Spring Boot：是由Pivotal团队提供的全新框架，其设计目的是用来简化新Spring应用的初始搭建以及开发过程。该框架使用了特定的方式来进行配置，从而使开发人员不再需要定义样板化的配置。通过这种方式，Spring Boot致力于在蓬勃发展的快速应用开发领域(rapid application development)成为领导者。
Spring Boot特点
1. 创建独立的Spring应用程序
2. 嵌入的Tomcat，无需部署WAR文件
3. 简化Maven配置
4. 自动配置Spring
5. 提供生产就绪型功能，如指标，健康检查和外部配置
6. 绝对没有代码生成和对XML没有要求配置
在此之前，我们用ssm进行整合的时候，大量的xml配置，一个配置不对，或者版本对应不上，就会有各种坑，恶心到想吐（真没怀孕![1689372d4b20cb20?w=64&h=64&f=png&s=2592]()
）。然后当我们使用springboot后，我们只需要简单的properies或yml配置即可搞定。而且我们再也不用手动下载tomcat了，springboot帮我们把它嵌入到了程序里，把程序打成jar包，只需简单用命令行运行java -jar xxx.jar 即可完成一个web项目的启动，so esay。
![1689372d4a86896a?w=661&h=317&f=png&s=696]()
Spring Cloud：简单来说就是一个微服务框架，是一系列框架的有序集合。它利用Spring Boot的开发便利性巧妙地简化了分布式系统基础设施的开发，如服务发现注册、配置中心、消息总线、负载均衡、断路器、数据监控等，都可以用Spring Boot的开发风格做到一键启动和部署。
Spring Cloud并没有重复制造轮子，它只是将目前各家公司开发的比较成熟、经得起实际考验的服务框架组合起来，通过Spring Boot风格进行再封装屏蔽掉了复杂的配置和实现原理，最终给开发者留出了一套简单易懂、易部署和易维护的分布式系统开发工具包。
![1689372d4c47310d?w=1078&h=702&f=jpeg&s=4]()
Docker 可以让开发者打包他们的应用以及依赖包到一个轻量级、可移植的容器中，然后发布到任何流行的 Linux 机器上，也可以实现虚拟化。
容器是完全使用沙箱机制，相互之间不会有任何接口（类似 iPhone 的 app）,更重要的是容器性能开销极低。
Docker的特性：
1. 速度飞快以及优雅的隔离框架
2. 物美价廉
3. CPU/内存的低消耗
4. 快速开/关机
5. 跨云计算基础构架
有了Docker，妈妈再也不用担心服务迁移做大量的配置工作了。
![1689372d4c328d72?w=1080&h=565&f=jpeg&s=3]()
关于深度学习
PaddlePaddle：并行分布式深度学习开源平台，它的前身是百度于2013年自主研发的深度学习平台，且一直为百度内部工程师研发使用。
全球各大科技巨头开源的深度学习平台都极具各自技术特点，对于百度，由于其自身在搜索、图像识别、语音语义识别理解、情感分析、机器翻译、用户画像推荐等多领域的业务和技术方向，PaddlePaddle则表现更加全面，是一个相对全功能的深度学习框架。
PaddlePaddle为深度学习研究人员提供了丰富的API，可以轻松地完成神经网络配置，模型训练等任务。
百度成为继Google、Facebook、IBM后另一个将人工智能技术开源的科技巨头，同时也是国内首个开源深度学习平台的科技公司。
“中国人要有自己的深度学习框架”，这句话好像是在参加百度AI大会的时候听到的，还是很给力的。
![1689372d4c28e0af?w=500&h=281&f=jpeg&s=34]()
TensorFlow 是谷歌发布的第二代机器学习系统。是一个利用数据流图(Data Flow Graphs)进行数值计算的开源软件库：图中的节点(Nodes)代表数学运算操作，同时图中的边(Edges)表示节点之间相互流通的多维数组，即张量(Tensors)。
这种灵活的架构可以让使用者在多样化的将计算部署在台式机、服务器或者移动设备的一个或多个CPU上，而且无需重写代码;同时任一基于梯度的机器学习算法均可够借鉴TensorFlow的自动分化(Auto-differentiation);此外通过灵活的Python接口，要在TensorFlow中表达想法也变得更为简单。
Scikit-Learn是用于机器学习的Python 模块，它建立在SciPy之上。该项目由David Cournapeau 于2007年创立，当时项目名为Google Summer of Code，自此之后，众多志愿者都为此做出了贡献。
