本文将主要介绍如何使用Java语言读取文件并解析wave格式，并以代码形式进行展开。代码主要包含三个功能类，分别为：Wave、DataParseUtils和Common。
本代码已用于GitHub上开源的ASRT语音识别系统的Java语言SDK项目： https://github.com/nl8590687/ASRT_SDK_Java
分类： 后端开发
文件目录：
websocket-demo -- public/ --|-- index.html -- main.go -- go.mod -- go.sum
写完前后端代码之后，这个项目的工作就算做完了？不，你的工作其实才刚开始，写完代码只是做下一步工作的必要条件。作为一个可实用的软件产品，你要做的工作是将“玩具汽车”变成真正可以上路跑的“汽车产品”。数据库是网站、APP等产品重要的底层核心支撑服务，为了将我们的项目变成生产级的产品和服务，在数据库方面进行性能优化是重要的一个环节，这里我们用最经典的MySQL来作为案例。
当训练和测试完成一个深度学习模型之后，如果我们打算将这个算法模型上线，投入生产环境部署使用，那么我们就需要做一些额外的处理工作。由于深度学习模型对于算力需求较大，在上线过程中，一般有减小网络规模、使用专用硬件和通过C/S架构联网进行云端计算这三种方式。AI柠檬博主推荐使用第三种方式，即模型部署于服务器端，客户端通过网络将输入数据发送至服务器，计算得结果后传递给客户端。5G时代就在眼前，IPv6协议大规模部署，万物即将互联，尤其是无线移动互联网作为重要的基础设施是大势所趋。通过联网，即使是成本最低的低端的硬件，也可以在不损失精度的情况下，能够以更快的速度得到深度学习模型的计算结果。例如，ASRT语音识别系统就是以这种方式进行模型的部署的，已经能够为AI柠檬网站提供语音识别服务，用于语音搜索等任务。
我们说软件体系结构的时候，常常说的是静态的体系结构。众所周知，静态的体系结构在运行的时候是不会发生结构上的变更的。而每当在结构上有变更的时候，比如给软件增加一个新的功能，新的模块，都需要重新编译相关的组件并部署。由于这个部署常常需要重启软件，这给一些软件的运行维护带来了极大的挑战，比如金融类的软件系统，正常情况下不能停止运行，哪怕数秒时间，否则会产生很多麻烦。而通过动态软件体系结构，使用可以“热插拔”的插件，我们就能够实现“给奔跑的汽车换零件”。
本文转载自segmentfault.com
https://segmentfault.com/a/1190000018626163
1. 概述
本文以淘宝作为例子，介绍从一百个到千万级并发情况下服务端的架构的演进过程，同时列举出每个演进阶段会遇到的相关技术，让大家对架构的演进有一个整体的认知，文章最后汇总了一些架构设计的原则。
特别说明：本文以淘宝为例仅仅是为了便于说明演进过程可能遇到的问题，并非是淘宝真正的技术演进路径
本文转载自微信公众号：阿里技术，作者：韩帅
https://mp.weixin.qq.com/s?__biz=MzIzOTU0NTQ0MA==&mid=2247490231&idx=1&sn=b12ac5475855701c7d5ab73bb4d2b8c0
程序的世界飞速发展，今天所掌握的技能可能明年就过时了，但有些知识历久弥新，掌握了它们，你在程序的海洋中就不会迷路，架构思想就是这样的知识。
本文是《架构整洁之道》的读书心得，作者将书中内容拆解后再组织，不仅加入了个人的独到见解，而且用一张详细的知识脉络图帮助大家了解整本书的精华。如果你读过这本书，可以将本文当做一次思想交流，如果你还没看过这本书，更要阅读这篇文章，相信你会得到不同于以往的启发。
ASRT是一套基于深度学习实现的语音识别系统，全称为Auto Speech Recognition Tool，由AI柠檬博主开发并在GitHub上开源(GPL 3.0协议)。本项目声学模型通过采用卷积神经网络（CNN）和连接性时序分类（CTC）方法，使用大量中文语音数据集进行训练，将声音转录为中文拼音，并通过语言模型，将拼音序列转换为中文文本。算法模型在测试集上已经获得了80%的正确率。基于该模型，在Windows平台上实现了一个基于ASRT的语音识别应用软件，取得了较好应用效果。这个应用软件包含Windows 10 UWP商店应用和Windows 版.Net平台桌面应用，也一起开源在GitHub上了。
