分布式事务实践，从原理到实例，解决数据一致性

分布式事务实践，从原理到实例，解决数据一致性 描述：掌握多种分布式事务的实现方式，架构师必备技能。 链接： 大小：未统计 标签：#课程 #知识 来自：雷锋 频道：@Aliyundrive_Share_Channel 群组：@alyd_g 投稿：@AliYunPanBot

MongoDB全方位知识图谱 | MongoDB是一个强大的分布式存储引擎，天然支持高可用、分布式和灵活设计。MongoDB的一

MongoDB全方位知识图谱 | MongoDB是一个强大的分布式存储引擎，天然支持高可用、分布式和灵活设计。MongoDB的一个很重要的设计理念是：服务端只关注底层核心能力的输出，至于怎么用，就尽可能的将工作交个客户端去决策。这也就是MongoDB灵活性的保证，但是灵活性带来的代价就是使用成本的提升。 与MySql相比，想要用好MongoDB，减少在项目中出问题，用户需要掌握的东西更多。本文致力于全方位的介绍MongoDB的理论和应用知识，目标是让大家可以通过阅读这篇文章之后能够掌握MongoDB的常用知识，具备在实际项目中高效应用MongoDB的能力。 本文既有MongoDB基础知识也有相对深入的进阶知识，同时适用于对MonogDB感兴趣的初学者或者希望对MongoDB有更深入了解的业务开发者 本文是作者在学习和使用MongoDB过程中总结的MongoDB知识图谱，从以下3个方面来介绍MongoDB相关知识： 基础知识：主要介绍MongoDB的重要特性，No Schema、高可用、分布式扩展等特性，以及支撑这些特性的相关设计 应用接入：主要介绍MongoDB的一些测试数据、接入方式、spring-data-mongo应用以及使用Mongo的一些注意事项。 进阶知识：主要介绍MongoDB的一些核心功能的设计实现，包括WiredTiger存储引擎介绍、Page/Chunk等数据结构、一致性/高可用保证、索引等相关知识。

StoryDiffusion 是一个开源的图像和视频生成模型，它通过一致自注意力机制和运动预测器，能够生成连贯的长序列图像和

StoryDiffusion 是一个开源的图像和视频生成模型，它通过一致自注意力机制和运动预测器，能够生成连贯的长序列图像和视频。 这个模型的主要优点在于它能够生成具有角色一致性的图像，并且可以扩展到视频生成，为用户提供了一个创造长视频的新方法。该模型对AI驱动的图像和视频生成领域有积极的影响，并且鼓励用户负责任地使用该工具。 使用场景示例： 使用StoryDiffusion生成一系列漫画风格的图像。 创建一个基于文本提示的长视频，展示一个连贯的故事。 利用StoryDiffusion进行角色设计和场景布局的预可视化。 产品特色： 一致自注意力机制：生成长序列中的角色一致图像。 运动预测器：在压缩的图像语义空间中预测运动，实现更大的运动预测。 漫画生成：利用一致自注意力机制生成的图像，无缝过渡创建视频。 图像到视频的生成：提供用户输入的条件图像序列来生成视频。 两阶段长视频生成：结合两个部分生成非常长且高质量的AIGC视频。 条件图像使用：图像到视频模型可以通过提供一系列用户输入的条件图像来生成视频。 短视频生成：提供快速的视频生成结果。 |

LUMIERE 这是谷歌这段时间发布的第三个视频生成模型了，不过看起来是最重要的一个，演示的质量非常高，运动幅度和一致性表现

LUMIERE 这是谷歌这段时间发布的第三个视频生成模型了，不过看起来是最重要的一个，演示视频的质量非常高，运动幅度和一致性表现都很好。 整个模型的能力非常全面，除了视频生成之外支持各种视频编辑和生成控制能力。 支持各种内容创建任务和视频编辑应用程序，包括图像到视频、视频修复和风格化生成。 详细介绍： Lumiere 一款将文本转换为视频的先进模型，它专门用于制作展现真实、多样化及连贯动态的视频，这在视频合成领域是一大挑战。 为了实现这一目标，我们采用了一种创新的空间-时间 U-Net 架构（Space-Time U-Net architecture）。这种架构能够在模型中一次性完成整个视频时长的生成，这与传统视频模型不同。传统模型通常是先合成关键的远程帧，然后通过时间上的超级分辨率技术来处理，这种方法往往难以保持视频的全局时间连贯性。 Lumiere 通过在空间和关键的时间维度进行上下采样，并利用预先训练好的文本到图像扩散模型（text-to-image diffusion model），使我们的模型能够直接生成全帧率、低分辨率的视频，并且在多个空间-时间尺度上进行处理。 我们展现了该模型在将文本转换成视频方面的领先成果，并且证明了该设计能够轻松应用于各种内容创作和视频编辑任务，包括将图像转换为视频、视频修补和风格化视频创作。 项目地址： Invalid media:

纽约立法禁止儿童使用"令人上瘾"的社交媒体算法

纽约立法禁止儿童使用"令人上瘾"的社交媒体算法 《停止对儿童上瘾内容的剥削法案》（SAFE）将禁止TikTok 和 Instagram 等社交媒体平台根据推荐算法向 18 岁以下用户提供内容，这意味着社交媒体公司必须为儿童用户提供反向编排的内容。该立法将算法推送描述为"上瘾"，并称其对儿童的心理健康产生了负面影响。纽约州立法将"上瘾信息源"定义为根据与用户或其设备相关的信息推荐、选择媒体或对媒体进行优先排序的信息源。它将迫使该州总检察长发布执行规则。被发现违规的公司将在 30 天内纠正问题，否则将面临每名 18 岁以下用户最高 5000 美元的赔偿。本周一，该法案经过修订，删除了禁止平台在午夜至早上 6 点之间向儿童发送通知的条款。限制儿童使用社交媒体的相关立法在州和联邦两级都很流行。加利福尼亚州参议院 5 月份通过的一项法案与纽约州的法案非常相似，而在联邦层面，《儿童在线安全法案》将为追究社交媒体公司向儿童推荐有害内容的责任打开大门。如果该法案签署成为法律，可能会面临挑战。NetChoice 是一个代表Google、Meta 和 TikTok 等大型科技和社交媒体公司的行业组织，该组织在过去两年中挑战了多个州的法律，声称这些法律违反了第一修正案。NetChoice 在俄亥俄州和阿肯色州获得了初步禁令，目前正在等待加利福尼亚州的判决。近期许多监管社交媒体的立法工作都以儿童为重点。非营利性数字权利倡导组织"为未来而战"（Fight for the Future）的负责人埃文-格里尔（Evan Greer）说："如果你能把一件事说成是为了保护儿童，那么它背后的政治分量就会自动增加。纽约法案的一些支持者包括一个家长联盟，他们曾在国会听证会上和 Meta 公司办公室外抗议Meta 公司。其中一些家长的孩子在社交媒体上看到有害内容后自杀身亡。前《纽约时报》记者朱莉-斯凯尔福（Julie Scelfo）创建了"母亲反对媒体成瘾"（MAMA）组织，并为纽约的法案提供支持。斯凯尔福说："我们正处于全国青少年心理健康紧急状态之中，而社交媒体及其令人上瘾的算法显然是其中一个主要原因。这不是社交媒体本身的问题，而是它的成瘾性设计导致儿童的情绪被利用来牟利。"这些法案的许多支持者和反对者都认为，科技平台会对儿童产生有害影响，但在如何解决这一问题上并不完全一致。纽约州的法案由民主党人安德鲁-古纳德斯（Andrew Gournardes）提出。该法案在纽约州议会得到了两党二十多位参议员的支持。民主党和共和党领导的州和联盟都曾推动过类似的立法。不过，这些法案并没有得到普遍的支持。格里尔和其他公民自由倡导者认为，此类法律会践踏公司和用户的权利，而"强有力的隐私和反垄断立法"则可以考虑。格里尔说："法院实际上已经非常明确地指出，我们可以对公司从事的商业监控行为进行监管，我们可以对自动播放和无限滚动等具体的有害商业行为进行监管。我们不能做的是，让政府来管年轻人在网上能看什么，不能看什么。这就涉及到内容问题，也就涉及到第一修正案的问题。"格里尔还说，执行该法可能需要的商业年龄验证方法进一步威胁了社交媒体用户的隐私，并可能对公民自由和网络匿名性构成危险："当一个州通过一项法律，鼓励公司朝这个方向发展，进行与匿名性不相容的侵入性年龄验证时，这实际上在全球范围内造成了真正的人权问题。人权专家普遍认为，私下匿名发表言论和使用互联网的能力是一项需要保护的基本人权，因为这对地球上最弱势和边缘化的人群来说至关重要。" ... PC版： 手机版：

新质生产力的注解 就是# 程序员下场干实业

#内幕消息 # 新质生产力的注解 就是# 程序员下场干实业 一个刚毕业一起玩的小伙伴，后来去了 Google 作为Software Engineer 呆了 10 年， 最近开了一个中高端定制橱柜店， 因为自己多年的木匠 ，然后他发现了从门店设计稿，到下单工厂定做的过程，多个环节过于分裂，整个 pipeline 效率极其低下， 下场整顿，亲手写了一套软件，建立一个工厂，门店销售的建模软件（visualization） 一直到到 工厂收到任务CNC切割板材/下单配件，整个过程给数据化和自动化了。 带来3个结果 1） 一般品牌 2 天才能确认的订单，他们30 分钟 以后就机械臂抽板开切了。 2）几乎每周都在产品线上增加 features ，因为有高度抽象的端到端模型，迭代速度是德意高端品牌 N 多倍 3） 数据一致性 带来成本！ 目前已经在 SF/SJ/ PA/Cupertino 开了四个店了。 然后有几个结论： - 优秀的代码的编写者必须是用户本人。 - 同时掌握端到端的 Domain Knowledge （从用户需求，到仓库机械臂的软件实现层） 和 软件理解的人，是核心， 两个都得 90 分 - 满足条件的人其实非常少，如果换个背靠背组合来完成，需要很紧密，角色越分离，效率越低 - 传统软件行业，需求和实现对立，链条越长，这里的效能就是指数级下降。 - 因此Domain Knowledge 的全流程数字化和迭代能力，必须 In House，一体化 - 近十年的云技术/开发栈/开源社区， 给业务换装一个 数字化核心（自建数据流和对象模型）的创造了极大的空间 这种新的 nHouse 全栈型 结构， Tesla 和 Space X ，是典型代表，只有做到每个环节都知晓和理解全貌，才可以做大幅度 简化和抽象。 发射成本降低就这么来的。