用 Python 写了一个PDF转换器

性能方面是 Log4j 2 的最大亮点，至于其他方面的一些优势，比如说下面这些，可以忽略不计，文字有多短就代表它有多不重要。

2)Log4j 2 可以减少垃圾收集器的压力。

3)支持 Lambda 表达式。

4)支持自动重载配置。

02、Log4j 2 使用示例

废话不多说，直接实操开干。理论知识有用，但不如上手实操一把，这也是我多年养成的一个“不那么良好”的编程习惯：在实操中发现问题，解决问题，寻找理论基础。

第一步，在 pom.xml 文件中添加 Log4j 2 的依赖：
 

Log4j 介绍过了，SLF4J 介绍过了，Logback 也介绍过了，你以为日志系列的文章就到此终结了?

不不不，我告诉你，还有一个 Log4j 2，顾名思义，它就是 Log4j 的升级版，就好像手机里面的 Pro 版。我作为一个写文章方面的工具人，或者叫打工人，怎么能不写完这最后一篇。

Log4j、SLF4J、Logback 是一个爹——Ceki Gulcu，但 Log4j 2 却是例外，它是 Apache 基金会的产品。

SLF4J 和 Logback 作为 Log4j 的替代品，在很多方面都做了必要的改进，那为什么还需要 Log4j 2 呢?我只能说 Apache 基金会的开发人员很闲，不，很拼，要不是他们这种精益求精的精神，这个编程的世界该有多枯燥，毕竟少了很多可以用“拿来就用”的轮子啊。

上一篇也说了，老板下死命令要我把日志系统切换到 Logback，我顺利交差了，老板很开心，夸我这个打工人很敬业。为了表达对老板的这份感谢，我决定偷偷摸摸地试水一下 Log4j 2，尽管它还不是个成品，可能会会项目带来一定的隐患。但谁让咱是一个敬岗爱业的打工人呢。

01、Log4j 2 强在哪

1)在多线程场景下，Log4j 2 的吞吐量比 Logback 高出了 10 倍，延迟降低了几个数量级。这话听起来像吹牛，反正是 Log4j 2 官方自己吹的。

Log4j 2 的异步 Logger 使用的是无锁数据结构，而 Logback 和 Log4j 的异步 Logger 使用的是 ArrayBlockingQueue。对于阻塞队列，多线程应用程序在尝试使日志事件入队时通常会遇到锁争用。

下图说明了多线程方案中无锁数据结构对吞吐量的影响。Log4j 2 随着线程数量的扩展而更好地扩展：具有更多线程的应用程序可以记录更多的日志。其他日志记录库由于存在锁竞争的关系，在记录更多线程时，总吞吐量保持恒定或下降。这意味着使用其他日志记录库，每个单独的线程将能够减少日志记录。
 

在 Naigang Wang 及其同事 2018 年发表的论文“使用 8 位浮点数训练深度神经网络”（Training Deep Neural Networks with 8-bit Floating Point Numbers）中，使用了 8 位浮点数训练神经网络。在训练中使用 8 位数值，相比在推理中要明显难以实现，因为需要在反向传播期间保持梯度计算的保真度（fidelity），使得在做自动微分时能够达到机器的精度。

计算效率如何？

可以通过定制模型，提高模型的计算效率。一个很好的例子就是 MobileNet V1 和 MobileNet V2，它们是已在移动设备上得到广泛部署的模型架构，本质上是一种通过重组（recast）实现更高计算效率卷积运算的卷积神经网络。这种更有效的卷积形式，称为深度可分离卷积结构（depthwise separable convolution）。针对架构延迟的优化，还可以使用 基于硬件的概要（hardware-based profiling） 和 神经架构搜索（neural architecture search） 等技术，对此本文将不做详述。

新一轮人工智能革命

在资源受限的设备上运行机器学习模型，为许多新的应用打开了大门。使标准的机器学习更加节能的技术进步，将有助于消除数据科学对环境影响的一些担忧。此外，TinyML 支持嵌入式设备搭载基于数据驱动算法的全新智能，进而应用在了从 预防性维护 到 检测森林中的鸟叫声 等多种场景中。

尽管继续扩大模型的规模是一些机器学习从业者的坚定方向，但面向内存、计算和能源效率更高的机器学习算法发展也是一个新的趋势。TinyML 仍处于起步阶段，在该方向上的专家很少。本文参考文献中列出了一些 TinyML 领域中的重要论文，建议有兴趣的读者去阅读。该方向正在快速增长，并将在未来几年内，成为人工智能在工业领域的重要新应用。请保持关注。

（编辑：南昌站长网）

【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!