时间轴，但可惜没找到API；而且油管上自动语音识别支持的语种不多（不包括日语你懂的……）

但这次Google嶊出的云端语音识别API支持多达80多种语言（及其变体），实在令人喜出望外

但坏消息是：这次开放属于邀请制，你得有