本书将C++标准的新版本应用于设计模式的实现。除了介绍传统的设计模式之外，本书还充实了对现代C++开发人员有用的新的设计模式和方法。本书融合了作者多年的研究和实践经验，从C++新特性的角度展示了如何将设计模式化繁为简，并以诙谐风趣的语言阐述各个设计模式的优缺点和应用场景。本书将提供一些现代C++技术案例，展示如何利用C++的新特性（比如，协程、模块等）将一些难题化繁为简。本书所有示例程序都可以直接投入生产环境，不过，为了便于阅读，部分示例程序做了适当的简化。通过阅读本书，你将学会： *如何使用创建型设计模式，比如构造器模式、工厂模式、原型模式和单例模式。 *如何实现结构型设计模式，比如适配器模式、桥接模式、装饰器模式、外观模式等。 *如何开发行为型设计模式，比如职责链模式、命令模式、迭代器模式、中介者模式等。

主要内容 ● 编写命令行应用程序 ● 编写HTTP服务和客户端 ● 使用gRPC编写RPC应用程序 ● 为网络客户端和服务器编写中间件 ● 在云对象存储和SQL数据库中存储数据 ● 使用惯用的技术测试应用程序 ● 为应用程序增加可观察性 ● 管理应用程序的配置数据

.

《AI编译器开发指南》结合专用AI加速器和GPGPU两类芯片架构，系统介绍了AI编译器的基本框架和开发流程，着重论述了在AI编译器开发过程中，针对这两类架构需要重点考虑的实现方法。全书共分为7章，内容涵盖了以TVM为代表的开源AI编译器实现分析和定制化方法，以及GPGPU编译器后端相关设计方法。在介绍AI编译器一般原理的同时，书中通过对开源编译器项目的源代码分析，使读者能通过实例对AI编译器开发过程有更直观的认识。 《AI编译器开发指南》填补了AI编译器开发类书籍的空白，可作为从事AI软硬件设计、开发人员的参考用书，也可作为普通高等院校智能科学与技术、计算机科学与技术等专业的本科生和研究生的教辅书籍。

内容提要本书面向蓝桥杯全国软件和信息技术专业人才大赛的软件类赛项（以下简称蓝桥杯软件类大赛），从数据结构和算法的维度帮助广大读者训练编程思维和计算思维，掌握编程方法和解题技巧。本书共10章，第1章主要介绍了蓝桥杯软件类大赛的基本情况，归类汇总了其涉及的知识点（包括算法知识点），详细介绍了其在线评测系统以说明评分情况。第2~10章则由浅入深、由易到难地介绍了各类知识点，包括手算题和杂题、基础数据结构、基本算法、搜索、高级数据结构、动态规划、数学、字符串、图论等，对于每一类知识点都简明扼要地进行说明，并以真题作为例题进行细致讲解，以更好地帮助读者实现学用结合的学习效果。需要特别说明的是，本书例题的代码部分，分别由C++、Python、Java三种语言来实现（书中仅提供以C++、Python语言编写的代码，以Java语言编写的代码可从本书的配套数字资源中获取）。本书不仅适合作为蓝桥杯软件类大赛参赛者的备赛用书，还适用于备赛其他编程或算法类大赛（如全国青少年信息学奥林匹克竞赛NOI、国际大学生程序设计竞赛ICPC、中国大学生程序设计竞赛CCPC、中国高校计算机大赛？团体程序设计天梯赛GPLT等）。此外，本书还可作为本科生和研究生的相关算法课程的教材或参考资料。

Quarkus框架是一个来自Red Hat公司的Kubernetes Native Java框架平台。本书主要介绍Spring开发者如何在Quarkus框架上进行开发。全书通过比较Quarkus框架和Spring框架，介绍两者在原理、设计、开发、扩展和部署上的差异，并分别通过源码案例来讲解两者在Web开发、数据访问开发、消息应用开发、安全应用开发、响应式开发和集成第三方框架开发的差别，整理出Quarkus整合Spring Cloud、Consul和Dubbo等微服务架构的方案和实现。*后讲述Spring应用如何迁移至Quarkus框架的策略和步骤。《Spring开发者的Quarkus实战》是一本开发指南，原理结合实践，基本覆盖了现有云原生开发的大部分应用场景，共有50多个源码案例（1万多行代码），并以图片、源码、文字说明相结合的方式详细讲解。《Spring开发者的Quarkus实战》难度为中级，但对初级和高级层次读者也有一定启发作用，尤其适合希望在云原生领域继续探索的Spring开发者阅读。

将Amazon AI和ML服务栈应用到真实世界的应用场景，如自然语言处理、计算机视觉、欺诈检测、对话式设备等。使用Amazon SageMaker Autopilot，通过自动化机器学习（AutoML）实现特定应用场景的子集。深入理解一个基于BERT的自然语言处理场景的模型开发的完整生命周期，包括数据接入、数据分析以及更多。将所有组件包装成一个可重复的机器学习运维流水线。通过Amazon Kinesis和Amazon Managed Streaming for Apache Kafka（MSK），在实时数据流中探索实时机器学习、异常检测和流分析。了解数据科学项目和工作流中的最佳安全实践，包括在数据接入和分析、模型训练和部署过程中应用AWS Identity and Access Management（IAM）、鉴权、授权。

学习一系列久经考验的架构实践，从有效的架构、设计思维与运维等方面入手，创建优质的软件产品。深入探索业务架构、基础设施架构、数据架构与应用程序架构。探讨架构师、项目经理以及管理层如何通过价值链，与开发团队、管理团队和产品团队高效地开展工作。探讨机器学习架构与自动化流水线的特殊应用。为企业架构团队提供一套完整的实践模板。

理解TensorFlow模型模式和ML工作流中的最佳实践。使用代码段作为构建TensorFlow模型和工作流的模板。通过集成TensorFlow Hub中的预建模型节省开发时间。使用加速器集群（如GPU或TPU）充分利用分布式训练。对数据摄取、训练模型、模型保存和推理做出明智的设计选择。

研究张量，这是机器学习中最基本的结构。通过一个真实示例完成数据与张量的来回转换。使用TensorFlow.js结合AI和Web。使用资源转换、训练和管理机器学习数据。从头开始构建和训练你自己的训练模型。