Scikit-Learn主要特点：
1. 操作简单、高效的数据挖掘和数据分析
2. 无访问限制，在任何情况下可重新使用
3. 建立在NumPy、SciPy 和 matplotlib基础上
Caffe 是由神经网络中的表达式、速度、及模块化产生的深度学习框架。后来它通过伯克利视觉与学习中心(BVLC)和社区参与者的贡献，得以发展形成了以一个伯克利主导，然后加之Github和Caffe-users邮件所组成的一个比较松散和自由的社区。
Caffe的特点：
1. 易用性：Caffe的模型与相应优化都是以文本形式而非代码形式给出，Caffe 给出了模型的定义、最优化设置以及预训练的权重，方便快速使用;
2. 速度快：能够运行最棒的模型与海量的数据;
3. Caffe可与cuDNN结合使用，可用于测试AlexNet模型，在K40上处理一张 图片只需要1.17ms;
4. 模块化：便于扩展到新的任务和设置上;
5. 使用者可通过Caffe提供的各层类型来定义自己的模型;
![1689372d68f92a42?w=300&h=70&f=png&s=3257]()
关于深度学习的开源框架还有很多，不在此一一介绍，能够学会并熟练运用其中一个或两个，那你就是大牛了。
比特币想必大家已经是如雷贯耳了，09年刚诞生的时候单价也就几美分而已，17年12月交易价格达已经到了1万七千美元还多。约合人民币11.3万/枚。
区块链正是比特币的底层技术和基础架构，它是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。所谓共识机制是区块链系统中实现不同节点之间建立信任、获取权益的数学算法。
区块链本质上是一个去中心化的数据库，同时作为比特币的底层技术，区块链是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一次比特币网络交易的信息，用于验证其信息的有效性（防伪）和生成下一个区块。
狭义来讲，区块链是一种按照时间顺序将数据区块以顺序相连的方式组合成的一 种链式数据结构， 并以密码学方式保证的不可篡改和不可伪造的分布式账本。
广义来讲，区块链技术是利用块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算范式
据说研究这项技术的人的年薪100w-300w不等，也许更多。
![1689372d7387d37c?w=500&h=312&f=jpeg&s=24]()
关于语言
Java已然获得了编程语言界的霸主地位，这是没有哪个程序员会否认的，在当下的程序员总数量中，Java程序员数量在900万左右，为世界编程语言程序员数量上第一，并且JavaEE程序员还是全世界需求量最大的程序员。
在资深程序猿眼中，能替代Java、并且能做得比它更好的只有Scala。不可否认的是Scala在业内的口碑不错，作为一个后起之秀，它解决了Java普遍存在的许多问题，Scala的性能比Java更加强大。
Go 语言是谷歌推出的一种全新的编程语言，可以在不损失应用程序性能的情况下降低代码的复杂性。
Go 语言被设计成一门应用于搭载 Web 服务器，存储集群或类似用途的巨型中央服务器的系统编程语言。
对于高性能分布式系统领域而言，Go 语言无疑比大多数其它语言有着更高的开发效率。它提供了海量并行的支持，这对于游戏服务端的开发而言是再好不过了。
前面提到的Docker就是GO语言开发的。
Python是一种解释型、面向对象、动态数据类型的高级程序设计语言。像Perl语言一样, Python 源代码同样遵循 GPL(GNU General Public License)协议。
Python已然成为机器学习领域的标配，据说即将纳入高考，虽未得到官方证实，但也是大势所趋。
Julia 语言(https://julialang.org/) 专门针对科学计算、机器学习、数据挖掘、大规模线性代数、分布式和并行计算，在 Julia 的使用者眼里，Python 不够快也不够方便。此消彼长，当它擅长某一项工作时，肯定会忽略其他部分。
![1689372d7b26c678?w=600&h=249&f=jpeg&s=40]()
结束语
如果上述的技术，你正在学习或者已经在运用当中，如果你还不是大牛，那你一定是在成为大牛的路上。
其实可以成为大牛的姿势还有很多种，这里就不在一一列举了，只要你一如既往的坚持你认为是对的路，终有一天你将不会在乎你是不是大牛。
最后祝大家2018年，新年快乐，心想事成。工资高高、Bug少少、KPI多多。欢迎在下方留言说说自己的2019年计划学习的新技术，给大家进行分享！
